statistika
DESCRIPTION
UGMTRANSCRIPT
![Page 1: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/1.jpg)
Statistika (MMS-1001)
Dr. Danardono, MPH
Program Studi Statistika
Jurusan Matematika FMIPA UGM
![Page 2: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/2.jpg)
Materi dan Jadual
TatapMuka
Pokok Bahasan Sub Pokok Bahasan
1. StatistikaDeskriptif
1. Tentang perkuliahan MMS-10012. Peran Statistika3. Terminologi4. Representasi Grafik
2. StatistikaDeskriptif
1. Distribusi Frekuensi2. Ukuran Tengah3. Ukuran Dispersi
3. Peluang danVariabel Random
1. Kejadian dan Peluang2. Variabel Random dan Distribusinya3. Harga Harapan, Variansi dan Sifat-Sifatnya
4. Distribusi VariabelRandom Diskretdan Kontinu
1. Distribusi Variabel Random Diskret2. Distribusi Variable Random Kontinu
MMS1001 – p.1/228
![Page 3: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/3.jpg)
Materi dan Jadual
5. DistribusiSampling Statistik
1. Distribusi Sampling Statistik untuk Rerata2. Pendekatan Normal untuk Binomial
6. Inferensi Statistik 1. Estimasi Parameter2. Uji Hipotesis
7. Inferensi StatistikSatu PopulasiSembarang
1. Interval Konfidensi Untuk Mean2. Uji Hipotesa Mean3. Interval Konfidensi Untuk Proporsi4. Uji Hipotesis Proporsi
8. Review danRingkasan
9. Inferensi StatistikSatu PopulasiNormal
1. Interval konfidensi Untuk Mean2. Uji Hipotesis Mean3. Hubungan Interval Konfidensi dan uji
Hipotesis
MMS1001 – p.2/228
![Page 4: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/4.jpg)
Materi dan Jadual
10. Inferensi StatistikDua PopulasiSembarang
1. Interval konfidensi Untuk Selisih Mean DuaPopulasi
2. Uji Hipotesis Selisih Mean Dua populasi3. Interval konfidensi Untuk Selisih Proporsi
Dua Populasi4. Uji Hipotesis Selisih Proporsi Dua populasi
11. Inferensi StatistikDua PopulasiNormal
1. Interval Konfidensi Perbandingan VariansiDua Populasi
2. Uji Hipotesis Perbandingan Variansi DuaPopulasi
3. Interval konfidensi Selisih Mean DuaPopulasi
4. Uji Hipotesis Selisih Mean Dua Populasi
12. Analisis VariansiSatu Arah
1. Dasar-dasar ANAVA2. Tabel ANAVA dan Uji F3. Pembandingan Ganda
MMS1001 – p.3/228
![Page 5: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/5.jpg)
Materi dan Jadual
13. Analisis RegresiLinear Sederhana
1. Dasar-dasar Model Regresi2. Estimasi Model regresi3. Analisis Korelasi4. Inferensi dalam Regresi
14. Review danRingkasan
Buku teks:Soejoeti, Z. (1984). Buku Materi Pokok Metode Statistik I,
Universitas Terbuka, Penerbit Karunika, Jakarta.Gunardi, A. Rakhman (2004). Metode Statistika, FMIPA UGM,
Yogyakarta.
MMS1001 – p.4/228
![Page 6: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/6.jpg)
Penilaian
Nilai MMS-1001 tahun 2005 (140 mahasiswa)
E D C B A
010
2030
40
2030
4050
6070
80
A
B
C
D
MMS1001 – p.5/228
![Page 7: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/7.jpg)
Penilaian
No Unsur Penilaian Prosentase
1. Ujian Akhir2. Sisipan3. Tugas4. Kuis
MMS1001 – p.6/228
![Page 8: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/8.jpg)
Data
Penghasilan mingguan 40 buruh bangunan di suatu kota(dalam ribuan rupiah):58 72 64 65 67 92 55 51 69 7364 59 65 55 75 56 89 60 84 6874 67 55 68 74 43 67 71 72 6662 63 83 64 51 63 49 78 65 75
MMS1001 – p.7/228
![Page 9: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/9.jpg)
Data
Hasil pengukuran keasaman (PH) dari 35 kolam di suatudaerah:6,4 6,6 6,2 7,2 6,2 8,1 7,07,0 5,9 5,7 7,0 7,4 6,5 6,87,0 7,0 6,0 6,3 5,6 6,3 5,85,9 7,2 7,3 7,7 6,8 5,2 5,26,4 6,3 6,2 7,5 6,7 6,4 7,8
MMS1001 – p.8/228
![Page 10: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/10.jpg)
Data
Tinggi (cm) dan berat badan (kg) 10 orang mahasiswa:Mahasiswa Tinggi Berat
1 170 70
2 162 65
3 169 59
4 165 62
5 171 67
6 170 65
7 168 60
8 163 61
9 166 63
10 172 64
MMS1001 – p.9/228
![Page 11: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/11.jpg)
Data
Banyaknya penjualan telepon seluler di suatu toko:
Merek Banyak penjualan
Sony-Ericsson 72
Motorola 60
Nokia 85
Samsung 54
LG 32
Siemens 64
MMS1001 – p.10/228
![Page 12: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/12.jpg)
Skala Pengukuran
Skala Yang dapat ditentukan untuk duapengamatan sembarang
Nominal persamaan (klasifikasi)Ordinal persamaan dan urutanInterval persamaan, urutan dan jarak (satuan
pengukuran)Rasio persamaan, urutan, jarak dan rasio
(titik nol yang murni ada)
MMS1001 – p.11/228
![Page 13: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/13.jpg)
Skala Pengukuran
Contoh:
Nominal: jenis pekerjaan, warna
Ordinal: kepangkatan, tingkat pendidikan
Interval: tahun kalender (Masehi, Hijriyah), temperatur(Celcius, Fahrenheit)
Rasio: berat, panjang, isi
MMS1001 – p.12/228
![Page 14: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/14.jpg)
Statistika Deskriptif
Metode atau cara-cara yang digunakan untuk meringkas danmenyajikan data dalam bentuk tabel, grafik atau ringkasannumerik data.
MMS1001 – p.13/228
![Page 15: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/15.jpg)
Grafik Stem-and-leaf
Untuk menunjukkan bentuk distribusi data
Data berupa angka dengan minimal dua digit
Contoh (Data penghasilan buruh):4 3 9
5 1 1 5 5 5 6 8 9
6 0 2 3 3 4 4 4 5 5 5 6 7 7 7 8 8 9
7 1 2 2 3 4 4 5 5 8
8 3 4 9
9 2Stem= 10, Leaf = 1
MMS1001 – p.14/228
![Page 16: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/16.jpg)
Distribusi Frekuensi
Merupakan suatu tabel menunjukkan frekuensi kemunculandata atau frekuensi relatifnya yang berguna untuk meringkasdata numerik maupun kategori.
Untuk data diskret atau data kategori, banyaknya nilai yangdihitung kemunculannya biasanya sesuai denganbanyaknya nilai data yang berbeda dari data diskret ataukategori tersebut
Untuk data kontinu, biasanya dibuat kelas interval 5-20banyaknya.
MMS1001 – p.15/228
![Page 17: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/17.jpg)
Distribusi Frekuensi
Contoh (Data penghasilan buruh):
Kelas Frekuensi Frekuensi Relatif Frekuensi RelatifKumulatif
[40, 50) 2 0,050 0,050[50, 60) 8 0,200 0,250[60, 70) 17 0,425 0,625[70, 80) 9 0,225 0,900[80, 90) 3 0,075 0,975[90, 100) 1 0,025 1,000
MMS1001 – p.16/228
![Page 18: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/18.jpg)
Histogram
Representasi grafik dari distribusi frekuensi data kontinu.
Contoh (Data penghasilan buruh):
Penghasilan (ribu rupiah)
Fre
kuen
si
40 50 60 70 80 90 100
05
1015
MMS1001 – p.17/228
![Page 19: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/19.jpg)
Poligon Frekuensi
Representasi grafik dari distribusi frekuensi data kontinu denganmengambil nilai tengah tiap kelas.
Contoh (Data penghasilan buruh):
40 50 60 70 80 90 100
05
1015
Penghasilan (ribu rupiah)
Fre
kuen
si
MMS1001 – p.18/228
![Page 20: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/20.jpg)
Ogive Frekuensi Kumulatif
Plot frekuensi kumulatif dengan batas atas interval dari distribusifrekuensi.
Contoh (Data penghasilan buruh):
40 50 60 70 80 90 100
010
2030
40
Penghasilan (ribu rupiah)
Fre
kuen
si K
umul
atif
MMS1001 – p.19/228
![Page 21: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/21.jpg)
Diagram Batang
Representasi grafik dari distribusi frekuensi data diskret ataukategori.
Contoh (Data telepon seluler):
Sony−Ericsson Motorola Nokia Samsung LG Siemens
020
4060
80
MMS1001 – p.20/228
![Page 22: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/22.jpg)
Diagram Lingkaran
Representasi grafik dari distribusi frekuensi data diskret ataukategori.
Contoh (Data telepon seluler):
Sony−Ericsson
Motorola
Nokia
SamsungLG
Siemens
MMS1001 – p.21/228
![Page 23: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/23.jpg)
Notasi Himpunan Data
Data statistik sering dilambangkan dengan huruf X, Ydilengkapi dengan indeks.
▽MMS1001 – p.22/228
![Page 24: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/24.jpg)
Notasi Himpunan Data
Data statistik sering dilambangkan dengan huruf X, Ydilengkapi dengan indeks.
Contoh (Data penghasilan buruh):X: penghasilan mingguan buruh (dalam ribuan rupiah)X1 = 58; X2 = 72; X10 = 73; X40 = 75;
▽MMS1001 – p.22/228
![Page 25: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/25.jpg)
Notasi Himpunan Data
Data statistik sering dilambangkan dengan huruf X, Ydilengkapi dengan indeks.
Contoh (Data tinggi dan berat mahasiswa):
X : tinggi mahasiswa (cm)Y : berat mahasiswa (kg)
X1 = 170; Y1 = 70;X7 = 1683; Y7 = 60;
MMS1001 – p.22/228
![Page 26: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/26.jpg)
Notasi Sigma
n∑
i=1
Xi = X1 + X2 + . . . + Xn
n∑
i=1
m∑
j=1
Xij = X11 + X12 + . . . + Xnm
MMS1001 – p.23/228
![Page 27: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/27.jpg)
Notasi Sigma
Beberapa aturan:
Jika Xi = k, k suatu konstan, maka
n∑
i=1
Xi = nk
▽MMS1001 – p.24/228
![Page 28: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/28.jpg)
Notasi Sigma
Beberapa aturan:
Jika Xi = k, k suatu konstan, maka
n∑
i=1
Xi = nk
Jika k suatu konstan, maka
n∑
i=1
kXi = k
n∑
i=1
Xi
▽MMS1001 – p.24/228
![Page 29: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/29.jpg)
Notasi Sigma
Beberapa aturan:
Jika Xi = k, k suatu konstan, maka
n∑
i=1
Xi = nk
Jika k suatu konstan, maka
n∑
i=1
kXi = k
n∑
i=1
Xi
n∑
i=1
(Xi + Yi) =
n∑
i=1
Xi +
n∑
i=1
Yi
MMS1001 – p.24/228
![Page 30: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/30.jpg)
Ringkasan Numerik
Ringkasan Numerik atau statistik:
Data tunggal (tidak dikelompokkan), dengan n observasidinotasikan sebagai
x1, x2, . . . , xn
Data berkelompok (distribusi frekuensi), dengan k nilaitunggal dinotasikan sebagai
x1, x2, . . . , xk
yang masing-masing mempunyai frekuensi
f1, f2, . . . , fk
dengan n =∑k
i=1 fi adalah total observasi
MMS1001 – p.25/228
![Page 31: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/31.jpg)
Mean Aritmetik
Data tunggal:
x =1
n
n∑
i=1
xi
Data berkelompok:
x =1
n
n∑
i=1
fixi
MMS1001 – p.26/228
![Page 32: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/32.jpg)
Mean Terbobot
Misalkan wi ≥ 0 adalah bobot (weight) untuk data tunggal xi
xw =1
∑ni=1 wi
n∑
i=1
wixi
MMS1001 – p.27/228
![Page 33: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/33.jpg)
Variansi
Data tunggal:
s2 =1
n − 1
n∑
i=1
(xi − x)2
atau
s2 =1
n − 1
n∑
i=1
(x2i − nx2)
MMS1001 – p.28/228
![Page 34: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/34.jpg)
Variansi
Data berkelompok:
s2 =1
n − 1
n∑
i=1
fi(xi − x)2
atau
s2 =1
n − 1
n∑
i=1
(fix2i − nx2)
MMS1001 – p.29/228
![Page 35: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/35.jpg)
Peluang dan Variabel Random
Statistika Inferensial: Mengambil kesimpulan, inferensi ataugeneralisasi tentang suatu populasi berdasarkan informasiyang diperoleh dari sampel.
Peluang (probabilitas): Harga angka yang menunjukkanseberapa besar kemungkinan suatu peristiwa akan terjadi.
▽MMS1001 – p.30/228
![Page 36: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/36.jpg)
Peluang dan Variabel Random
Statistika Inferensial: Mengambil kesimpulan, inferensi ataugeneralisasi tentang suatu populasi berdasarkan informasiyang diperoleh dari sampel.
Peluang (probabilitas): Harga angka yang menunjukkanseberapa besar kemungkinan suatu peristiwa akan terjadi.
tidak mungkin
sangat tidak mungkin
mungkin ya mungkin tidak
sangat mungkin
pasti
▽MMS1001 – p.30/228
![Page 37: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/37.jpg)
Peluang dan Variabel Random
Statistika Inferensial: Mengambil kesimpulan, inferensi ataugeneralisasi tentang suatu populasi berdasarkan informasiyang diperoleh dari sampel.
Peluang (probabilitas): Harga angka yang menunjukkanseberapa besar kemungkinan suatu peristiwa akan terjadi.
0 1
tidak mungkin
sangat tidak mungkin
mungkin ya mungkin tidak
sangat mungkin
pasti
MMS1001 – p.30/228
![Page 38: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/38.jpg)
Peluang dan Variabel Random
Eksperimen (percobaan,trial): Prosedur yang dijalankan padakondisi yang sama dan dapat diamati hasilnya (outcome).
Ruang sampel (semesta,universe: Himpunan semua hasil yangmungkin dari suatu eksperimen.
Peristiwa (kejadian, event): Himpunan bagian dari suatu ruangsampel.
MMS1001 – p.31/228
![Page 39: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/39.jpg)
Peluang dan Variabel Random
ContohEksperimen : Pelemparan sebuah mata uang logam
dua kaliHasil : Sisi mata uang yang tampakRuang sampel : S = {MM,MB,BM,BB}
dengan M: sisi muka dan B: sisi belakangPeristiwa : A = paling sedikit muncul satu belakang
= {MB,BM,BB}B = muncul sisi yang sama
= {MM,BB}
MMS1001 – p.32/228
![Page 40: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/40.jpg)
Peluang dan Variabel Random
ContohEksperimen : Sebuah biji kedelai ditanamHasil : Tumbuh atau tidak tumbuhRuang sampel : S = {tidak tumbuh, tumbuh}
atau S = {0, 1}Peristiwa : A = biji kedelai tumbuh
= {1}
MMS1001 – p.33/228
![Page 41: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/41.jpg)
Peluang dan Variabel Random
ContohEksperimen : Pemilihan seorang mahasiswa secara
random dan dicatat IPnyaHasil : Bilangan antara 0 sampai dengan 4Ruang sampel : S = {0 ≤ X ≤ 4 | X ∈ R}
Himpunan bilangan real antara 0 sampaidengan 4
Peristiwa : A = IP di atas 2= {2 ≤ X ≤ 4 | X ∈ R}
B = IP di bawah 1= {0 ≤ X ≤ 1 | X ∈ R}
MMS1001 – p.34/228
![Page 42: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/42.jpg)
Peluang dan Variabel Random
ContohEksperimen : Sebuah dadu dilempar sekaliHasil :Ruang sampel :Peristiwa :
▽MMS1001 – p.35/228
![Page 43: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/43.jpg)
Peluang dan Variabel Random
ContohEksperimen : Sebuah dadu dilempar sekaliHasil : mata dadu 1, 2, 3, 4, 5, 6Ruang sampel :Peristiwa :
▽MMS1001 – p.35/228
![Page 44: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/44.jpg)
Peluang dan Variabel Random
ContohEksperimen : Sebuah dadu dilempar sekaliHasil : mata dadu 1, 2, 3, 4, 5, 6Ruang sampel : S = {1, 2, 3, 4, 5, 6}Peristiwa :
▽MMS1001 – p.35/228
![Page 45: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/45.jpg)
Peluang dan Variabel Random
ContohEksperimen : Sebuah dadu dilempar sekaliHasil : mata dadu 1, 2, 3, 4, 5, 6Ruang sampel : S = {1, 2, 3, 4, 5, 6}Peristiwa : A = muncul mata dadu genap
▽MMS1001 – p.35/228
![Page 46: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/46.jpg)
Peluang dan Variabel Random
ContohEksperimen : Sebuah dadu dilempar sekaliHasil : mata dadu 1, 2, 3, 4, 5, 6Ruang sampel : S = {1, 2, 3, 4, 5, 6}Peristiwa : A = muncul mata dadu genap
= {2, 4, 6}
▽MMS1001 – p.35/228
![Page 47: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/47.jpg)
Peluang dan Variabel Random
ContohEksperimen : Sebuah dadu dilempar sekaliHasil : mata dadu 1, 2, 3, 4, 5, 6Ruang sampel : S = {1, 2, 3, 4, 5, 6}Peristiwa : A = muncul mata dadu genap
= {2, 4, 6}B = muncul mata dadu gasal
= {1, 3, 5}
MMS1001 – p.35/228
![Page 48: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/48.jpg)
Peluang dan Variabel Random
Peluang Suatu PeristiwaDefinisi klasik, dengan menganggap tiap-tiap elemen ruangsampel S mempunyai peluang yang sama untuk terjadi.Peluang terjadinya peristiwa A,
P (A) =n(A)
n(S)
dengan n(A) = banyaknya anggota dalam peristiwa A, dann(S) = banyaknya anggota ruang sampel
MMS1001 – p.36/228
![Page 49: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/49.jpg)
Peluang dan Variabel Random
Peluang Suatu PeristiwaBeberapa ketentuan:
0 ≤ P (A) ≤ 1
P (S) = 1 (peluang dari ruang sampel)
P (∅) = 0 (peluang dari peristiwa yang tidak akan pernahterjadi)
P (A) = 1 − P (Ac) (aturan komplemen)
P (A∪B) = P (A)+P (B)−P (A∩B) (aturan penjumlahan)Bila A dan B adalah kejadian yang saling asing,A ∩ B = ∅, maka P (A ∪ B) = P (A) + P (B)
P (B) = P (A ∩ B) + P (Ac ∩ B)A ∩ B dan Ac ∩ B saling asing
MMS1001 – p.37/228
![Page 50: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/50.jpg)
Peluang dan Variabel Random
Peluang Suatu PeristiwaContohSebuah dadu dilempar sekali. S = {1, 2, 3, 4, 5, 6} dan n(S) = 6.Misal didefinisikan A : muncul mata dadu 3 dan B : munculmata dadu bilangan prima A = {3} dan n(A) = 1 ; B = {2, 3, 5}dan n(B) = 3 dan
P (A) =n(A)
n(S)=
1
6
dan
P (B) =n(B)
n(S)=
3
6=
1
2
MMS1001 – p.38/228
![Page 51: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/51.jpg)
Peluang dan Variabel Random
Peluang Bersyarat dan IndependensiDiketahui A dan B dua peristiwa dari ruang sampel S, danP (B) > 0, maka peluang bersyarat terjadinya A jika diketahui Btelah terjadi, ditulis P (A | B), didefinisikan sebagai
P (A | B) =P (A ∩ B)
P (B)
Dua kejadian A dan B disebut kejadian independen jika
P (A ∩ B) = P (A).P (B)
MMS1001 – p.39/228
![Page 52: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/52.jpg)
Peluang dan Variabel Random
Peluang Bersyarat dan IndependensiContoh (Peluang Bersyarat)Sepasang dadu dilempar bersama jika diketahui jumlah keduamata dadu yang keluar adalah 6, hitunglah peluang bahwa satudiantara dua dadu tersebut adalah mata dadu 2.B = {jumlahan mata dadu adalah 6}
= {(1, 5), (2, 4), (3, 3), (4, 2), (5, 1)} danA = {mata dadu 2 muncul dari salah satu dadu}
= {(2, 4), (4, 2)}
P (A | B) =n(A ∩ B)
n(B)=
2
5
MMS1001 – p.40/228
![Page 53: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/53.jpg)
Peluang dan Variabel Random
Peluang Bersyarat dan IndependensiContoh (Peluang Bersyarat)Peluang suatu penerbangan yang telah terjadwal teraturberangkat tepat waktu adalah P (A) = 0, 83; peluang sampaitepat waktu adalah P (B) = 0, 82; peluang berangkat dansampai tepat waktu adalah P (A ∩ B) = 0, 78.Peluang bahwa suatu pesawat sampai tepat waktu jika diketahuiberangkat tepat waktu adalah
P (B | A) =P (A ∩ B)
P (A)=
0, 78
0, 83= 0, 94
Peluang bahwa suatu pesawat berangkat tepat waktu jikadiketahui sampai tempat waktu adalah
P (A | B) =P (A ∩ B)
P (B)=
0, 78
0, 82= 0, 95
MMS1001 – p.41/228
![Page 54: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/54.jpg)
Peluang dan Variabel Random
Peluang Bersyarat dan IndependensiContoh (independensi)Suatu kota kecil mempunyai satu unit mobil pemadamkebakaran dan satu ambulans yang bekerja saling independenuntuk keadaan darurat. Peluang mobil kebakaran siap saatdiperlukan adalah 0.98. Peluang ambulans siap waktudiperlukan adalah 0.92. Dalam suatu kejadian kebakarangedung, hitung peluang keduanya siap.Misalkan A dan B menyatakan kejadian mobil pemadamkebakaran dan ambulans siap. Karena A dan B independen,peluang mobil pemadam kebakaran dan ambulans siap :
P (A ∩ B) = P (A).P (B) = 0, 98 × 0, 92 =, 9016
MMS1001 – p.42/228
![Page 55: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/55.jpg)
Peluang dan Variabel Random
Teorema Bayes
P (A | B) =P (A ∩ B)
P (B)=
P (A).P (B | A)
P (A).P (B | A) + P (Ac).P (B | Ac)
Secara umum jika kejadian A1, A2, . . . , Ak saling asing dangabungannya A1 ∪ A2 ∪ . . . ,∪Ak = S dan kejadian B = S ∩ B,maka
P (Ai | B) =P (Ai).P (B | Ai)
∑ki=1 P (Ai).P (B | Ai)
MMS1001 – p.43/228
![Page 56: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/56.jpg)
Peluang dan Variabel Random
Teorema BayesContohSebuah pabrik mempunyai 3 mesin A, B dan C yangmemproduksi berturut-turut 60%, 30%, dan 10% dari totalbanyak unit yang diproduksi pabrik. Persentase kerusakanproduk yang dihasilkan dari masing-masing mesin tersebutberturut-turut adalah 2%, 3% dan 4%. Suatu unit dipilih secararandom dan diketahui rusak. Hitung probabilitas bahwa unittersebut berasal dari mesin C.Misal kejadian R adalah unit yang rusak, akan dihitungP (C | R), yaitu probabilitas bahwa suatu unit diproduksi olehmesin C dengan diketahui unit tersebut rusak.
MMS1001 – p.44/228
![Page 57: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/57.jpg)
Peluang dan Variabel Random
Teorema BayesContoh (lanjutan)Dengan teorema Bayes, kejadian P (A), P (B) dan P (C) adalahpeluang (persentase produksi) dari masing-masing mesin;P (R | A), P (R | B) dan P (R | C) adalah peluang (persentasekerusakan) dari masing-masing mesin.
P (C | R) =P (C).P (R | C)
P (A).P (R | A) + P (B).P (R | B) + P (C).P (R | C)
=(0, 1)(0, 04)
(0, 6)(0, 02) + (0, 3)(0, 03) + (0, 1)(0, 04)=
4
25
MMS1001 – p.45/228
![Page 58: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/58.jpg)
Peluang dan Variabel Random
Variabel RandomVariabel random adalah suatu cara memberi harga angkakepada setiap elemen ruang sampel, atau suatu fungsi bernilaireal yang harganya ditentukan oleh setiap elemen dalam ruangsampel
ContohEksperimen (proses random) melemparkan uang logam tigakali, S = {BBB, BBM, BMB, MBB, BMM, MBM, MMB, MMM }.Didefinisikan variabel random X : banyak M (muka) munculdalam pelemparan uang logam tiga kali.
MMS1001 – p.46/228
![Page 59: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/59.jpg)
Peluang dan Variabel Random
Contoh (variabel random)
S R
BBB
BBM
BMB
MBB
BMM
MBM
MMB
MMM
0
1
2
3
MMS1001 – p.47/228
![Page 60: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/60.jpg)
Peluang dan Variabel Random
Contoh (variabel random)
S RX : S → R
BBB
BBM
BMB
MBB
BMM
MBM
MMB
MMM
0
1
2
3
MMS1001 – p.48/228
![Page 61: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/61.jpg)
Peluang dan Variabel Random
Contoh (variabel random)
S RX : S → R
BBB
BBM
BMB
MBB
BMM
MBM
MMB
MMM
0
1
2
3
MMS1001 – p.49/228
![Page 62: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/62.jpg)
Peluang dan Variabel Random
Contoh (variabel random)
S RX : S → R
BBB
BBM
BMB
MBB
BMM
MBM
MMB
MMM
0
1
2
3
MMS1001 – p.50/228
![Page 63: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/63.jpg)
Peluang dan Variabel Random
Contoh (variabel random)
S RX : S → R
BBB
BBM
BMB
MBB
BMM
MBM
MMB
MMM
0
1
2
3
MMS1001 – p.51/228
![Page 64: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/64.jpg)
Peluang dan Variabel Random
Contoh (variabel random)
S RX : S → R
BBB
BBM
BMB
MBB
BMM
MBM
MMB
MMM
0
1
2
3
MMS1001 – p.52/228
![Page 65: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/65.jpg)
Peluang dan Variabel Random
Variabel random diskret: Suatu variabel random yang hanyadapat menjalani harga-harga yang berbeda yangberhingga banyaknya (sama banyaknya dengan bilanganbulat)
Variabel random kontinu: Suatu variabel random yang dapatmenjalani setiap harga dalam suatu interval (tak berhinggabanyaknya)
Distribusi Peluang: Model matematik yang menghubungkansemua nilai variabel random dengan peluang terjadinyanilai tersebut dalam ruang sampel. Distribusi peluangdapat direpresentasikan dalam bentuk fungsi, tabel, ataugrafik. Distribusi peluang dapat dianggap sebagaifrekuensi relatif jangka panjang.
MMS1001 – p.53/228
![Page 66: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/66.jpg)
Peluang dan Variabel Random
Distribusi Peluang DiskretFungsi f(x) disebut sebagai fungsi peluang dari variabelrandom diskret X, jika untuk setiap harga x yang mungkin :
1. f(x) ≥ 0
2.∑
x f(x) = 1
Peluang untuk nilai x tertentu:
P (X = x) = f(x)
Distribusi kumulatif F (x)
F (x) = P (X ≤ x) =∑
t≤x
f(t)
MMS1001 – p.54/228
![Page 67: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/67.jpg)
Peluang dan Variabel Random
Distribusi Peluang DiskretDistribusi peluang X dalam bentuk tabel:
Harga X P (X = x) = f(x)
x1 P1
x2 P2
. . . . . .
xk Pk
MMS1001 – p.55/228
![Page 68: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/68.jpg)
Peluang dan Variabel Random
Distribusi Peluang DiskretContohDistribusi banyaknya sisi muka yang muncul dalam pelemparanmata uang logam tiga kali.
Harga X P (X = x) = f(x)
0 1/8
1 3/8
2 3/8
3 1/8∑
P (x) = 1
MMS1001 – p.56/228
![Page 69: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/69.jpg)
Peluang dan Variabel Random
Distribusi Peluang Kontinu (Fungsi Densitas)Distribusi peluang untuk variabel random kontinu.Fungsi f(x) disebut sebagai fungsi densitas peluang darivariabel random kontinu X, jika untuk setiap harga x yangmungkin :
1. f(x) ≥ 0
2.∫ ∞−∞ f(x)dx = 1
Nilai peluang untuk interval tertentu
P (a ≤ X ≤ b) =
∫ b
af(x)dx
Distribusi kumulatif F(x)
F (x) = P (X ≤ x) =
∫ x
−∞f(u)du
MMS1001 – p.57/228
![Page 70: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/70.jpg)
Peluang dan Variabel Random
Distribusi Peluang Kontinu (Fungsi Densitas)ContohFungsi densitas suatu variabel random X
f(x) =
{x2 untuk0 < x < 2
0 untukx yang lain
MMS1001 – p.58/228
![Page 71: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/71.jpg)
Peluang dan Variabel Random
Harga harapan, Variansi dan sifat-sifatnyaHarga Harapan (Ekspektasi, Expected Value)
E(X) =
∑
x xf(x) bila X diskret
∫ ∞−∞ xf(x)dx bila X kontinu
E(X) sering ditulis sebagai µX atau µ
Variansi (Variance)
Var(X) = E(X − µ)2
= E(X2) − µ2
MMS1001 – p.59/228
![Page 72: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/72.jpg)
Peluang dan Variabel Random
Harga harapan, Variansi dan sifat-sifatnyaSifat-sifat Harga Harapan
E(aX + b) = aE(X) + b, a, b konstan
E [g(X) + h(X)] = E [g(X)] + E [h(X)]
Sifat-sifat VariansiVar(aX + b) = a2Var(X), a, b konstan
Deviasi standar (akar dari variansi):σX =
√
Var(X)
MMS1001 – p.60/228
![Page 73: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/73.jpg)
Peluang dan Variabel Random
Dua Variabel Random
Ada dua variabel random yang diamati bersamaan dalam suatueksperimen.
Contoh:Sebuah mata uang logam dilemparkan tiga kali.X: banyaknya M muncul dalam dua lemparan pertamaY : banyaknya M muncul dalam lemparan ketiga
Distribusi peluang untuk dua variabel random disebut sebagaidistribusi peluang bersama
MMS1001 – p.61/228
![Page 74: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/74.jpg)
Peluang dan Variabel Random
ContohDistribusi peluang variabel random X :
x P (X = x)
S RX : S → R
BBB
BBM
BMB
MBB
BMM
MBM
MMB
MMM
X : banyaknya M muncul dalam dua lemparan pertama
MMS1001 – p.62/228
![Page 75: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/75.jpg)
Peluang dan Variabel Random
ContohDistribusi peluang variabel random X :
x P (X = x)
012
S RX : S → R
BBB
BBM
BMB
MBB
BMM
MBM
MMB
MMM
0
1
2
X : banyaknya M muncul dalam dua lemparan pertama
MMS1001 – p.63/228
![Page 76: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/76.jpg)
Peluang dan Variabel Random
ContohDistribusi peluang variabel random X :
x P (X = x)
012
S RX : S → R
BBB
BBM
BMB
MBB
BMM
MBM
MMB
MMM
0
1
2
X : banyaknya M muncul dalam dua lemparan pertama
MMS1001 – p.64/228
![Page 77: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/77.jpg)
Peluang dan Variabel Random
ContohDistribusi peluang variabel random X :
x P (X = x)
0 1/41 1/22 1/4
S RX : S → R
BBB
BBM
BMB
MBB
BMM
MBM
MMB
MMM
0
1
2
X : banyaknya M muncul dalam dua lemparan pertama
MMS1001 – p.65/228
![Page 78: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/78.jpg)
Peluang dan Variabel Random
ContohDistribusi peluang variabel random Y :
y
P (Y = y)
S RY : S → R
BBB
BBM
BMB
MBB
BMM
MBM
MMB
MMM
Y : banyaknya M muncul dalam lemparan ketiga
MMS1001 – p.66/228
![Page 79: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/79.jpg)
Peluang dan Variabel Random
ContohDistribusi peluang variabel random Y :
y
0 1
P (Y = y)
S RY : S → R
BBB
BBM
BMB
MBB
BMM
MBM
MMB
MMM
0
1
Y : banyaknya M muncul dalam lemparan ketiga
MMS1001 – p.67/228
![Page 80: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/80.jpg)
Peluang dan Variabel Random
ContohDistribusi peluang variabel random Y :
y
0 1
P (Y = y) 1/2 1/2
S RY : S → R
BBB
BBM
BMB
MBB
BMM
MBM
MMB
MMM
0
1
Y : banyaknya M muncul dalam lemparan ketiga
MMS1001 – p.68/228
![Page 81: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/81.jpg)
Peluang dan Variabel Random
Contoh (dua variabel random)Distribusi peluang bersama X dan Y , P (X = x, Y = y)::
x y P (X = x)
0 1
0 1/41 1/22 1/4
P (Y = y) 1/2 1/2 1
MMS1001 – p.69/228
![Page 82: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/82.jpg)
Peluang dan Variabel Random
Contoh (dua variabel random)Distribusi peluang bersama X dan Y , P (X = x, Y = y):
x y P (X = x)
0 1
0 {BBB} {BBM} 1/41 {BMB, MBB} {BMM, MBM } 1/22 {MMB} {MMM } 1/4
P (Y = y) 1/2 1/2 1
MMS1001 – p.70/228
![Page 83: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/83.jpg)
Peluang dan Variabel Random
Contoh (dua variabel random)Distribusi peluang bersama X dan Y , P (X = x, Y = y):
x y P (X = x)
0 1
0 1/8 1/8 1/41 2/8 2/8 1/22 1/8 1/8 1/4
P (Y = y) 1/2 1/2 1
MMS1001 – p.71/228
![Page 84: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/84.jpg)
Peluang dan Variabel Random
Contoh (dua variabel random)Distribusi peluang bersama X dan Y , P (X = x, Y = y):
x y P (X = x)
0 1
0 1/8 1/8 1/41 2/8 2/8 1/22 1/8 1/8 1/4
P (Y = y) 1/2 1/2 1
Jika P (X = x, Y = y) = P (X = x).P (Y = y) untuk setiap nilaidari X dan Y maka dua variabel random tersebut dikatakanindependen
MMS1001 – p.72/228
![Page 85: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/85.jpg)
Peluang dan Variabel Random
KovariansiUkuran numerik untuk variansi bersama dua variabel random
Kov(X, Y ) = E [(X − µX)(Y − µY )]
= E(XY ) − µXµY
KorelasiKovariansi dibagi dengan standar deviasi X dan standar deviasiY
Kor(X, Y ) =Kov(X, Y )
σX .σY
MMS1001 – p.73/228
![Page 86: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/86.jpg)
Peluang dan Variabel Random
Harga harapan untuk penjumlahan dan pengurangan duavariabel random,
E(X + Y ) = E(X) + E(Y )
E(X − Y ) = E(X) − E(Y )
Variansi untuk penjumlahan dan pengurangan dua variabelrandom,
Var(X + Y ) = Var(X) + Var(Y ) + 2Kov(X, Y )
Var(X − Y ) = Var(X) + Var(Y ) − 2Kov(X, Y )
MMS1001 – p.74/228
![Page 87: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/87.jpg)
Distribusi Variabel Random Diskret dan Kontinu
Eksperimen BernoulliEksperimen dengan hanya dua hasil yang mungkinContoh
melempar mata uang logam satu kali
Mengamati telur ayam, apakah anak ayam itu jantan ataubetina
Mengamati kedelai yang ditanam, tumbuh atau tidak
Reaksi obat pada tikus, positif atau negatif
MMS1001 – p.75/228
![Page 88: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/88.jpg)
Distribusi Variabel Random Diskret dan Kontinu
Sifat-sifat Eksperimen Bernoulli
tiap usaha (trial) menghasilkan satu dari dua hasil yangmungkin, dinamakan sukses (S) dan gagal (G);
peluang sukses, P (S) = p dan peluang gagalP (G) = 1 − p, atau P (G) = q;
usaha-usaha tersebut independen
MMS1001 – p.76/228
![Page 89: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/89.jpg)
Distribusi Variabel Random Diskret dan Kontinu
Distribusi Bernoulli
P (X = x; p) = px(1 − p)1−x,
dengan x = 0, 1 (gagal, sukses) dan p adalah peluangmendapatkan hasil sukses.
MMS1001 – p.77/228
![Page 90: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/90.jpg)
Distribusi Variabel Random Diskret dan Kontinu
Distribusi BinomialEksperimen Bernoulli dengan n usaha dan X : banyaknyasukses dalam n usaha tersebut.
P (X = x;n, p) =
(n
x
)
px(1 − p)n−x, x = 0, 1, 2, . . . , n
Mean dan variansiE(X) = np; Var(X) = np(1 − p)
MMS1001 – p.78/228
![Page 91: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/91.jpg)
Distribusi Variabel Random Diskret dan Kontinu
Binomial dengan n = 6, p = 0, 5
0 1 2 3 4 5 6
0.00
0.05
0.10
0.15
0.20
0.25
0.30
MMS1001 – p.79/228
![Page 92: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/92.jpg)
Distribusi Variabel Random Diskret dan Kontinu
Binomial dengan n = 6, p = 0, 2
0 1 2 3 4 5 6
0.0
0.1
0.2
0.3
MMS1001 – p.80/228
![Page 93: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/93.jpg)
Distribusi Variabel Random Diskret dan Kontinu
Binomial dengan n = 6, p = 0, 8
0 1 2 3 4 5 6
0.0
0.1
0.2
0.3
MMS1001 – p.81/228
![Page 94: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/94.jpg)
Distribusi Variabel Random Diskret dan Kontinu
Contoh (Distribusi Binomial)Suatu uang logam yang baik (seimbang) dilempar 4 kali. X adalahbanyaknya muka muncul dalam 4 kali pelemparan tersebut.Pelemparan dipandang sebagai usaha, dan sukses adalah mukamuncul. X merupakan variabel random binomial dengan n = 4 danp = 1/2 dengan distribusi peluang:
P (X = x; 4,1
2) =
(4
x
) (1
2
)x
(1 − 1
2)4−x, x = 0, 1, 2, 3, 4
▽MMS1001 – p.82/228
![Page 95: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/95.jpg)
Distribusi Variabel Random Diskret dan Kontinu
Contoh (Distribusi Binomial)Suatu uang logam yang baik (seimbang) dilempar 4 kali. X adalahbanyaknya muka muncul dalam 4 kali pelemparan tersebut.Pelemparan dipandang sebagai usaha, dan sukses adalah mukamuncul. X merupakan variabel random binomial dengan n = 4 danp = 1/2 dengan distribusi peluang:
P (X = x; 4,1
2) =
(4
x
) (1
2
)x
(1 − 1
2)4−x, x = 0, 1, 2, 3, 4
Peluang muka muncul dua kali, X = 2
P (X = 2; 4,1
2) =
(4
2
) (1
2
)2
(1 − 1
2)4−2
=3
8
▽MMS1001 – p.82/228
![Page 96: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/96.jpg)
Distribusi Variabel Random Diskret dan Kontinu
Contoh (Distribusi Binomial)Suatu uang logam yang baik (seimbang) dilempar 4 kali. X adalahbanyaknya muka muncul dalam 4 kali pelemparan tersebut.Pelemparan dipandang sebagai usaha, dan sukses adalah mukamuncul. X merupakan variabel random binomial dengan n = 4 danp = 1/2 dengan distribusi peluang:
P (X = x; 4,1
2) =
(4
x
) (1
2
)x
(1 − 1
2)4−x, x = 0, 1, 2, 3, 4
Peluang muka muncul paling tidak dua kali, X ≥ 2
P (X ≥ 2; 4,1
2) = P (X = 2) + P (X = 3) + P (X = 4)
=11
16
MMS1001 – p.82/228
![Page 97: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/97.jpg)
Distribusi Variabel Random Diskret dan Kontinu
Distribusi Hipergeometrik
Eksperimen hipergeometrik:
Dalam populasi berukuran N sebanyak k dinamakansukses sedangkan sisanya N − k dinamakan gagal
sampel berukuran n diambil dari N benda
Cara pengambilan sampel tanpa pengembalian
MMS1001 – p.83/228
![Page 98: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/98.jpg)
Distribusi Variabel Random Diskret dan Kontinu
Distribusi Hipergeometrik
Distribusi peluang:
P (X = x;N, n, k) =
(kx
)(N−kn−x
)
(Nn
) , x = 0, 1, 2, . . . , min(n, k)
Mean dan VariansiE(X) = n k
N ; Var(X) = n kn
N−kN
N−nN−1
MMS1001 – p.84/228
![Page 99: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/99.jpg)
Distribusi Variabel Random Diskret dan Kontinu
Contoh (Distribusi Hipergeometrik)
Suatu kotak berisi 40 suku cadang dengan 3 rusak. Sampel berukuran5 diambil sekaligus dari kotak. Pengambilan sampel ini adalah suatueksperimen hipergeometrik dengan X adalah banyaknya suku cadangrusak, N = 40, n = 5 dan k = 3 dengan distribusi peluang:
P (X = x; 40, 5, 3) =
(3x
)(37
5−x
)
(405
) , x = 0, 1, 2, 3
▽MMS1001 – p.85/228
![Page 100: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/100.jpg)
Distribusi Variabel Random Diskret dan Kontinu
Contoh (Distribusi Hipergeometrik)
Suatu kotak berisi 40 suku cadang dengan 3 rusak. Sampel berukuran5 diambil sekaligus dari kotak. Pengambilan sampel ini adalah suatueksperimen hipergeometrik dengan X adalah banyaknya suku cadangrusak, N = 40, n = 5 dan k = 3 dengan distribusi peluang:
P (X = x; 40, 5, 3) =
(3x
)(37
5−x
)
(405
) , x = 0, 1, 2, 3
Peluang ditemukan satu suku cadang rusak dalam pengambilansampel tersebut
P (X = 1; 40, 5, 3) =
(31
)(374
)
(405
) = 0, 3011
▽MMS1001 – p.85/228
![Page 101: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/101.jpg)
Distribusi Variabel Random Diskret dan Kontinu
Contoh (Distribusi Hipergeometrik)
Suatu kotak berisi 40 suku cadang dengan 3 rusak. Sampel berukuran5 diambil sekaligus dari kotak. Pengambilan sampel ini adalah suatueksperimen hipergeometrik dengan X adalah banyaknya suku cadangrusak, N = 40, n = 5 dan k = 3 dengan distribusi peluang:
P (X = x; 40, 5, 3) =
(3x
)(37
5−x
)
(405
) , x = 0, 1, 2, 3
Peluang ditemukan paling tidak satu suku cadang rusak dalampengambilan sampel tersebut
P (X ≥ 1; 40, 5, 3) = P (X = 1) + P (X = 2) + P (X = 3)
= 0, 301 + 0, 0354 + 0, 0010
= 0, 3376
MMS1001 – p.85/228
![Page 102: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/102.jpg)
Distribusi Variabel Random Diskret dan Kontinu
Distribusi Poisson
Sifat-sifat eksperimen Poisson:
banyaknya sukses terjadi dalam suatu selang waktu ataudaerah tertentu tidak terpengaruh (bebas) dari apa yangterjadi pada interval waktu atau daerah yang lain,
peluang terjadinya sukses dalam interval waktu yangsingkat atau daerah yang sempit sebanding denganpanjang interval waktu, atau luas daerah dan tidaktergantung pada banyaknya sukses yang terjadi di luarinterval waktu atau daerah tersebut,
peluang terjadinya lebih dari satu sukses dalam intervalwaktu yang singkat atau daerah yang sempit tersebutdapat diabaikan.
MMS1001 – p.86/228
![Page 103: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/103.jpg)
Distribusi Variabel Random Diskret dan Kontinu
Distribusi Poisson
X adalah banyaknya sukses dalam eksperimen Poisson, yangmempunyai distribusi probabilitas
P (X = x;λ) =e−λλx
x!, x = 0, 1, 2, . . .
Mean dan VariansiE(X) = λ ; Var(X) = λ
MMS1001 – p.87/228
![Page 104: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/104.jpg)
Distribusi Variabel Random Diskret dan Kontinu
Poisson dengan λ = 2
0 1 2 3 4 5 6 7 8 9 10
0.00
0.05
0.10
0.15
0.20
0.25
MMS1001 – p.88/228
![Page 105: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/105.jpg)
Distribusi Variabel Random Diskret dan Kontinu
Poisson dengan λ = 5
0 1 2 3 4 5 6 7 8 9 11 13 15
0.00
0.05
0.10
0.15
MMS1001 – p.89/228
![Page 106: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/106.jpg)
Distribusi Variabel Random Diskret dan Kontinu
Poisson dengan λ = 8
0 2 4 6 8 10 12 14 16 18 20
0.00
0.02
0.04
0.06
0.08
0.10
0.12
MMS1001 – p.90/228
![Page 107: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/107.jpg)
Distribusi Variabel Random Diskret dan Kontinu
Contoh (Distribusi Poisson)
Rata-rata banyaknya partikel radioaktif yang melewati suatucounter selama 1 milidetik dalam suatu percobaan dilaboratorium adalah 4. Peluang 6 partikel melewati counterdalam suatu milidetik tertentu adalah
P (X = 6;λ = 4) =e−44x
6!= 0, 1042
MMS1001 – p.91/228
![Page 108: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/108.jpg)
Distribusi Variabel Random Diskret dan Kontinu
Distribusi Normal
Distribusi Normal dengan mean E(X) = µ dan variansiVar(X) = σ2 mempunyai fungsi peluang,
f(x;µ, σ2) =1√
2πσ2e−
(x−µ)2
2σ2 , −∞ < x < ∞
dan −∞ < µ < ∞, σ2 > 0
MMS1001 – p.92/228
![Page 109: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/109.jpg)
Distribusi Variabel Random Diskret dan Kontinu
Distribusi Normal
Distribusi Normal dengan mean E(X) = µ dan variansiVar(X) = σ2 (ditulis N(µ, σ2)) mempunyai fungsi peluang,
f(x;µ, σ2) =1√
2πσ2e−
(x−µ)2
2σ2 , −∞ < x < ∞
dengan −∞ < µ < ∞, σ2 > 0, π = 3, 141593 . . . dane = 2, 718282 . . .
Distribusi Normal standar: distribusi Normal dengan mean 0 danvariansi 1, ditulis N(0, 1)
MMS1001 – p.93/228
![Page 110: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/110.jpg)
Distribusi Variabel Random Diskret dan Kontinu
Kurva Normal
-∞ ∞Sumbu x : −∞ < x < ∞
▽MMS1001 – p.94/228
![Page 111: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/111.jpg)
Distribusi Variabel Random Diskret dan Kontinu
Kurva Normal
-∞ ∞Sumbu x : −∞ < x < ∞Fungsi peluang (sumbu y):
f(x;µ, σ2) =1√
2πσ2e−
(x−µ)2
2σ2 , −∞ < x < ∞
▽MMS1001 – p.94/228
![Page 112: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/112.jpg)
Distribusi Variabel Random Diskret dan Kontinu
Kurva Normal
-∞ ∞Sifat-sifat:
▽MMS1001 – p.94/228
![Page 113: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/113.jpg)
Distribusi Variabel Random Diskret dan Kontinu
Kurva Normal
-∞ ∞µ
Sifat-sifat:
simetris terhadap sumbu vertikal melalui µ,
▽MMS1001 – p.94/228
![Page 114: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/114.jpg)
Distribusi Variabel Random Diskret dan Kontinu
Kurva Normal
-∞ ∞-∞ ∞Sifat-sifat:
simetris terhadap sumbu vertikal melalui µ,
memotong sumbu mendatar (sumbu x) secara asimtotis,
▽MMS1001 – p.94/228
![Page 115: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/115.jpg)
Distribusi Variabel Random Diskret dan Kontinu
Kurva Normal
-∞ ∞µ
Sifat-sifat:
simetris terhadap sumbu vertikal melalui µ,
memotong sumbu mendatar (sumbu x) secara asimtotis,
harga modus (maksimum) terletak pada x = µ,
▽MMS1001 – p.94/228
![Page 116: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/116.jpg)
Distribusi Variabel Random Diskret dan Kontinu
Kurva Normal
-∞ ∞µµ − σ µ + σ
Sifat-sifat:
simetris terhadap sumbu vertikal melalui µ,
memotong sumbu mendatar (sumbu x) secara asimtotis,
harga modus (maksimum) terletak pada x = µ,
mempunyai titik belok pada x = µ ± σ,
▽MMS1001 – p.94/228
![Page 117: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/117.jpg)
Distribusi Variabel Random Diskret dan Kontinu
Kurva Normal
-∞ ∞µ
Sifat-sifat:
simetris terhadap sumbu vertikal melalui µ,
memotong sumbu mendatar (sumbu x) secara asimtotis,
harga modus (maksimum) terletak pada x = µ,
mempunyai titik belok pada x = µ ± σ,
luas kurva Normal sama dengan 1.
MMS1001 – p.94/228
![Page 118: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/118.jpg)
Distribusi Variabel Random Diskret dan Kontinu
Luasan di bawah Kurva Normal
b
L
Luasan kurva di bawah kurva normal sampai batas b:
L =
∫ b
−∞
1√2πσ2
e−(x−µ)2
2σ2 dx
▽MMS1001 – p.95/228
![Page 119: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/119.jpg)
Distribusi Variabel Random Diskret dan Kontinu
Luasan di bawah Kurva Normal
b
L
Dapat dihitung menggunakan tabel Normal Standar denganterlebih dahulu mentransformasikan skala X ∼ N(µ, σ2) keZ ∼ N(0, 1),
Z =X − µ
σ
▽MMS1001 – p.95/228
![Page 120: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/120.jpg)
Distribusi Variabel Random Diskret dan Kontinu
Luasan di bawah Kurva Normal
X−bσ
L
z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
-3,4
-3,3
. . .
0,0
. . .
3,3
3,4
MMS1001 – p.95/228
![Page 121: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/121.jpg)
Distribusi Variabel Random Diskret dan Kontinu
Luasan di bawah Kurva Normal
x = 76
L
Contoh 1:Distribusi Normal dengan mean µ = 60 dan deviasi standar σ = 12,N(60, 122)
Hitunglah luas kurva Normal mulai ekor paling kiri (−∞) sampai 76
▽MMS1001 – p.96/228
![Page 122: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/122.jpg)
Distribusi Variabel Random Diskret dan Kontinu
Luasan di bawah Kurva Normal
Z = 1, 33
L
Contoh 1:transformasi dari X ke Z,
Z =X − µ
σ
=76 − 60
12= 1, 33
▽MMS1001 – p.96/228
![Page 123: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/123.jpg)
Distribusi Variabel Random Diskret dan Kontinu
Luasan di bawah Kurva Normal
Z = 1, 33
L
Contoh 1:z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
. . .
0,0
. . .
1,3
▽MMS1001 – p.96/228
![Page 124: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/124.jpg)
Distribusi Variabel Random Diskret dan Kontinu
Luasan di bawah Kurva Normal
Z = 1, 33
L = 0, 9082
Contoh 1:z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
. . .
0,0
. . .
1,3 0,9082
MMS1001 – p.96/228
![Page 125: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/125.jpg)
Distribusi Variabel Random Diskret dan Kontinu
Luasan di bawah Kurva Normal
7660
L
Contoh 2:Distribusi Normal dengan mean µ = 60 dan deviasi standar σ = 12,N(60, 122)
Hitunglah luas kurva Normal antara 60 sampai 76
▽MMS1001 – p.97/228
![Page 126: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/126.jpg)
Distribusi Variabel Random Diskret dan Kontinu
Luasan di bawah Kurva Normal
1, 330
L
Contoh 2:transformasi dari X = 60 ke Z,
Z =X − µ
σ
=60 − 60
12= 0
transformasi dari X = 76 ke Z,
Z =X − µ
σ
=76 − 60
12= 1, 33
▽MMS1001 – p.97/228
![Page 127: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/127.jpg)
Distribusi Variabel Random Diskret dan Kontinu
Luasan di bawah Kurva Normal
1, 330
L2 = 0, 9082
Contoh 2:
L = L2 − L1
= 0, 9082 − L1
▽MMS1001 – p.97/228
![Page 128: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/128.jpg)
Distribusi Variabel Random Diskret dan Kontinu
Luasan di bawah Kurva Normal
1, 330
L1 = 0, 5
Contoh 2:
L = L2 − L1
= 0, 9082 − 0, 5
▽MMS1001 – p.97/228
![Page 129: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/129.jpg)
Distribusi Variabel Random Diskret dan Kontinu
Luasan di bawah Kurva Normal
L
1, 330
Contoh 2:
L = L2 − L1
= 0, 9082 − 0, 5
= 0, 4082
MMS1001 – p.97/228
![Page 130: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/130.jpg)
Distribusi Variabel Random Diskret dan Kontinu
Luasan di bawah Kurva Normal
68 84
L
Contoh 3:Distribusi Normal dengan mean µ = 60 dan deviasi standar σ = 12,N(60, 122). Hitunglah luas kurva Normal antara 68 sampai 84.
▽MMS1001 – p.98/228
![Page 131: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/131.jpg)
Distribusi Variabel Random Diskret dan Kontinu
Luasan di bawah Kurva Normal
68 84
L
Contoh 3:Distribusi Normal dengan mean µ = 60 dan deviasi standar σ = 12,N(60, 122). Hitunglah luas kurva Normal antara 68 sampai 84.L = P (68 ≤ X ≤ 84)
▽MMS1001 – p.98/228
![Page 132: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/132.jpg)
Distribusi Variabel Random Diskret dan Kontinu
Luasan di bawah Kurva Normal
0, 67 2, 00
L
Contoh 3:Distribusi Normal dengan mean µ = 60 dan deviasi standar σ = 12,N(60, 122). Hitunglah luas kurva Normal antara 68 sampai 84.L = P (68 ≤ X ≤ 84)
= P (0, 67 ≤ Z ≤ 2, 00)
▽MMS1001 – p.98/228
![Page 133: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/133.jpg)
Distribusi Variabel Random Diskret dan Kontinu
Luasan di bawah Kurva Normal
0, 67 2, 00
L1
Contoh 3:Distribusi Normal dengan mean µ = 60 dan deviasi standar σ = 12,N(60, 122). Hitunglah luas kurva Normal antara 68 sampai 84.L = P (68 ≤ X ≤ 84)
= P (0, 67 ≤ Z ≤ 2, 00)
= P (−∞ < Z ≤ 2, 00) − P (−∞ < Z ≤ 0, 67)
▽MMS1001 – p.98/228
![Page 134: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/134.jpg)
Distribusi Variabel Random Diskret dan Kontinu
Luasan di bawah Kurva Normal
0, 67 2, 00
L1
Contoh 3:Distribusi Normal dengan mean µ = 60 dan deviasi standar σ = 12,N(60, 122). Hitunglah luas kurva Normal antara 68 sampai 84.L = P (68 ≤ X ≤ 84)
= P (0, 67 ≤ Z ≤ 2, 00)
= 0, 9772 − P (−∞ < Z ≤ 0, 67)
▽MMS1001 – p.98/228
![Page 135: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/135.jpg)
Distribusi Variabel Random Diskret dan Kontinu
Luasan di bawah Kurva Normal
0, 67 2, 00
L2
Contoh 3:Distribusi Normal dengan mean µ = 60 dan deviasi standar σ = 12,N(60, 122). Hitunglah luas kurva Normal antara 68 sampai 84.L = P (68 ≤ X ≤ 84)
= P (0, 67 ≤ Z ≤ 2, 00)
= 0, 9772 − P (−∞ < Z ≤ 0, 67)
▽MMS1001 – p.98/228
![Page 136: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/136.jpg)
Distribusi Variabel Random Diskret dan Kontinu
Luasan di bawah Kurva Normal
0, 67 2, 00
L2
Contoh 3:Distribusi Normal dengan mean µ = 60 dan deviasi standar σ = 12,N(60, 122). Hitunglah luas kurva Normal antara 68 sampai 84.L = P (68 ≤ X ≤ 84)
= P (0, 67 ≤ Z ≤ 2, 00)
= 0, 9772 − 0, 7486
▽MMS1001 – p.98/228
![Page 137: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/137.jpg)
Distribusi Variabel Random Diskret dan Kontinu
Luasan di bawah Kurva Normal
0, 67 2, 00
L
Contoh 3:Distribusi Normal dengan mean µ = 60 dan deviasi standar σ = 12,N(60, 122). Hitunglah luas kurva Normal antara 68 sampai 84.L = P (68 ≤ X ≤ 84)
= P (0, 67 ≤ Z ≤ 2, 00)
= 0, 2286
MMS1001 – p.98/228
![Page 138: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/138.jpg)
Distribusi Variabel Random Diskret dan Kontinu
Luasan di bawah Kurva Normal
1, 5
Contoh 4:Diketahui N(0, 1), hitunglah P (Z ≥ 1, 5).
▽MMS1001 – p.99/228
![Page 139: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/139.jpg)
Distribusi Variabel Random Diskret dan Kontinu
Luasan di bawah Kurva Normal
1, 5
Contoh 4:Diketahui N(0, 1), hitunglah P (Z ≥ 1, 5).P (Z ≥ 1, 5) = 1 − P (−∞ ≤ Z ≤ 1, 5)
▽MMS1001 – p.99/228
![Page 140: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/140.jpg)
Distribusi Variabel Random Diskret dan Kontinu
Luasan di bawah Kurva Normal
1, 5
Contoh 4:Diketahui N(0, 1), hitunglah P (Z ≥ 1, 5).P (Z ≥ 1, 5) = 1 − P (−∞ ≤ Z ≤ 1, 5)
▽MMS1001 – p.99/228
![Page 141: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/141.jpg)
Distribusi Variabel Random Diskret dan Kontinu
Luasan di bawah Kurva Normal
1, 5
Contoh 4:Diketahui N(0, 1), hitunglah P (Z ≥ 1, 5).P (Z ≥ 1, 5) = 1 − P (−∞ ≤ Z ≤ 1, 5)
= 1 − 0, 9332
= 0, 0668
MMS1001 – p.99/228
![Page 142: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/142.jpg)
Distribusi Variabel Random Diskret dan Kontinu
Luasan di bawah Kurva Normal
−3 −2 −1 0 1 2 3
X ∼ N(µ, σ2)
Z ∼ N(0, 1)
▽MMS1001 – p.100/228
![Page 143: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/143.jpg)
Distribusi Variabel Random Diskret dan Kontinu
Luasan di bawah Kurva Normal
−3 −2 −1 0 1 2 3
X ∼ N(µ, σ2)
Z ∼ N(0, 1)
µ
▽MMS1001 – p.100/228
![Page 144: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/144.jpg)
Distribusi Variabel Random Diskret dan Kontinu
Luasan di bawah Kurva Normal
−3 −2 −1 0 1 2 3
X ∼ N(µ, σ2)
Z ∼ N(0, 1)
µ µ + σµ − σ
▽MMS1001 – p.100/228
![Page 145: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/145.jpg)
Distribusi Variabel Random Diskret dan Kontinu
Luasan di bawah Kurva Normal
−3 −2 −1 0 1 2 3
X ∼ N(µ, σ2)
Z ∼ N(0, 1)
µ µ + σµ − σ µ + 2σµ − 2σ
▽MMS1001 – p.100/228
![Page 146: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/146.jpg)
Distribusi Variabel Random Diskret dan Kontinu
Luasan di bawah Kurva Normal
−3 −2 −1 0 1 2 3
X ∼ N(µ, σ2)
Z ∼ N(0, 1)
µ µ + σµ − σ µ + 2σµ − 2σ µ + 3σµ − 3σ
▽MMS1001 – p.100/228
![Page 147: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/147.jpg)
Distribusi Variabel Random Diskret dan Kontinu
Luasan di bawah Kurva Normal
−3 −2 −1 0 1 2 3
X ∼ N(µ, σ2)
Z ∼ N(0, 1)
µ µ + σµ − σ µ + 2σµ − 2σ µ + 3σµ − 3σ
68%
▽MMS1001 – p.100/228
![Page 148: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/148.jpg)
Distribusi Variabel Random Diskret dan Kontinu
Luasan di bawah Kurva Normal
−3 −2 −1 0 1 2 3
X ∼ N(µ, σ2)
Z ∼ N(0, 1)
µ µ + σµ − σ µ + 2σµ − 2σ µ + 3σµ − 3σ
95%
▽MMS1001 – p.100/228
![Page 149: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/149.jpg)
Distribusi Variabel Random Diskret dan Kontinu
Luasan di bawah Kurva Normal
−3 −2 −1 0 1 2 3
X ∼ N(µ, σ2)
Z ∼ N(0, 1)
µ µ + σµ − σ µ + 2σµ − 2σ µ + 3σµ − 3σ
99%
MMS1001 – p.100/228
![Page 150: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/150.jpg)
Distribusi Variabel Random Diskret dan Kontinu
Contoh 5 (Distribusi Normal)Nilai-nilai ujian seleksi penerimaan mahasiswa baru secaranasional dianggap berdistribusi Normal dengan mean 45 dandeviasi standar 13. Jika hanya 32,5% calon mahasiswa yangakan diterima, berapakah nilai terendah calon mahasiswa yangditerima?
▽MMS1001 – p.101/228
![Page 151: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/151.jpg)
Distribusi Variabel Random Diskret dan Kontinu
Contoh 5 (Distribusi Normal)Nilai-nilai ujian seleksi penerimaan mahasiswa baru secaranasional dianggap berdistribusi Normal dengan mean 45 dandeviasi standar 13. Jika hanya 32,5% calon mahasiswa yangakan diterima, berapakah nilai terendah calon mahasiswa yangditerima?
0,325
▽MMS1001 – p.101/228
![Page 152: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/152.jpg)
Distribusi Variabel Random Diskret dan Kontinu
Contoh 5 (Distribusi Normal)Nilai-nilai ujian seleksi penerimaan mahasiswa baru secaranasional dianggap berdistribusi Normal dengan mean 45 dandeviasi standar 13. Jika hanya 32,5% calon mahasiswa yangakan diterima, berapakah nilai terendah calon mahasiswa yangditerima?
0,325
X =?X ∼ N(45, 132)
X =?
▽MMS1001 – p.101/228
![Page 153: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/153.jpg)
Distribusi Variabel Random Diskret dan Kontinu
Contoh 5 (Distribusi Normal)Nilai-nilai ujian seleksi penerimaan mahasiswa baru secaranasional dianggap berdistribusi Normal dengan mean 45 dandeviasi standar 13. Jika hanya 32,5% calon mahasiswa yangakan diterima, berapakah nilai terendah calon mahasiswa yangditerima?
0,325
X =?X ∼ N(45, 132)
Z ∼ N(0, 1)
▽MMS1001 – p.101/228
![Page 154: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/154.jpg)
Distribusi Variabel Random Diskret dan Kontinu
Contoh 5 (Distribusi Normal)Nilai-nilai ujian seleksi penerimaan mahasiswa baru secaranasional dianggap berdistribusi Normal dengan mean 45 dandeviasi standar 13. Jika hanya 32,5% calon mahasiswa yangakan diterima, berapakah nilai terendah calon mahasiswa yangditerima?
0,325
X =?X ∼ N(45, 132)
Z ∼ N(0, 1)Z = 0, 45
▽MMS1001 – p.101/228
![Page 155: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/155.jpg)
Distribusi Variabel Random Diskret dan Kontinu
Contoh 5 (Distribusi Normal)Nilai-nilai ujian seleksi penerimaan mahasiswa baru secaranasional dianggap berdistribusi Normal dengan mean 45 dandeviasi standar 13. Jika hanya 32,5% calon mahasiswa yangakan diterima, berapakah nilai terendah calon mahasiswa yangditerima?
0,325
X ∼ N(45, 132)
Z ∼ N(0, 1)Z = 0, 45
X = 13 × 0, 45 + 45
▽MMS1001 – p.101/228
![Page 156: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/156.jpg)
Distribusi Variabel Random Diskret dan Kontinu
Contoh 5 (Distribusi Normal)Nilai-nilai ujian seleksi penerimaan mahasiswa baru secaranasional dianggap berdistribusi Normal dengan mean 45 dandeviasi standar 13. Jika hanya 32,5% calon mahasiswa yangakan diterima, berapakah nilai terendah calon mahasiswa yangditerima?
0,325
X ∼ N(45, 132)
Z ∼ N(0, 1)Z = 0, 45
50, 85
MMS1001 – p.101/228
![Page 157: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/157.jpg)
Distribusi Sampling Statistik
Populasi: himpunan keseluruhan obyek yang diamati.
Sampel: himpunan bagian dari populasi.
Sampel Random: sampel yang diperoleh dengan carapengambilan sampel sedemikian sehingga setiap elemenpopulasi mempunyai kemungkinan yang sama untukterambil.
Parameter: suatu harga (numerik) yang dihitung dari populasi,memberi deskripsi/karakteristik pada populasi.
Statistik: suatu harga (numerik) yang dihitung dari sampel.
Distribusi sampling statistik: distribusi peluang suatu statistik.
MMS1001 – p.102/228
![Page 158: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/158.jpg)
Distribusi Sampling Statistik
Populasi
X1, X2, . . . , XN
µ σ2
▽MMS1001 – p.103/228
![Page 159: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/159.jpg)
Distribusi Sampling Statistik
Populasi
X1, X2, . . . , XN
µ σ2
Sampel 1
X1, X2, . . . , Xn
X1 S21
▽MMS1001 – p.103/228
![Page 160: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/160.jpg)
Distribusi Sampling Statistik
Populasi
X1, X2, . . . , XN
µ σ2
Sampel 1
X1, X2, . . . , Xn
X1 S21
Sampel 2
X1, X2, . . . , Xn
X2 S22
▽MMS1001 – p.103/228
![Page 161: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/161.jpg)
Distribusi Sampling Statistik
Populasi
X1, X2, . . . , XN
µ σ2
Sampel 1
X1, X2, . . . , Xn
X1 S21
Sampel 2
X1, X2, . . . , Xn
X2 S22
.......
▽MMS1001 – p.103/228
![Page 162: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/162.jpg)
Distribusi Sampling Statistik
Populasi
X1, X2, . . . , XN
µ σ2
Sampel 1
X1, X2, . . . , Xn
X1 S21
Sampel 2
X1, X2, . . . , Xn
X2 S22
.......
Sampel M
X1, X2, . . . , Xn
XM S2M
MMS1001 – p.103/228
![Page 163: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/163.jpg)
Distribusi Sampling Statistik
Contoh:
Populasi
{2, 4, 3}, N = 3
Sampling dengan pengembalian
▽MMS1001 – p.104/228
![Page 164: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/164.jpg)
Distribusi Sampling Statistik
Contoh:
Populasi
{2, 4, 3}, N = 3Distribusi peluang
x P (X = x)
2 1/3
3 1/3
4 1/3
E(X) = (2 + 3 + 4) 13
= 3
Var(X) = (22 + 32 + 42) 13− 32=2/3
Sampling dengan pengembalian
▽MMS1001 – p.104/228
![Page 165: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/165.jpg)
Distribusi Sampling Statistik
Contoh:
Populasi
{2, 4, 3}, N = 3
µ = 3, σ2 = 2/3
Sampel 1{2, 2}, n = 2
X1 = 2
Sampling dengan pengembalian
▽MMS1001 – p.104/228
![Page 166: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/166.jpg)
Distribusi Sampling Statistik
Contoh:
Populasi
{2, 4, 3}, N = 3
µ = 3, σ2 = 2/3
Sampel 1{2, 2}, n = 2
X1 = 2
Sampel 2{2, 3}, n = 2
X2 = 2, 5
Sampling dengan pengembalian
▽MMS1001 – p.104/228
![Page 167: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/167.jpg)
Distribusi Sampling Statistik
Contoh:
Populasi
{2, 4, 3}, N = 3
µ = 3, σ2 = 2/3
Sampel 1{2, 2}, n = 2
X1 = 2
Sampel 2{2, 3}, n = 2
X2 = 2, 5
Sampel 3{2, 4}, n = 2
X3 = 3
Sampling dengan pengembalian
▽MMS1001 – p.104/228
![Page 168: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/168.jpg)
Distribusi Sampling Statistik
Contoh:
Populasi
{2, 4, 3}, N = 3
µ = 3, σ2 = 2/3
Sampel 1{2, 2}, n = 2
X1 = 2
Sampel 2{2, 3}, n = 2
X2 = 2, 5
Sampel 3{2, 4}, n = 2
X3 = 3
Sampel 4{3, 2}, n = 2
X4 = 2, 5
Sampling dengan pengembalian
▽MMS1001 – p.104/228
![Page 169: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/169.jpg)
Distribusi Sampling Statistik
Contoh:
Populasi
{2, 4, 3}, N = 3
µ = 3, σ2 = 2/3
Sampel 1{2, 2}, n = 2
X1 = 2
Sampel 2{2, 3}, n = 2
X2 = 2, 5
Sampel 3{2, 4}, n = 2
X3 = 3
Sampel 4{3, 2}, n = 2
X4 = 2, 5
Sampel 5{3, 3}, n = 2
X5 = 3
Sampling dengan pengembalian
▽MMS1001 – p.104/228
![Page 170: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/170.jpg)
Distribusi Sampling Statistik
Contoh:
Populasi
{2, 4, 3}, N = 3
µ = 3, σ2 = 2/3
Sampel 1{2, 2}, n = 2
X1 = 2
Sampel 2{2, 3}, n = 2
X2 = 2, 5
Sampel 3{2, 4}, n = 2
X3 = 3
Sampel 4{3, 2}, n = 2
X4 = 2, 5
Sampel 5{3, 3}, n = 2
X5 = 3
Sampel 6{3, 4}, n = 2
X6 = 3, 5
Sampling dengan pengembalian
▽MMS1001 – p.104/228
![Page 171: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/171.jpg)
Distribusi Sampling Statistik
Contoh:
Populasi
{2, 4, 3}, N = 3
µ = 3, σ2 = 2/3
Sampel 1{2, 2}, n = 2
X1 = 2
Sampel 2{2, 3}, n = 2
X2 = 2, 5
Sampel 3{2, 4}, n = 2
X3 = 3
Sampel 4{3, 2}, n = 2
X4 = 2, 5
Sampel 5{3, 3}, n = 2
X5 = 3
Sampel 6{3, 4}, n = 2
X6 = 3, 5
Sampel 7{4, 2}, n = 2
X7 = 3
Sampling dengan pengembalian
▽MMS1001 – p.104/228
![Page 172: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/172.jpg)
Distribusi Sampling Statistik
Contoh:
Populasi
{2, 4, 3}, N = 3
µ = 3, σ2 = 2/3
Sampel 1{2, 2}, n = 2
X1 = 2
Sampel 2{2, 3}, n = 2
X2 = 2, 5
Sampel 3{2, 4}, n = 2
X3 = 3
Sampel 4{3, 2}, n = 2
X4 = 2, 5
Sampel 5{3, 3}, n = 2
X5 = 3
Sampel 6{3, 4}, n = 2
X6 = 3, 5
Sampel 7{4, 2}, n = 2
X7 = 3
Sampel 8{4, 3}, n = 2
X8 = 3, 5
Sampling dengan pengembalian
▽MMS1001 – p.104/228
![Page 173: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/173.jpg)
Distribusi Sampling Statistik
Contoh:
Populasi
{2, 4, 3}, N = 3
µ = 3, σ2 = 2/3
Sampel 1{2, 2}, n = 2
X1 = 2
Sampel 2{2, 3}, n = 2
X2 = 2, 5
Sampel 3{2, 4}, n = 2
X3 = 3
Sampel 4{3, 2}, n = 2
X4 = 2, 5
Sampel 5{3, 3}, n = 2
X5 = 3
Sampel 6{3, 4}, n = 2
X6 = 3, 5
Sampel 7{4, 2}, n = 2
X7 = 3
Sampel 8{4, 3}, n = 2
X8 = 3, 5
Sampel 9{4, 4}, n = 2
X9 = 4
Sampling dengan pengembalian
▽MMS1001 – p.104/228
![Page 174: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/174.jpg)
Distribusi Sampling Statistik
Contoh:
Populasi
{2, 4, 3}, N = 3
µ = 3, σ2 = 2/3
Sampel 1{2, 2}, n = 2
X1 = 2
Sampel 2{2, 3}, n = 2
X2 = 2, 5
Sampel 3{2, 4}, n = 2
X3 = 3
Sampel 4{3, 2}, n = 2
X4 = 2, 5
Sampel 5{3, 3}, n = 2
X5 = 3
Sampel 6{3, 4}, n = 2
X6 = 3, 5
Sampel 7{4, 2}, n = 2
X7 = 3
Sampel 8{4, 3}, n = 2
X8 = 3, 5
Sampel 9{4, 4}, n = 2
X9 = 4
Sampling dengan pengembalian ⇒ M = Nn = 32 = 9
MMS1001 – p.104/228
![Page 175: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/175.jpg)
Distribusi Sampling Statistik
Contoh:
Populasi
{2, 4, 3}, N = 3
µ = 3, σ2 = 2/3
x P (X = x)
2,0 1/92,5 2/93,0 3/93,5 2/94,0 1/9
Sampling dengan pengembalian
▽MMS1001 – p.105/228
![Page 176: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/176.jpg)
Distribusi Sampling Statistik
Contoh:
Populasi
{2, 4, 3}, N = 3
µ = 3, σ2 = 2/3
x P (X = x)
2,0 1/92,5 2/93,0 3/93,5 2/94,0 1/9
µX = E(X) = 2( 19) + 2, 5( 2
9) + 3( 3
9) + 3, 5( 2
9) + 4( 1
9) = 3
σ2X
= Var(X) = 22( 19) + 2, 52( 2
9) + 32( 3
9) + 3, 52( 2
9) + 42( 1
9) − 32 = 1/3
Sampling dengan pengembalian
MMS1001 – p.105/228
![Page 177: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/177.jpg)
Distribusi Sampling Statistik
Sampling dengan pengembalian
Untuk sampel berukuran n dari populasi berukuran N denganmean µ dan variansi σ2, mean dan variansi dari statistik X:
µX = E(X) = µ
σ2X = Var(X) =
σ2
n
MMS1001 – p.106/228
![Page 178: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/178.jpg)
Distribusi Sampling Statistik
Contoh:
Populasi
{2, 4, 3}, N = 3
µ = 3, σ2 = 2/3
Sampling tanpa pengembalian
▽MMS1001 – p.107/228
![Page 179: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/179.jpg)
Distribusi Sampling Statistik
Contoh:
Populasi
{2, 4, 3}, N = 3
µ = 3, σ2 = 2/3
Sampel 1{2, 3}, n = 2
X2 = 2, 5
Sampling tanpa pengembalian
▽MMS1001 – p.107/228
![Page 180: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/180.jpg)
Distribusi Sampling Statistik
Contoh:
Populasi
{2, 4, 3}, N = 3
µ = 3, σ2 = 2/3
Sampel 1{2, 3}, n = 2
X2 = 2, 5
Sampel 2{2, 4}, n = 2
X2 = 3
Sampling tanpa pengembalian
▽MMS1001 – p.107/228
![Page 181: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/181.jpg)
Distribusi Sampling Statistik
Contoh:
Populasi
{2, 4, 3}, N = 3
µ = 3, σ2 = 2/3
Sampel 1{2, 3}, n = 2
X2 = 2, 5
Sampel 2{2, 4}, n = 2
X2 = 3
Sampel 3{3, 4}, n = 2
X3 = 3, 5
Sampling tanpa pengembalian
▽MMS1001 – p.107/228
![Page 182: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/182.jpg)
Distribusi Sampling Statistik
Contoh:
Populasi
{2, 4, 3}, N = 3
µ = 3, σ2 = 2/3
Sampel 1{2, 3}, n = 2
X2 = 2, 5
Sampel 2{2, 4}, n = 2
X2 = 3
Sampel 3{3, 4}, n = 2
X3 = 3, 5
Sampling tanpa pengembalian ⇒ M =(Nn
)=
(32
)= 3
MMS1001 – p.107/228
![Page 183: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/183.jpg)
Distribusi Sampling Statistik
Contoh:
Populasi
{2, 4, 3}, N = 3
µ = 3, σ2 = 2/3
x P (X = x)
2,5 1/33,0 1/33,5 1/3
Sampling tanpa pengembalian
▽MMS1001 – p.108/228
![Page 184: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/184.jpg)
Distribusi Sampling Statistik
Contoh:
Populasi
{2, 4, 3}, N = 3
µ = 3, σ2 = 2/3
x P (X = x)
2,5 1/33,0 1/33,5 1/3
µX = E(X) =) + 2, 5( 13) + 3( 1
3) + 3, 5( 1
3) = 3
µX = Var(X) =) + 2, 52( 13) + 32( 1
3) + 3, 52( 1
3) − 32 = 1/6
Sampling tanpa pengembalian
MMS1001 – p.108/228
![Page 185: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/185.jpg)
Distribusi Sampling Statistik
Sampling tanpa pengembalian
Untuk sampel berukuran n dari populasi berukuran N denganmean µ dan variansi σ2, mean dan variansi dari statistik X:
µX = E(X) = µ
σ2X = Var(X) =
σ2
n
N − n
N − 1
MMS1001 – p.109/228
![Page 186: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/186.jpg)
Distribusi Sampling Statistik
Sifat-sifat Distribusi Sampling untuk Mean
Sifat 1: Apabila sampel-sampel random dengan n elemenmasing-masing diambil dari suatu populasi yangmempunyai mean µ dan variansi σ2 , maka distribusisampling mean akan mempunyai mean µX = µ danvariansi σ2
X= σ2/n.
Sifat 2: Apabila populasi (dalam sifat 1) berdistribusi Normal,maka distribusi sampling untuk mean juga berdistribusiNormal.
MMS1001 – p.110/228
![Page 187: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/187.jpg)
Distribusi Sampling Statistik
Sifat-sifat Distribusi Sampling untuk Mean
Sifat 3 (Teorema Limit Pusat): Apabila sampel-sampel randomdiambil dari suatu populasi yang berdistribusi sembarang,yang mempunyai mean µ dan variansi σ2, maka untuk nbesar, distribusi sampling untuk mean dapat dianggapmendekati Normal dengan µX = µ dan variansiσ2
X= σ2/n, sehingga
Z =X − µ
σ/√
n
mendekati Normal Standar.
MMS1001 – p.111/228
![Page 188: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/188.jpg)
Distribusi Sampling Statistik
Contoh 1:Seorang peneliti di bidang pertanian akan meneliti hasil dari suatuvarietas padi di Indonesia. Akan diteliti 5 tanah pertanian tersebar diseluruh Indonesia yang dapat ditanami padi tersebut.
▽MMS1001 – p.112/228
![Page 189: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/189.jpg)
Distribusi Sampling Statistik
Contoh 1:Seorang peneliti di bidang pertanian akan meneliti hasil dari suatuvarietas padi di Indonesia. Akan diteliti 5 tanah pertanian tersebar diseluruh Indonesia yang dapat ditanami padi tersebut.
Populasi untuk masalah ini adalah hasil padi jenis tersebut yangdiperoleh dari seluruh tanah pertanian di Indonesia.
▽MMS1001 – p.112/228
![Page 190: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/190.jpg)
Distribusi Sampling Statistik
Contoh 1:Seorang peneliti di bidang pertanian akan meneliti hasil dari suatuvarietas padi di Indonesia. Akan diteliti 5 tanah pertanian tersebar diseluruh Indonesia yang dapat ditanami padi tersebut.
Sampel untuk masalah ini adalah hasil padi yang diperoleh dari 5tanah pertanian yang terpilih. Sampel ini akan merupakan sampelrandom jika, setiap tanah pertanian di Indonesia mempunyai peluangyang sama untuk terpilih ; dan pemilihan satu tanah pertanian tidakmempengaruhi atau dipengaruhi pemilihan tanah yang lain.
▽MMS1001 – p.112/228
![Page 191: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/191.jpg)
Distribusi Sampling Statistik
Contoh 1:Seorang peneliti di bidang pertanian akan meneliti hasil dari suatuvarietas padi di Indonesia. Akan diteliti 5 tanah pertanian tersebar diseluruh Indonesia yang dapat ditanami padi tersebut.
Sampel untuk masalah ini adalah hasil padi yang diperoleh dari 5tanah pertanian yang terpilih. Sampel ini akan merupakan sampelrandom jika, setiap tanah pertanian di Indonesia mempunyai peluangyang sama untuk terpilih ; dan pemilihan satu tanah pertanian tidakmempengaruhi atau dipengaruhi pemilihan tanah yang lain.
Hal ini dapat dilakukan dengan mendaftar terlebih dahulu semua tanahpertanian di Indonesia dan diberi nomor identitas, kemudian dipilih 5tanah pertanian secara random berdasarkan nomor identitas(misalnya dengan tabel bilangan random).
MMS1001 – p.112/228
![Page 192: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/192.jpg)
Distribusi Sampling Statistik
Contoh 2:Suatu sampel random berukuran 40 diambil dari suatu populasidengan mean 41,4 dan variansi 84,64. Hitung peluang bahwa meansampel itu terletak antara 40 dan 45. Anggap ukuran populasinyasangat besar relatif terhadap ukuran sampel.
▽MMS1001 – p.113/228
![Page 193: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/193.jpg)
Distribusi Sampling Statistik
Contoh 2:Suatu sampel random berukuran 40 diambil dari suatu populasidengan mean 41,4 dan variansi 84,64. Hitung peluang bahwa meansampel itu terletak antara 40 dan 45. Anggap ukuran populasinyasangat besar relatif terhadap ukuran sampel.
Berdasarkan Sifat 1, distribusi sampling untuk mean (X) mempunyaimean (E(X), harga harapan): µX = µ = 41, 4 dan variansi (Var(X)):σX = σ2/n = 84, 64/40 = 2, 116.
▽MMS1001 – p.113/228
![Page 194: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/194.jpg)
Distribusi Sampling Statistik
Contoh 2:Suatu sampel random berukuran 40 diambil dari suatu populasidengan mean 41,4 dan variansi 84,64. Hitung peluang bahwa meansampel itu terletak antara 40 dan 45. Anggap ukuran populasinyasangat besar relatif terhadap ukuran sampel.
Berdasarkan Sifat 1, distribusi sampling untuk mean (X) mempunyaimean (E(X), harga harapan): µX = µ = 41, 4 dan variansi (Var(X)):σX = σ2/n = 84, 64/40 = 2, 116.
Ukuran sampel n = 40 cukup besar untuk berlakunya Sifat 3,
▽MMS1001 – p.113/228
![Page 195: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/195.jpg)
Distribusi Sampling Statistik
Contoh 2:Suatu sampel random berukuran 40 diambil dari suatu populasidengan mean 41,4 dan variansi 84,64. Hitung peluang bahwa meansampel itu terletak antara 40 dan 45. Anggap ukuran populasinyasangat besar relatif terhadap ukuran sampel.
Berdasarkan Sifat 1, distribusi sampling untuk mean (X) mempunyaimean (E(X), harga harapan): µX = µ = 41, 4 dan variansi (Var(X)):σX = σ2/n = 84, 64/40 = 2, 116.
Ukuran sampel n = 40 cukup besar untuk berlakunya Sifat 3,
X ∼ N(µ; σ2/n)
Z ∼ N(0, 1)
40 45
▽MMS1001 – p.113/228
![Page 196: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/196.jpg)
Distribusi Sampling Statistik
Contoh 2:Suatu sampel random berukuran 40 diambil dari suatu populasidengan mean 41,4 dan variansi 84,64. Hitung peluang bahwa meansampel itu terletak antara 40 dan 45. Anggap ukuran populasinyasangat besar relatif terhadap ukuran sampel.
Berdasarkan Sifat 1, distribusi sampling untuk mean (X) mempunyaimean (E(X), harga harapan): µX = µ = 41, 4 dan variansi (Var(X)):σX = σ2/n = 84, 64/40 = 2, 116.
Ukuran sampel n = 40 cukup besar untuk berlakunya Sifat 3,
X ∼ N(41, 4; 2, 116)
Z ∼ N(0, 1)−0, 97 2, 48
40 45
▽MMS1001 – p.113/228
![Page 197: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/197.jpg)
Distribusi Sampling Statistik
Contoh 2:Suatu sampel random berukuran 40 diambil dari suatu populasidengan mean 41,4 dan variansi 84,64. Hitung peluang bahwa meansampel itu terletak antara 40 dan 45. Anggap ukuran populasinyasangat besar relatif terhadap ukuran sampel.
Berdasarkan Sifat 1, distribusi sampling untuk mean (X) mempunyaimean (E(X), harga harapan): µX = µ = 41, 4 dan variansi (Var(X)):σX = σ2/n = 84, 64/40 = 2, 116.
Ukuran sampel n = 40 cukup besar untuk berlakunya Sifat 3,
X ∼ N(41, 4; 2, 116)
Z ∼ N(0, 1)−0, 97 2, 48
40 45
0, 8274
MMS1001 – p.113/228
![Page 198: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/198.jpg)
Distribusi Sampling Statistik
Contoh 3:Diketahui suatu populasi dengan mean 82 dan deviasi standar 12.
a. Jika suatu sampel random berukuran 64 diambil, berapa peluangbahwa mean sampel akan terletak antara 80,8 dan 83,2 ?
MMS1001 – p.114/228
![Page 199: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/199.jpg)
Distribusi Sampling Statistik
Contoh 3:Diketahui suatu populasi dengan mean 82 dan deviasi standar 12.
a. Jika suatu sampel random berukuran 64 diambil, berapa peluangbahwa mean sampel akan terletak antara 80,8 dan 83,2 ?Karena n = 64 cukup besar, dapat digunakan Teorema limitpusat (sifat 3). Distribusi X akan mendekati normal denganmean µX = 82 dan deviasi standar σX = 12/
√64 = 1, 5
P (80, 8 ≤ X ≤ 83, 2) dapat dihitung melalui Z = X−821,5
P (80, 8 ≤ X ≤ 83, 2) = P (80, 8 − 82
1, 5≤ Z ≤ 83, 2 − 82
1, 5)
= P (−0, 8 ≤ Z ≤ 0, 8)
= 0, 5762
MMS1001 – p.115/228
![Page 200: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/200.jpg)
Distribusi Sampling Statistik
Contoh 3:Diketahui suatu populasi dengan mean 82 dan deviasi standar 12.
b. Berapa probabilitasnya jika ukuran sampel random 100 ?
MMS1001 – p.116/228
![Page 201: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/201.jpg)
Distribusi Sampling Statistik
Contoh 3:Diketahui suatu populasi dengan mean 82 dan deviasi standar 12.
b. Berapa probabilitasnya jika ukuran sampel random 100 ? Untukn = 100, σX = 12/
√100 = 1, 2
P (80, 8 ≤ X ≤ 83, 2) = P (80, 8 − 82
1, 2≤ Z ≤ 83, 2 − 82
1, 2)
= P (−1, 0 ≤ Z ≤ 1, 0)
= 0, 6826
MMS1001 – p.117/228
![Page 202: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/202.jpg)
Pendekatan Normal untuk Binomial
TeoremaBila X adalah variabel random binomial dengan mean µ = np
dan variansi σ2 = npq, maka untuk n besar
Z =X − np√
npq
merupakan variabel random normal standar.
MMS1001 – p.118/228
![Page 203: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/203.jpg)
Pendekatan Normal untuk Binomial
Binomial(n = 10, p = 0, 5) → Normal
0 2 4 6 8 10
0.00
0.05
0.10
0.15
0.20
0.25
MMS1001 – p.119/228
![Page 204: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/204.jpg)
Pendekatan Normal untuk Binomial
Binomial(n = 10, p = 0, 5) → Normal
0 2 4 6 8 10
0.00
0.05
0.10
0.15
0.20
0.25
MMS1001 – p.120/228
![Page 205: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/205.jpg)
Pendekatan Normal untuk Binomial
Binomial(n = 100, p = 0, 5) → Normal
30 40 50 60 70
0.00
0.02
0.04
0.06
0.08
MMS1001 – p.121/228
![Page 206: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/206.jpg)
Pendekatan Normal untuk Binomial
Binomial(n = 100, p = 0, 5) → Normal
30 40 50 60 70
0.00
0.02
0.04
0.06
0.08
MMS1001 – p.122/228
![Page 207: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/207.jpg)
Inferensi Statistik
Permasalahan dalam peluang
▽MMS1001 – p.123/228
![Page 208: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/208.jpg)
Inferensi Statistik
Permasalahan dalam peluang
▽MMS1001 – p.123/228
![Page 209: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/209.jpg)
Inferensi Statistik
Permasalahan dalam peluang
?
Berapa peluang mendapatkan satubola hitam dalam satu pengambilan
MMS1001 – p.123/228
![Page 210: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/210.jpg)
Inferensi Statistik
Permasalahan dalam inferensi
▽MMS1001 – p.124/228
![Page 211: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/211.jpg)
Inferensi Statistik
Permasalahan dalam inferensi
▽MMS1001 – p.124/228
![Page 212: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/212.jpg)
Inferensi Statistik
Permasalahan dalam inferensi
?
Bagaimana karakteristik populasiberdasarkan sampel
MMS1001 – p.124/228
![Page 213: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/213.jpg)
Inferensi Statistik
Inferensi statistik: pengambilan kesimpulan tentang parameterpopulasi berdasarkan analisis pada sampel
Konsep-konsep inferensi statistik: estimasi titik, estimasi intervaldan uji hipotesis
Estimasi parameter: Menduga nilai parameter populasiberdasarkan data/statistik.
Estimasi titik: Menduga nilai tunggal parameter populasi.Misalnya parameter µ diduga dengan statistik X
Estimasi interval: Menduga nilai parameter populasi dalambentuk interval. Misalnya diduga dengan suatu intervalA ≤ µ ≤ B
MMS1001 – p.125/228
![Page 214: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/214.jpg)
Inferensi Statistik
Contoh: estimator titik untuk mean µ
rata-rata
X =1
n
n∑
i=1
Xi
Median
rata-rata dua harga ekstrim
Xmin + Xmaks
2
MMS1001 – p.126/228
![Page 215: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/215.jpg)
Inferensi Statistik
Contoh: Estimasi IntervalDiketahui variabel random Normal X dengan mean E(X) = µdan Var(X) = 1. Maka (X − µ) akan berdistribusi Normalstandar.
Z ∼ N(0, 1)
▽MMS1001 – p.127/228
![Page 216: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/216.jpg)
Inferensi Statistik
Contoh: Estimasi IntervalDiketahui variabel random Normal X dengan mean E(X) = µdan Var(X) = 1. Maka (X − µ) akan berdistribusi Normalstandar.
Z ∼ N(0, 1)
X + 0, 99X − 0, 99
68%
Interval Konfidensi (estimasi interval) 68%
▽MMS1001 – p.127/228
![Page 217: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/217.jpg)
Inferensi Statistik
Contoh: Estimasi IntervalDiketahui variabel random Normal X dengan mean E(X) = µdan Var(X) = 1. Maka (X − µ) akan berdistribusi Normalstandar.
Z ∼ N(0, 1)
X + 1, 96X − 1, 96
95%
Interval Konfidensi (estimasi interval) 95%
▽MMS1001 – p.127/228
![Page 218: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/218.jpg)
Inferensi Statistik
Contoh: Estimasi IntervalDiketahui variabel random Normal X dengan mean E(X) = µdan Var(X) = 1. Maka (X − µ) akan berdistribusi Normalstandar.
Z ∼ N(0, 1)
X + 2, 58X − 2, 58
99%
Interval Konfidensi (estimasi interval) 99%
MMS1001 – p.127/228
![Page 219: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/219.jpg)
Inferensi Statistik
Uji hipotesis: suatu proses untuk menentukan apakah dugaantentang nilai parameter/karakteristik populasi didukungkuat oleh data sampel atau tidak
Hipotesis penelitian: hipotesis tentang pernyataan dari hasilpenelitian yang akan dilakukan
Hipotesis Statistik: suatu pernyataan tentang parameterpopulasi
MMS1001 – p.128/228
![Page 220: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/220.jpg)
Inferensi Statistik
Hipotesis nol (H0). Hipotesis yang akan diuji oleh suatuprosedur statistik, biasanya berupa suatu pernyataan tidakadanya perbedaan atau tidak adanya hubungan.Pernyataan nol dapat diartikan bahwa pernyataan tetangparameter tidak didukung secara kuat oleh data.
Hipotesis alternatif (H1). Hipotesis yang merupakan lawan dariH0, biasanya berupa pernyataan tentang adanyaperbedaan atau adanya hubungan. H1 digunakan untukmenunjukkan bahwa pernyataan mendapat dukungan kuatdari data.
Logika Uji Hipotesis. Tidak dapat dibuktikan bahwa suatuhipotesis itu benar, tapi dapat dibuktikan bahwa suatuhipotesis itu salah.
MMS1001 – p.129/228
![Page 221: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/221.jpg)
Inferensi Statistik
Tipe Kesalahan dalam Uji Hipotesis
Keputusan Uji KenyataanH0 benar H0 salah
H0 tidak ditolak benar salah (Tipe II)H0 ditolak salah (Tipe I) benar
▽MMS1001 – p.130/228
![Page 222: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/222.jpg)
Inferensi Statistik
Tipe Kesalahan dalam Uji Hipotesis
Keputusan Uji KenyataanH0 benar H0 salah
H0 tidak ditolak benar salah (Tipe II)H0 ditolak salah (Tipe I) benar
Peluang melakukan kesalahan tipe IP (menolakH0 yang benar) = α
▽MMS1001 – p.130/228
![Page 223: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/223.jpg)
Inferensi Statistik
Tipe Kesalahan dalam Uji Hipotesis
Keputusan Uji KenyataanH0 benar H0 salah
H0 tidak ditolak benar salah (Tipe II)H0 ditolak salah (Tipe I) benar
Peluang melakukan kesalahan tipe IP (menolakH0 yang benar) = α
Peluang melakukan kesalahan tipe IIP (tidak menolakH0 yang salah) = β
MMS1001 – p.130/228
![Page 224: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/224.jpg)
Inferensi Statistik
Contoh (Hipotesis statistik dan statistik penguji)
Ingin diuji secara statistik pernyataan : suatu obat baru lebihbaik dari obat yang selama ini digunakan.
Misalkan p adalah proporsi (prosentase) orang yang sembuhsetelah minum obat tersebut, dan obat dikatakan baik jikaproporsi orang yang sembuh lebih dari 60 %.
Pernyataan H0 dan H1 adalah sebagai berikut :H0 : p ≤ 0, 6 (obat baru tidak lebih baik)H1 : p > 0, 6 (obat baru lebih baik)
MMS1001 – p.131/228
![Page 225: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/225.jpg)
Inferensi Statistik
Contoh (Hipotesis statistik dan statistik penguji)
Ingin diuji secara statistik pernyataan : suatu obat baru lebihbaik dari obat yang selama ini digunakan.H0 : p ≤ 0, 6 (obat baru tidak lebih baik)H1 : p > 0, 6 (obat baru lebih baik)
Dilakukan eksperimen terhadap 20 pasien.X : banyak pasien yang sembuhX ∼ Binomial(n = 20, p = 0, 6)
MMS1001 – p.132/228
![Page 226: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/226.jpg)
Inferensi Statistik
Contoh (Hipotesis statistik dan statistik penguji)
Ingin diuji secara statistik pernyataan : suatu obat baru lebihbaik dari obat yang selama ini digunakan.H0 : p ≤ 0, 6 (obat baru tidak lebih baik)H1 : p > 0, 6 (obat baru lebih baik)
Dilakukan eksperimen terhadap 20 pasien.X : banyak pasien yang sembuhX ∼ Binomial(n = 20, p = 0, 6)
X besar (banyak yang sembuh) ⇒ menolak H0,X kecil (banyak yang tidak sembuh) ⇒ mendukung H0
MMS1001 – p.133/228
![Page 227: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/227.jpg)
Inferensi Statistik
Daerah penolakan (Daerah kritik): himpunan (daerah)harga-harga dimana H0 ditolak
Statistik Penguji: statistik atau variabel random yang digunakanuntuk menentukan apakah H0 ditolak atau tidak ditolak.Bila statistik penguji masuk dalam daerah penolakan makaH0 ditolak, sebaliknya jika tidak maka H0 tidak ditolak.
MMS1001 – p.134/228
![Page 228: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/228.jpg)
Inferensi Statistik
Daerah penolakan (Daerah kritik): himpunan (daerah)harga-harga dimana H0 ditolak
Statistik Penguji: statistik atau variabel random yang digunakanuntuk menentukan apakah H0 ditolak atau tidak ditolak.Bila statistik penguji masuk dalam daerah penolakan makaH0 ditolak, sebaliknya jika tidak maka H0 tidak ditolak.
Contoh (lanjutan):Daerah penolakan:
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
▽MMS1001 – p.135/228
![Page 229: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/229.jpg)
Inferensi Statistik
Daerah penolakan (Daerah kritik): himpunan (daerah)harga-harga dimana H0 ditolak
Statistik Penguji: statistik atau variabel random yang digunakanuntuk menentukan apakah H0 ditolak atau tidak ditolak.Bila statistik penguji masuk dalam daerah penolakan makaH0 ditolak, sebaliknya jika tidak maka H0 tidak ditolak.
Contoh (lanjutan):Daerah penolakan: X ≥ 12
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
daerahpenolakan
▽MMS1001 – p.135/228
![Page 230: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/230.jpg)
Inferensi Statistik
Daerah penolakan (Daerah kritik): himpunan (daerah)harga-harga dimana H0 ditolak
Statistik Penguji: statistik atau variabel random yang digunakanuntuk menentukan apakah H0 ditolak atau tidak ditolak.Bila statistik penguji masuk dalam daerah penolakan makaH0 ditolak, sebaliknya jika tidak maka H0 tidak ditolak.
Contoh (lanjutan):Daerah penolakan: X ≥ 15
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
daerahpenolakan
MMS1001 – p.135/228
![Page 231: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/231.jpg)
Inferensi Statistik
P (Tipe I) = α untuk beberapa nilai p dengan menganggap H0
benar (p ≤ 0, 6) dan daerah penolakan X ≥ 12
p di bawah H0
P (Tipe I) = α 0,2 0,3 0,4 0,6P (X ≥ 12) 0,00 0,005 0,057 0,596
MMS1001 – p.136/228
![Page 232: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/232.jpg)
Inferensi Statistik
Harga peluang untuk p = 0, 6 untuk beberapa kriteria penolakan
X ≥ 12 X ≥ 14 X ≥ 16 X ≥ 18
Peluang 0,596 0,25 0,051 0,004
p-value: nilai α yang terkecil.
MMS1001 – p.137/228
![Page 233: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/233.jpg)
Inferensi Statistik
Tahap-tahap Uji Hipotesis Secara umum
1. Tentukan model probabilitas yang cocok dari data
2. Tentukan Hipotesis H0 dan H1
3. Tentukan Statistik Penguji, yang harus merupakan fungsidari data dan tidak memuat parameter yang tidak diketahui
4. Tentukan tingkat signifikansi
5. Tentukan daerah kritik berdasarkan tingkat signifikansi
6. Hitung Statistik Penguji, apakah masuk daerah kritik atautidak
7. Alternatif: Hitung p-value berdasarkan statistik penguji
8. Ambil kesimpulan berdasarkan 6 atau 7
MMS1001 – p.138/228
![Page 234: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/234.jpg)
Inferensi Statistik
Satu Populasi
Dua Populasi
k > 2 Populasi
Populasi sembarang
Populasi Normal
Populasi sembarang
Populasi Normal
Analisis Variansi (ANAVA)
µ
p
µ
σ2
µ21, µ2
2
p21, p2
2
µ21, µ2
2
σ21 , σ2
2
MMS1001 – p.139/228
![Page 235: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/235.jpg)
Inferensi Statistik Satu Populasi Sembarang
Estimasi interval mean (µ) suatu populasi
Teorema Limit PusatApabila sampel-sampel random diambil dari suatu populasi yangberdistribusi sembarang, yang mempunyai mean µ dan variansi σ2,maka untuk n besar, distribusi sampling untuk mean dapat dianggapmendekati Normal dengan µX = µ dan variansi σ2
X= σ2/n, sehingga
Z =X − µ
σ/√
n
mendekati Normal Standar.
MMS1001 – p.140/228
![Page 236: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/236.jpg)
Inferensi Statistik Satu Populasi Sembarang
Estimasi interval mean (µ) suatu populasi
X ∼ N(µ, σ2/√
n)µ
▽MMS1001 – p.141/228
![Page 237: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/237.jpg)
Inferensi Statistik Satu Populasi Sembarang
Estimasi interval mean (µ) suatu populasi
X ∼ N(µ, σ2/√
n)
1 − α
µ
▽MMS1001 – p.141/228
![Page 238: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/238.jpg)
Inferensi Statistik Satu Populasi Sembarang
Estimasi interval mean (µ) suatu populasi
X ∼ N(µ, σ2/√
n)
1 − α
µ
Z ∼ N(0, 1)
▽MMS1001 – p.141/228
![Page 239: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/239.jpg)
Inferensi Statistik Satu Populasi Sembarang
Estimasi interval mean (µ) suatu populasi
−Zα/2 Zα/2
α/2 α/2
X ∼ N(µ, σ2/√
n)
1 − α
µ
Z ∼ N(0, 1)
P (−Zα/2 ≤ Z ≤ Zα/2) ≈ 1 − α
▽MMS1001 – p.141/228
![Page 240: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/240.jpg)
Inferensi Statistik Satu Populasi Sembarang
Estimasi interval mean (µ) suatu populasi
−Zα/2 Zα/2
α/2 α/2
X ∼ N(µ, σ2/√
n)
1 − α
µ
Z ∼ N(0, 1)
P (−Zα/2 ≤ Z ≤ Zα/2) ≈ 1 − α
P (−Zα/2 ≤ X − µ
σ/√
n≤ Zα/2) ≈ 1 − α
▽MMS1001 – p.141/228
![Page 241: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/241.jpg)
Inferensi Statistik Satu Populasi Sembarang
Estimasi interval mean (µ) suatu populasi
−Zα/2 Zα/2
α/2 α/2
X ∼ N(µ, σ2/√
n)
1 − α
µ
Z ∼ N(0, 1)
P (−Zα/2 ≤ Z ≤ Zα/2) ≈ 1 − α
P (−Zα/2 ≤ X − µ
σ/√
n≤ Zα/2) ≈ 1 − α
P (X − Zα/2σ√n≤ µ ≤ X + Zα/2
σ√n
) ≈ 1 − α
MMS1001 – p.141/228
![Page 242: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/242.jpg)
Inferensi Statistik Satu Populasi Sembarang
Estimasi interval mean (µ) suatu populasi
−Zα/2 Zα/2
α/2 α/2
X ∼ N(µ, σ2/√
n)
1 − α
µ
Z ∼ N(0, 1)
Interval Konfidensi (1 − α)100% untuk mean µ
B ≤ µ ≤ A
B = X − Zα/2σ√n
A = X + Zα/2σ√n
MMS1001 – p.142/228
![Page 243: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/243.jpg)
Inferensi Statistik Satu Populasi Sembarang
Contoh:Suatu sampel random dengan 150 keluarga di suatu kotamenunjukkan penghasilan bulanan rata-rata Rp 325 000,00dengan deviasi standar Rp 25 000,00. Hitung interval konfidensi95% untuk rata-rata penghasilan bulanan seluruh keluarga dikota tersebut.
MMS1001 – p.143/228
![Page 244: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/244.jpg)
Inferensi Statistik Satu Populasi Sembarang
Contoh:Suatu sampel random dengan 150 keluarga di suatu kotamenunjukkan penghasilan bulanan rata-rata Rp 325 000,00dengan deviasi standar Rp 25 000,00. Hitung interval konfidensi95% untuk rata-rata penghasilan bulanan seluruh keluarga dikota tersebut.
Jawab:X : penghasilan bulanan di kota tersebutX = 325.000; s = 25.000; n = 150.Interval konfidensi 95% untuk rata-rata penghasilan bulanan (µ):B = X − Zα/2
σ√n
= 325.000 − 1,96 25√150
= 324.996
A = X + Zα/2σ√n
= 325.000 + 1,96 25√150
= 325.004
Interval konfidensi 95%: 324.996 ≤ µ ≤ 325.004
σ dapat diganti sMMS1001 – p.144/228
![Page 245: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/245.jpg)
Inferensi Statistik Satu Populasi Sembarang
Uji Hipotesis Mean (µ) Populasi
1. HipotesisA. H0 : µ = µ0 vs. H1 : µ 6= µ0
B. H0 : µ ≤ µ0 vs. H1 : µ > µ0
C. H0 : µ ≥ µ0 vs. H1 : µ < µ0
2. Tingkat signifikansi α
3. Statistik Penguji
Z =X − µ0
σ/√
n
atau
Z =X − µ0
s/√
n
jika σ tidak diketahui diganti s. Distribusi dari Z adalahNormal Standar.
MMS1001 – p.145/228
![Page 246: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/246.jpg)
Inferensi Statistik Satu Populasi Sembarang
Uji Hipotesis Mean (µ) Populasi
4. Daerah penolakan (berdasarkan α dan Hipotesis)
A. H0 ditolak apabila Z > Zα/2 atauZ < −Zα/2
B. H0 ditolak apabila Z > Zα
C. H0 ditolak apabila Z < −Zα
MMS1001 – p.146/228
![Page 247: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/247.jpg)
Inferensi Statistik Satu Populasi Sembarang
Contoh:Ujian standar intelegensia telah diadakan beberapa tahundengan nilai rata-rata 70 dengan deviasi standar 8. Sekelompokmahasiswa terdiri dari 100 orang mahasiswa, diberi pelajarandengan mengutamakan bidang Matematika. Apabila dari 100mahasiswa ini diperoleh hasil ujian dengan nilai rata-rata 75,apakah cukup alasan untuk mempecayai bahwa pengutamaanbidang Matematika menaikkan hasil ujian standar?
MMS1001 – p.147/228
![Page 248: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/248.jpg)
Inferensi Statistik Satu Populasi Sembarang
Estimasi interval proporsi (p) suatu populasiJika X ∼ Binomial(n, p), maka variabel random x
n mempunyai
mean p dan variansi p(1−p)n
Untuk n besar
Z =xn − p
√x
n(1− x
n)
n
mendekati Normal Standar (Teorema Limit Pusat)
MMS1001 – p.148/228
![Page 249: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/249.jpg)
Inferensi Statistik Satu Populasi Sembarang
Estimasi interval proporsi (p) suatu populasi
Interval Konfidensi (1 − α)100% untuk pB ≤ p ≤ A
B = p − Zα/2
√p(1−p)
n
A = p + Zα/2
√p(1−p)
n
dengan p = xn
MMS1001 – p.149/228
![Page 250: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/250.jpg)
Inferensi Statistik Satu Populasi Sembarang
Contoh:Jika 610 dari 900 sampel random petani di suatu daerah adalahburuh tani, hitunglah interval konfidensi 90% untuk proporsiburuh tani di daerah itu.
MMS1001 – p.150/228
![Page 251: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/251.jpg)
Inferensi Statistik Satu Populasi Sembarang
Uji Hipotesis proporsi (p) Populasi
1. HipotesisA. H0 : p = p0 vs. H1 : p 6= p0
B. H0 : p ≤ p0 vs. H1 : p > p0
C. H0 : p ≥ p0 vs. H1 : p < p0
2. Tingkat signifikansi α
3. Statistik Penguji
Z =p − p0
√p0(1−p0)
n
Distribusi dari Z adalah Normal Standar.
MMS1001 – p.151/228
![Page 252: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/252.jpg)
Inferensi Statistik Satu Populasi Sembarang
Uji Hipotesis proporsi (p) Populasi
4. Daerah penolakan (berdasarkan α dan Hipotesis)
A. H0 ditolak apabila Z > Zα/2 atauZ < −Zα/2
B. H0 ditolak apabila Z > Zα
C. H0 ditolak apabila Z < −Zα
MMS1001 – p.152/228
![Page 253: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/253.jpg)
Inferensi Statistik Satu Populasi Sembarang
Hubungan antara Interval Konfidensi dan Uji HipotesisInterval Konfidensi (1 − α)100% untuk mean µ
X − Zα/2σ√n≤ µ ≤ X + Zα/2
σ√n
Daerah penolakan dengan tingkat signifikansi α untukuji hipotesis H0 : µ = µ0 vs. H1 : µ 6= µ0
Z > Zα/2 atau Z < −Zα/2
Daerah penerimaan−Zα/2 ≤ Z ≤ Zα/2
MMS1001 – p.153/228
![Page 254: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/254.jpg)
Inferensi Statistik Satu Populasi Sembarang
Hubungan antara Interval Konfidensi dan Uji HipotesisInterval Konfidensi (1 − α)100% untuk mean µ
X − Zα/2σ√n≤ µ ≤ X + Zα/2
σ√n
Daerah penolakan dengan tingkat signifikansi α untukuji hipotesis H0 : µ = µ0 vs. H1 : µ 6= µ0
Z > Zα/2 atau Z < −Zα/2
Daerah penerimaan
−Zα/2 ≤ X−µ0
σ/√
n≤ Zα/2
MMS1001 – p.154/228
![Page 255: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/255.jpg)
Inferensi Statistik Satu Populasi Sembarang
Hubungan antara Interval Konfidensi dan Uji HipotesisInterval Konfidensi (1 − α)100% untuk mean µ
X − Zα/2σ√n≤ µ ≤ X + Zα/2
σ√n
Daerah penolakan dengan tingkat signifikansi α untukuji hipotesis H0 : µ = µ0 vs. H1 : µ 6= µ0
Z > Zα/2 atau Z < −Zα/2
Daerah penerimaanX − Zα/2
σ√n≤ µ0 ≤ X + Zα/2 σ
√
n
MMS1001 – p.155/228
![Page 256: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/256.jpg)
Inferensi Statistik Satu Populasi Sembarang
Ringkasan
Parameter Statistik Interval Konfidensi(1-α)100%
Hipotesisalternatif
Daerah Kritik
µ
mean Z =X − µ0
σ/√
n
Z ∼ N(0, 1)
B ≤ µ ≤ A
B = X − Zα/2σ√n
A = X + Zα/2σ√n
H1 : µ 6= µ0
H1 : µ > µ0
H1 : µ < µ0
Z > Zα/2 atauZ < −Zα/2
Z > Zα
Z < −Zα
p
proporsi Z =p − p0
√p0(1−p0)
n
Z ∼ N(0, 1)
B ≤ p ≤ A
B = p − Zα/2
√p(1−p)
n
A = p + Zα/2
√p(1−p)
n
H1 : p 6= p0
H1 : p > p0
H1 : p < p0
Z > Zα/2 atauZ < −Zα/2
Z > Zα
Z < −Zα
MMS1001 – p.156/228
![Page 257: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/257.jpg)
Inferensi Statistik Satu Populasi Normal
Data dianggap berdistribusi Normal
Ukuran sampel tidak harus besar
Jenis parameter:mean µ
variansi σ2
Distribusi SamplingNormalt
Chi-kuadrat (Chi-square)
MMS1001 – p.157/228
![Page 258: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/258.jpg)
Inferensi Statistik Satu Populasi Normal
Normal StandarJika X1, . . . , Xn adalah sampel random berasal dari populasiNormal dengan mean µ dan variansi σ2 maka variabel random
Z =X − µ
σ/√
n
berdistribusi Normal Standar N(0, 1)
MMS1001 – p.158/228
![Page 259: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/259.jpg)
Inferensi Statistik Satu Populasi Normal
Distribusi tJika X1, . . . , Xn adalah sampel random berasal dari populasiNormal dengan mean µ dan variansi σ2 maka variabel random
t =X − µ
s/√
n
berdistribusi t dengan derajad bebas n − 1.Untuk n yang semakin besar, distribusi t akan mendekatidistribusi Normal.
MMS1001 – p.159/228
![Page 260: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/260.jpg)
Inferensi Statistik Satu Populasi Normal
Distribusi Chi-kuadrat 2kDiketahui X1, . . . , Xk adalah variabel random yang berdistribusiNormal yang independen satu dengan yang lain. Distribusivariabel random
χ2 = X21 + . . . + X2
k
berdistribusi Chi-kuadrat berderajad bebas k dengan meanE(χ2) = k dan variansi Var(χ2) = 2k
MMS1001 – p.160/228
![Page 261: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/261.jpg)
Inferensi Statistik Satu Populasi Normal
Distribusi Chi-kuadrat n − 1Diketahui X1, . . . , Xn adalah variabel random yang berdistribusiNormal dengan mean µ dan variansi σ2 maka variabel random
χ2 =(n − 1)s2
σ2
berdistribusi Chi-kuadrat dengan derajad bebas n − 1
MMS1001 – p.161/228
![Page 262: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/262.jpg)
Inferensi Statistik Satu Populasi Normal
Distribusi Normal StandarApabila sampel random berukuran n diambil dari suatu populasiyang berdistribusi Normal dengan mean µ dan variansi σ2,maka variabel random
Z =s2 − σ2
σ2√
2n−1
berdistribusi N(0, 1) untuk n besar.
MMS1001 – p.162/228
![Page 263: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/263.jpg)
Inferensi Statistik Satu Populasi Normal
Parameter Statistik Interval Konfidensi(1-α)100%
Hipotesisalternatif
Daerah Kritik
µ
meanBila σ2 diketahui
Z =X − µ0
σ/√
n
Z ∼ N(0, 1)
B ≤ µ ≤ A
B = X − Zα/2σ√n
A = X + Zα/2σ√n
H1 : µ 6= µ0
H1 : µ > µ0
H1 : µ < µ0
Z > Zα/2 atauZ < −Zα/2
Z > Zα
Z < −Zα
Bila σ2 tidak diketahui
t =X − µ0
s/√
n
t ∼ distribusi t dgn.derajad bebas n − 1
B ≤ µ ≤ A
B = X− t(n−1,α/2)s√n
A = X + t(n−1,α/2)s√n
H1 : µ 6= µ0
H1 : µ > µ0
H1 : µ < µ0
t > t(n−1,α/2) ataut < −t(n−1,α/2)
t > t(n−1,α)
t < −t(n−1,α)
MMS1001 – p.163/228
![Page 264: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/264.jpg)
Inferensi Statistik Satu Populasi Normal
Parameter Statistik Interval Konfidensi(1-α)100%
Hipotesisalternatif
Daerah Kritik
σ2
variansi χ2 =(n − 1)s2
σ2
χ2 ∼ chi-square dgn.derajad bebask = n − 1
B ≤ σ2 ≤ A
B =(n−1)s2
χ2(n−1,α/2)
A =(n−1)s2
χ2(n−1,1−α/2)
H1 : σ2 6= σ20
H1 : σ2 > σ20
H1 : σ2 < σ20
χ2 > χ2(k,α/2)
atau
χ2 < χ2(k,1−α/2)
χ2 > χ2(k,α)
χ2 < χ2(k,1−α)
Untuk n besar,
Z =s2 − σ2
σ2√
2n−1
Z ∼ N(0, 1)
B ≤ σ2 ≤ A
B = s2
1+Zα/2
√2
n−1
A = s2
1−Zα/2
√2
n−1
H1 : σ2 6= σ20
H1 : σ2 > σ20
H1 : σ2 < σ20
Z > Zα/2 atauZ < −Zα/2
Z > Zα
Z < −Zα
MMS1001 – p.164/228
![Page 265: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/265.jpg)
Inferensi Statistik Dua Populasi Sembarang
Distribusi sampling selisih dua meanMisalkan X11, X12, . . . , X1n1
dan X21, X22, . . . , X2n2adalah dua
sampel random independen satu sama lain yang diambil daripopulasi yang mempunyai mean µ1 dan µ2 serta variansi σ2
1 danσ2
2, maka untuk n1 dan n2 besar, variabel random
Z =(X1 − X2) − (µ1 − µ2)
√σ2
1
n1+ σ2
2
n2
berdistribusi Normal Standar, dengan
X1 =
n1∑
i=1
X1i
n1X2 =
n2∑
i=1
X2i
n2
MMS1001 – p.165/228
![Page 266: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/266.jpg)
Inferensi Statistik Dua Populasi Sembarang
Distribusi sampling selisih dua mean
Jika σ21 dan σ2
2 tidak diketahui, dan diasumsikan σ21 6= σ2
2
Z =(X1 − X2) − (µ1 − µ2)
√s21
n1+ s2
2
n2
berdistribusi Normal Standar dengan s21 dan s2
2 adalah variansisampel
MMS1001 – p.166/228
![Page 267: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/267.jpg)
Inferensi Statistik Dua Populasi Sembarang
Distribusi sampling selisih dua mean
Jika σ21 dan σ2
2 tidak diketahui, dan diasumsikan σ21 = σ2
2
Z =(X1 − X2) − (µ1 − µ2)
√
s2p(
1n1
+ 1n2
)
berdistribusi Normal Standar dengan
s2p =
(n1 − 1)S21 + (n2 − 1)S2
2
n1 + n2 − 2
yang disebut sebagai pooled variance
MMS1001 – p.167/228
![Page 268: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/268.jpg)
Inferensi Statistik Dua Populasi Sembarang
Distribusi sampling selisih dua proporsiMisalkan X11, X12, . . . , X1n1
dan X21, X22, . . . , X2n2adalah dua
sampel random independen satu sama lain yang diambil daripopulasi yang berdistribusi binomial. Untuk n1 dan n2 besar,variabel random
Z =(X1
n1− X2
n2) − (p1 − p2)
√X1n1
(1−X1n1
)
n1+
X2n2
(1−X2n2
)
n2
berdistribusi Normal Standar.
MMS1001 – p.168/228
![Page 269: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/269.jpg)
Inferensi Statistik Dua Populasi Sembarang
Parameter Statistik Interval Konfidensi(1-α)100%
Hipotesisalternatif
Daerah Kritik
µ1 − µ2
selisih duamean
σ21 dan σ2
2 diketahui
Z=(X1−X2)−(µ1−µ2)
√
σ21
n1+
σ22
n2
Z∼N(0,1)
B ≤ µ1 − µ2 ≤ A
B=(X1−X2)−
Z α2
√
σ21
n1+
σ22
n2
A=(X1−X2)+
Z α2
√
σ21
n1+
σ22
n2
H1:µ1−µ2 6=µ0
H1:µ1−µ2>µ0
H1:µ1−µ2<µ0
Z>Zα/2 atau
Z<−Zα/2
Z>Zα
Z<−Zα
σ21 dan σ2
2 tdk diketahui,σ21 6= σ2
2
Z=(X1−X2)−(µ1−µ2)
√
s21n1
+s22n2
Z∼N(0,1)
B ≤ µ1 − µ2 ≤ A
B=(X1−X2)−
Z α2
√
s21n1
+s22n2
A=(X1−X2)+
Z α2
√
s21n1
+s22n2
H1:µ1−µ2 6=µ0
H1:µ1−µ2>µ0
H1:µ1−µ2<µ0
Z>Zα/2 atau
Z<−Zα/2
Z>Zα
Z<−Zα
MMS1001 – p.169/228
![Page 270: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/270.jpg)
Inferensi Statistik Dua Populasi Sembarang
Parameter Statistik Interval Konfidensi(1-α)100%
Hipotesisalternatif
DaerahKritik
σ21 dan σ2
2 tdk diketahui,σ21 = σ2
2
Z=(X1−X2)−(µ1−µ2)
√
s2p( 1n1
+ 1n2
)
Z∼N(0,1)
s2p=
(n1−1)S21+(n2−1)S2
2n1+n2−2
B ≤ µ1 − µ2 ≤ A
B=(X1−X2)−
Z α2
√
S2p( 1
n1+ 1
n2)
A=(X1−X2)+
Z α2
√
S2p( 1
n1+ 1
n2)
H1:µ1−µ2 6=µ0
H1:µ1−µ2>µ0
H1:µ1−µ2<µ0
Z>Z α2
atau
Z<−Z α2
Z>Zα
Z<−Zα
p1 − p2
Selisih duaproporsi
Z=
(p1−p2)−(p1−p2)√
p1(1−p1)n1
+p2(1−p2)
n2Z∼N(0,1)
p1=X1n1
; p2=X2n2
B ≤ p1 − p2 ≤ A
B=(p1−p2)−
Z α2
√
p1(1−p1)n1
+p2(1−p2)
n2
A=(p1−p2)+
Z α2
√
p1(1−p1)n1
+p2(1−p2)
n2
H1:p1−p2 6=p0
H1:p1−p2>p0
H1:p1−p2<p0
Z>Z α2
atau
Z<−Z α2
Z>Zα
Z<−Zα
MMS1001 – p.170/228
![Page 271: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/271.jpg)
Inferensi Statistik Dua Populasi Normal
Distribusi sampling selisih dua meanMisalkan X11, X12, . . . , X1n1
dan X21, X22, . . . , X2n2adalah dua
sampel random independen satu sama lain yang berdistribusiNormal dengan mean µ1 dan µ2 serta variansi σ2
1 dan σ22, maka
variabel random
Z =(X1 − X2) − (µ1 − µ2)
√σ2
1
n1+ σ2
2
n2
berdistribusi Normal Standar, dengan
X1 =
n1∑
i=1
X1i
n1X2 =
n2∑
i=1
X2i
n2
MMS1001 – p.171/228
![Page 272: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/272.jpg)
Inferensi Statistik Dua Populasi Normal
Distribusi sampling selisih dua mean
Jika σ21 dan σ2
2 tidak diketahui, dan diasumsikan σ21 6= σ2
2
t =(X1 − X2) − (µ1 − µ2)
√s21
n1+ s2
2
n2
berdistribusi t dengan derajad bebas
k =(s2
1/n1 + s22/n2)
2
(s21/n1)2
n1+1 + (s22/n2)2
n2+1
− 2, atau k =(s2
1/n1 + s22/n2)
2
(s21/n1)2
n1−1 + (s22/n2)2
n2−1
dengan s21 dan s2
2 adalah variansi sampel
MMS1001 – p.172/228
![Page 273: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/273.jpg)
Inferensi Statistik Dua Populasi Normal
Distribusi sampling selisih dua mean
Jika σ21 dan σ2
2 tidak diketahui, dan diasumsikan σ21 = σ2
2
t =(X1 − X2) − (µ1 − µ2)
√
s2p(
1n1
+ 1n2
)
berdistribusi t dengan derajad bebas n1 + n2 − 2 dan
s2p =
(n1 − 1)S21 + (n2 − 1)S2
2
n1 + n2 − 2
yang disebut sebagai pooled variance
MMS1001 – p.173/228
![Page 274: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/274.jpg)
Inferensi Statistik Dua Populasi Normal
Distribusi sampling Perbandingan dua variansiMisalkan X11, X12, . . . , X1n1
dan X21, X22, . . . , X2n2adalah dua
sampel random independen satu sama lain yang berdistribusiNormal dengan mean µ1 dan µ2 serta variansi σ2
1 dan σ22, maka
variabel random
F =s21/σ2
1
s22/σ2
2
berdistribusi F dengan derajad bebas pembilang n1 − 1, derajadbebas penyebut n2 − 1
MMS1001 – p.174/228
![Page 275: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/275.jpg)
Inferensi Statistik Dua Populasi Normal
Parameter Statistik Interval Konfidensi(1-α)100%
Hipotesisalternatif
DaerahKritik
µ1 − µ2
Selisih duamean
σ21 dan σ2
2 diketahuiZ=
(X1−X2)−(µ1−µ2)√
σ21
n1+
σ22
n2
Z∼N(0,1)
B ≤ µ1 − µ2 ≤ A
B=(X1−X2)−Z α2
√
σ21
n1+
σ22
n2
A=(X1−X2)+Z α2
√
σ21
n1+
σ22
n2
H1:µ1−µ2 6=µ0
H1:µ1−µ2>µ0
H1:µ1−µ2<µ0
Z>Z α2
atau
Z<−Z α2
Z>Zα
Z<−Zα
σ21 dan σ2
2 tdk diketahuidan σ2
1 6= σ22
t=(X1−X2)−(µ1−µ2)
√
s21n1
+s22n2
t∼tk dgn
k=(s21/n1+s22/n2)2
(s21/n1)2
n1+1+
(s22/n2)2
n2+1
−2
atau
k=(s21/n1+s22/n2)2
(s21/n1)2
n1−1+
(s22/n2)2
n2−1
B ≤ µ1 − µ2 ≤ A
B=(X1−X2)−t α2
,k
√
s21n1
+s22n2
A=(X1−X2)+t α2
,k
√
s21n1
+s22n2
H1:µ1−µ2 6=µ0
H1:µ1−µ2>µ0
H1:µ1−µ2<µ0
t>t α2
,k atau
t<−t α2
,k
t>tα,k
t<−tα,k
MMS1001 – p.175/228
![Page 276: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/276.jpg)
Inferensi Statistik Dua Populasi Normal
Parameter Statistik Interval Konfidensi(1-α)100%
Hipotesisalternatif
DaerahKritik
σ21 dan σ2
2 tdk diketahuidan σ2
1 = σ22
t=(X1−X2)−(µ1−µ2)
√
S2p( 1
n1+ 1
n2)
t∼tk dgn. k=n1+n2−2
S2p=
(n1−1)S21+(n2−1)S2
2n1+n2−2
B ≤ µ1 − µ2 ≤ A
B=(X1−X2)−
t α2
,k
√
S2p( 1
n1+ 1
n2)
A=(X1−X2)+
t α2
,k
√
S2p( 1
n1+ 1
n2)
H1:µ1−µ2 6=µ0
H1:µ1−µ2>µ0
H1:µ1−µ2<µ0
t>t α2
,k atau
t<−t α2
,k
t>tα,k
t<−tα,k
σ21 / σ2
2
Perban-dingan duavariansi
F = s21/s2
2
denganF∼F α
2,k1,k2
k1 = n1 − 1, k2 = n2 − 1
B ≤ σ21/σ2
2 ≤ A
B =s21/s2
2F(k1,k2, α
2)
A =s21
s22F(k1,k2, α
2)
catatan:F (1− α
2,k1,k2)=
1/F ( α2
,k2,k1)
H1:σ1 6=σ2
H1:σ1>σ2
H1:σ1<σ2
F>F α2
,k1,k2atau
F<1/F α2
,k2,k1
F>Fα,k1,k2
F<1/Fα,k2,k1
MMS1001 – p.176/228
![Page 277: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/277.jpg)
Inferensi Statistik Dua Populasi Normal
Parameter Statistik Interval Kon-fidensi(1-α)100%
Hipotesisalternatif
DaerahKritik
µd
meanselisihdata ber-pasangan
t = D−µDsD/
√n
dengan t ∼ distribusi t
dgn derajad bebask = n − 1
B ≤ µ ≤ A
B = X −t(n−1,α/2)
s√n
A = X +
t(n−1,α/2)s√n
H1:µD 6=µ0
H1:µD>µ0
H1:µD<µ0
t>t(n−1,α/2) atau
t<−t(n−1,α/2)
t>t(n−1,α)
t<−t(n−1,α)
MMS1001 – p.177/228
![Page 278: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/278.jpg)
Analisis Variansi Satu Arah
Perluasan dari uji mean dua populasi Normal(data berasal dari populasi Normal)
Ada k mean populasi yang dibandingkan
Berdasarkan pada pemecahan variansi
MMS1001 – p.178/228
![Page 279: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/279.jpg)
Analisis Variansi Satu Arah
Inferensi mean populasi Normal
µ
Uji mean satu populasiH0 : µ = µ0
▽MMS1001 – p.179/228
![Page 280: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/280.jpg)
Analisis Variansi Satu Arah
Inferensi mean populasi Normal
µ1 µ2
Uji mean satu populasiH0 : µ = µ0
Uji mean dua populasiH0 : µ1 = µ2
▽MMS1001 – p.179/228
![Page 281: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/281.jpg)
Analisis Variansi Satu Arah
Inferensi mean populasi Normal
µ1 µ2 µ3
Uji mean satu populasiH0 : µ = µ0
Uji mean dua populasiH0 : µ1 = µ2
Uji mean k populasiH0 : µ1 = µ2 = µ3
MMS1001 – p.179/228
![Page 282: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/282.jpg)
Analisis Variansi Satu Arah
Uji HipotesisH0 : µ1 = µ2 = . . . = µk
H1 : minimal ada dua mean yang tidak sama
Statistik Penguji
F =MSTMSE
dimana F ∼ F(k−1,n−k)
MST: mean square treatment (kuadrat rata-rata perlakuan)MSE: mean square error (kuadrat rata-rata sesatan)yang diperoleh dari Tabel Anava (Analisis Variansi)
Daerah KritisH0 ditolak jika F > F(k−1,n−k)
MMS1001 – p.180/228
![Page 283: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/283.jpg)
Analisis Variansi Satu Arah
Tabel Anava
Sumber Variansi derajadbebas
Jumlah Kuadrat (SS) Rata-rataJumlah Kuadrat(MS)
rasio F
Perlakuan k − 1 SST=∑k
i=1 ni(Xi − X)2 MST = SSTk−1
F = MSTMSE
Sesatan N − k SSE=∑k
i=1(ni − 1)S2i MSE = SSE
N−k
Xi = 1ni
∑ni
j=1 xij
S2i = 1
ni−1
∑ni
j=1(Xij − Xi)2
X = 1N
∑ki=1
∑ni
j=1 xij , N =∑
ni
MMS1001 – p.181/228
![Page 284: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/284.jpg)
Analisis Variansi Satu Arah
Contoh:Dipunyai empat varitas padi yang akan kita uji produktivitasnya. Duapuluh empat petak tanah yang kira-kira mempunyai kesuburan yangsama dipilih. Kemudian 24 petak itu dibagi secara random menjadiempat kelompok, masing-masing 6 petak yang selanjutnya tiapkelompok ditanami satu varitas padi. Apakah rata-rata produktivitas 4varitas padi tersebut sama?
varitasA B C D24 13 21 2713 21 13 3018 11 26 2424 23 23 2916 28 16 2623 18 12 34
MMS1001 – p.182/228
![Page 285: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/285.jpg)
Analisis Variansi Satu Arah
varitasA B C D24 13 21 2713 21 13 3018 11 26 2424 23 23 2916 28 16 2623 18 12 34
▽MMS1001 – p.183/228
![Page 286: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/286.jpg)
Analisis Variansi Satu Arah
varitasA B C D24 13 21 2713 21 13 3018 11 26 2424 23 23 2916 28 16 2623 18 12 34
ni 6 6 6 6Xi 19,67 19,00 18,50 28,33S2
i 21,87 40,40 32,30 12,27
▽MMS1001 – p.183/228
![Page 287: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/287.jpg)
Analisis Variansi Satu Arah
varitasA B C D24 13 21 2713 21 13 3018 11 26 2424 23 23 2916 28 16 2623 18 12 34
ni 6 6 6 6Xi 19,67 19,00 18,50 28,33S2
i 21,87 40,40 32,30 12,27
X = 1N
∑k
i=1
∑ni
j=1 xij = 51324 = 21, 38
▽MMS1001 – p.183/228
![Page 288: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/288.jpg)
Analisis Variansi Satu Arah
varitasA B C D24 13 21 2713 21 13 3018 11 26 2424 23 23 2916 28 16 2623 18 12 34
ni 6 6 6 6Xi 19,67 19,00 18,50 28,33S2
i 21,87 40,40 32,30 12,27
X = 1N
∑k
i=1
∑ni
j=1 xij = 51324 = 21, 38
SST=∑k
i=1 ni(Xi − X)2
= 6(19,67−21,38)2+6(19,00−21,38)2+6(18,50−21,38)2+6(28,33−21,38)2
▽MMS1001 – p.183/228
![Page 289: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/289.jpg)
Analisis Variansi Satu Arah
varitasA B C D24 13 21 2713 21 13 3018 11 26 2424 23 23 2916 28 16 2623 18 12 34
ni 6 6 6 6Xi 19,67 19,00 18,50 28,33S2
i 21,87 40,40 32,30 12,27
X = 1N
∑k
i=1
∑ni
j=1 xij = 51324 = 21, 38
SST=∑k
i=1 ni(Xi − X)2
= 391, 46
▽MMS1001 – p.183/228
![Page 290: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/290.jpg)
Analisis Variansi Satu Arah
varitasA B C D24 13 21 2713 21 13 3018 11 26 2424 23 23 2916 28 16 2623 18 12 34
ni 6 6 6 6Xi 19,67 19,00 18,50 28,33S2
i 21,87 40,40 32,30 12,27
X = 1N
∑k
i=1
∑ni
j=1 xij = 51324 = 21, 38
SST=∑k
i=1 ni(Xi − X)2
= 391, 46
SSE=∑k
i=1(ni − 1)S2i
=(6−1)21,87+(6−1)40,40+(6−1)32,30+(6−1)12,27
▽MMS1001 – p.183/228
![Page 291: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/291.jpg)
Analisis Variansi Satu Arah
varitasA B C D24 13 21 2713 21 13 3018 11 26 2424 23 23 2916 28 16 2623 18 12 34
ni 6 6 6 6Xi 19,67 19,00 18,50 28,33S2
i 21,87 40,40 32,30 12,27
X = 1N
∑k
i=1
∑ni
j=1 xij = 51324 = 21, 38
SST=∑k
i=1 ni(Xi − X)2
= 391, 46
SSE=∑k
i=1(ni − 1)S2i
= 534, 17
MMS1001 – p.183/228
![Page 292: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/292.jpg)
Analisis Variansi Satu Arah
Tabel Anava Hasil 4 Varitas Padi
Sumber Variansi derajadbebas
Jumlah Kuadrat (SS) Rata-rataJumlah Kuadrat
(MS)
rasio F
Perlakuan k − 1 SST=∑k
i=1 ni(Xi − X)2 MST = SSTk−1
F = MSTMSE
Sesatan N − k SSE=∑k
i=1(ni − 1)S2i MSE = SSE
N−k
▽MMS1001 – p.184/228
![Page 293: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/293.jpg)
Analisis Variansi Satu Arah
Tabel Anava Hasil 4 Varitas Padi
Sumber Variansi derajadbebas
Jumlah Kuadrat (SS) Rata-rataJumlah Kuadrat
(MS)
rasio F
Varitas 3 SST= 391, 46 MST = SSTk−1
F = MSTMSE
Sesatan 20 SSE= 534, 17 MSE = SSEN−k
▽MMS1001 – p.184/228
![Page 294: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/294.jpg)
Analisis Variansi Satu Arah
Tabel Anava Hasil 4 Varitas Padi
Sumber Variansi derajadbebas
Jumlah Kuadrat (SS) Rata-rataJumlah Kuadrat
(MS)
rasio F
Varitas 3 SST= 391, 46 MST = 391,463
F = MSTMSE
Sesatan 20 SSE= 534, 17 MSE = 434,1720
▽MMS1001 – p.184/228
![Page 295: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/295.jpg)
Analisis Variansi Satu Arah
Tabel Anava Hasil 4 Varitas Padi
Sumber Variansi derajadbebas
Jumlah Kuadrat (SS) Rata-rataJumlah Kuadrat
(MS)
rasio F
Varitas 3 SST= 391, 46 MST = 130, 49 130,4926,71
Sesatan 20 SSE= 534, 17 MSE = 26, 71
▽MMS1001 – p.184/228
![Page 296: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/296.jpg)
Analisis Variansi Satu Arah
Tabel Anava Hasil 4 Varitas Padi
Sumber Variansi derajadbebas
Jumlah Kuadrat (SS) Rata-rataJumlah Kuadrat
(MS)
rasio F
Varitas 3 SST= 391, 46 MST = 130, 49 4, 8856
Sesatan 20 SSE= 534, 17 MSE = 26, 71
▽MMS1001 – p.184/228
![Page 297: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/297.jpg)
Analisis Variansi Satu Arah
Tabel Anava Hasil 4 Varitas Padi
Sumber Variansi derajadbebas
Jumlah Kuadrat (SS) Rata-rataJumlah Kuadrat
(MS)
rasio F
Varitas 3 SST= 391, 46 MST = 130, 49 4, 8856
Sesatan 20 SSE= 534, 17 MSE = 26, 71
Statistik PengujiF = 4, 8856
Daerah Kritik (α = 0, 05)H0 ditolak jika F > F(3,20) = 3, 10
▽MMS1001 – p.184/228
![Page 298: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/298.jpg)
Analisis Variansi Satu Arah
Tabel Anava Hasil 4 Varitas Padi
Sumber Variansi derajadbebas
Jumlah Kuadrat (SS) Rata-rataJumlah Kuadrat
(MS)
rasio F
Varitas 3 SST= 391, 46 MST = 130, 49 4, 8856
Sesatan 20 SSE= 534, 17 MSE = 26, 71
Statistik PengujiF = 4, 8856
Daerah Kritik (α = 0, 05)H0 ditolak jika F > F(3,20) = 3, 10
KesimpulanF = 4, 8856 > 3, 10 ⇒ H0 ditolak,paling tidak ada dua mean yangtidak sama
MMS1001 – p.184/228
![Page 299: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/299.jpg)
Analisis Variansi Satu Arah
Pembandingan Ganda (Multiple Comparisons)Merupakan analisis lanjutan bila H0 ditolak dalam Anava.Metode:
Tukey
Scheffé
Bonferroni
Newman - Keuls
MMS1001 – p.185/228
![Page 300: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/300.jpg)
Analisis Variansi Satu Arah
Metode Scheffé
Mempunyai asumsi sama seperti Anava
Menggunakan tabel F
HipotesisH0 : µi = µj
H1 : µi 6= µj
untuk i 6= j dan i, j = 1, 2, . . . , k
Daerah Kritik (Keputusan )
H0 ditolak, jika | Xi − Xj |>√
(k − 1)S2Fα,k−1,N−k
(1ni
+ 1nj
)
(S2 = MSE dalam Anava satu arah)
MMS1001 – p.186/228
![Page 301: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/301.jpg)
Analisis Variansi Satu Arah
ContohPembandingan ganda untuk varitas padi contoh di muka.Diketahui (dari hitungan di muka):
varitasA B C D
ni 6 6 6 6Xi 19,67 19,00 18,50 28,33
MSE = 26, 71
▽MMS1001 – p.187/228
![Page 302: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/302.jpg)
Analisis Variansi Satu Arah
ContohPembandingan ganda untuk varitas padi contoh di muka.Diketahui (dari hitungan di muka):
varitasA B C D
ni 6 6 6 6Xi 19,67 19,00 18,50 28,33
MSE = 26, 71
Pembandingan ganda Scheffé:
Pembandingan | Xi − Xj |√
(k − 1)MSEFα,k−1,N−k
(1
ni+ 1
nj
)
Kesimpulan
µA vs. µB
µA vs. µC
µA vs. µD
µB vs. µC
µB vs. µD
µC vs. µD
▽MMS1001 – p.187/228
![Page 303: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/303.jpg)
Analisis Variansi Satu Arah
ContohPembandingan ganda untuk varitas padi contoh di muka.Diketahui (dari hitungan di muka):
varitasA B C D
ni 6 6 6 6Xi 19,67 19,00 18,50 28,33
MSE = 26, 71
Pembandingan ganda Scheffé:
Pembandingan | Xi − Xj |√
3(26, 71)(3, 10)(
1ni
+ 1nj
)
Kesimpulan
µA vs. µB
µA vs. µC
µA vs. µD
µB vs. µC
µB vs. µD
µC vs. µD
▽MMS1001 – p.187/228
![Page 304: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/304.jpg)
Analisis Variansi Satu Arah
ContohPembandingan ganda untuk varitas padi contoh di muka.Diketahui (dari hitungan di muka):
varitasA B C D
ni 6 6 6 6Xi 19,67 19,00 18,50 28,33
MSE = 26, 71
Pembandingan ganda Scheffé:
Pembandingan | Xi − Xj |√
248, 403(
1ni
+ 1nj
)
Kesimpulan
µA vs. µB 0,67µA vs. µC 1,17µA vs. µD 8,66µB vs. µC 0,50µB vs. µD 9,33µC vs. µD 9,83
▽MMS1001 – p.187/228
![Page 305: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/305.jpg)
Analisis Variansi Satu Arah
ContohPembandingan ganda untuk varitas padi contoh di muka.Diketahui (dari hitungan di muka):
varitasA B C D
ni 6 6 6 6Xi 19,67 19,00 18,50 28,33
MSE = 26, 71
Pembandingan ganda Scheffé:
Pembandingan | Xi − Xj |√
248, 403(
1ni
+ 1nj
)
Kesimpulan
µA vs. µB 0,67√
248, 403(
16
+ 16
)
µA vs. µC 1,17µA vs. µD 8,66µB vs. µC 0,50µB vs. µD 9,33µC vs. µD 9,83
▽MMS1001 – p.187/228
![Page 306: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/306.jpg)
Analisis Variansi Satu Arah
ContohPembandingan ganda untuk varitas padi contoh di muka.Diketahui (dari hitungan di muka):
varitasA B C D
ni 6 6 6 6Xi 19,67 19,00 18,50 28,33
MSE = 26, 71
Pembandingan ganda Scheffé:
Pembandingan | Xi − Xj |√
248, 403(
1ni
+ 1nj
)
Kesimpulan
µA vs. µB 0,67 9,1µA vs. µC 1,17 9,1µA vs. µD 8,66 9,1µB vs. µC 0,50 9,1µB vs. µD 9,33 9,1µC vs. µD 9,83 9,1
▽MMS1001 – p.187/228
![Page 307: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/307.jpg)
Analisis Variansi Satu Arah
ContohPembandingan ganda untuk varitas padi contoh di muka.Diketahui (dari hitungan di muka):
varitasA B C D
ni 6 6 6 6Xi 19,67 19,00 18,50 28,33
MSE = 26, 71
Pembandingan ganda Scheffé:
Pembandingan | Xi − Xj |√
248, 403(
1ni
+ 1nj
)
Kesimpulan
µA vs. µB 0,67 9,1 H0 diterimaµA vs. µC 1,17 9,1 H0 diterimaµA vs. µD 8,66 9,1 H0 diterimaµB vs. µC 0,50 9,1 H0 diterimaµB vs. µD 9,33 9,1 H0 ditolakµC vs. µD 9,83 9,1 H0 ditolak
MMS1001 – p.187/228
![Page 308: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/308.jpg)
Regresi Linear Sederhana
Analisis Regresi digunakan untuk menyelidiki hubungan antaravariabel dependen (respon) Y dengan variabel independen(variabel penjelas, prediktor) X.
Hubungan antara Y dan X:
fungsional
statistik
MMS1001 – p.188/228
![Page 309: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/309.jpg)
Regresi Linear Sederhana
Contoh Hubungan Fungsional
Y = 1 +1
2X
0 1 2 3 4 5 6 70
1
2
3
MMS1001 – p.189/228
![Page 310: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/310.jpg)
Regresi Linear Sederhana
Contoh Hubungan Fungsional
Y = (X − 3)2
0 1 2 3 4 5 6 70
1
2
3
MMS1001 – p.190/228
![Page 311: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/311.jpg)
Regresi Linear Sederhana
Contoh Hubungan Statistik
0 1 2 3 4 5 6 70
1
2
3
b
b
b
b
b
b
▽MMS1001 – p.191/228
![Page 312: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/312.jpg)
Regresi Linear Sederhana
Contoh Hubungan Statistik
Y = 1 +1
2X
0 1 2 3 4 5 6 70
1
2
3
b
b
b
b
b
b
MMS1001 – p.191/228
![Page 313: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/313.jpg)
Regresi Linear Sederhana
ContohDipunyai data umur dan tinggi dari sampel 8 buah pohon jenis tertentusbb.:
umur (tahun): 1 2 3 4 5 6 7 8tinggi (meter): 1,10 1,13 2,38 2,32 3,14 4,27 4,45 5,52
▽MMS1001 – p.192/228
![Page 314: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/314.jpg)
Regresi Linear Sederhana
ContohDipunyai data umur dan tinggi dari sampel 8 buah pohon jenis tertentusbb.:
umur (tahun): 1 2 3 4 5 6 7 8tinggi (meter): 1,10 1,13 2,38 2,32 3,14 4,27 4,45 5,52
0 1 2 3 4 5 6 7 8
0
1
2
3
4
5
6
umur (tahun)
tingg
i(m
eter
)
b b
b b
b
bb
b
▽MMS1001 – p.192/228
![Page 315: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/315.jpg)
Regresi Linear Sederhana
ContohAkan dicari garis linear y = a + bx yang paling "mewakili"hubungan antara x (umur) dan y (tinggi)
0 1 2 3 4 5 6 7 8
0
1
2
3
4
5
6
umur (tahun)
tingg
i(m
eter
)
b b
b b
b
bb
b
MMS1001 – p.192/228
![Page 316: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/316.jpg)
Regresi Linear Sederhana
Estimasi (Penduga) garis regresi
y = a + bx
Menggunakan Metode Kuadrat Terkecil (MKT)Prinsip MKT: Dicari nilai a dan b yang meminimalkan jumlahkuadrat residu (JKR), JKR =
∑ni=1(yi − yi)
2
MMS1001 – p.193/228
![Page 317: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/317.jpg)
Regresi Linear Sederhana
ContohData umur dan tinggi pohon
0 1 2 3 4 5 6 7 8
0
1
2
3
4
5
6
umur (tahun)
tingg
i(m
eter
)
b b
b b
b
bb
b
▽MMS1001 – p.194/228
![Page 318: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/318.jpg)
Regresi Linear Sederhana
ContohData umur dan tinggi pohon
0 1 2 3 4 5 6 7 8
0
1
2
3
4
5
6
umur (tahun)
tingg
i(m
eter
)
b b
b b
b
bb
b
▽MMS1001 – p.194/228
![Page 319: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/319.jpg)
Regresi Linear Sederhana
ContohData umur dan tinggi pohon
0 1 2 3 4 5 6 7 8
0
1
2
3
4
5
6
umur (tahun)
tingg
i(m
eter
)
b b
b b
b
bb
b
MMS1001 – p.194/228
![Page 320: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/320.jpg)
Regresi Linear Sederhana
ContohData umur dan tinggi pohon
2 3 4
1
2
3
bb
▽MMS1001 – p.195/228
![Page 321: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/321.jpg)
Regresi Linear Sederhana
ContohData umur dan tinggi pohon
2 3 4
1
2
3
bb
y
y
y − y
︸︷︷︸
MMS1001 – p.195/228
![Page 322: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/322.jpg)
Regresi Linear Sederhana
Persamaan normalPenyelesaian yang diperoleh dari MKT:
n∑
i=1
yi = na + b
n∑
i=1
xi
n∑
i=1
xiyi = an∑
i=1
xi + bn∑
i=1
x2i
MMS1001 – p.196/228
![Page 323: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/323.jpg)
Regresi Linear Sederhana
Persamaan normalPenyelesaian yang diperoleh dari MKT:
a =
∑yi
∑x2
i −∑
xi∑
xiyi
n∑
x2i − (
∑xi)2
b =n
∑xiyi −
∑xi
∑yi
n∑
x2i − (
∑xi)2
Jika b dihitung terlebih dahulu, a bisa dihitung dengan
a =
∑yi − b
∑xi
n= y − bx
MMS1001 – p.197/228
![Page 324: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/324.jpg)
Regresi Linear Sederhana
Persamaan normalPenyelesaian yang diperoleh dari MKT:
a =(24, 31)(204) − (36)(136, 41)
8(204) − (36)2= 0, 1443
b =8(136, 41) − (36)(24, 31)
8(204) − (36)2= 0, 6432
Jika b = 0, 6432 dihitung terlebih dahulu, a bisa dihitung dengan
a =24, 31 − (0, 6432)(36)
8= 0, 1443
MMS1001 – p.198/228
![Page 325: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/325.jpg)
Regresi Linear Sederhana
ContohData umur dan tinggi pohon: y = 0, 1443 + 0, 6432x
0 1 2 3 4 5 6 7 8
0
1
2
3
4
5
6
umur (tahun)
tingg
i(m
eter
)
b b
b b
b
bb
b
MMS1001 – p.199/228
![Page 326: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/326.jpg)
Regresi Linear Sederhana
KorelasiKoefisien korelasi antara Y dan X adalah
ρ =Kov(X, Y )
√
Var(X)Var(Y ), −1 ≤ ρ ≤ 1
dimana Y dan X dianggap variabel random berdistribusibersama tertentu (lihat kembali bagian Probabilitas di muka)
MMS1001 – p.200/228
![Page 327: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/327.jpg)
Regresi Linear Sederhana
Korelasiρ menunjukkan tingkat hubungan linear antara kedua variabel.Estimasi titik untuk ρ adalah
r =
∑(xi − x)(yi − y)
√∑(xi − x)2(yi − y)2
=n
∑xy − ∑
x∑
y√
n∑
x2 − (∑
x)2√
n∑
y2 − (∑
y)2
MMS1001 – p.201/228
![Page 328: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/328.jpg)
Regresi Linear Sederhana
Contoh KorelasiData umur dan tinggi pohon:
r =n
∑xy − ∑
x∑
y√
n∑
x2 − (∑
x)2√
n∑
y2 − (∑
y)2
=8(136, 41) − (36)(24, 31)
√
8(204) − (36)2√
8(91, 8991) − (24, 31)2
= 0.982
MMS1001 – p.202/228
![Page 329: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/329.jpg)
Regresi Linear Sederhana
Koefisien Determinasi r2
Digunakan untuk mengukur keeratan hubungan linear antara xdan y dalam regresi linear
r2 = 100
(SSRSST
)
%
denganSST=
∑(yi − y)2 (jumlah kuadrat total),
SSE=∑
(y − y)2 (jumlah kuadrat sesatan/residu/error ),SSR= SST− SSE(jumlah kuadrat regresi)
Menunjukkan berapa persen variasi dari y yang dapatditerangkan oleh x
MMS1001 – p.203/228
![Page 330: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/330.jpg)
Regresi Linear Sederhana
Contoh Koefisien DeterminasiData umur dan tinggi pohon:SST=
∑(yi − y)2 = 18, 02709
SSE=∑
(y − y)2 = 0, 6506536SSR= SST− SSE= 18, 02709 − 0, 6506536 = 17, 37644
r2 = 100
(SSRSST
)
%
= 100
(17, 37644
18, 02709
)
%
= 96, 39%
Untuk regresi sederhana, kuadrat dari koefisien determinasisama dengan korelasi
MMS1001 – p.204/228
![Page 331: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/331.jpg)
Regresi Linear Sederhana
KorelasiKorelasi hanya untuk hubungan linear
r=0,82
4 6 8 10 12 14
45
67
89
11
4 6 8 10 12 14
34
56
78
9
4 6 8 10 12 14
68
1012
8 10 12 14 16 18
68
1012
MMS1001 – p.205/228
![Page 332: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/332.jpg)
Regresi Linear Sederhana
Inferensi dalam Regresi
Diperoleh observasi berupa pasangan data (Y, X),(x1, y1), (x2, y2), . . . , (xn, yn)
ModelYi = β0 + β1Xi + ǫi
Asumsi: suku eror ǫi independen dan berdistribusi normalN(0, σ2)Parameter β0 dan β1 dinamakan koefisien regresi.
MMS1001 – p.206/228
![Page 333: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/333.jpg)
Regresi Linear Sederhana
Inferensi dalam Regresi
y = β0 + β1x
y
x
x1
x2
x3
MMS1001 – p.207/228
![Page 334: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/334.jpg)
Regresi Linear Sederhana
Inferensi dalam Regresi
Penduga untuk β0 dan β1 adalah b0 dan b1:
b1 =n
∑xiyi −
∑xi
∑yi
n∑
x2i − (
∑xi)2
b0 =
∑yi − b1
∑xi
n
Penduga untuk σ2
s2 =n∑
i=1
(yi − y)2
n − 2
=
∑y2
i − b0∑
yi − b1∑
xiyi
n − 2MMS1001 – p.208/228
![Page 335: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/335.jpg)
Regresi Linear Sederhana
Inferensi Kemiringan Garis Regresi (β1)
Statistik Penguji
t =b1 − β1
s√
nn
∑x2−(
∑x)2
yang berdistribusi t dengan derajad bebas n − 2
MMS1001 – p.209/228
![Page 336: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/336.jpg)
Regresi Linear Sederhana
Inferensi Perpotongan Garis Regresi (β0)
Statistik Penguji
t =b0 − β0
s√ ∑
x2
n∑
x2−(∑
x)2
yang berdistribusi t dengan derajad bebas n − 2
MMS1001 – p.210/228
![Page 337: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/337.jpg)
Regresi Linear Sederhana
Contoh
Hitunglah interval konfidensi 95% untuk kemiringan garis regresi
(β1) dari data umur dan tinggi pohon di muka.
Telah dihitung β0 = 0, 1443 dan β1 = 0, 6432 (atau a dan b dalam
notasi di muka)
s2 =
∑y2
i − b0∑
yi − b1∑
xiyi
n − 2
=91, 8991 − (0, 1443)(24, 31) − (0, 6432)(136, 41)
6= 0, 1087092
Interval konfidensi 95% untuk β1: β1 ± t(α/2,n−2)s√
nn
∑x2−(
∑x)2
0, 6432 ± 0, 0508 atau (0, 592; 0, 694)
MMS1001 – p.211/228
![Page 338: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/338.jpg)
Regresi Linear Sederhana
Contoh
Hitunglah interval konfidensi 95% untuk perpotongan garis
regresi (β0) dari data umur dan tinggi pohon di muka.
Telah dihitung β0 = 0, 1443 dan β1 = 0, 6432 (atau a dan b dalam
notasi di muka) serta s2 = 0, 1087092
Interval konfidensi 95% untuk β0: β0 ± t(α/2,n−2)s√ ∑
x2
n∑
x2−(∑
x)2
0, 1443 ± 0, 2569 atau (−0, 1126; 0, 4012)
MMS1001 – p.212/228
![Page 339: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/339.jpg)
Latihan
1. Dalam suatu eksperimen plant breeding dengan dua tipebunga A dan B. Probabilitas terjadinya tipe A diharapkanlebih besar dari 7/16. Seorang ahli melakukan eksperimendengan 100 kuntum bunga dan mendapatkan bahwaseparuhnya adalah tipe A, dengan menggunakan α = 0,01;kesimpulan apakah yang dapat kita tarik?
MMS1001 – p.213/228
![Page 340: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/340.jpg)
Latihan
2. Suatu jenis tikus tertentu yang mendpatkan makanan biasamenunjukkan kenaikan rata-rata 65 gram selama tiga bulanpertama dari hidupnya. Suatu sampel random dengan 40ekor tikus seperti itu diberi makanan dengan protein tinggidan menunjukkan kenaikan berat rata-rata 82 gram dengandeviasi standar 17,6 gram selama tiga bulan pertamahidupnya. Apakah fakta cukup mendukung dugaan bahwamakanan yang berprotein tinggi akan memperbesarkenaikan berat tikus?
MMS1001 – p.214/228
![Page 341: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/341.jpg)
Latihan
3. Suatu perusahaan alat elektronik ingin menguji dua macamkualitas hasil produksinya. Untuk ini diadakanpercobaan-percobaan dan diperoleh hasil sebagai berikut:10 produk kualitas A mempunyai tahan hidup rata-rata 2600jam dengan deviasi standar 300 jam. Sedangkan 15 produkkualitas B mempunyai tahan hidup rata-rata 2400 jamdengan deviasi standar 250 jam. Berdasarkan hasilpercobaan di atas, apakah kita percaya bahwa keduakualitas produk elektronik itu berbeda tahan hidupnya?(Anggap distribusi kedua populasi normal dengan variansisama).
MMS1001 – p.215/228
![Page 342: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/342.jpg)
Latihan
4. Seorang Zoologist ingin menggunakan tikus yang beratwaktu lahirnya mempunyai variabilitas yang rendah.Tersedia dua jenis tikus yang berbeda. Dia mengambilsampel random dengan 10 jenis pertama dan 16 jeniskedua. Diperoleh S2
1 = 0,36gram dan S22 = 0,87gram.
Apakah variabilitas dua jenis tersebut berbeda? (α = 0,02)
MMS1001 – p.216/228
![Page 343: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/343.jpg)
Latihan
5. Suatu stimulan akan diuji akibatnya terhadap tekanan darah.Dua belas orang laki-laki diambil secara random dari laki-lakidalam kelompok umur 30 - 40 tahun. Tekanan darah merekadiukur sebelum dan sesudah diberi stimulan. Hasilnyaadalah sbb.:Tekanan darah sebelum dan sesudah (mmHg)
orang ke- 1 2 3 4 5 6 7 8 9 10 11 12
sebelum 120 124 130 118 140 128 140 135 126 130 126 127
sesudah 128 130 131 127 132 125 141 137 118 134 129 130Hitung interval konfidensi 95% untuk rata-rata selisih tekanandarah sesudah dan sebelum stimulan untuk semua orang laki-lakidalam kelompok 30 - 40 tahun.
MMS1001 – p.217/228
![Page 344: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/344.jpg)
Latihan
6. Ada hipotesis yang menyatakan bahwa untuk sepasang bayikembar, berat badan bayi yang lahir kemudian lebih beratdari bayi yang lahir sebelumnya. Apabila kita ingin mengujipernyataan tersebut, uji statistik apa yang digunakan?
MMS1001 – p.218/228
![Page 345: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/345.jpg)
Latihan
7. Suatu survei menyatakan bahwa dalam suatu daerahtertentu 20 % rumah tangga berada di bawah gariskemiskinan. Suatu program pengentasan kemiskinandilaksanakan pada daerah tersebut. Untuk mengetahuiapakah program tersebut berhasil, sampel sebesar 400rumah tangga diambil dari daerah tersebut, 68 rumahtangga dinyatakan berada di bawah garis kemiskinan.Berhasilkah program ini ? (α = 0.05)
MMS1001 – p.219/228
![Page 346: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/346.jpg)
Latihan
8. Sebuah program diet untuk mengurangi berat badanditerapkan pada 12 pria dan 14 wanita. Diperoleh hasilnyasebagai berikut (dalam kg):
Wanita X1 109 135 88 118 132 154 121 146 129 94 104 116 136 142
X2 85 105 54 85 105 123 98 115 97 64 69 89 115 106
Pria Y1 137 127 106 127 122 109 121 115 93 118 139 113
Y2 118 99 79 109 99 83 105 98 75 95 117 92( X1, X2 adalah berat wanita sebelum dan sesudah melakukan diet ; Y1, Y2 adalah
berat pria sebelum dan sesudah melakukan diet).
a. Apakah program diet tersebut berhasil secara umum (tanpamemandang pria atau wanita)? (α = 0, 05)
b. Bila ingin diketahui program diet tersebut lebih baik untuk wanitaatau pria, inferensi statistik apakah yang dapat digunakan?
MMS1001 – p.220/228
![Page 347: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/347.jpg)
Latihan
9. Dari sampel random n = 25 bola lampu, diperoleh tahanhidup rata-rata 1,85 tahun dan standar deviasi 0,5 tahun.
a. Hitunglah interval konfidensi 95% untuk rata-rata tahanhidup bola lampu
b. Hitunglah interval konfidensi 90% untuk variansi tahanhidup bola lampu
c. Apabila n = 64, hitunglah interval konfidensi 90% untukvariansi tahan hidup bola lampu
MMS1001 – p.221/228
![Page 348: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/348.jpg)
Latihan
10. Ingin diketahui mean berapa lama seorang mahasiswamelakukan chatting di internet. Untuk itu itu akan dilakukansurvei di beberapa warung internet di kampus. Penelitianpendahuluan menunjukkan bahwa standar deviasi dari lamachatting adalah 67 menit dan berdistribusi Normal. Bilakesalahan estimasi interval survei ini tidak boleh lebih dari10 menit dengan tingkat konfidensi 95%, berapa ukuransampel yang harus digunakan?
MMS1001 – p.222/228
![Page 349: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/349.jpg)
Latihan
11. Ingin diketahui apakah suatu metode pembiakan tanamanpisang yang menggunakan cara modern menghasilkanpisang dengan berat yang lebih besar daripada pisang yangdikembangkan dengan cara tradisional. Diperoleh informasisebagai berikut:
Jenis pisang cara tradisional cara modernbanyak sampel 100 120rata-rata pertandan 4,2 kg 4,8 kgdeviasi standar 1,2 kg 0,9 kg
a. Ujilah apakah terdapat perbedaan nyata dari hasil kedua metodepembiakan tersebut (α = 3%). Anggap kedua variansinya sama.
b. Jika variansinya tidak diketahui apakah sama atau tidak, ujiapakah yang dapat saudara gunakan untuk menguji kesamaandua variansi? Dengan menganggap kedua populasi berdistribusinormal, tulislah hipotesis dan uji statistiknya
MMS1001 – p.223/228
![Page 350: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/350.jpg)
Latihan
12. Apakah cukup bukti yang menyatakan bahwa lebih dari Isthere sufficient evidence at 1% level (α=0.01) that more than30% mahasiswa baru gagal memenuhi standar pengethaunadan pemahaman matematika jika 60 mahasiswa baru darisampel 130 mahasiswa gagal memenuhi standar?
MMS1001 – p.224/228
![Page 351: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/351.jpg)
Latihan
13. Suatu alat pengukur tekanan darah elektronik akan diujiketepatan hasil pengukurannya. Bila hasil pengukurantekanan darah sama atau mendekati hasil pengukuran alatukur standar maka alat pengukur elektronik ini dinyatakandapat dipakai. Dari 15 orang yang terpilih sebagai sampeldilakukan dua kali pengukuran masing-masing dengan alatukur tekanan darah standar dan dengan alat ukur elektronik.Diperoleh hasil pengukuran tekanan darah diastolik sebagaiberikut:
alat standar 68 82 94 106 92 80 76 74 119 93 86 65 74 84 100
alat elektronik 72 84 89 100 97 88 84 70 103 84 86 63 69 87 93
Apakah alat pengukur tekanan darah elektronik ini dapatdipakai? (α=0,05)
MMS1001 – p.225/228
![Page 352: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/352.jpg)
Latihan
14. Diketahui data gizi dan berat badan 50 anak usia 4-5 tahundi suatu desa seperti pada tabel berikut
n status gizi berat badan (kg)rata-rata deviasi std.
35 baik 13,5 2,515 buruk 7,5 1,5
a. Hitunglah interval konfidensi 95% untuk proporsi anakdengan gizi buruk!
b. Hitunglah interval konfidensi 95% untuk mean berat anakdengan status gizi baik!
c. Statistik penguji apakah yang dapat digunakan untukinferensi mean berat anak dengan status gizi buruk?Jelaskan!
MMS1001 – p.226/228
![Page 353: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/353.jpg)
Latihan
15. Dengan menggunakan tabel Normal standar hitunglah:
a. P (−2 ≤ Z ≤ 1.5)
b. P (Z ≥ 1)
c. k, jika diketahui P (0 ≤ Z ≤ k) = 0,4236
d. P (µ − σ ≤ X ≤ µ + σ)
e. k yang memenuhi P (X ≤ k) = 0,05
dengan Z adalah variabel random normal standar dan X adalahvariabel random dengan mean µ dan variansi σ2
MMS1001 – p.227/228
![Page 354: Statistika](https://reader033.vdocuments.pub/reader033/viewer/2022050723/5695d0081a28ab9b0290a36c/html5/thumbnails/354.jpg)
Latihan
16. Suatu desain mobil diperkirakan akan menurunkankonsumsi bahan bakar sekaligus variabilitasnya. Sampelrandom dengan 16 mobil biasa diperoleh deviasi standaruntuk konsumsi bahan bakar (liter per 100 km) sebesar 3,1.Sedangkan sampel random dengan 12 mobil desain inidiperoleh deviasi standar 1,8. Dengan asumsi sampelberasal dari distribusi normal ujilah bahwa desain mobil barutersebut memang dapat menurunkan variabilitas konsumsibahan bakar (α = 0,05).
MMS1001 – p.228/228