BAHAN
PRESENTASI
STATISTIKA JILID I
KELOMPOK 4"PENGUMPULAN DAN PENGOLAHAN DATA"
2016
DOSEN PENGAMPU : DARWISON,MT
Referensi :
J. Supranto,M.A. , 2008, "Statistika : Teori dan
Aplikasi", Jilid 2, Erlangga, Jakarta.
Materi(html), program, video dapat di download
Tujuan Belajar
* Menjelaskan
arti beberapa jenis distribusi leoretis seperli distribusi binomial, distribusi
poisson, distribusi hipergeometrik, distribusi multinomial, distribusi normal, distribusi
kai-kuadrat, distribusi F,
don distribusi
I.
* Memahami
aplikasi berbagai jenis distribusi tersebut dalam menyelesaikan berbagai
permasalahan
DISTRIBUSI BINOMIAL
Rata-rata
dan Varians Distribusi Binomial
Karakteristik
dan Proses Distribusi Poisson
DISTRIBUSI
HIPERGEOMETRIK
DISTRIBUSI MULTINOMIAL
Fungsi distribusi atau distribusi kumulatif dari fungsi normal adalah sebagai berikut.
Distribusi Normal Baku (Standar)
Untuk mengubah distribusi normal menjadi distribusi normal baku (standar) adalah dengan cara mengurangi nilai-nilai variabel X dengan rata-rata dan membanginya dengan standar deviasi sehingga diperoleh variabel baru Z.
Variabel normal baku Z mempunyai rata-rata = 0 dan standar deviasi = 1.
DISTRIBUSI KAI-KUADRAT (X kuadrat = Chi Square)
Bentuk kurva kai-kuadrat sangat dipengaruhi oleh besar-kecilnya nilai derajat kebebesan. Makin kecil nilai derajat kebebasan, bentuk kurvanya makin menceng ke kanan dan makin besar nilai derajat kebebasan bentuk kurvanya makin mendekati bentuk fungsi normal. Kai-kuadrat merupakan fungsi kontinu dan nilainya tidak pernah negatif. Nilai rata-ratanya makin meningkat kalau nilai derajat kebebasan juga makin meningkat.
Untuk v > 100, distribusi kai-kuadrat mendekati distribusi normal, di mana variabel Z sebagai variabel normal baku dapat diperoleh dengan cara berikut.
Cara Membaca Tabel X kuadrat
DISTRIBUSI F
Distribusi F ini ditemukan oleh R.A. Fisher pada awal tahun 1920 dan berguna sekali bagi para "research worker" untuk menguji hipotesis mengenai suatu parameter dari beberapa populasi (lebih dari 2). Di dalam praktek, seringkali diperlukan nilai F sebagai batas bawah. Untuk itu, perlu diperhatikan bahwa kebalikan dari F juga merupakan F, namun dengan derajat kebebasan yang ditukar.
DEFINISI
Distribusi teoritis merupakan alat bagi kita untuk menentukan apa
yang dapat kita harapkan, apabila asumsi-asumsi yang kita buat benar.
Distribusi teoritis memungkinkan para pembuat keputusan untuk memperoleh dasar
logika yang kuat di dalam membuat keputusan, dan sangat berguna sebagai dasar
pembuatan ramalan (forecasting/prediction) berdasarkan informasi yang terbatas
atau pertimbangan-pertimbangan teooritis, dan berguna pula untuk menghitung
probalitas terjadinya suatu kejadian. Setiap kejadian yang dapat dinyatakan
sebagai perubahan nilai suatu variabel biasanya mengikuti suatu distribusi
teoritis tertentu, dan apabila sudah diketahui jenis distribusinya, kita dengan
mudah dapat mengetahui besarnya nilai probalitas terjadinya kejadian tersebut.
Misalnya : berapa probabilitas bahwa seorang calon gubernur DKI
Jakarta akan terpilih untuk menggantikan gubernur yang lama, berapa besarnya
probabilitas bahwa barang yang Anda beli merupakan barang rusak, berapa
probabilitasnya bahwa produksi padi akan mencapai hasil antara 15,5 - 17,5 juta
ton tahun depan dan lain sebagainya.
DISTRIBUSI BINOMIAL
Pada umumnya suatu eksperimen dapat dikatakan eksperimen
Binomial apabila memenuhi 4 syarat sebagai berikut.
- Banyaknya eksperimen merupakan
bilangan tetap (fixed number of trial).
- Setiap eksperimen mempunyai 2 hasil
yang dikategorikan menjadi "sukses" dan "gagal". Dalam
aplikasinya, harus kategori apa yang disebut sukses tersebut.
- Probabilitas sukses nilainya sama
pada setiap eksperimen.
- Eksperimen tersebut harus bebas
(independent) satu sama lain, artinya eksperimen yang satu tidak
mempengaruhi hasil eksperimen hasil eksperimen lainnya.
Dalam distribusi probabilitas Binomial, dengan n percobaan,
berlaku rumus berikut.
Apabila suatu himpunan yang terdiri dari n elemen dibagi
dua, yaitu x sukses dan (n - x) gagal, maka banyaknya permutasi dari n elemen
yang diambil x setiap kali dapat dihitung berdasarkan rumus berkut.
Masing-masing probabilitas pada distribusi Binomial
dihitung sebagai berikut.
Rata-rata
dan Varians Distribusi Binomial
Kita mengetahui bahwa untuk mencari
rata-rata, kita menggunakan rumus
Sedangkan untuk menentukan varians
dari distribusi binomial, kita menggunakan rumus
Jadi, varians dari distribusi
binomial adalah npq. Dengan demikian, dapat disimpulkan bahwa untuk variabel X
yang mengikuti distribusi binomial berlaku rumus berikut.
DISTRIBUSI POISSON
Distribusi
poisson yaitu pengembangan satu bentuk distribusi binomial yang mampu
mengakulasikan distribusi probabilitas dengan kemungkinan sukses (p) sangat
kecil dan jumlah eksperimen (n) sangat besar. Distribusi ini biasanya digunakan
untuk menghitung nilai probabilitas suatu kejadian dalam suatu selang waktu dan
daerah tertentu. Sebagai contoh, banyaknya dering telepon dalam satu jam di
suatu kantor, banyaknya kesalahan ketik dalam satu halaman laporan, banyaknya
bakteri dalam air yang bersih, banyaknya presiden meninggal karena kecelakaan
lalu lintas. Distribusi poisson digunakan untuk menghitung probabilitas suatu
kejadian yang jarang terjadi. Rumus untuk menyelesaikan distribusi Poisson
adalah sebgai berikut.
Karakteristik
dan Proses Distribusi Poisson
Pada contoh distribusi kendaraan
yang melalui jalan bebas hambatan Jagorawi pada jam-jam sibuk seperti ini
- Rata-rata
hitung kendaraan yang lewat pada jam-jam sibuk dapat diketahui dari data
lalu lintas terdahulu.
- Apabila
jam-jam sibuk kita bagi dalam detik, maka akan diperoleh :
a . Kemungkinan secara tepat sebuah
kendaraan akan lewat setiap satu detik, dan begitu seterusnya pada selang satu
detik.
b . Kemungkinan dua atau lebih
kendaraan akan lewat setiap satu detik (jumlah ini kecil sekali) sehingga kita
anggap sebagi nilai nol.
c . Banyaknya kendaraan yang lewat
pada suatu detik tertentu tidak ada hubungannya dengan banyaknya kendaraan yang
lewat pada setiap detik saat jam-jam sibuk.
d . Banyaknya kendaraan yang lewat
pada suatu detik tidak bergantung terhadap banyaknya kendaraan yang lewat pada
detik yang lain.
Oleh karena itu, secara umum
kondisi di atas dapat terjadi pula pada setiap proses. Apabila kondisi di atas
ditemui dalam suatu kasus maka kita dapat menggunakan rumus distribusi Poisson.
Mengitung Probabilitas dengan Distribusi Poisson
Apabila
X (huruf besar) dianggap mewakili suatu variabel sembarang dan merupakan
bilangan bulat, maka kejadian x dalam distribusi Poisson dapat dihitung sebagai
berikut.
Rata-rata dan Varians, Distribusi Poisson
Dapat
dibuktikan bahwa untuk distribusi Poisson,
DISTRIBUSI
HIPERGEOMETRIK
Perbedaan antara distribusi
hipergeomerik dengan binomial adalah bahwa pada distribusi hipergeometrik,
percobaan tidak bersifat independen (bebas). Artinya, antara percobaan yang
satu dengan yang lainnya saling berkait. Selain itu probabilitas
"SUKSES" berubah (tidak sama) dari percobaan yang satu ke percobaan
lainnya. Notasi-notasi yang biasanya digunakan dalam distribusi hipergeometrik
adalah sebagai berikut : r : menyatakan jumlah unit/elemen dalam populasi
berukuran N yang dikategorikan atau diberi label "SUKSES" N - r :
menyatakan jumlah unit/elemen dalam populasi diberi label "GAGAL" n :
ukuran sampel yang diambil dari populasi secara acak tanpa pengambilan (without
replacement) x : jumlah unit/elemen berlabel "SUKSES" di antara n
unti / elemen Untuk mencari probabilitas x sukses dalam ukuran sampel n, kita
harus memperoleh x sukses dari r sukses dalam populasi, dan n - x gagal dari N
- r gagal. Jadi, fungsi probabilitas hipergeometrik dapat dituliskan sebgai
berikut.
Perhatikan bahwa terdapat dua
persyaratan yang harus dipenuhi oleh sebuah distribusi Hipergeometrik :
- Percobaan
diambil dari suatu populasi yang terbatas, dan percobaan dilakukan tanpa
pengembalian (without replacement).
- Ukuran
sampel n harus lebih besar daripada 5% dari populasi N (5% dari N). Dari
rumus 2.9 di atas, perhatikan bahwa
DISTRIBUSI MULTINOMIAL
Dalam distribusi mutinomial, sebuah
percobaan akan menghasilkan beberapa kejadian (lebih dari 2) yang saling
meniadakan / saling lepas (mutually exclusive).
Fungsi Distribusi Multinomial
DISTRIBUSI NORMAL
Distribusi normal merupakan
distribusi kontinu yang mensyaratkan variabel yang diukur harus kontinu,
misalnya tinggi badan, berat badan, skor IQ, jumlah curah hujan, isi botol
Coca-cola, hasil ujian, dan sebagainya.
Kurva Normal
Suatu
variabel acak kontinu X, yang memiliki distribusi berbentuk lonceng seperti
yang diperlihatkan dalam Peraga 2.2, disebut variabel acak normal. Fungsi
kepadatan probabilitas normal dapat dituliskan sebagai berikut.
Perlu
diketahui di sini bahwa rata-rata dan varians distribusi normal adalah sebagai
berikut.
Fungsi distribusi atau distribusi kumulatif dari fungsi normal adalah sebagai berikut.
Distribusi Normal Baku (Standar)
Untuk mengubah distribusi normal menjadi distribusi normal baku (standar) adalah dengan cara mengurangi nilai-nilai variabel X dengan rata-rata dan membanginya dengan standar deviasi sehingga diperoleh variabel baru Z.
Variabel normal baku Z mempunyai rata-rata = 0 dan standar deviasi = 1.
DISTRIBUSI KAI-KUADRAT (X kuadrat = Chi Square)
Distribusi
kai-kuadrat sangat berguna sebagai kriteria untuk pengujian hipotesis mengenai
varians dan juga untuk uji ketepatan penerapan suatu fungsi (test goodness of
fit) apabila digunakan untuk data hasil observasi atau data empiris. Dengan demikian,
kita dapat menentukan apakah distribusi pendugaan berdasarkan sampel hampir
sama atau mendekati distribusi teoritis, sehingga kita dapat menyimpulkan bahwa
populasi dari mana sampel itu kita pilih mempunyai distribusi yang kita maksud
(misalnya, suatu populasi mempunyai distribusi Binomial, Poisson, atau Normal)
Bentuk kurva kai-kuadrat sangat dipengaruhi oleh besar-kecilnya nilai derajat kebebesan. Makin kecil nilai derajat kebebasan, bentuk kurvanya makin menceng ke kanan dan makin besar nilai derajat kebebasan bentuk kurvanya makin mendekati bentuk fungsi normal. Kai-kuadrat merupakan fungsi kontinu dan nilainya tidak pernah negatif. Nilai rata-ratanya makin meningkat kalau nilai derajat kebebasan juga makin meningkat.
Untuk v > 100, distribusi kai-kuadrat mendekati distribusi normal, di mana variabel Z sebagai variabel normal baku dapat diperoleh dengan cara berikut.
Cara Membaca Tabel X kuadrat
Dalam
tabel, derajat kebebasan sering diberi simbol v, r, atau n dan sering disingkat
d.o.f atau d.f. Dalam membaca tabel kai-kuadrat, agar diperhatikan simbol
(notasi) di bagian atas yang digunakan dalam tabel tersebut. Tabel Kai-Kuadrat
memuat nilai X kuadarat, dan bukan nilai probabilitas seperti halnya tabel
distribusi normal.
DISTRIBUSI F
Distribusi
F memungkinkan ahli ekonomi untuk menguji asumsi mengenai tepatnya fungsi
produksi, fungsi permintaan dan fungsi konsumsi untuk diterapkan terhadap data
empiris atau data hasil observasi; memungkinkan ahli pemasaran untuk menguji
pendapatnya bahwa harga beras sama di beberapa pasar di Jakarta; memungkinkan
ahli riset pertanian untuk menguji hipotesis bahwa tidak ada perbedaan pengaruh
yang berarti dari berbagai varietas dan lain sebagainya.
Distribusi F ini ditemukan oleh R.A. Fisher pada awal tahun 1920 dan berguna sekali bagi para "research worker" untuk menguji hipotesis mengenai suatu parameter dari beberapa populasi (lebih dari 2). Di dalam praktek, seringkali diperlukan nilai F sebagai batas bawah. Untuk itu, perlu diperhatikan bahwa kebalikan dari F juga merupakan F, namun dengan derajat kebebasan yang ditukar.
DISTRIBUSI t
Distribusi
t selain digunakan untuk menguji suatu hipotesis juga untuk membuat pendugaan
interval (interval estimate). Biasanaya distribusi t digunakan untuk menguji
hipotesis mengenai nilai parameter, maksimal 2 populasi (jika lebih dari 2,
harus digunakan F), dan dari sampel yang kecil (small sample size). Distribusi
t dapat digunakan oleh pejabat perbankan; oleh seorang ahli senam hamil; oleh
seorang ahli pemasaran ; oleh seorang ahli ekonomi; oleh pejabat perpajakan;
oleh pejabat pemerintah dan lain sebagainya:
Artinya,
fungsi mempunyai distribusi t dengan derajat kebebasan sebesar v.
Contoh2.4 menggunakan SPSS
Contoh2.4 menggunakan Matlab
Soal Latihan 1 menggunakan SPSS dan Excel
Soal Latihan 1 menggunakan C++
Soal Latihan 3 menggunakan Excel
Soal Latihan 3 menggunakan Matlab
Komentar
Posting Komentar