Professional Documents
Culture Documents
PROGRAM MINITAB
Toolbar
Window
session Window
graph
Window
data Project
manager
1
1.2.1 Toolbar
Toolbar merupakan alat untuk mempermudah dan mempercepat perintah
Minitab. Toolbar Minitab berbentuk tombol-tombol dalam window Minitab.
Pengoperasiannya pun mudah, yaitu hanya dengan menekan (klik) toolbar
tertentu untuk menjalankan suatu perintah.
2
disimpan dan dicetak. Kita dapat pula menggunakan window session untuk
memerintah minitab dalam tipe text dan menjalankan program macro.
Menjalankan perintah melalui wondow session membutuhkan bahasa perintah
tertentu. Gambar berikut ini menampilkan bentuk window session.
3
1.2.5 Project Manager
Project Manager berfungsi mengatur file-file yang tersimpan dalam
project. Project Manager terdiri atas beberapa folder dan window suatu folder
seperti ditunjukan pada gambar berikut
4
MODUL II
ALAT – ALAT STATISTIK DALAM MINITAB
5
eksperimen factorial, response surface , desain mixture, dan yang terbaru adalah
desain Taguchi.
6
2.10 Analisis Data Kualitatif
Minitab memberikan beberpa metode untuk meringkas data dalam table dan
melakukan analisis data kualitatif yang dikelomppkan ke dalam menu tables.
7
MODUL III
OPERASI DASAR MINITAB
Pada modul ke-3 akan mempelajari operasi dasar Minitab, yaitu cara memasukkan data,
menyimpan data, dan membuka file.
8
Tabel 3.1 Data Reaktor Nuklir terbesar di Dunia
Negara Jumlah Reaktor Nuklir Benua
Belgia 4 Eropa
Perancis 22 Eropa
Finlandia 2 Eropa
Jerman 7 Eropa
Belanda 1 Eropa
Jepang 11 Asia
Swedia 3 Eropa
Switzerland 1 Eropa
USA 47 Amerika
Total 98
Sumber: Mendenhall, W. dan Sincich,T., 1995. Statistics for Engginering
and The Science. Practice Hall, Inc. Englewood Cliffs, New Jersey
9
Secara otomatis, nama kolom yang lama akan berganti dengan yang baru.
3.2.2 Memasukkan Data dalam Window Data
Untuk melakukan analisa data dengan menggunakan Minitab, kita terlebih
dahulu harus memasukan data yang akan dianalisis ke dalam worksheet.
Tahap-tahap memasukan data adalah :
1. Klik tanda entry arrow [↓] di pojok kiri atas window data untuk entry
data ke bawah. Klik tanda entry arrow [→] untuk entry data ke arah
kanan.
Entry Arrow
10
Gambar 3.3 Tampilan hasil memsukkan data pada window Data.
3.3 Menyimpan Worksheet
Cara menyimpan data yang telah dimasukan agar tidak hilang adalah:
1. Pilih File > Save Current Worksheet As
2. Pada kolom File Name ketikan nama file, contoh Nuclear
3. Selanjutnya, klik Save.
Sebagai pengguna Minitab perlu mengingat bahwa dalam menu File, Minitab
menyediakan 3 perintah untuk menyimpan, yaitu perintah pertama untuk
menyimpan semua project (window session, worksheet, project manager dan
graph), kedua hanya untuk menyimpan worlsheeet, dan terakhir hanya untuk
menyimpan grafik. Jika ingin menyimpan suatu file dalam window tertentu,
pastikan windownya sedang aktif sehingga dalam menu File, perintah print akan
diikuti nama.
11
Kita dapat memasukkan deret bilangan tunggal hanya dengan mengisikan
data. Contoh bilangan tunggal berulang adalah:
• 1, 1, 1, …
• putih, putih, putih, …
• 1/99, 1/99, 1/99, ….
Langkah-langkahnya sebagai berikut:
1. Ketikan data tunggal, misalnya 1 pada sel pertama dalam kolom C1.
2. Blok sel seperti tampak dalam gambar 3.4 (a) .
3. Letakkan kursor di pojok kanan bawah sel sehingga kursor berubah
menjadi +, klik kiri, tahan dan geser ke bawah sampai baris ke-n.
12
3. Tekan tombol [Ctrl] dan letakkan kursor pada pojok kanan bawah sel
yang di blok sehingga kursor berubah menjadi +. Klik kiri, tahan dan
geser ke bawah sampai baris ke-n
13
Memasukkan Deret dari Daftar Tertentu
Deret berikut merupakan deret tertentu, misalnya nama hari, bulan dan jam:
• Jan, Feb, …, Dec
• Mon, Tue, …, Sun
Langkah-langkahuntuk memasukkan data seperti berikut:
1. Isikan kata “Jan” pada baris pertama dalam kolom C5.
2. Blok sel data seperti ditunjukkan dalam gambar 3.6
3. Letakkan lursor di pojok kanan bawah sel yang diblok sehingga kursor
berubah menjadi +. Klik kiri, tahan dan geser ke bawah.
14
2. Lihat kolom C1 pada window data.
Contoh 2
Jika akan dimasukan pada kolom C2, baris pertama sampai kesembilan akan
diisikan angka 1 sampai 9. Caranya:
1. Tuliskan perintah berikut pada window session:
MTB> SET C2 (enter)
DATA> 1 : 9 (enter)
DATA> END (enter)
2. Lihat hasilnya pada kolom C2 di window data.
Contoh 3.
Jika data akan dimasukkan pada kolom C3, mulai dari baris pertama sampai
kesembilan akan diisikan angka 1. Caranya:
1. Tuliskan perintah berikut pada window session:
MTB> SET C3 (enter)
DATA> 9 (1) (enter)
DATA> END (enter)
2. Lihat hasilnya pada kolom C3 di window data
Contoh 4
Jika akan dimasukkan data pada kolom C4, baris pertama sampai baris kesembilan
akan diisikan angka 1,1,1,2,2,2,3,3, dan 3. Caranya:
1. Tuliskan perintah berikut pada window session:
MTB> SET C4 (enter)
DATA> 3 (1) 3 (2) 3 (3) (enter)
DATA> END (enter)
atau
MTB> SET C4 (enter)
DATA> (1:3) 3 (enter)
DATA> END (enter)
2. Lihat hasilnya pada kolom C4 di window data.
15
Contoh 5
Jika akan dimasukkan data pada kolom C5, baris pertama sampai kesembilan akan
diisikan angka 1,2,3, 1,2,3,1,2 dan 3. Caranya:
1. Tuliskan perintah berikut pada window session:
MTB> SET C5 (enter)
DATA> 3 (1:3) (enter)
DATA> END (enter)
2. Lihat hasilnya pada kolom C5 di window data.
16
6. Dalam List each value, isikan 1. koolom dimaksudkan untuk
mengulang tiap bilangan.
7. deret yang akan dimasukkan adalah deret bilangan 100 – 10 yang
berselisih 10 dan diulangsebanyak 4 kali. Oleh karena itu, isikan 4
dalam List the whole sequence.
8. Klik OK.
Outputnya ditampilkan dalam kolom C6. Kolom memperlihatkan 40
pengamatan. Deret diawali dengan bilangan 100 dan pengamatan ke 40
berisi bilangan 10.
17
Memasukkan Deret Bertipe Data Text
Minitab memberikan pula kemudahan memasukkan deret berpola yang
bertipe text. Contoh deret adalah kamu, saya, mereka, kamu, saya, mereka.
Cara memasukkan data adalah
1. Pilih Calc > Make Pattern Data > Text Values. Layar monitor
akan memperlihatkan kotak dialog seperti pada gambar berikut
18
Gambar 3.10 Kotak dialog Simple Set of Date/Time Values
2. Di bawah Store Patterned data in, isikan c9
3. Di bawah Patterned Sequence in, isikan 11/1/07 dalam start
Date dan 11/30/07 dalam End Date.
4. Dalam List each value pilih Day dan isikan 2 dalam by. Artinya
selang deret yang akan dibuat adalah dua hari.
5. Dalam List each value dan List the whole sequence masing-
masing isikan angka 1.
6. Klik OK.
Tipe Data
Dalam melakuakn analisa data statistic, kita harus memperhatikan skala data
yang akan diolah. Dalam Minitab, skala data berkaitan dengan tipe data. Minitab
menyediakan 3 tipe data, yaitu:
• Numeric
• Text
• Date/Time
Ketiganya bisa diatur sesuai dengan keinginan pengguna. Bila dikaitkan denan
jenis skala data, tipe data numeric adalah jenis skala data kuantitatif (interval atau
rasio), tipe data text dan date/time adalah jenis skala data kualitatif.
19
1. Tempatkan kursor pada salah satu sel di kolom C1 dan klik kanan. Setelah
itu, daftar menu seperti pada gambar 3. 11.
20
Gambar 3. 13 Tampilan dalam kolom C6
Memformat Data Bertipe Date/Time
1. Letakkan kursor pada salah satu sel dalam kolom C7.
2. Klik kanan.
3. Pilih Format Column > Date/Times
Layar monitor akan memperlihatkan kotak dialog Date/Time Column.
Format seperti ditunjukkan gambar 3. 14
21
Gambar 3. 15Tampilan kolom C7.
Memanipulasi Data
Membuat Rangking
Sebagai ilustrasi, data yang digunakan untuk membuat rangking adalah data
dari worksheet Nuclear.MTW. Jumlah reactor nuklir di setiap negara
berbeda-beda, ada yang banyak maupun sedikit. Jika ingin mengetahui
rangking suatu Negara berdasarkan jumlah reactor nuklir , caranya adalah:
1. Pilih Data > Rank seperti gambar 3. 16 di bawah.
22
Gambar 3. 18 Rangking jumlah reactor nuklir di suatu negara
Membuat Urutan Data
Rangking Negara-negara yang memiliki reactor nuklir diurutkan mulai dari
Negara yang memiliki jumlah reactor nuklir paling sedikit sampai paling
banyak. Caranya adalah:
1. Pilih Data > Sort, seperti pada gambar di bawah.
23
MODUL IV
ANALISIS STATISTIK SEDERHANA
Pada modul ini akan membahas beberapa analisis statistic sederhana, yaitu
membangkitkan bilangan acak, menghitung statistic, analisis deskriptif dan membuat
grafik.
24
6. Klik OK
Worksheet pada kolom C1 menunjukan output yang ditampilkan dalam
Minitab. Dalam kolom tersebut akan terdapat bilangan acak sebanyak 500 data.
Dalam Minitab, tiap kali akan membangkitkan bilangan acak, bilangan yang
dihasilkan akan berbeda.
25
Gambar 4.3 Grafik plot probabilitas untuk uji distribusi data
Grafik diatas menunjukan plot uji distribusi eksponensial untuk data dalam
kolom C1. Suatu data dikatakan mengikuti distribusi tertentu apabila titik-titiknya
mengikuti garis lurus. Selain plot probabilitas, gambar 4.3 menunjukkan pula nilai
rata-rata, standar deviasi, median, interquartil range (IQR) untuk data di kolom C1.
Berdasarkan output, diketahui rata-rata data adalah 0.259. Nilai rata-rata hamper
mendekati rata-rata yang diinginkan yaitu 0.25. Semakin kecil perbedaannya
menunjukkan validitas alat pembangkit data.
Untuk mengetahui bahwa data yang telah dibangkitkan telah mengikuti
distribusi eksponensial, kita melakukan uji hipotesis. Dalam hal ini uji hipotesisnya
adalah
H0 : data mengikuti distribusi eksponensial
H1 : data tidak mengikuti distribusi eksponensial
Uji hipotesis akan menggunakan level toleransi (α ) sebesar 5 %. Untuk
membuktikan hipotesis, uji distribusi menggunakan statistic Anderson-Darling.
Semakin kecil nilai statistic Anderson-Darling semakin besar peluang gagal meolak
hipotesis awal.
Distribution Analysis: C1
Variable: C1
Distribution: Exponential
Parameter Estimates
Log-Likelihood = 161.514
Goodness-of-Fit
Anderson-Darling (adjusted) = 0.716
Characteristics of Distribution
27
3. Data yang akan dibuat histogramnya adalah data dalam kolom C1, C2 dan C3.
Oleh kaena itu masukkan C1 C2 C3 di bawah Graph variable.
Histogram dibuat untuk melihat bentuk probability distribusi function (pdf) data
pada kolom C1 sampai C3. Dalam histogram kita bisa membuat garis pdf yang
menggambarkan bentuk distribusi data. Cara melakukannya adalah
1. Pada kotak dialog Histogram-With Fit and Groups, pilih Data View
2. pada kotak dialog pilih Distribution.
3. Di bawah Distribution, pilih Exponential. Ini berarti plot pdf akan membentuk
distribusi eksponential berdasarkan pengamatan.
4. Selanjutnya klik OK.
Statistik yang diinginkan adalah rata-rata ukuran rumah danpenggunaan listrik per
bulan. Langkah-langkah menghitungnya adalah:
1. Pilih Calc > Column Statistics. Kotak dialog akan muncul seperti gambar 4.7.
28
Gambar 4.7 Kotak Dialog Column Statistics
2. Karena statistic yang diinginkan adalah rata-rata, maka di bawah statistic pilih
mean.
3. Variabel yang dihitung adalah variable penggunaan listrik per bulan sehingga
isikan variable listrik per bulan ke dalam input variable.
4. Selanjutnya, klik OK
Gambar 4.8 menunjukan outputnya dalam window session
29
2. Plih Stat > Basic Statistics > Display Descriptive Statistics
Variable Q3 Maximum
Ukuran Rumah 2273 2930
Penggunaan Listr 1868.5 1956.0
30
mengukur range sebagai ukuran penyebaran data. Standard error of mean tidak
selalu digunakan dalam statistic deskriptive. Untuk menghitungya standard deviasi
31
Gambar 4.12 Scatter diagram hubungan ukuran rumah dengan penggunaan
listrik per bulan
32
MODUL V
MEMBANDINGKAN RATA-RATA POPULASI
Suatu penelitian sering ingin membandingkan suatu populasi dengan nilai statistic
tertentu atau membandingkan suatu populsi dengan populasi lain. Minitab menyediakan
beberapa metode utnuk melakukan analisis statistic ini.
Uji Rata-rata Populasi dengan sampel Besar (n ≥ 30)
Uji 1 arah
Uji 1 arah
Hipotesis: Uji 2 arah
Hipotesis:
H 0 : µ = µ0 Hipotesis:
H 0 : µ = µ0 H 0 : µ = µ0
H1 : µ < µ 0
H1 : µ < µ 0 H1 : µ ≠ µ 0
Statistik uji:
Statistik uji: Statistik uji:
y − µ0 y − µ 0
z = y − µ0 ≈ y − µ 0 y − µ0 y − µ 0
z = σy ≈ s/ n z= ≈
σy s/ n σy s/ n
Daerah penolakan
Daerah penolakan
z > za atau z < −z Daerah penolakan
z > za atau z < − zaa z > za / 2
Asumsi:
Asumsi:
Data mendekati distribusi normal
Data mendekati distribusi normal
Uji Rata-rata Populasi dengan sampel Kecil
Uji 1 arah Uji 2 arah
Hipotesis: Hipotesis:
H 0 : µ = µ0 H 0 : µ = µ0
H1 : µ < µ 0 H1 : µ ≠ µ 0
Statistik uji: Statistik uji:
y − µ0
t=
s/ n Daerah penolakan
Daerah penolakan t > ta / 2
t > ta atau t < −ta
Derajat Bebas (df) = n – 1
Dimana n adalah jumlah data
Asumsi:
Data mendekati distribusi normal
33
Dalam statistika, uji hipotesis dilakukan untuk membandingkan rata-rata suatu
populsi. Salah satu metode uji hipotesisnya adalah uji t dan uji z. Uji t
menggunakan statistika t dan uji z menggunakan statistika z. Uji t digunakan
apabila jumlah sample kurang dari 30 (n ≤ 30) . Dan standar deviasi (σ ) populasi
tidak diketahui. Sebaliknya, statistika z digunakan jika jumlah sample besar
(n ≥ 30) dan standar deviasi (σ ) populasi diketahui. Kedua statistic dapat
digunakan apabila data mengikuti atau mendekati distribusi normal dengan
parameter tertentu. Bila data tidak memenuhi asumsi tersebut maka kedua uji tidak
bisa digunakan.
Sebagai contoh data yang digunakan terdapat pada table 5.1, yaitu data rasio
panjang tulang terhadap lebar tulang lengan atas dari fosil suatu species. Para
arkeolog meyakini bahwa rasio dapat digunakan untuk menentukan jenis spesies
binatang tertentu. Sebelumnya mereka telah menemukan spesies A yang memilki
rata-rata rasio panjang tulang terhadap lebar tulang adalah 8.5.
Tabel 5.1 Data rasio panjang terhadap lebar pada tulang lengan atas
10.73 9.07 10.33 9.84
8.48 9.57 9.94 8.37
8.52 6.23 6.66 8.86
8.91 10.48 9.39 9.89
8.93 10.02 11.67 9.17
9.38 9.20 9.98 9.17
8.89 9.29 8.07 6.85
8.71 9.41 9.35 9.93
8.87 10.39 9.17 8.17
11.77 8.38 8.30 12.00
8.80
Sumber: Mendenhall, W. dan Sincich, T.,1995. Statistics for
Engineering and The Sciences, Practice Hall, Inc.
Englewood Cliffs, New Jersey
34
2. Dalam kotak dialog masukkan varibel Rasio ke dalam kotak di bawah Varibel.
Dalam analisis, rata-rata rasio data dalam table akan dibandingkan dengan rasio
spesies A, yaitu 8.5. cara melakukannya adalah:
3. Isikan 8.5 ke dalam Test mean.
4. pilih Graph untuk menampilkan output dalam bentuk grafik.
5. beri tanda cek pada Histogram of Data.
6. Kemudian klik OK
Interpretasi output
Gambar 5.2 dan 5.3 menunjukkan output analisisnya. Output 5.2 menunjukkan
nilai-nilai statistic seperti rata-rata, standar deviasi dan selang kepercayaan 95%
untuk rata-rata. T: Rasio
One-Sample
35
Dugaan (hipotesis) awal adalah keempat uluh satu fosil yang telah ditemukan sama
dengan spesies A. Sebaliknya, hipotesis alternative mengatakan bahwa keempat
puluh satu fosil yang telah ditemukan tidak sama dengan spesies A.
Daerah Penolakkan
Uji 1 arah:
Tolak hipotesis awal apabila t > tα atau (t > −tα )
Uji 2 arah:
Tolak hipotesis awal apabila t > ta / 2
36
drive 1 dan disc drive 2. Jenis disc dirve 1 memperoleh 13 pengamatan, sedangkan
disc drive 2 memperoleh 12 pengamatan. Peneliti ingin membandingkan kedua
jenis disc drive.
Tabel 5.2 Waktu respons 2 jenis Disc Drive
Disc Drive 1 Disc Drive 2
59 60 47 71 48 44
92 73 33 38 41 39
54 75 61 47 68 34
102 74 53 40 75
73 84 63 60 86
Tahap-tahap analisis data dalam Minitab sebagai berikut:
1. Pilih Stat > Basic Statistics > 2-Sample t
37
Two-Sample T-Test and CI: Disc Drive 1, Disc Drive 2
Hipotesis
Hipotesis untuk tabel adalah
H 0 : ( µ Disk _ Drive _1 − µ Disk _ Drive _ 2 ) = 0
H1 : ( µ Disk _ Drive _1 − µ Disk _ Drive _ 2 ) ≠ 0
Hipotesis awal (H0) mengatakan bahwa rata-rata waktu respons disc drive 1 sama
dengan rata-rata waktu respon disc drive 2. sebaliknya, hipotesis alternative (H 1)
mengatakan bahwa rata-rata waktu respons disc drive 1 tidak sama dengan rata-rata
waktu respons disc drive 2.
Daerah Penolakan
38
t > ta / 2
α / 2 = 0.025 α / 2 = 0.025
−2.056 2.056
Daerah Daerah
penolakan penolakan
39
Sebagai ilustrasi, agar mudah memahami mengenai uji rasio antarvarian maka
kita akan menggunakan data pada table 5.2.
40
Hipotesis
Hipotesis pada analisis adalah:
σ Disk
2
H 0 : 2 _ drive _1 = 1
σ Disk _ drive _1
σ Disk
2
H1 : 2 _ drive _1 > 1
σ Disk _ drive _1
Hipotesis awal (H0) menduga bahwa varian waktu respons disc drive 1 sama dengan
waktu respons disc drive 2.
Daerah Penolakan
F > Fα
Gambar 5.9 Output hasil perbandingan varian waktu respons 2 jenis disc drive
Pada output dapat terlihat bahwa nilai statistic F adalah 1.39 . Pada table distribusi F
nilai F(5%,12,14) = 2.53 . Nilai F masih berada di atas nilai statistic F hasil pengamatan.
Oleh karena itu, kesimpulan hasil uji adalah varian waktu respons disc drive 1 dan
varian disc drive 2 secara statistic tidak berbeda.
41
Pada gambar 5.9 tampak bahwa varian waktu respons disc drive 1 sebesar
σ Disc
2
_ drive _1 = (18.66) = 348.19 , sedangkan varians waktu respons disc drive 2 sebesar
2
σ Disc
2
_ drive _ 2 = (15.81) = 249.89 . Secara matematis varian berbeda, namun secara
2
statistis telah terbukti bahwa kedua varian waktu respon tidak berbeda.
Pada gambar 5.10menunjukkan 2 jenis grafik yaitu dotplot (grafik bagian atas)
dan boxplot (grafik bagian bawah). Pada grafik memperlihatkan penyebaran waktu
respons disc drive 1 tidak berbeda jauh dengan penyebaran waktu respons disc drive
2.
Gambar 5.10 Grafik hasil Perbandingan varian waktu respons 2 jenis disc drive
42
MODUL VI
ANALISIS KORELASI
Koefisien korelasi Pearson berguna untuk mengukur tingkat keeratan hubungan linear
anatara dua variable. Nilai korelasi berkisar antara -1 samapai +1. nilai korelasi negative
berarti hubungan antara 2 variabel adalah negative. Artinya, apabila salah satu variable
menurun, maka variable lainnya akan meningkat. Sebaliknya, nilai korelasi positif
berarti hubungan antara kedua variable adalah psotif. Artinya apbila salah satu variable
meningkat, maka variable lainnya meningkat pula. Suatu hubungan anatara 2 variabel
dikatakan berkorelasi kuat apabila makin mendekati 1 atau (-1). Sebaliknya, suatu
hubungan dikatakan lemah apabila semakin mendekati 0 (nol).
Hipotesis
Hipotesis untuk uji korelasi adalah:
H0 : ρ = 0
H1 : ρ ≠ 0
Dimana ρ adalah korelasi antara 2 variabel.
Daerah Penolakan
P-value < α
Untuk membuat interpretasi analisis korelasi, ada beberapa hal yang harus diingat, yaitu:
1. Koefisien korelasi hanya mengukur hubungan linear. Jika ada hubngan nonlinear,
maka koefisien korelasi akan bernilai 0.
2. koefisien korelasi sangan snsitif terhadap nilai ekstrim.
3. kita bisa membuat korelasi hanya jika variable memiliki hubungan sebab akibat.
Langkah-langkah menghitung korelasi antara dua variable dengan menggunakan Minitab
adalah:
1. Pilih Stat > Basic Statistics > Correlation
43
2. Pada kotak dialog , letakkan variable ukuran rumah dan penggunaan listrik per
bulan pada kolom di bawah Variabels.
3. Untuk menampilakn P-value, pilih Display p-value, klik OK.
Hipotesis
H0 : ρ = 0 vs H1 : ρ ≠ 0
Dalam hal ini, hipotesis awal adalah tidak ada korelasi antara ukuran rumah dan dan
penggunaan listrik, sedangkan hipotesis alternatifnya adalah ada korelasi antara ukuran
dan rumah dengan penggunaan listrik.
Correlations: Ukuran Rumah, Penggunaan Listrik per Bulan
44
Pearson correlation of Ukuran Rumah and Penggunaan Listrik per Bulan = 0.898
P-Value = 0.000
Daerah penolakan
Penjelasan sebelumnya telah mengatakan bahwa daerah penolakan adalah apabila
P-value > α . Gambar 6.2 memperlihatkan daerah penolakkannya. Pada gambar, apabila
p-value jatuh dalam daerah α (daerah penolakan, daerah yang diarsir), maka berarti
menolak hipotesis awal.
45
MODUL VII
DISTRIBUSI BINOMIAL DAN HIPERGEOMETRIK
Ruang sampel adalah gugus semua hasil yang mungkin dari suatu percobaan
statistika dan dinyataan dengan lamabang S. Sedangkan himpunan bagian dari sampel
adalah kejadian. Definisi peubah acak adalah suatu fungsi bernilai real yang harganya
ditentukan oleh tiap anggota dalam ruang sampel.
Contoh 1.
Misalkan sebuah mata uang dilantunkan 1 kali, maka ruang sampelnya adalah ={gambar,
angka} atau {M , B} dengan M = angka, dan B = gambar. Maka suatu kejadian yang
mungkin terjadi adalah {M} atau {B}.
Contoh 2.
Misalkan sebuah dadu dilantunkan 1 kali, maka ruang sampelnya adalah {1,2,3,4,5,6},
Suatu kejadian yang mungkin terjadi adalah {1} atau {2} atau … atau {6}.
Penulisan ruang sampel seperti diatas tidak praktis, maka didefinisikan peubah acak,
umumnya dinotasikan sebagai x, y, z, sebagai fungsi dengan daerah asal ruang sampel
dan daerah definisinya bilangan real. Pada contoh 1 kita bisa representasikan suatu
peubah acak diskrit x = {0,1} atau {-1, 1} dengan 0 /-1 menyatakan angka (M) dan 1/1
menyatakan gambar (B).
Pada contoh 1 dan 2, peubah acak diatas (x dan y) adalah peubah-peubah acak yang
diskrit. Contoh-contoh peubah acak yang kontinu adalah yang berasal dari ruang sampel
yang mengukur seperti berat badan, tinggi badan, temperatur dan lain-lain. Dimana
pengukurannya tersebut tidak eksak (tepat sekali). Contoh Tinggi badan= 170 cm berarti
bukan mutlak tingginya 170 cm mungkin 169,999cm atau 170,005 cm.
A. Distribusi Binomial
46
Pada kasus dalam distribusi bertipe diskrit seperti binomial, kejadian yang diamati
hanya dikelompokkan dalam 2 kategori, yaitu sukses dan gagal. Bentuk fungsi
kepadatan peluang (fkp) binomial adalah:
n n!
Dimana : =
x x !(n − 1)!
Dengan x adalah variabel acak, n adalah banyaknya data yang diuji/eksperimen dan p
adalah peluang terjadinya kejadian x. Sedangkan fungsi distribusinya :
Untuk peubah acak x yang diketahui fkp-nya, biasanya dapat dihitung ekspetasi dan
variansinya, dan masing-masing didefinisikan sebagai berikut:
deviasi, yang menyatakan variansi data disekitar rata-rata. Untuk distribusi binomial:
µ = E ( x) = np (bisa dibuktikan sebagai latihan ) dan σ 2 = var( X ) = npq, dengan
q = 1− p .
Catatan : bedakan rataan dan variansi dalam distribusi data /statistika deskriptif
dengan rataan µ dan variansi σ 2 disini.
47
Perintah-perintah padaMinitab
2. Pada kotak dialog seperti pada gambar masukan banyaknya data yang diinginkan
pada kolom Generate, contohnya 100.
48
Untuk mencari fungsi kepadatan peluang atau fungsi peluang distribusi binomial
dengan n dan p ditentukan dari kolom Ci yang hasilnya disimpan di kolom Cj.
(Ci ≠ Cj ) .
Sebagai ilustrasinya sebuah mata uang logam yang simetri dilantunkan sebanyak 10
kali. Jika dimisalkan X = jumlah muncul muka. Tentukan:
b. Hitung kemungkinan muncul muka lebih dari 5 kali tapi kurang dari 9 kali!
49
Gambar 7.2 Kotak Dialog Probability Density Function
a. Fungsi kepadatannya untuk setiap kajadian (x) yang mungkin terdapat pada
kolom 2 ditunjukkan dalam gambar 7.3
b. P (5 < x < 9) = P ( X = 6) + P ( x = 7) + P ( X = 8)
= 0.205078 + 0.117188 + 0.043945
= 0.366211
= 36.62%
50
Cumulatif Distibution Function
• Misalkan peluang suatu obat x dapat menyembuhkan seseorang dari sakit flu
adalah 70%. Setiap hari diasumsikan ada 10 orang yang sakit flu dan membeli
obat tersebut.
b. Berapakah peluang bahwa yang tidak sembuh sembuh dari sakit flu adalah
3 orang?
51
8. kemudian klik OK.
52
Caranya : Cari fungsi kepadatan probabilitasnya dan distribusi kumulatifnya
dengan cara seperti di atas dan masukkan 10 pada kotak number of
trial, dan 0.3 pada kotak Probability of success. Simpan pada kolom
C4.
53
hipergeometrik. Misalkan 52 kartu bridge yang terdiri dari 26 kartu merah dan 26
kartu hitam. 5 kartu diambil secara acak dan ingin diketahui peluang menarik 3 kartu
26
merah dari 26 kartu merah dan 2 kartu hitam dari 26 kartu hitam. Ada cara
3
26
menarik 3 kartu merah dan cara mengambil 2 kartu hitam. Jadi banyaknya cara
2
26
mengambil 3 kartu merah dan 2 kartu hitam dalam lima kali penarikkan ialah
3
26 52
. Banyaknya cara mengambil 5 kartu sembarang dari 52 kartu bridge ialah
2 5
. Jadi peluang mengambil 5 kartu tanpa pengembalian, 3 diantaranya merah dan 2
hitam, diberikan oleh:
26 26
3 2 = 0.3251
52
5
Percobaan hipergeometrik dapat disimpulkan sebagai berikut:
Misalkan ada n benda yang terdiri dari k benda yang diberi nama sukses dan sisanya,
n-k diberi nama gagal. Ingin dicari peluang memilih x sukses dari sebanyak k yang
tersedia, bila sampel acak berukuran n diambil dari N benda. Percobaan seperti ini
dikenal dengan nama percobaan hipergeometrik. Distribusi peluang peubah acak
hipergeometrik dinotasikan sebagai berikut:
x ~ H ( N , n, k )
Dengan fungsi kepadatan peluangnya adalah:
k N − k
x n−x
P ( X = x) = f ( x) = , x = 0,1, 2,..., n
N
n
Contoh:
54
Suatu panitia 5 orang akan dipilih secara acak dari 3 kimiaawan dan 5 fisikawan.
Hitunglah distribusi peluang banyaknya kimiawan dalam panitia tersebut.
Jawab:
Misalkan peubah acak x yang menyatakan banykanya kimiawan dalam panitia,
dengan N =8, n = 5, k = 3. Distribusi peluang untuk x adalah:
3 8 − 3
x 5− x
P ( X = x) = f ( x) = , x = 0,1, 2,3
8
5
Sehingga: P ( X = 0) = 1/ 56;
P ( X = 1) = 15 / 56
P ( X = 2) = 30 / 56
P ( X = 3) = 10 / 56
C. Latihan
1. Buat model distribusi binomial dengan n = 12, dan p = 0.45
Jawablah
a. P(x = 6), P(x = 8)?
b. P ( x > 8), P (3.6 ≤ x ≤ 8.2) ?
2. Seorang insinyur pengawas lalu lintas melaporkan bahwa 755
kendaraan yang melintasi suatu daerah pemeriksaan berasal dari DKI. Buat
programnya dan cari outputnya, tentukan:
a. Peluang paling sedikit 3 dari 5 kendaraan yang
lewat berasal dari luar DKI
b. Peluang ada 2 dari 10 kendaraan yang lewat berasal
dari DKI
3. Suatu bursa buku murah memiliki 100 buku cerita dan 300 buku
umum. Seorang anak membeli 10 buku secara acak. Tentukan peluangnya bila 4
buku diantaranya adalah buku cerita?
4. Misalkan Y suatu peubah acak, memiliki peluang sukses p = 2/3
dalam n kali pengulangan dari suatu percobaan.
a. Jika n = 3, tentukan P(2 ≤ Y )!
b. Jika n = 5, tentukan P( Y ≤ 2)!
55
5. Dari kotak berisi 12 peluru, diambil 4 secara acak dan kemudian
ditembakkan. Bila kotak itu mengandung tiga peluru cacat yang tidak akan
meledak. Buat programnya dan jawab berapa peluangnya:
a. Keempatnya meledak
b. Paling banyak 2 yang tidak meledak
c. Tepat 2 meledak atau minimal 3 tidak meledak.
MODUL VIII
DISTRIBUSI POISSON
Percobaan yang menghasilkan peubah acak x yang bernilai numerik, yaitu banyaknya
sukses selama selang waktu tertentu atau dalam daerah tertentu, disebut Percobaan
Poisson. Suatu percobaan poisson memiliki sifat berikut:
1. Banyaknya sukses terjadi dalam selang waktu atau daerah tertentu tidak
terpengaruh oleh (bebas dari) apa yang terjadi pada selang waktu atau daerah lain
yang terilih.
2. Peluang terjadinya suatu sukses (tunggal) dalam selang waktu yang sangat pendek
atau dalam daerah yang kecil sebanding dengan panjang selang waktu atau besarnya
56
daerah dan tidak tergantung pada banyaknya sukses yang terjadi di luar selang waktu
atau daerah tertentu.
3. Peluang terjadi lebihdari satu sukses dalam selang waktu yang pendek atau daerah
yang sangat sempit tersebut dapat diabaikan.
Panjang selang waktu tersebut boleh berapa saja, semenit, sehari, sebulan, atau malah
setahun. Contohnya seperti banyaknya mobil yang masuk tol per jam, jumlah mahasiswi
yang gagal di mata kuliah kalkulus per tahun, jumlah kecelakaan yang terjadi di sekitar
rumah per minggu, dan lain sebagainya.
Distribusi peluang peubah acak poisson x, yang menyatakan banyaknya sukses yang
terjadi dalam selang waktu atau daerah tertentu, diberikan oleh:
e −µ µ x
P( x = x) = f ( x) = , x = 0,1,2,...
x!
dengan µ menyatakan rata-rata banyaknya sukses yang terjadi dalam selang waktu atau
daerah tertentu dan e = 2.71828 ... Misalkan X berdsitribusi poisson atau x ~ P ( µ)
mempunyai mean = varian = µ . Kejadian-kejadian yang berdistribusi poisson adalah
kejadian yang jarang terjadi. Distribusi binomial dengan peluang sukses (p) yang sangat
kecil, dapat dihampiri dengan distribusi poisson, dengan µ = np .
A. Contoh Soal
1. Rata-rata banyaknya partikel radioaktif yang melewati
suatu perhitungan selama 1 milidetik dalam suatu percobaan di laboratorium
adalah empat. Berapakah peluang enam partikel melewati penghitung dalam suatu
milidetik tertentu?
Jawab:
Dik : x = jumlah partikel yang melewati alat penghitung
x ~ P ( µ) dengan µ=4
Dit: P(X = 6)?
Untuk mendapatkan jawabannya maka lakukan langkah-langkah berikut pada
program Minitab:
2. Input data pada kolom C1 0 : 20;
57
3. Pilih Calc > Probability Distributions > Poisson;
10. Pada kotak dialog seperti pada gambar pilih Cumulatif Probability
11. Pada kotak dialog Mean, masukkan 4 yang menunjukkan banyaknya rata-rata
banyaknya partikel.
12. Pilih Input column ketik C1 dan Optional storeage ketik C3.
58
Gambar 8.2 Kotak Dialog Fungsi Distributif Kumulatif
Output fungsi kepadatan peluang dan kumulatif distribusi ditunjukkan pada
gambar berikut:
59
6. Kemudian klik OK.
Output dari grafik dapat dilihat pada gambar berikut:
60
Pada dasarnya percobaan ini merupakan distribusi binomial dengan n = 8000 dan p =
0.001. karena p sangat dekat dengan nol dan n cukup besar, maka akan dihampiri
dengan distribusi poisson dengan µ = np = (8000)(0.001) = 8 . Jadi jika z merupakan
banyaknya barang yang bergelembung, maka :
6 6
P ( Z < 7) = ∑ b(8000.0.001) ≈ ∑ p (8) = 0.3134
z =0 z =0
Atau dapat dilihat nilai P(Z < 7) pada hasil keluaran berikut dengan menggunakan
Minitab:
1. Input Data pada kolom C1 dari 0 : 10
2. Pilih Calc > Probability Distributions > Poisson;
6. Kemudian klik OK
10. Pilih Input column ketik C1 dan Optional storeage ketik C3.
61
Gambar 8.6 Output pdf dan cdf
Dari data diatas dapat dilihat bahwa Fungsi Kumulatif Distribusi pada P(Z =
6) = 0.313374.
C. Latihan
1. tepat 5 kecelakaan !
2. Rata-rata banyaknya tanker minyak yang tiba tiap hari di suatu pelabuhan adalah
10. pelabuhan tersebut hanya mampu menerima paling banyak 15 tanker sehari.
Buat programnya dan hitung :
62
a. Berapa peluangnya pada suatu hari tertentu ada tanker yang terpaksa disuruh
pergi karena melebihi kapasitas pelabuhan?
4. Suatu daerah di bagian timur Amerika Serikat, rata-rata ditimpa angina topan
setahun. Carilah peluang di suatu tahun tertentu:
63
MODUL IX
Distribusi peluang kontinu yang terpenting dalam seluruh bidang statistika adalah
distribusi normal. Grafiknya disebut kurva normal, berbentuk lonceng seperti gambar
di bawah, yang mengambarkan berbagai kumpulan data yang muncul di alam,
industri, dan penelitian.
µ x
64
Distribusi normal sering disebut pula distribusi Gauss, untuk menghormati Gauss
(1777-1855). Suatu peubah acak X yang distribusinya berbentuk lonceng tadi disebut
peubah acak normal. Atau ditulis X ~ N ( µ, σ 2 ) . Distribusi normal, bergantung pada
dua parameter µ dan σ . Fungsi padat peluang (pdf) peubah acak normal X dengan
rataan µ . Dan variansi σ 2 ialah:
1 x −µ
1 −
σ
f ( x) = e 2 ,−∞ < x < ∞
σ 2π
Dengan mengamati grafik serta memeriksa turunan pertama dan kedua dari f(x) dapat
diperoleh lima sifat kurva normal berikut:
4. Kedua ujung kurva normal mendekati asimtot sumbu datar bila harga x
bergerak menjauhi µ baik ke kiri maupun ke kanan;
Dinyatakan dengan luas daerah yang diarsir. Berikut adalah gambar dari persamaan
diatas;
65
Tabel Normal.
Untuk mengatasi kesulitan dalam menghitung integral fungsi padat normal maka
dibuat tabel luas kurva normal untuk rataan nol dan variansi 1. Dalam hal ini
dibutuhkan untuk suatu transformasi untuk peubah acak x yang mempunyai rataan µ
dan variansi σ 2 .
Transformasi tersebut merupakan pemusatan dan pembakuan terhadap x, yaitu:
X − µx
Z=
σx
Sehingga z berdistribusi normal dengan rataan nol dan variansi 1. Distribusi peubah
acak normal dengan rataan nol dan variansi 1 disebut distribusi normal baku
(standar).
Catatan: simpangan baku = deviasi standar.
Tabel normal baku berisi informasi tentang z dan φ( z ) dimana
φ( x) = P ( Z ≤ z ) = Fd ( z ) = fungsi distribusi kumulatif dari z.
Plot berdistribusi peluang normal berbentuk seperti huruf ‘S’. Untuk mempermudah
i = 0.375
analisa kenormalan, maka digunakan skor normal, yaitu : z = φ
−1
.
n + 0.25
Yang gunanya adalah untuk menguji apakah data yang kita peroleh itu bersitribusi
normal atau tidak, dengan melihat apakah plotnya bergaris lurus atau tidak. Catatan:
untuk jumlah data yang sama dan saling berbeda nilainya satu sama lainnya, maka
nilai skornya sama.
Contoh : a. 50 60 70 80 90
b. 35 45 55 65 75
Untuk a dan b , keduanya mempunyai nilai skor yang sama tapi berbeda datanya.
Perintah-perintah pada Minitab melalui window session adalah sebagai berikut:
MTB > random 20 C1;
SUBC> normal 0 1.
MTB > nscore C1 C2
66
MTB > plot C2*C1;
SUBC> symbol.
67
Gambar 9.5 Scatterplot dari invcdf berdistribusi normal
5. Selanjutnya OK.
Suatu mesin membuat alat tahanan listrik dengan rataan tahanan 40 ohm dan
simpangan baku 2ohm. Misalkan bahwa tahanan berdistribusi normal dan dapat
diukur sampai derajat ketelitian yang diinginkan. Berapakah peluangnya sebuah alat
mempunyai tahanan melebihi 43 ohm?
Jawab:
Peluang sebuah alat mempunyai melebihi 43 ohm adalah sebesar luas daerah yang
diarsir pada kurva normal berikut:
43 − 40
P ( x > 43 ) = P Z > = P ( Z > 1.5)
2
= 1 − P ( Z −1.5)
= 1 − 0.933193
= 0.066807
Peluang binomial dapat diperoleh langsung dari rumus B ( x; n, p ) Atau dari tabel
bila n kecil. Bila n besar dan tidak ada dalam daftar yang tersedia, maka peluang
binomial dihitung dengan cara hampiran.
Teorema : bila x peubah acak binomial dengan rataan µ = np dan variansi σ 2 = npq , ,
maka bentuk limit distribusinya:
X −np
Z = , q =1 − p.........( *)
np
Catatan : untuk n → ∞ dan harga p yang sangat kecil, maka peluang binomial dapat
dihampiri oleh peluang distribusi poisson ( X ~ p( µ = np )) , sehingga membentuk
persamaan (*) berubah menjadi :
69
X − np
Z =
np
Contoh:
Jawab:
9
P (7 ≤ x ≤ 9) = ∑ b( x;15, 0.4)
7
P 9
= ∑ b( x;15, 0.4) − ∑ b( x;15, 0.4)
0 7
= 0.9662 − 0.6098
= 0.3564
6.5 − 6 9.5 − 6
P (7 ≤ x ≤ 9) = P <Z <
1.9 1.9
= P (0.263 < z < 1.842)
= P ( Z < 1.842) − P ( Z < 0.263)
= 0.3636
C. Latihan.
1. Buat table normal baku (standar) untuk z = -2.0, -1.9, …, 1.9, 2.0.
70
2. Suatu jenis baterai mobil rata-rata berumur 3.0 tahun dengan simpangan baku 0.5
tahun. Bila dianggap umur baterai berdistribusi normal, carilah peluang suatu
baterai tertentu akan berumur kurang dari 3.2 tahun?
• Hitung:
i. P( x ( 2) < X < x( 4 ) )
iii. P( X < x( 6) )
5. Peluang seseorang sembuh dari suatu operasi jantung (yang rumit) adalah 0.9.
berapakah pelluang bahwa anatara, dan termasuk, 84 dan 95 dari 100 orang yang
dioperasi akan sembuh? (petunjuk : gunakan hampiran normal).
6. Suatu pengukuran dipakai untuk menolak semua suku cadang yang ukurannya
tidak memenuhi ketentuan 3.50 +- d . diketahui bahwa pengukuran tersebut
berdistribusi normal dengan rataan 1.50 dan simpangan baku 0.2 . tentukanlah
harga d sehingga ketentuan tersebut mencakup 95% seluruh pengukuran
71
MODUL X
TRANSFORMASI DAN DISTRIBUSI SAMPLING
A. TRANSFORMASI
Distribusi empirik yaitu berupa histogram, batang daun, dan boxplot, yang akan
memberikan gambaran aantara lain tentang kesimetrisan, kecondongan, pemusatan,
penyebaran dari data pengamatan.
Salah satu sifat penting dari distribusi normal yaitu kesimetrisan. Distribusi
normal ini sangat penting karena banyak metode statistik yang dipakai (uji hipotesis
dan uji selang kepercayaan) dengan anggapan distribusi empirik data menghampiri
distribusi normal. Bagaimana jika data tersebut tidak menghampiri distribusi normal,
72
dengan kata lain tidak simetri. Transformasi adalah salah satu cara untuk mengatasi
masalah tersebut, dan ada cara lainnya (akan tetapi tidak selalu berhasil).
Transformasi data dilakukan pada data-data yang memiliki bentuk distribusi
empirik tidak simetri sehingga diperoleh bentuk yang simetri atau mendekati simetri.
Contoh bentuk-bentuk distribusi empirik adalah
Tinggi
x x x
x xx xxx
x xx xxxxx xxxx
xxxx xxx xxx
xx xxxxx xx xx
xxxx x x
xx xx xx
x x xxxx
xxx xxxxx
xxx
xxxx x
xx x x
Rendah
1. Menjurai ke atas, 2. Simetri, 3. Menjurai ke bawah, 4.Hampir simetri
berpuncak tunggal berpuncak tunggal berpuncak tunggal berpuncak ganda
Contoh 1
Distribusi empirik di bawah bersifat tidak empirik karena data yang bernilai kecil
mengumpul (dapat juga dikatakan menjurai ke atas).
Data : N = 60
73
0.0 sebanyak 10 baris
0.5 sebanyak 19 baris
1.0 sebanyak 14 baris
1.5 sebanyak 3 baris
2.0 sebanyak 5 baris
2.5 sebanyak 2 baris
3.0 sebanyak 4 baris
3.5 sebanyak 1 baris
4.0 sebanyak 1 baris
4.5 sebanyak 0 baris
5.0 sebanyak 0 baris
5.5 sebanyak 1 baris
Histogram of C1
4.8
3.6
C1
2.4
1.2
0.0
0 5 10 15 20
Frequency
74
Jika dibuat transformasi Z = log C2, maka pengerjaan pada program Minitab:
1. Pilih Calc > calculator.
2. Pada kotak dialog calculator seperti pada gambar, masukkan C2 pada kotak store
result in variable.
3. Masukkan fungsi LogT(C1) pada expression, yang artinya C2 =Logten (C1), lalu
OK.
Gambar 10.3 Grafik histogram dari C2 dengan fungsi transformasi y = log (x)
75
Jika dibuat transformasi y = x , maka perintah pada program Minitab sama dengan
diatas, tetapi fungsi yang digunakan C3 = SQRT (C1). Kemudian setelah itu dibuat
histogram dari C3 yang menghasilkan grafik seperti dibawah.
Stem-and-Leaf Display: C3
Stem-and-leaf of C3 N = 60
Leaf Unit = 0.10
10 0 0000000000
10 0
10 0
29 0 7777777777777777777
29 0
(14) 1 00000000000000
17 1 222
14 1 4444455
7 1 7777
3 1 8
2 2 0
1 2 3
Analisa
Pada plot pertama terlihat data sangat jauh dari normal (dikatakan menjurai ke atas).
Lalu dicoba transformasi Z = log x, dan diperoleh plot kedua yang ternyata membuat
data menjadi menjurai ke bawah. Dicoba lagi dengan transformasi y = x , dan
diperoleh plot yang lebih mendekati normal, walaupun dari histogram masih belum
simetri.
76
Pencarian transformasi yang cocok masih terus dapat dilakukan sehingga dihasilkan
histogram yang simetri (atau mendekati simetri) dan plot normal yang mendekati
garis lurus.
Contoh 2
Jika peubah acak diubah dengan mengalikan atau menambahkan suatu nilai skalar
maka mean juga berubah dengan mengalikan atau menambahkan scalar tersebut.
Untuk variansi, jika peubah acak dikalikan dengan scalar maka variansinya juga
dikalikan dengan kuadrat skalar. Tapi jika ditambahkan dengan skalar maka
variansinya tetap. Ini dikarenakan plot hanya bergeser sejauh pergeseran mean. Jadi,
hanya mean yang berubah.
Langkah yang dilakukan pada Minitab antara lain:
1. Pilih Calc > Random Data > Normal
2. Pada kotak Generate, masukkan 60 data dan mean = 0.4, lalu OK.
3. Pilih Calc > Calculator
4. Pada kotak dialog, masukan fungsi 3*C1 pada kotak expression > OK.
5. Pilih Stat > Basic Statistic > Display Descriptive Statistics
6. Pilih Varibel C1 dan C2 > Statistics
7. Cek Mean,Median,TrMean,Stdev,Semean, Min dan Max. > OK.
Descriptive Statistics: C1, C2
B. DISTRIBUSI SAMPLING
Misalkan akan diambil kesimpulan mengenai proporsi orang Indonesia yang
merokok. Tentunya tidak mungkin menanyai semua penduduk Indonesia. Karena itu
ada yang dinamakan sample acak, yaitu beberapa data dari populasi diambil secara
acak, dan kemudian dihitung proporsi orang yang merokok (populasi adalah
keseluruhan pengamatan yang akan diteliti). Percobaan ini dilakukan beberapa kali.
77
Suatu nilai yang dihitung dari sample dinamakan statistik. Karena banyak sampel
maka kita dapatkan banyak nilai statistik yang berbeda dari sampel ke sampel. Karena
itu statistik adalah suatu peubah acak juga. Dalam modul ini, akan dibahas mengenai
distribusi beberapa statistik, khususnya rataan sampel dan variansi sampel.
Misalkan diambil sampel berukuran n dari suatu populasi, dan diulangi sebanyak k
kali, kemudian dari tiap sampel diambil rataannya, maka rataan sampel itu
mempunyai distribusi, dan disebut distribusi sampling dari rataan. Jika yang diamati
variansinya untuk tiap sampel, maka variansi sampel itu mempunyai distribusi dan
dinamakan distribusi sampling dari variansi.
Misalkan X ~ F sembarang, dengan rataan µ dan variansi σ 2 , maka
∑ xi 1
E( X ) = E = E ( ∑ xi ) = 1 ∑ E ( xi ) = 1 nµ = µ .
n
n n n
∑ xi 1
V a (rX ) = V a r = 2 V a ( r∑ xi ) = 2 ∑ V a (rxi ) ,
1
(karena xi bebas)
n n n
1 σ2
= nσ 2
= .
n2 n
Bila populasi yang tidak diketahui distribusinya (berhingga atau tidak), diambil
sampelnya, maka distribusi sampel rataannya akan berdistribusi hampir normal
σ2
dengan rataan µ dan variansinya , asalkan ukuran sampel besar dan ekspetasi
n
dari sampel acak dan berhingga.
Contoh program simulasi distribusi rataan untuk normal dan binomial.
1. Distribusi rataan untuk N(0,4)
MTB > random 15 C1 – C60
MTB > normal 0 2
MTB > copy C1 – C60 m1
MTB > transpose m1 m2
MTB > copy m2 C1 – C15
MTB > rmean C1 – C15 C16
MTB > histogram C16
Histogram of C16 N = 60
Midpoint Count
78
-1.2 3 ***
-0.8 9 *********
-0.4 10 **********
0.0 17 *****************
0.4 15 ***************
0.8 5 *****
1.2 1 *
MTB > nscore C16 C17
MTB > plot C17 C16
Untuk distribusi rataan dari binomial, gunakan program yang sama, hanya random
normal diganti random binomial.
Contoh 3
Data : N = 100
-8 sebanyak 2
-6 sebanyak 11
-4 sebanyak 13
-2 sebanyak 19
0 sebanyak 16
2 sebanyak 17
79
4 sebanyak 11
6 sebanyak 8
8 sebanyak 2
10 sebanyak 1
Minitab
- Masukkan data-data tsb pada worksheet (sebanyak N = 100) di kolom C1
- Pilih menu Graph > Simple, lalu OK
- Pilih C1 sebagai Graph variables, lalu OK
- Didapat plot Histogram of C1
Histogram of C1
4
C1
-4
-8
0 5 10 15 20
Frequency
2 -0 88
13 -0 66666666666
26 -0 4444444444444
45 -0 2222222222222222222
(8) -0 00000000
47 0 00000000
39 0 22222222222222222
22 0 44444444444
11 0 66666666
3 0 88
80
1 1 0
Boxplot of C1
10
5
C1
-5
-10
81
Scatterplot of C2 vs C1
3
1
C2
-1
-2
-10 -5 0 5 10
C1
C. LATIHAN
1. Data di bawah ini menyajikan penduduk ke-22 wilayah metropolitan terbesar di AS
pada tahun 1970. Petugas sensus mencoba mendefinisikan wilayah ini sehingga
merupakan satuan populasi yang berarti.
- Diagramkanlah data mentahnya
- Bagaimana bentuk disribusinya (jelaskan)
- Buat juga boxplotnya
- Transformasi apa yang dipakai agar bentuk distribusinya menjadi berbentuk
hampir normal
1420 1390 2071 2754 6979 1385 2064 1556 4200 1985
7032 1404 1814 11529 1857 1359 4818 2401 2363 3110
1422 2861
2. Gunakan data no.1. Bandingkanlah transformasi manakah yang lebih baik antara
akar dua dengan versi kebalikan negatif. Jelaskan!
3. Simulasi sebanyak 20 pengamatan dan diletakkan di 5 kolom, dari N(0,4). Lakukan
percobaan ini sebanyak 3 kali, dan perhatikan histogram dan normal plotnya.
Bagaimana analisa anda!
82
4. Buat program untuk menset 80 buah rataan (terhadap C1-C30) dari B(x ; 10, 0.2)
dan N(0, 16). Apa yang dapat anda jelaskan dari outputnya!
5. Di bawah ini adalah produk kosmetik bruto per kapita negara belahan bumi barat
tertentu (1971), dla US$, yang diambil dari buku Memahami Data (Erickson dan
Nosanchuk).
Argentina 1260 Jamaica 740
Bolivia 219 Meksiko 712
Brazil 452 Nikaragua 471
Kanada 4317 Panama 782
Costa Rica 586 Peru 356
Ekuador 306 Uruguay 836
Guatemala 371 Amerika Serikat 5121
Haiti 110 Venezuela 1151
Buat histogram, batang daun, dan normal plotnya. Kemudian ambil log-nya, dan
buat kembali histogram, batang daun, dan normal plotnya. Bandingkan! Analisalah!
MODUL XI
SELANG KEPERCAYAAN UNTUK KEPERCAYAAN
83
Taksiran suatu parameter populasi dapat diberikan berupa taksiran titik atau berupa
taksiran selang.
Taksiran titik suatu parameter populasi θ merupakan nilai tunggal θ suatu statistik Θ.
Sebagai contoh, nilai x suatu statistik X , dihitung dari suatu ukuran n, merupakan
taksiran titik parameter populasi µ . Statistik yang digunakan untuk mendapatkan
taksiran titik ≡ penaksir.
Taksiran selang untuk µ dari suatu populasi ialah suatu selang yang berbentuk
µˆ 1 < µ < µˆ 2 , di mana µˆ 1 & µˆ 2 tergantung pada nilai statistik µ̂. Biasanya µ̂ = X ,
dengan kata lain µˆ 1 & µˆ 2 tergantung pada X . Atau µ̂1 = x − k dan µ̂ 2 = x + k , dengan
k ditentukan dari distribusi sampel X .
Catatan :
parameter adalah konstanta dari suatu distribusi yang nilainya tertentu tapi tidak
diketahui, misalnya µ & σ 2 .
perbedaan sampel (berlainan) memberikan nilai X yang berbeda, ini
mengakibatkan penaksiran selang bagi parameter µ berbeda pula.
Misalkan dari suatu distribusi sampel µ̂ dapat ditentukan µˆ 1 & µˆ 2 , sedemikian sehingga
P = ( µˆ 1 < µ < µˆ 2 ) = 1 − α . Maka dengan peluang (1 − α ). 100 % ini, sampel acak yang
84
Perhatikan gambar di atas. Selang kepercayaan (1 − α ).100 % adalah selang pada daerah
yang diaksir, yaitu antara − zα / 2 dan zα / 2 . Misalkan ambil α = 0.05 = 5% , maka
1 − α = 95% . Jadi, selang kepercayaan 95% adalah selang antara − z 2,5% dan z 2,5% . Nilai
± zα / 2 dinamakan nilai kritis dan diambil dari tabel normal. Di bawah ini beberapa nilai
α Nilai zα / 2
1% = 0.01 -2.57
5% = 0.05 -1.96
10% = 0.10 -1.64
Penggunaannya sama dengan selang kepercayaan pada distribusi normal. Nilai t dapat
dilihat dari tabel t, dengan v menyatakan derajat kebebasan dan 1 − α menyatakan
berapa persen selang kepercayaan yang diinginkan. Perhatikan besarnya v
untuk data yang berasal dari 1 populasi : v = n - 1
untuk data yang berasal dari 2 populasi yang saling bebas atau tidak berpasangan :
v = n1 + n 2 − 2 .
85
Z INTERVAL K % σ C1 . . . C2 (1 ≤ n ≤ 100 )
( x − zα / 2 (σ / n ) ,x + zα / 2 (σ / n ) )
Di mana : x = mean data
n = ukuran sampel
z = nilai dari tabel normal untuk K %
T INTERVAL K % C1 . . . C2 (1 ≤ n ≤ 100 )
Digunakan untuk mencari selang kepercayaan K %, data berasal dari 1 populasi
dengan σ 2 tidak diketahui, atau data berasal dari populasi berpasangan dengan
D. CONTOH SOAL
1. Sebuah mesin menghasilkan potongan logam berbentuk silinder.
Sampel beberapa potongan diukur dan ternyata diameternya : 1.01, 0.97, 1.03,
1.04, 0.99, 0.98, 0.99, 1.01 dan 1.03. Hitunglah selang kepercayaan 99% untuk
rataan diameter potongan yang dihasilkan mesin tersebut bila dimisalkan
distribusinya hampir normal.
86
Jawab:
MTB > set C1
DATA > 1.01 0.97 1.03 1.04 0.99 0.98 0.99 1.01 1.03
DATA > end
MTB > tinterval 99.0 C1
N MEAN STDEV SEMEAN 99.0 PERCENT C.I
C1 9 1.00556 0.02455 0.00818 (0.97809, 1.03302)
E. LATIHAN
1. Ambil sampel acak sebanyak 100, dari distribusi normal baku,
dan tentukan selang kepercayaan 90%, 95% dan 99%. Lakukan juga untuk sampel
dari N(0, 4) dan N(0, 16). Apa yang dapat anda simpulkan!
Buat juga perhitungannya secara manual untuk selang kepercayaan 90% dgn N(0,
4). (Gunakan tabel normal)
87
2. Tujuh botol yang mirip masing-masing berisi asam sulfat
sebanyak 9.8, 10.2, 10.4, 9.8, 10.0, 10.2 dan 9.6 liter. Carilah selang
kepercayaan 95% untuk rataan isi botol semacam itu, bila distribusinya dianggap
hampir normal. Lakukan pula perhitungan secara manual. (Gunakan tabel t)
88
SELANG KEPERCAYAAN
1 POPULASI 2 POPULASI
σ d = sd
2 2
σ2 σ2 = s2
X X D = X1 − X 2
89
MODUL XII
UJI HIPOTESIS
Dalam kehidupan, sering kita ingin menguji kebenaran suatu pernyataan/ anggapan.
Misal, benarkah pernyataan iklan obat di televisi yang sebagai ‘penambah tenaga’. Untuk
menguji kebenarannya, sulit untuk menanyakan semua orang yang minum obat tersebut
(populasi yang minum obat). Kesulitan tersebut karena biaya yang besar, memakan
waktu yang lama, serta kemungkinan bisa/ tidaknya suatu percobaan dilaksanakan.
Kegiatan ini disebut hipotesis statistik.
Pengujian hipotesis statistik merupakan bagian terpenting dari teori keputusan. Suatu
anggapan/ pernyataan yang mungkin benar/ tidak mengenai satu populasi atau lebih
disebut hipotesis statistik.
Kebenaran atau ketidakbenaran suatu hipotesis statistik tidak pernah diketahui dengan
pasti kecuali bila seluruh populasi diamati. Namun hal ini sangat sulit, karena itu diambil
sampel acak dari populasi yang ingin diselidiki dan dengan menggnakan informasi yang
terkandung dalam sampel itu diputuskan apakah hipotesis tersebut wajarnya benar atau
salah.
Petunjuk dari sampel yang tidak sesuai dengan hipotesis menjurus kepada penolakan
hipotesis, sedangkan petunjuk yang mendukung menjurus kepada penerimaannya.
(ditegaskan bahwa penerimaan suatu hipotesis statistik diakibatkan oleh tidak cukupnya
petunjuk untuk menolaknya dan tidaklah menunjukkan bahwa hipotesis itu benar).
Istilah diterima / ditolak penting dipahami, bahwa penolakan suatu hipotesis berarti
menyimpulkan bahwa hipotesis tersebut tidak benar, sedangkan penerimaan suatu
hipotesis hanyalah menunjukkan bahwa tidak cukup petunjuk untuk mempercayai
sebaliknya. Biasanya hipotesis yang dirumuskan dengan harapan untuk ditolak disebut
hipotesis nol (H0). Penolakan H0 menjurus kepada penerimaan suatu hipotesis
tandingannya (H1). Bentuk uji hipotesis statistik untuk 1 populasi adalah sbb:
90
1. Uji satu arah, yaitu setiap uji hipotesis statistik dengan tandingannya yang berarah
satu, seperti:
H 0 : µ = µ0 atau H 0 : µ = µ0
H1 : µ > µ0 H1 : µ < µ0
Seluruh daerah kritis untuk hipotesis tandingan µ > µ0 terletak diujung kanan
distribusi, sedangkan seluruh daerah kritis untuk hipotesis tandingan µ < µ0 terletak
diujung kiri.
2. Uji dua arah, yaitu setiap uji hipotesis statistik dengan tandingan berarah dua,
seperti: H 0 : µ = µ0
H1 : µ ≠ µ0
Hipotesis tandingan menyatakan salah satu dari µ < µ0 ataupun µ > µ0 . Nilai pada
kedua ujung distribusi membentuk daerah kritisnya. Sebagai contoh: Misalkan umur
rata-rata mahasiswa yang mengambil statistika dasar adalah 20 tahun dan jumlah
mahasiswa (populasi) yang mengam,bil mata kuliah tersebut 400 org. Ingin diuji
apakah rata-rata umur mhs tsb benar/ salah, jika diambil sampel sebanyak 15 mhs.
Penulisan hipotesis statistiknya adalah
H 0 : µ = 20 atau H 0 : µ = 20 atau H 0 : µ = 20
H1 : µ < 20 H1 : µ > 20 H1 : µ ≠ 20
diketahui, sama dengan nilai µ0 tertentu lawan tandingan bahwa rataan tersebut tidak
H1 : µ ≠ µ0
Statistik yang sesuai sebagai dasar patokan keputusan ialah peubah acak x karena x
adalah penaksir tak bias untuk µ . Tidak diketahui bahwa distribusi sampel dari
91
rataan adalah hampir normal dengan rataan µ dan variansi σ 2 / n , bila suatu populasi
dengan mean µ dan variansi σ 2 diambil sampelnya secara acak sebanyak n. Bila
digunakan taraf keberartian α , maka dapat dicari 2 nilai kritis x1 & x2 sedemikian
sehingga x1 < X < x2 menyatakan daerah penerimaan dan yang lainnya menyatakan
daerah kritis.
Daerah kritis dapat dinyatakan dalam nilai z yang diberikan oleh:
x − µ0
z=
σ /n
Jadi, untuk taraf keberartian α , nilai kritis peubah acak z yang berpadanan dengan
x1 & x2 , adalah:
x1 − µ0 x2 − µ0
− zα / 2 = atau zα / 2 =
σ /n σ /n
Dari populasi diambil sampel acak berukuran n dan kemudian rataan sampel x
dihitung. Bila x jatuh dalam daerah penerimaan x1 < X < x2 , maka z akan jatuh
H1 : µ ≠ 8 kg
92
1. Bangkitkan bilangan acak berdistribusi normal dengan banayak data 50 simpan di
C1.
2. Pilih Stat > Basic Statistics > 1-sample Z.
3. Pada kotak dialog seperti pada gambar pilih samples in columns input C1
4. Input 0.5 sebagai Standar Deviation dan 8 sebagai test mean
5. Kemudian klik OK
Test of mu = 8 vs not = 8
The assumed standard deviation = 0.5
Analisa : Dari Minitab diperoleh nilai z hitung = -3.44. Untuk taraf keberartian
α = 0.05 , z mempunyai nilai kritis : z < -2.575 dan z > 2.575. Jadi, z = -3.43 terletak
dalam daerah penolakan maka kesimpulannya adalah H0 ditolak, artinya rata-rata
daya tahan tidak smaa dengan 8. Cara lain yang lebih mudah untuk mengujinya
adalah dengan membandingkan α dengan nilai p-nya. Jika α < nilai p , maka H0
diterima. Untuk sebaliknya, H0 ditolak.
93
B. UJI-T 1 SAMPEL : UJI RATAAN DG σ 2 TDK DIKETAHUI
Selain uji-z ada pada uji-t, yaitu untuk menguji rataan bila variansi populasi tidak
diketahui. Langkah-langkah pengerjaan sama dengan uji-z, dengan rumusuntuk T
adalah :
λ − µ0
T= dengan daerah kritis −tn −1,α / 2 < T < tn −1α / 2i
s/ n
s menyatakan simpangan baku dari sampel damn n adalah banyaknya data. Nilai dari
t dapat dilihat dari tabel t.
Contoh 2
Ujilah hipotesis bahwa rat-rat isi kaleng sejenis minyak pelumas adalah 10 liter, bila
isi sampel acak 10 kaleng adalah 10.2, 10.1, 10.3, 10.1, 9.8, 9.9, 10.4, 10.3, dan 9.8
liter. Gunakan taraf keberartian 0.10 dan anggap bahwa distribusi isi kalaeng normal.
Jawab :
Pengujian : H0 : µ = 10
H1 : µ ≠ 10
Langkah-langkah pengerjaan pada Minitab:
1. Input data pada kolom C2 10.2 9.7 10.1 10.3 10.1 9.8 .9.9 10.4 10.3 9.8
2. Pilih Stat > Basic Statistics > 1-sample t
3. Pada kotak dialog, pilih sample in column input C2, test mean input 10
selanjutnya OK
94
One-Sample T: C2
Test of mu = 10 vs not = 10
Analisa: nilai kritis dari t untuk taraf keberartian 0.10 dan derajat kebebasan 9 :
t0.05,9 < −1.833 dan t0.05,9 < 1.833 . Maka T hasil perhitungan = 0.77 terletak
Contoh 3
Misalkan untuk masalah diatas, pengujiananya dilakukan satu arah, misalkan
pengujian menjadi :
H0 : µ =10 lawan
H1 : µ < 10
Maka digunakan uji t 1 sampel untuk masalah satu arah :
1. Pilih Stat > Basic Statistics > 1-sample t
2. Pada kotak dialog klik option, pilih less than pada kolom alternative, lalu OK >
OK
One-Sample T: C2
Test of mu = 10 vs < 10
95%
Upper
Variable N Mean StDev SE Mean Bound T P
95
C2 10 10.0600 0.2459 0.0777 10.2025 0.77 0.770
Analisa : Dengan nilai kritis T < -1.833 maka kesimpulan adalah H0 diterima.
Contoh 4
Diberikan 2 sampel acak berukuran n1 = 11& n2 = 14 , dari dua populasi normal yang
bebas satu sama lain. Dari sampel diperoleh x1 = 75, x2 = 20, s1 = 6.1, s2 = 5.3 .
96
Gambar 12.4 2-samples t
Two-sample T for C1 vs C2
Analisa : Diketahui untuk taraf keberartian 5% daerah kritis adalah T0.029,23 < −2.069
dan T0.029,23 > 2.069 . Maka T = 8.16 terletak dalam daerah penolakan,
artinya keputusan adalah H1 diterima atau selisih mean tidak sama dengan
nol, atau terdapat beda mean kedua populasi.
97
98