Upload
esmunaldo-kevin
View
177
Download
6
Tags:
Embed Size (px)
Citation preview
ANALISA DAN PENGOLAHAN DATA
ALI ALTWAY
1. Bhattacharyya, Couri K., Richard A. Johnson. “ Statistical concepts and methods “, John Wileye & Sono, New York, 1977.
2. G.E.P. BOX, W.G. Hunter, J.S. Hunter,“ Statistics for experimenters “,John Willy & Sono, New York, 1978.
3. R.E.Walpole and R.H.Myers,”Probability and Statistics for Engineers and Scientist”,4th ed.,Macmillan Publishing Co., 1989
4. R.E. Walpole and R.H. Myers,”Ilmu Peluang dan Statistika untuk Insinyur dan Ilmuwan”,edisi ke-4, penerjemah: RK Sembiring, Penerbit ITB, 1995
5. Bowker,A.H., and G.J.Lieberman,”Engineering Statistics”,Prentice-Hall, Englewood, 1959
PUSTAKA
1. Pendahuluan2. Dasar-dasar statistik deskriptif3. Dasar-dasar statistik inferensia4. Analisa regresi5. Pengantar experimental design6. Aplikasi statistik dalam industri
MATERI EVALUASI
1. TUGAS 20%
2. SHORT TEST 10%
3. QUIZ 30%
4. UJIAN 40%
Statistik = Kumpulan metode dan konsep yang digunakan untuk mengumpulkan dan meng-interpretasikan data yang berhubungan dengan suatu daerah penelitian tertentu dan untuk menarik kesimpulan dalam situasi dimana ketidakpastian dan fluktuasi terjadi.Statistik berhubungan dengan keadaan dalam mana terjadinya suatu peristiwa tak dapat diramalkan dengan pasti. Kesimpulan kita sering-sering tidak pasti karena kesimpulan ini didasarkan pada data yang tidak lengkap. Contoh : Menyimpulkan besar laju pengangguran disuatu daerah didasarkan pada suatu survey dari beberapa ribu penduduk.
PENGERTIAN STATISTIK
1. PENDAHULUAN
populasi
Sampel
Populasi : Suatu kumpulan komplit dari pada pengukuran-pengukuran (pengamatan-pengamatan) yang mungkin dalam suatu daerah penelitian tertentu.Populasi menyajikan target (tujuan) suatu penelitian dan tujuan proses pengumpulan data adalah menarik kesimpulan tentang populasi ini.Sampel dari suatu populasi adalah suatu kumpulan pengukuran-pengukuran yang sesungguhnya dilakukan dalam suatu penyelidikan.Contoh : Daerah polusi udara di kota Surabaya.Populasi : Kumpulan pengukuran-pengukuran kadar polutan di seluruh bagian udara di kota Surabaya.
POPULASI DAN SAMPEL
Sampel : Kumpulan pengukuran-pengukuran kadar polutan yang benar-benar dilakukan di beberapa bagian udara di kota Surabaya.
63 64 65 66 67 68 69 70
Cara grafis menyajikan data antara lain :- Dot diagram- HistogramDot Diagram :( Digunakan untuk data sedikit)Dibuat garis lurus horizontal dengan dilengkapi skala yang mencakup rauge harga pengukuran-pengukuran. Tiap data pengukuran diplot pada garis ini sebagai titik.
Contoh 2.1Buat Dot diagram dari data berikut :66.7 64.3 67.1 66.1 65.5 67.1 69.1 67.2 67.1 66.7 68.1 65.7 66.4Penyelesaian :
PENYAJIAN DATA
2. STATISTIK DESKRIPTIF
Tahapan-tahapan pembuatan distribusi frekuensi-Tentukan harga minimum dan maksimum dalam kumpulan data.-Pilih sejumlah sub interval atau sel-sel dengan lebar sama yang meliputi range diantara harga minimum dan maksimum tanpa menimbulkan overlapping. Sel-sel ini disebut class intervals, dan titik-titik ujungnya disebut class boundary.-Hitung banyak pengamatan dalam data yang termasuk dalam masing-masing class interval. Banyak data dalam tiap-tiap kelas ini disebut class frekuency atau cell frequency.-Tentukan relative frequency untuk tiap kelas, yaitu :
DISTRIBUSI FREKUENSI
totaldataBanyak
frequencyClassRelative Frequency=
Banyak kelas yang dianjurkan = 1 + 3,3 log n n = banyak data keseluruhan
Histogram Relative Frequency :-Class interval diplot pada sumbu horizontal.-Pada tiap class interval dibuat sebuah segi empat dengan luas sama dengan relative frequencynya.
ervalclassLebar
kelasfrequencylative
int
Re
HISTOGRAM RELATIVE FREQUENCY
Tinggi tiap segi empat =
Data berikut menyatakan 78 pengukuran konsentrasi ozom diatmosfer suatu kota 1 dalam 1/100 ppm. Tiap pengukuran adalah rata-rata pembacaan tiap jam selama 4 hari. Buat tabel distribusi frekwensi untuk 11 class interval dan buat pula histogram relative frequencynya.
3.5 1.4 6.6 6.0 4.2 4.4 5.3 5.66.8 2.5 5.4 4.4 5.4 4.7 3.5 4.02.4 3.0 5.6 4.7 6.5 3.0 4.1 3.46.8 1.7 5.3 4.7 7.4 6.0 6.7 11.75.5 1.1 5.1 5.6 5.5 1.4 3.9 6.66.2 7.5 6.2 6.0 5.8 2.8 6.1 4.15.7 5.8 3.1 5.8 1.6 2.5 8.1 6.69.4 3.4 5.8 7.6 1.4 3.7 2.0 3.76.8 3.1 4.7 3.8 5.9 3.3 6.2 7.66.6 4.4 5.7 4.5 3.7 9.4
CONTOH 2.2
Harga minimal = 1,1Harga maksimal = 11,7
0.111
1.17.11
PENYELESAIAN
Lebar kelas=
Distribusi Frekwensi :
Kelas Interval Frekwensi Relative Frekwensi
1.05 – 2.05 7 0.0902.05 – 3.05 6 0.0773.05 - 4.05 13 0.1674.05 - 5.05 11 0.1415.05 - 6.05 20 0.2566.05 - 7.05 13 0.1677.05 - 8.05 4 0.0518.05 - 9.05 1 0.0139.05 - 10.05 2 0.02610.05 - 11.05 0 -11.05 - 12.05 1 0.013
Histogram relative frekwensi
1 2 3 4 5 6 7 8 9 10 11 12
0.1
0.2
0.3
CLASS INTERVAL
Luas segi empt= relative frequency
Ukuran Pusat
Gambaran grafik yang telah dibahas membantu kita untuk membayangkan bagaimana pola dari data set. Dari kumpulan data berbentuk angka-angka, kita sering ingin mengetahui nilai-nilai tertentu. Salah satu dari nilai yang demikian ialah nilai disekitar mana data berupa angka-angka atau tersebar, nilai tersebut dinamakan nilai rata-rata (average) dari pada angka-angka.
Nilai rata-rata dari pada sekumpulan data : X1, X2, ………….., Xn adalah :
x )12(...................... 121
N
x
N
xxx
N
ii
N
)22(..................................................1
i
n
iii
f
xfx
N = Banyak data totalfi = Frekwensi kelas ke-Ixi = Harga tengah kelas
ke-I n = Banyak kelas
UKURAN SEBARAN
Selain harga rata-rata aspek penting lainnya adalah pengukuran secara numerik bagaimana penyebaran bilangan dari data set disekitar harga rata-rata. Sebagai ukuran penyebaran ini adalah variance (sebaran). Variance dari sekumpulan data X1, X2, ………………….., XN adalah
)32(..............................)(
222
IN
xNx
IN
xx iiS2 =
)42.......(....................11)(
)(222
N
xNxf
f
xxf ii
i
ii
S2 =
SSVariance 2Standard deviasi =
Tentukan nilai rata-rata dan variance untuk kumpulan data berikut : 92, 64, 105, 81, 78
CONTOH 2.3
PENYELESAIAN
x 845
78811056492
S2 = 15
)8478()8481()84105()8464()8492( 22222
= 237,5
Class Interval Titik Tengah Frequency fi xi fi xi2
Kelas, xi fi
14.5- 19.5 17 18 306 5202
19.5-24.5 22 74 1628 35816
24.5-29.5 27 62 1674 45198
29.5-34.5 32 26 832 26624
34.5-39.5 37 20 740 27380
5180 140220
CONTOH 2.4
Diketahui data berikut:
Class Interval Frekuensi, fi
14.5- 19.5 18
19.5-24.5 74
24.5-29.5 62
29.5-34.5 26
34.5-39.5 20 PENYELESAIAN:
Hitung rata-rata hitung, variance dan standard deviasi
9,25200
5180
44.301200
)9.25(200140220 2
517.544.30
x
S2 =
S =
Ada beberapa ukuran letak :MedianQuartile
Desil Persentil
UKURAN LETAK
Medium dari pada sekumpulan data :x1,x2, …………………, xN
adalah harga tengah bila data disusun dari kecil ke besar.
Bila N ganjil, maka ada satu harga tengah
Bila N genap, ada dua harga tengah, maka: median = rata-ratanya
MEDIAN
MEDIANContoh 2.5Tentukan median dari kumpulan data berikut :a). 7, 1, 3, 5, 8b). 8, 1, 2, 7, 9, 5Penyelesaian :a). Data diurut : 1, 3, 5, 7, 8
median = 5b). Data di-urut : 1, 2, 5, 7, 8, 9
median =
62
75
Median
L = Batas bawah kelas medianfsm = Jumlah frekwensi-frekwensi kelas sebelum kelas medianfm = Frekwensi kelas medianh = Lebar kelas
Untuk data yang dikelompokkan, median diperoleh dari
)52.......(...........2
hf
fN
LMem
sm
QUARTILE
Quartile ke-k sekumpulan data adalah data ke- 4
)1( kN
sebelum data diurut dari kecil ke besar. N = banyak data total,
4
)1( kN Bila Bukan integer, maka dilakukan interpolasi linear
Untuk data yang dikelompokkan, quartile ke-k (Qk) diperoleh dari,
)62........(...........4
hf
fNk
LQkq
sq
Dimana :L = Batas bawah kelas quartilefsg = Jumlah frekwensi kelas-kelas sebelum kelas quartilefq = Frekwensi kelas quartileh = Lebar kelas
DESIL
Desil ke-k sekumpulan data adalah data ke- 10
)1( kN
setelah data diurut dari kecil ke besar.
Bila 10
)1( kN bukan integral, dilakukan interpolasi linear
Untuk data yang dikelompokkan, desil ke-k (Dk ) diperoleh dari,
)72.....(...........10
hf
fNk
LDd
sd
k
Dimana :L = Batas bawah kelas desilfsd = Jumlah frekwensi kelas-kelas sebelum kelas desilfd = Frekwensi kelas desilh = Lebar kelas
PERSENTILE
100
)1( kN
)72.....(...........100
hf
fNk
LPp
sp
k
Dimana :L = Batas bawah kelas persentilefsp = Jumlah frekwensi kelas-kelas sebelum kelas persentilefp = Frekwensi kelas persentileh = Lebar kelas
Persentil ke-k sekumpulan data adalah data ke-
setelah data diurut dari kecil ke besar.
Bila bukan integral, dilakukan interpolasi linear
Untuk data yang dikelompokkan, desil ke-k (Pk ) diperoleh dari,
100
)1( kN
CONTOH SOAL UKURAN LETAK
Contoh 2.6 :
Untuk data pada contoh-4, tentukan :a). Median
b). Q1 dan Q3 c). D3 dan P15
Penyelesaian :
Dibuat tabel berikut :
Class internal Frekwensi Frekwensi Kumulatif14.5-19.5 18 1819.5-24.5 74 9224.5-29.5 62 15429.5-34.5 26 18034.5-39.5 20 200 ------------- 200
PENYELESAIAN (LANJUT)
a). Median Kelas median = class internal ke-3
)5.(62
922
200
5.24Me
b). Q1 : Kelas quatile ke-1 = class interval ke-2
)5.(74
184
200
5.191Q
Q3 : Kelas quartile ke-3 = class interval ke-3
)5.(62
92)43
)(200(5.243Q
D3 :Kelas desil ke-3 = class interval ke-2
)5.(74
1810/)3)(200(5.193D
P15 :Kelas persentile ke-15 = class interval ke-2
)5.(74
18100/)15)(200(5.1915P
PENYELESAIAN (LANJUT)
MODUSUntuk menyatakan fenomena yang paling banyak terjadi atau paling banyak terdapat digunakan ukuran Modus
L
h
hff
fLMO
21
1
L= batas bawah kelas modus
h=lebar kelas interval
1f = Frekuensi kelas modus dikurangi frekuensi kelas interval terdekat sebelumnya
= Frekuensi kelas modus dikurangi frekuensi kelas interval terdekat berikutnya
2f
3. DASAR-DASAR STATISTIK INFERENSIA
Teori Probabilitas
Probabilitas suatu kejadian yang tak pasti adalah ukuran numerik mengenai besarnya peluang kejadian ini akan terjadi. Konsep probabilitas adalah relevant terhadap eksperimen-eksperimen yang mempunyai ketidak pastian.Experimen : Proses mengumpulkan data yang relevant dengan suatu fenomena yang menunjukkan variasi hasil pengamatannya.Kumpulan seluruh hasil pengamatannya mungkin untuk suatu eksperiment disebut sample space dari pada hasil pengamatan. Sample space dinyatakan dengan S .
Contoh :Akan ada 2 anak lahir esok hari disuatu kampung, yang diamati adalah apakah anak ini pria atau wanita. Tentukan elemen-elemen sample space nya.Jawab : S pp, wp, pw, ww
Kumpulan hasil pengamatan eksperimen (outcome) yang dikarakterisasikan oleh beberapa batasan-batasan tetentu disebut event ( kejadian ).Outcome elementer dari pada suatu sample space adalah elemen-elemen yang mempunyai peluang sama untuk terpilih sebagai hasil pengamatan eksperimen yang berhubungan dengan sample space ini.Bila suatu sample space terdiri atas k outcome elementen (e1,e2, ……….., ek ) yang mempunyai peluang sama untuk terjadi dan kejadian A terdiri atas m dari pada elemen-elemen ini, maka :
P (A) = m/k
DASAR-DASAR STATISTIK INFERENSIATeori Probabilitas
Tiga dasar operasi kejadian yaitu :UNIONINTERSECTIONCOMPLEMENTATION
Operasi-operasi Kejadian:
Union Intersection Complementation
A U B AB AC
P(AUB)=P(A)+P(B)-P(AB)
P(AC)=1-P(A)
HUKUM PERMUTASIJumlah susunan berbeda yang dapat dibentuk dengan r benda yang dipilih dari satu kelompok n benda dinyatakan dengan:
yang dibaca : jumlah permutasi r dari n
nrP
!!
rn
nP nr
Hukum Kombinasi Hampir sama dengan permutasi hanya saja urutan yang berbeda tak menyebabkan susunan berbeda. Kombinasi dinyatakan dengan
r
n
)!(!
!
rnr
n
r
n
DASAR-DASAR STATISTIK INFERENSIA
Teori Probabilitas
Probabilitas bersyarat ( Canditional Probability ) :Probabilitas suatu kejadian A sering berubah sesudah informasi diperoleh mengenai apakah suatu kejadian B terjadi atau tidak. Proabilitas ini disebut probabilitas bersyarat dari pada A asal B terjadi, simbolnya P [ A/B ].
)(
)()/(
BP
ABPBAP
DASAR-DASAR STATISTIK INFERENSIA
Teori Probabilitas
atau P ( AB ) = P ( A/B ) P ( B )
Untuk 3 kejadian A, B, C, :P ( ABC ) = P ( A) P ( B/A ) P ( C/AB )Kejadian A dan B tak bergantung satu sama lain ( independent ) bila :
P ( A/B ) = P ( A ) danP ( B/A ) = P ( B ) , berarti:
P ( AB ) = P ( A ) P ( B )
Kejadian A terjadi berhubungan dengan satu dan hanya satu dari pada kejadian-kejadian B1 , ……,BK yang membentuk suatu partisi dari pada ruang sampel menjadi himpunan-himpunan yang disjoint, dimana P(B1),….,P(Bk ), P (A/B1 ), ……………,P(A/BK) diketahui, akan dicari P (B1 /A) menurut teorema bayes :
DASAR-DASAR STATISTIK INFERENSIA
Teori Probabilitas
)/()(
)/()()/( 11
1
jj BAPBP
BAPBPABP
B1 B2 B3
A
TEOREMA BAYES
Contoh 3.1Satu unit barang diproduksi oleh 5 karyawan yang mengerjakan bagian-bagian yang berbeda, karyawan-karyawan ini mengerjakan tugasnya tak bergantung atu sama lain. Hasil pekerjaan karyawan-karyawan ini ada cacatnya, yaitu berturut-turut 1%, 2%, 3%, 2%, dan 1% untuk karyawan I, II, III, IV, dan V.Tentukan % produk :a). Prima ( yaitu produk yang seluruh bagin nya tidak cacat)b). Buangan ( yaitu produk yang seluruh bagiannya cacat ).
Penyelesaian :A = Kejadian dimana karyawan I bekerja tampa cacatB = Kejadian dimana karyawan II bekerja tampa cacatC = Kejadian dimana karyawan III bekerja tampa cacatD = Kejadian dimana karyawan IV bekerja tampa cacatE = Kejadian dimana karyawan V bekerja tampa cacata). P ( ABCDE ) = P ( A ) P ( B ) P ( C ) P ( D ) P ( E )
= ( 0,99 ) ( 0,98 ) ( 0,97 ) ( 0,98 ) ( 0,99 )b). P ( ACBCCCDCEC) = ( 0,01 ) ( 0,02 ) ( 0,03 ) ( 0, 02 ) ( 0,01 )
= 12 x 10-10
DASAR-DASAR STATISTIK INFERENSIATeori Probabilitas
Teori Probabilitas
DASAR-DASAR STATISTIK INFERENSIA
Contoh 3.2Probabilitas suatu penerbangan berangkat tepat pada waktunya P ( D ) adalah 0,83, probabilitas datang tepat pada waktunya P ( A ) adalah 0.92, dan probabilitas berangkat dan datang tepat pada waktunya P ( DA )adalah 0.78.(a)Tentukan probabilitas pada suatu penerbangan pesawat datang ( mendarat ) tepat pada waktunya, bila pesawat tersebut, berangkat tepat pada waktunya.(b)Tentukan probabilitas bahwa pada suatu penerbangan, sebuah pesawat berangkat tepat pada waktunya, bila diketahui pesawat tersebut mendarat tepat pada waktunya.(c)Tentukan probabilitas bahwa pada suatu penerbangan, sebuah pesawat berangkat dan mendarat terlambat.
Teori Probabilitas DASAR-DASAR STATISTIK INFERENSIA
94.083.0
78.0
)(
)()/(
DP
DAPDAP
c). P ( DCAC) = ? P (D) = P ( DA ) + P ( DAC) 0.83 = 0.78 + P ( DAC) P (DAC) = 0.83 – 0.78 = 0.05 P(AC) = P ( DAC) + P ( DCAC) P(AC) = 1- D(A) =1-0.92 = 0.08 P(DCAC) = 0.08 – 0.05 = 0.03
85.092.0
78.0
)(
)()/(
AP
DAPADP
Penyelesaian:
a)
b)
Teori Probabilitas
DASAR-DASAR STATISTIK INFERENSIA
Contoh 3.34 pembunuh hama a, b, c, dan d akan diuji dengan memberikan masing-masing pembunuh hama pada sebuah tanaman, dan 4 tanaman dipilih dari sederetan 10 tanaman. Ada berapa kemungkinan pemberian ke-4 pembunuh hama ini ?
Penyelesaian :Salah satu dari ke-10 tanaman dapat dipilih untuk membunuh hama a. Untuk setiap pilihan a, terdapat 9 tanaman yang sisa. Masing-masing tanaman ini bisa dipilih untuk b, demikian seterusnya.Menurut Product Rule : Jumlah kemungkinan pemberian ke-4 pembunuh hama ini adalah = 10 x 9 x 8 x 7 = 5040
DASAR-DASAR STATISTIK INFERENSIATeori Probabilitas
Contoh 3.4 :Komite penasehat mengenai tindak pidana terdiri atas 15 anggota. Dari ke 15 anggota ini, 9 diantaranya setuju, 4 diantaranya tidak setuju dan 2 diantaranya abstain. Seorang reporter ingin memilih secara acak 3 orang dari komite ini dan mencatat pandangan-pandangannya pada suatu siaran TV.Tentukan probabilitas bahwa paling sedikit 2 dari orang dipilih setuju dengan program tersebut.Tentukan probabilitas bahwa dua orang pertama dari orang-orang yang dipilih setuju dengan program, dan orang ketiga tidak setuju.
Penyelesaian :Definisikan :
A2 = Kejadian dimana 2 orang setuju programA3 = Kejadian dimana 3 orang setuju program
P (A2 UA3 ) = P(A2) + P(A3)
DASAR-DASAR STATISTIK INFERENSIATeori Probabilitas
455
216
2
15
1
6
2
9
)( 2
AP455
84
3
15
0
6
3
9
)( 3
AP
b). Dalam hal ini urutan perlu diperhatikan. P [ dua orang pertama setuju, orang ketiga tak setujui ] =
k
m
m = P29 x P1
4 = ( 9x8) ( 4 ) = 288
k = P315 = 15 x 14 x 13 = 2730
P [ 2 orang pertama setuju, orang ke-3 tak setuju ]
455
300
455
84
455
216)( 32 UAAP
Penyelesaian :a) Definisikan : A2 = Kejadian dimana 2 orang setuju program A3 = Kejadian dimana 3 orang setuju program P (A2UA3) = P(A2) + P(A3)
2730
288
Variabel Acak dan Distribusi Probabilitas
DASAR-DASAR STATISTIK INFERENSIA
Variabel acak adalah suatu fungsi yang harganya merupakan bilangan real yang ditentukan oleh masing-masing elemen didalam sample space. Variabel acak dinyatakan dengan simbol x.
e1
e2
e31 2 3 4
Kenapa dikatakan random variabel ? dikatakan random (acak) karena kita tak mengetahui sebelumnya elemen (simple event) mana yang terjadi dan harga x berapa yang diberikan.Yang perlu diperhatikan lagi adalah x disebut variabel, walaupun pada hakekatnya merupakan fungsi yang didefinisikan pada suatu sample space. Tabel yang menghubungkan harga variabel acak dan probabilitasnya disebut Tabel Distribusi Probabilitas.
DASAR-DASAR STATISTIK INFERENSIA
Dua produk A dan B diuji oleh 4 pelanggan yang kemudian menyatakan lebih menyukai A atau lebih menyukai B.(a)Tentukan elemen-elemen sample spacenya.(b)Difefinisikan variabel acak x sebagai jumlah orang lebih menyukai A dari pada B. tentukan tabel distribusi probabilitasnya.
COONTOH 3.5
Penyelesaian :a). Elemen-elemen sample space :
A A A A A A A B A A B B A B B B B B B B A A B A A B A B B A B B A B A A A B B A B B A B B A A A B A A B B B B A
B B A A B A B A
16
1)0( XP
16
4)1( XP
16
6)2( XP
16
4)3( XP
16
1)4( XPb)
16
1
16
4
16
6
16
4
16
1
x
P(X=x)
10 2 3 4
DASAR-DASAR STATISTIK INFERENSIA
JENIS VARIABEL ACAK
Ada dua jenis variabel acak yaitu:
Variabel Acak Diskrit
Yang harganya berupa bilangan bulat (integer)
seperti: banyak orang, banyak kali perlakuan
Variabel Acak Kontinue
Yang harganya bisa bulat atau pecahan
seperti: berat badan, suhu, tekanan, pH, Komposisi
DISTRIBUSI PROBABILITAS UNTUK VARIABEL ACAK YANG KONTINUE.
DASAR-DASAR STATISTIK INFERENSIA
Distribusi probabilitas untuk variabel acak kontinue tak dapat dinyatakan dalam bentuk tabel, tapi dalam bentuk grafik atau formula f ( x ) yang disebut fungsi probabilitas densitan.
Sifat-sifat fungsi densitas adalah :1. f ( x ) ≥ 0 untuk seluruh harga x
1)( dxxf2.
b
a
dxxf )(3. P( a<X<b)= Luas diabwah kurva
a b
f(x)
x
DASAR-DASAR STATISTIK INFERENSIA
Ekspektansi merupakan ukuran pusat untuk suatu distribusi probabilitas suatu variabel acak.Ekspektansi didefinisikan sbb :
EKSPEKTANSI
)()( ii xfxXE
Sifat-sifat Ekspektansi :E (a ) = aE ( bx ) = b E ( x )E ( x + a ) = E (x ) + aE ( a + bx ) = a + b E ( x )E ( a + bx + cx2 ) = a + b E ( x ) + c E ( x2 )
dxxfxXE )(
Untuk variabel acak diskrit
Untuk variabel acak kontinue
DASAR-DASAR STATISTIK INFERENSIA
Variance merupakan ukuran untuk suatu distribusi probabilitas variabel acak. Variabel didefinisikan :
VARIANCE
2222 )( XEXEXVar
)(XVarStandard Deviasi=
Sifat-sifat variance :Var ( x ) tak boleh negatif
Var ( x + a ) = Var ( x )Var ( b x ) = b2 Var ( x )
Var ( a + bx ) = b2 Var ( x )
Seorang pengusaha alat-alat listrik dapat membeli komponen listrik yang dibutuhkan dari dua supplier ( supplier A dan B ). Komponen-komponen ini dijual dalam kemasan kotak adalah $ 500,- dari supplier A dan $ 510,- dari supplier B. Bila ada komponen yang rusak biaya perbaikannya $ 7 = perkomponen. Dari pengalaman diketahui data distribusi probabilitas berikut.
0.4 0.4 0.2
Jumlah rusak per kotak,x
Prob(X=x)
0 1 2
Suplier B
Jumlah rusak per kotak,x
Prob(X=x)
0 1 2 3 4
0.1 0.2 0.3 0.3 0.1
Suplier A
DASAR-DASAR STATISTIK INFERENSIACONTOH 3.6
Dari supplier mana, pengusaha ini harus membeli komponen listrik yang dibutuhkan ?
DASAR-DASAR STATISTIK INFERENSIA
Penyelesaian :X = Jumlah komponen rusak perkotakCA = Biaya total perrkotak dari supplier ACB = Biaya total perrkotak dari supplier BCA = 500 + 7 xCB = 510 + 7xE ( CA ) = 500 + 7 E ( X ) = 500 + 7 [ ( 0 ) ( 0.1 ) + ( 1 ) ( 0.2 ) + ( 2 ) ( 0.3 ) + ( 3 ) ( 0.3 ) + ( 4 )( 0.1) ] = = $ 514.7E ( CB ) = 510 + 7 E (X) = 510 + 7 [ ( 0 ) ( 0.4 ) + ( 1 ) ( 0.4 ) + ( 2 ) ( 0.2 ) ] = $ 515.6Pengusaha ini harus membeli dari supplier A
DASAR-DASAR STATISTIK INFERENSIA Contoh 3-7 :Untuk distribusi probabilitas berikut :
x
f(x)
0 1 2 3
0.3 0.4 0.2 0.1
Tentukan : a. Prob [ x ≥ 2 ] b. Prob [ 0 < x ≤ 2 ] c. Var ( x ) ; sd ( x )
Penyelesaian :a). Prob [ x ≥ 2 ] = Prob [ x = 2 ] + Prob [ x = 3 ] = 0.2 + 0.1 = 0.3b). Prob [ 0< x ≤ 2 ] = Prob [ x = 1 ] + Prob [ x = 2 ] = 0.4 + 0.2 = 0.6c).Var(X)=E(X2)-μ2 E(X2) = ( 0 )2 ( 0.3 ) + ( 1 )2 ( 0.4 ) + ( 2 )2 ( 0.2 ) + ( 3 )2 ( 0.1 )
= 0 + 0.4 + 0.8 + 0.9 =2.1
1.2)( xVarSd (x)=
DASAR-DASAR STATISTIK INFERENSIA
0x
Contoh soal 3-8Masa pakai, dinyatakan dengan x, untuk semacam alat dapat dinyatakan oleh fungsi densitas ekspormensial dengan persamaan:
Tentukan peluang sebuah alat demikian yang dapat dipakai selama :a)Antara 3 dan 31/2 bulanb)Lebih dari 3 bulanc)Tentukan pula rata-rata masa pakainya.
xexf 5.05.0
Dimana: dalam bulan
Penyelesaian :5.3
3
5.0
5.05.3
3
5.0)5.33Pr( x
x
edxx
a. 0493.05,175.1 ee
2231.005.0)3Pr( 5.1
3
5.0
3
5.0
eedxex xxb.
0
5.0
0
5.05.0
00
2/15.0 dxeexdexdxxe xxxx 220
5.0 xec.
DASAR-DASAR STATISTIK INFERENSIADISTRIBUSI PROBABILITAS TEORITIS
Distribusi probabilitas teoritis ( model probabilitas) untuk suatu variabel acak x adalah suatu bentuk tertentu dari pada distribusi probabilitas yang dianggap mencerminkan kelakuan daripada x. dalam hal ini probabilitas dinyatakan dalam parameter-parameter yang tak diketahui yang berhubungan dengan karakteristik populasi.Ada persyaratan mengenai model probabilitas ini yaitu : - Kesesuaian dengan populasi - SederhanaAkan dipelajari model probabilitas untuk variabel acak diskrit dan kontinue.
DASAR-DASAR STATISTIK INFERENSIADISTRIBUSI PROBABILITAS TEORITIS UNTUK VARIABEL ACAK
DISKRIT.
Distribusi Binomial :
APerhatikan sebuah eksperimen yang hanya menghasilkan dua peristiwa A dan bukan A, atau
, dimana P ( A ) = π. Bila π tetap harganya, maka percobaan yang berulang-ulang dari eksperimen itu dinamakan percobaan Bernoulli.Sekarang lakukan percobaan Bernoulli sebanyak N kali secara independent, dimana x diantaranya menghasilkan kejadian A dan sisanya N – x kejadian bukan A
xNx
x
NxX
)1()Pr(
Ekspektensi dan variance untuk distribusi ini yang disebut distribusi binomial adalah :
μ = N π
= N π ( 1- π ) 2
DASAR-DASAR STATISTIK INFERENSIA
Distribusi Multinominal
Misal sebuah eksperimen menghasilkan peristiwa-peristiwa E1, E2, ………., Ek dengan peluang π1 = P (E1 ), π2 = P (E2 )……, πk = P (Ek ).Terhadap eksperimen ini kita lakukan percobaan sebanyak N kali. Maka peluang akan terdapat x1 peristiwa E1, χ2 peristiwa E2 , ……….., χk peristiwa Ek diantara N ditentukan oleh distribusi multinominal berikut.
KXXX
K
kkN
xXxXxX
.....!.....!.........!
!)Pr( 21
2121
......,22,11
Dengan χ1+ χ2+ ……………..+ χk = N dan π1 + π2 + ………….. + πk = 1Ekspektansi terjadinya tiap peristiwa E1, E2, …….., Ek berturut-turut adalah Nπ1, Nπ2, ……….,Nπk. Sedang variancenya masing-masing Nπ1 ( 1- π1 ), Nπ2 ( 1- π2 ), ……., Nπk ( 1- πk ).
DASAR-DASAR STATISTIK INFERENSIA
Distribusi Hipergeometrik :
Misal ada sebuah populasi erukuran N diantaranya terdapat D buah termasuk katagori tertentu. Dari populasi ini, sebuah sampel acak diambil berukuran n. Pertanyaan yang timbul : berapa peluang dalam sampel itu terdapat χ buah termasuk katagori tertentu itu ? jawabannya ditentukan oleh distribusi hipergeometrik berikut.
n
N
n
DN
x
D
xX
)Pr(
Ekspektunsi distribusi hipergeometrik adalah μ = E (x ) = n D/N
DASAR-DASAR STATISTIK INFERENSIA
Distribusi Geometrik :
Eksperiman E menghasilkan peristiwa A dengan peluang π dan bukan A dengan peluang ( 1- π ). Misal variabel acak x adalah jumlah percobaan ( ondependent ) yang harus dilakukan untuk mendapatkan peristiwa A pertama kali. Probabilitas P [ X=x ] = π ( 1- π )x-1 , x = 1,2,3, ……
DASAR-DASAR STATISTIK INFERENSIA
Distribusi Poisson :
Distribusi poisson digunakan untuk menentukan peluang sebuah kejadian yang terjadinya sangat jarang. Distribusi poisson dinyatakan dengan,
!)Pr(
x
mexX
xm
mXE )(
mXVar )(2
Untuk N besar π kecil, dan m besarnya sedang, distribusi Binomial mendekati distribusi Poisson
DASAR-DASAR STATISTIK INFERENSIA
DISTRIBUSI PROBABILITAS TEORITIS UNTUK VARIABEL ACAK KONTINUE
Distribusi Normal :
Salah satu distribusi probabilitas teoritis yang berlaku untuk variabel acak kontinue adalah distribusi normal yang diusulkan oleh pierre-Laylace dan Carl Gauss yang bentuk matematiknya adalah :
2
2
2
)(
2
1)(
x
exf
Dimana : f ( x ) = fungsi densitas μ = harga rata-rata
σ = standard deviasi
Distribusi normal dengan mean μ dan standard deviasi σ diberi simbol N(μ,σ)
x
Z
Didefinisikan variabel standard Normal:
Dalam hal ini distribusinya disebut distribusi standard normal yang mempunyai mean = 0 dan standard deviasi = 1 atau diberi simbol N ( 0,1 ). Telah dibuat tabel normal yang didasarkan pada variabel standard normal Z.
DASAR-DASAR STATISTIK INFERENSIA
Pendekatan normal untuk distribusi binomial
Bila x mengikuti distribusi binomial b ( n,p ) dimana n besar dan b tak terlalu dekat dengan 0 atau 1, maka distribusi daripada variabel standard :
nPq
nPxZ
adalah mendekati N ( 0,1 ).
pnp
npbZ
pnp
npaobbxaob
11Pr)(PrBerarti:
pnp
npbZ
pnp
npaobbxaob
1
5.0
1
5.0Pr)(Pr
Dengan koreksi, perhitungan lebih teliti:
Menguji asumsi distribusi normal :
DASAR-DASAR STATISTIK INFERENSIA
Metode I : Menghitung proporsi pengamatan-pengamatan disekitar mean. Bila distribusi Normal :
3
1,Pr xxob
20
12,2Pr xxob
300
13,3Pr xxob
sx ,
Untuk sampel besar:
1. Hitung jumlah pengamatan-pengamatan di luar interval :
2. Bagi dengan jumlah total pengamatan. Bandingkan dengan harga-harga teoritas
3)1(
/ˆ
n
pppp3. Bila: → Tidak normal
sxsxsxsxsxsx 3,3,2,2,,
DASAR-DASAR STATISTIK INFERENSIA
Metode II : Menggunakan normal protability paper 1. Urutkan n pengamatan-pengamatan dari kecil ke besar. 2. Pilih skala pada sb. horizontal untuk mengakomodasi seluruh pengamatan- pengamatan. 3. Plot modified cumulative relative frequency ( i – 1 )/n pada sb. Vertikal versus harga pengamatan urutan ke-i pada sb.horizontal. 4. Bila plot menyimpang dari garis lurus → tak normal Bila plot menuruti garis lurus → normal
Menguji asumsi distribusi normal :
DASAR-DASAR STATISTIK INFERENSIA
Normal Probability Paper (Kertas Peluang Normal)
DASAR-DASAR STATISTIK INFERENSIA
Normal Probability Paper (Kertas Peluang Normal)
Bila pengujian menghasilkan kesimpulan bahwa distribusi tak normal. Maka bisa dilakukan transformasi pengamatan-pengamatan untuk memperoleh distribusi yang hampir normal yaitu :Membuat harga menjadi lebih besar : x2, x3, …..Membuat harga menjadi lebih kecil :
TRANSFORMASI VARIABEL
DASAR-DASAR STATISTIK INFERENSIA
,........1
,log,, 4
xxxx
Contoh soal 3-9Setiap partai barang kiriman terdiri dari 100 unit. Pembeli setuju untuk membeli kiriman partai barang tersebut jika dalam sebuah sample acak terdiri dari 10 unit, paling banyak berisi satu unit rusak. Partai barang berisi 10% unit rusak. Tentukan peluang bahwa pembelian akan terjadi.
Penyelesaian :Digunakan distribusi hipergeometrik.
n
N
n
DN
x
D
xXob
)(PrN = 100, D = ( 0.1 ) ( 100 ) = 10
n = 10
Akan dicari P [ x ≤ 1 ] P [ x ≤ 1 ] = P [ x = 0 ] + P [ x = 1 ]
10
100
110
10100
1
10
10
100
010
10100
0
10
10
100
9
90
1
10
10
100
10
90
0
10
DASAR-DASAR STATISTIK INFERENSIA
7385.04080.03305.0107310309.1
100625252.710
107310309.1
107206454.51
!90!10!100
!81!9!90
!9!1!10
!90!10!100
!80!10!90
!10!0!10
13
11
13
12
x
xx
x
xx
DASAR-DASAR STATISTIK INFERENSIAContoh 3-10
Jumlah permintaan nomor telepon melalui operator dari jam 10.00 s/d 10.15 teristribusi poisson dengan rata-rata 3. Tentukan peluang bahwa pada suatu hari dalam waktu tersebut operator.a.Tak menerima permintaanb.Menerima kurang dari 3 permintaanc.Menerima lebih dari 3 permintaan
Penyelesaian
Distribusi Poisson : !/)(Pr xexXob
0498.0!0/3)0(Pr) 303 eeXoba
b) P [ x < 3 ] = P [ x = 0 ] + P [ x = 1 ] + P [ x = 2 ]!2
3.
!1
3.
!0
3. 23133
eee
c) P [ x > 3 ] = 1 – P [ x ≤ 3 ] = 1 - { P [ x = 0 ] + P [ x = 1 ] + P [ x = 2 ] + P [ x = 3 ] } =
= 0.0498 + 0.1494 + 0.2241 = 0.4233
}!3
3
!2
3.
!1
3.
!0
3.{1
33231303
eeee =1-(0.0498 + 0.1494 + 0.2241+ ) =
Contoh 3-11Suatu survey yang dilaksanakan 5 tahun yang lalu menunjukkan 30 % populasi orang dewasa disuatu kota adalah penderita penyakit tekana darah tinggi. Bila keadaan ini berlalu sampai sekarang, berapa probabilitas bahwa dalam sampel acak yang terdiri dari 1000 orang dewasa dari kota lain, jumlah penderita penyakit tekanan darah tingginya adalah :a). Kurang dari 280b). 316 atau lebih
DASAR-DASAR STATISTIK INFERENSIA
Penyelesaian :Didefinisikan : variabel acak x adalah jumlah penderita penyakit tekanan darah tinggi dalam sampel acak yang terdiri dari 1000 orang dewasa.
N = 1000 π = 0.3μ = N = ( 1000 ) ( 0.3 )= 300
5.14)3.01)(3.0)(1000()1( N
a). P [ x < 280 ] = P [ x ≤ 279 ]
)5.14
300279(Pr Zob P [ Z ≤ - 1.45 ] = 0.074
dengan koreksi :P ( x ≤ 279 ) = )
5,14
3005,279(
ZP = P ( Z ≤ - 1,414 ) = 0,079
b). P ( x ≥ 316 ) )5,14
300316(
ZP = P ( Z ≥ 1,103 ) = 1-0,865 = 0,135
dengan koreksi :
P ( x ≥ 316 )
)5,14
3005,315(ZP P ( Z ≥ 1.069 ) = ………………
DASAR-DASAR STATISTIK INFERENSIA
Contoh 3-12Disuatu daerah, peluang akan terjadi banjir pada sebarang hari antara 1 Oktober – 31 Desember sama dengan 0,30. misalkan terjadinya banjir dari hari ke hari independent. Tentukan besarnya peluang akan terjadi banjir pertama kali pada tanggal 29 Nopember ?
Penyelesaian :Digunakan distribusi geometrik :P ( x = χ ) = π ( 1- π ) x-1
π = 0,31 Oktober → 29 Nopember → 60 hari χ = 60P ( x = 60 ) = 0,3 ( 1-0,3 ) 60-1 = ……………..
DASAR-DASAR STATISTIK INFERENSIA
Contoh soal 3-13Daya tahan setiap gulung tali ( masing-masing 10 m ) dinyatakan dalam kilogram ternyata terdistribusi normal dengan rata-rata 50 kg dan dengan baku 4 kg. Untuk gulungan tali dengan daya tahan kurang dari 48 kg diperkirakan mendapat keuntungan Rp. 5,-/ gulung. Untuk yang lebih dari 52 kg keuntunganya Rp. 35,-/gulung . sisanya mendapat keuntungan Rp. 15,-/gulung. Tentukan keuntungan yang diharapkan untuk tiap gulung.
Penyelesaian :
3085.05.0Pr4
5048Pr48Pr
ZobZobXob
Prob ( x ≥ 52 ) = 1 – Prob ( x ≤ 52 ) 3085.06915.014
5052Pr1
Zob
Prob ( 48 ≤ x ≤ 52 ) = Prob ( x ≤ 52 ) – Prob ( x ≤ 48 )
DASAR-DASAR STATISTIK INFERENSIA
5.0Pr5.0Pr4
5048Pr
4
5052Pr ZobZobZobZob
= 0,6915 – 0,3085 = 0,383
Keuntungan per gulung =Prob( x ≥ 52)(35)+Prob(48≤ x ≤ 52 )(15)+Prob(x≤5)(5)=
DISTRIBUSI SAMPLING
Sampel Acak :Sampel acak dengan ukuran n dari suatu populasi yang mempunyai distribusi f (x) adalah kumpulan n variabel random ( variabel acak ) yang independent x1 , x2 , ……xn. masing-masing mempunyai distribusi f ( x ).Sampel acak bisa diperoleh bila setiap anggota populasi mempunyai peluang sama untuk terpilih sebagai anggota sampel.
Adalah suatu fungsi dari pada pengamatan-pengamatan sampel.Contoh : Sampel mean
Statistic :
Sampel median MeSampel variance S2
x
DASAR-DASAR STATISTIK INFERENSIA
Distribusi Sampling :
Sebagai fungsi dari pada variabel-variabel acak x1, x2, ……xn. Statistik juga sebagai variabel acak dan mempunyai distribuisi. Distribusinya disebut distribusi sampling dari pada statistic tersebut.
Contoh : distribusi sampling untuk rata-rata sampel
Ekspektansi dan variance untuk distribusi ini bisa diperoleh sebagai berikut :
nn
XEXEXE
n
XXXEXE nn ........... 2121
nnn
XVarXVarXVar
n
XXXVarXVar nn
2
2
222
22121 .........
DASAR-DASAR STATISTIK INFERENSIA
Central Limit Theoreme :Walaupun distribusi populasi tidak normal distribusi sampling untuk x
akan mendekati normal bilamana ukuran sampel cukup besar.
x x
DASAR-DASAR STATISTIK INFERENSIA
Contoh 3-14 :
Sebuah perusahaan susu bubuk memproduksi susu dalam kemasan kantong plastik dengan berat rata-rata 400 gram dan standard deviasi 4 gram. Berat kantong plastik ini terdistribusi normal. Bila diambil 5 kantong dan dihitung rata-ratanya, berapa probabilitasnya rata-rata ini terletak pada 400 dan 405 gram.
Penyelesaian :
μ = 400 σ = 4 n
xZ
/
79.20Pr
5/4
4004050Pr405400Pr ZobZobXob
4974.05.09974.00Pr79.2Pr ZobZob
DASAR-DASAR STATISTIK INFERENSIA
DASAR-DASAR STATISTIK INFERENSIA
KONSEP DASAR PENGUJIAN HIPOTESA
Hipotesa Statistik adalah pernyataan tentang parameter populasi. Kebenarannya akan dianalisa (dievaluasi) berdasar informasi yang diperoleh dari data sampel populasi ini.
Karena pernyataan ini mungkin benar atau salah, maka terdapat dua hipotesa yang paling mengisi (komplemen) yaitu : Hipotesa null : H0
Hipotesa alternatif : H1
Kesimpulan suatu hipotesa statistik belum tentu benar. Ada peluang bahwa kesimpulan ini salah.
Dalam hal ini dikenal dua type kesalahan yaitu : Kesalahan type I : Kesalahan dalam hal menyalahkan hipotesa Ho yang seharusnya benar. Kesalahan type II : Kesalahan dalam hal membenarkan hipotesa Ho yang seharusnya salah.
DASAR-DASAR STATISTIK INFERENSIA
Kesimpulan pengujian hipotesa
Kenyataan sebenarnyaHo benar
Kenyataan sebenarnyaHo salah
Ho di terima Kesimpulan benar Kesimpulan salah (kesalahan type II)
Ho di tolak Kesimpulan salah (kesalahan type I)
Kesimpulan benar
DASAR-DASAR STATISTIK INFERENSIA
Didefinisikan :
=Prob (terjadinya kesalahan type I)
= Prob (terjadinya kesalahan typr II)
β
Diharapkan harga βdan Kedua nya kecil.
Namun hal ini tak mungkin.
Karena bila βmakin kecil, makin besar
Dalam pengujian hipotesa, kesalahan type I lebih diperhatikan dari pada kesalahan type II. Oleh karena distribusi harga batas (harga kritis) untuk kesalahan type I yang di sebut significance level
SIGNIFICANT LEVEL
= 0.01 - 0.05
DASAR-DASAR STATISTIK INFERENSIAPerumusan Hipotesa :
Misal θ adalah parametca populasi yang akan dibuat pernyataan dalam hipotesanya.Ada beberapa jenis perumusan hipotesa :
01
00
:
:
H
H
01
00
:
:
H
H
01
00
:
:
H
H
Two tail test atau Two Sided Test
One tail test atau One sided test
DASAR-DASAR STATISTIK INFERENSIA
Langkah-langkah umum dalam pengujian Hipotesis
1. Buat prumusan hipotesa2. Pilih statistik pengujian3. Tentukan distribusi sampling untuk statistik pengujian4. Tentukan harga standard statistik pengujian dengan anggapan Ho benar.5. Pilih harga significance level α. Dan berdasar harga α ini, tentukan daerah penolakan dan penerimaa nya.6. Buat kesimpulan.
DASAR-DASAR STATISTIK INFERENSIAPengujian Hipotesa terhadap Mean Populasi
Jenis-jenis rumusan hipotesa:
01
00
:
:
H
HI
01
00
:
:
H
HII
01
00
:
:
H
HIII
Staistik pengujian: X
Ditinjau beberapa kasus:
A. σ diketahui
Distribusi sampling untuk X mengikuti distribusi Normal
n
X
n
X
XVar
XEXZ
//2
Harga Z dihitung dengan anggapan H0 benar, atau dihitung Z0
n
XZ
/0
0
DASAR-DASAR STATISTIK INFERENSIA
Daerah penolakan untuk significance level α:
Hipotesa Jenis I:
α/2α/2
Zα/2 = - Z(1-α/2) Z(1-α/2)
ditolakH
ZZ
atau
ZZ
0
)2/1(0
)2/1(0
Bila: - Z(1-α/2) ≤ Z0 ≤ Z(1-α/2) H0 tak dapat ditolak
DASAR-DASAR STATISTIK INFERENSIA
Hipotesa Jenis II:
α
Z(1-α)
Bila: Z0 > Z(1-α) H0 ditolak ≤ Z(1-α) H0 tak dapat ditolak
Hipotesa Jenis III:
α
Zα = - Z(1-α)
Bila: Z0 < - Z(1-α) H0 ditolak ≤ -Z(1-α) H0 tak dapat ditolak
DASAR-DASAR STATISTIK INFERENSIA
σ tak diketahui
Dalam hal ini distribusi sampling untuk X
mengikuti distribusi student-t dengan derajat kebebasan n-1nS
Xt
/0
0
Daerah penolakan untuk taraf nyata (significance level) α adalah:
Hipotesa Jenis I:
α/2α/2
- t(α/2,n-1) t(α/2,n-1)
ditolakH
tZ
atau
tt
n
n
0
)1,2/(0
)1,2/(0
Bila: - t(α/2,n-1) ≤ t0 ≤ t(α/2,n-1) H0 tak dapat ditolak
DASAR-DASAR STATISTIK INFERENSIA
Hipotesa Jenis II:
α
t(α,n-1)
Bila: t0 > t(α,n-1) H0 ditolak ≤ t(α,n-1) H0 tak dapat ditolak
Hipotesa Jenis III:
α
- t(α,n-1)
Bila: t0 < - t(α,n-1) H0 ditolak ≥ -t(α,n-1) H0 tak dapat ditolak
DASAR-DASAR STATISTIK INFERENSIA
Pengujian Hipotesa terhadap proporsi
Jenis-jenis rumusan hipotesa:
01
00
:
:
H
HI
01
00
:
:
H
HII
01
00
:
:
H
HIII
Statistik pengujian: p=proporsi sampel n
Xp
Asalkan n besar, distribusi sampling untuk proporsi sampel p mengikuti distribusi normal.
n
p
pVar
pEpZ
)1(
Untuk uji hipotesa, harga Z dihitung dengan anggapan H0 benar, yaitu:
n
pZ
)1( 00
0
Daerah penolakan untuk significance level α , lihat II.4.1
DASAR-DASAR STATISTIK INFERENSIAPengujian Hipotesa terhadap variance
Jenis-jenis rumusan hipotesa:
20
21
20
20
:
:
H
HI
20
21
20
20
:
:
H
HII
20
21
20
20
:
:
H
HIII
Statistik pengujian: S2
Asalkan distribusi populasi adalah normal,
2
2
1
Sn
akan mengikuti distribusi Chi Square dengan derajat kebebasan n-1.
2x dengan anggapan H0 benar, Untuk pengujian hipotesa, dihitung harga
yaitu dihitung,
20
220
1
Sn
x
DASAR-DASAR STATISTIK INFERENSIADaerah penolakan untuk taraf nyata α :
Hipotesa jenis I:
2/
2
1,2
1
nx
2x 2
1,2
nx
2/2
1,2
20
nxx
2
1,2
1
20
nxx
H0 ditolak Bila:
atau
Hipotesa jenis II:
Hipotesa jenis III:
21, nx
2x
2
1,1 nx 2x
α
21,1
20 nxx
21,
20 nxx Bila: H0 ditolak
H0 ditolak Bila:
DASAR-DASAR STATISTIK INFERENSIAPengujian Hipotesa untuk membandingkan mean dua populasi
Ditinjau dua kasus: Pengamatan tak berpasangan dan pengamatan berpasangan.
A. Pengamatan tak berpasangan
Populasi A
Populasi B
AB
Asaumsi: Populasi A dan B terdistribusi Normal, dan pengambilan sampel secara acak.
Jenis-jenis rumusan hipotesa:
BA
BA
H
HI
:
:
1
0
BA
BA
H
HII
:
:
1
0
BA
BA
H
HIII
:
:
1
0
Statistik pengujian BA XX
DASAR-DASAR STATISTIK INFERENSIA
Ditinjau beberapa kasus.222 BAA1. diketahui
Dalam hal ini distribusi sampling untuk BA XX mengikuti distribusi Normal yaitu:
BA
BABA
nn
XXZ
11
Untuk menguji hipotesa dihitung,
BA
BA
nn
XXZ
110
Daerah penolakan untuk significance level α , lihat II.4.1
DASAR-DASAR STATISTIK INFERENSIA
A2. 222 BA tak diketahui
Dalam hal ini distribusi sampling untuk BA XX
mengikuti distribusi Student-t dengan derajat kebebasan 2 BA nn yaitu:
BAP
BABA
nnS
XXt
11
Dimana PS adalah estimasi sampel untuk harga yaitu,
2
11 22
BA
BBAAP nn
SnSnS
Untuk menguji hipotesa dihitung,
BAP
BA
nnS
XXt
110
DASAR-DASAR STATISTIK INFERENSIADaerah penolakan untuk taraf nyata (significance level) α adalah:
Hipotesa Jenis I:
α/2α/2
2,
2BA nn
t
2,
2BA nn
t
Bila:
ditolakH
tt
atau
tt
BA
BA
nn
nn
0
)2,2
(0
)2,2
(0
Hipotesa Jenis II:
α
α
Hipotesa Jenis III:
2, BA nnt
2, BA nnt
2,0 BA nntt
2,0 BA nntt
Bila H0 ditolak
Bila H0 ditolak
DASAR-DASAR STATISTIK INFERENSIA
A3. 22BA ,A B diketahui
Dalam hal ini distribusi sampling untuk BA XX mengikuti distribusi Normal yaitu:
B
B
A
A
BABA
nn
XXZ
22
Untuk menguji hipotesa dihitung,
B
B
A
A
BA
nn
XXZ
220
Daerah penolakan untuk significance level α , lihat II.4.1
DASAR-DASAR STATISTIK INFERENSIAA4. 22
BA ,A B Tak diketahui
Dalam hal ini distribusi sampling untuk BA XX mengikuti distribusi Student-t yaitu:
B
B
A
A
BABA
n
S
n
S
XXt
22
Untuk menguji hipotesa dihitung,
B
B
A
A
BA
n
S
n
S
XXt
220
Daerah penolakan untuk significance level α lihat III.4.4.A2
DASAR-DASAR STATISTIK INFERENSIAB. Pengamatan berpasangan
Statistik pengujian:
d (rata-rata dari masing-masing beda pasangan)
Rumusan hipotesa:
0:
0:
1
0
H
H
0:
0:
1
0
H
H
0:
0:
1
0
H
H
Untuk menguji hipotesa, dihitung: nS
dt
d /0 n = banyak pasangan
1
2
n
ddS id
Daerah penolakan, lihat III.4.1 B.
DASAR-DASAR STATISTIK INFERENSIA
Pengujian Hipotesa untuk membandingkan proporsi dua populasi
Rumusan hipotesa:
BA
BA
H
H
:
:
1
0
BA
BA
H
H
:
:
1
0
BA
BA
H
H
:
:
1
0
Statistik pengujian: BA PP
Distribusi sampling untuk BA PP mengikuti distribusi Normal asal ukuran sampel besar
B
BB
A
AA
BABA
BA
BABA
nn
PP
PPVar
PPEPPZ
11
Untuk menguji hipotesa, harga Z dihitung fdengan anggapan H0 benar, yaoitu dihitung:
BA
BA
BA
BA
nnPP
PP
nn
PPZ
111
111
0
BA
Ba
B
BB
A
AA nn
xxP
n
xP
n
xP
,,
Daerah penolakan: lihat III.4-1
DASAR-DASAR STATISTIK INFERENSIAPengujian Hipotesa untuk membandingkan variance dua populasi
Rumusan hipotesa:
221
220
:
:
BA
BA
H
H
22
1
220
:
:
BA
BA
H
H
22
1
220
:
:
BA
BA
H
H
Statistik pengujian: 2
2
B
A
S
S
Asalkan distribusi populasi A dan B adalah Normal, distribusi sampling untuk 22
22
/
/
BB
AA
S
S
mengikuti distribusi F dengan derajat kebebasan pembilang 1An
dan derajat kebebasan penyebut 1Bn
Untuk pengujian hipotesa, dihitung harga F dengan anggapan H0 benar, yaitu dihitung:
2
2
0B
A
S
SF
DASAR-DASAR STATISTIK INFERENSIA
1,1,2
BA nnF
1,1,
21 bA nn
F
2/2/
F
2
1,1,2
0
BA nn
FF
1,1,2
10
BA nnFF
H0 ditolak
1,1, BA nnF
1,1,0
BA nnFF H0 ditolak
H0 ditolak
α
1,1,10 BA nnFF
TEORI MENAKSIR
Ada dua taksiran yaitu: Taksiran titik (point estimate) dan Taksiran interval (interval estimate).
Tujuan: Menaksir harga parameter-parameter populasi.
Taksiran titik: Ada dua taksiran titik:Unbiased estimate dan biased estimate
Unbiased estimate:
merupakan unbiased estimate untuk
merupakan biased estimate untuk
ˆE
ˆE
bila
bila
unbiased estimate untuk
unbiased estimate untuk
X
PS
biased estimate untuk
XE
PE
SE
karena
karena
karena
Taksiran interval
TEORI MENAKSIR
Taksiran interval untuk dengan koefisien kepercayaan atau dikatakan
% confidence interval untuk adalah: AB dimana,
ABobPr
Atau dikatakan kita percaya dengan kepercayaan % bahwa harga
berada diantara B dan A.
TEORI MENAKSIRConfidence Interval untuk Mean Populasi μ dengan koefisien kepercayaan
Bila σ diketahui
2/12/1
Zn
XZn
X
1,2
11,
2
1nn
tn
sXt
n
sX
Bila σ tak diketahui
2
1
2
1
11
Z
n
PPPZ
n
PPP
Confidence Interval untuk Variance Populasi dengan koefisien kepercayaan
Confidence Interval untuk Proporsi Populasi dengan koefisien kepercayaan
2
1,2
1
22
2
1,2
1
2 11
nnx
sn
x
sn
TEORI MENAKSIRConfidence Interval untuk Beda Rata-rata (mean) dua Populasi dengan koefisien kepercayaan
2
1
2
1
1111 Z
nnXXZ
nnXX
BA
BABABA
BA
2,2
12,
2
1
1111
BABA nnBA
PBABAnn
BAPBA t
nnsXXt
nnsXX
2
1
22
2
1
22
Znn
XXZnn
XXB
B
A
ABABA
B
B
A
ABA
2
1
22
2
1
22
Zn
s
n
sXXZ
n
s
n
sXX
B
B
A
ABABA
B
B
A
ABA
222 BA diketahui
222 BA tak diketahui
22BA ,A B diketahui
tak diketahui 22BA ,A A
TEORI MENAKSIRConfidence Interval untuk Rata-rata Beda δ dengan koefisien kepercayaan
1,2
11,
2
1n
d
n
d tn
sdt
n
sd
Confidence Interval untuk Beda Proporsi dua Populasi dengan koefisien kepercayaan
2
1
2
1
1111
Z
n
PP
n
PPPPZ
n
PP
n
PPPP
B
BB
A
AABABA
B
BB
A
AABA
Confidence Interval untuk Perbandingan Variance dua Populasi dengan koefisien kepercayaa
1,1,
2
1
22
2
2
1,1,2
1
22 //
BABA nn
BA
B
A
nn
BA
F
SS
F
SS
CONTOH-CONTOH SOAL
Suatu model fisik mensyaratkan bahwa rata-rata kenaikan suhu air pendingin dalam ruang kompressor tak boleh lebih dari 50C. Kenaikan suhu air pendingin pada unit kompressor ini diukur dalam 8 run percobaan yang independen dan diperolewh data berikut: 6.4, 4.3, 5.7, 4.9, 6.5, 5.9, 6.4, 5.1
Apakah data ini menunjukkan bahwa persyaratan model fisik dilampaui? (α=0.05)Tentukan 95% confidence interval untuk rata-rata kenaikan suhu air pendingin.
CONTOH 1
Penyelesaian:Hipotesa yang
diuji:5:
5:
1
0
H
H
Statistik pengujian: X Karena σ tak diketahui, distribusi sampling untuk X
mengikuti distribusi student-t dengan derajat kebebasan 8-1=7.
ns
Xt
/
0t
:
Untuk menguji hipotesa dihitung
0t
:
ns
Xt
/0
0
65.58
1.54.69.55.69.47.53.44.6
X
8106.0
18
65.581.5.....3.44.6
1
22221
22
n
Xnxs
n
ii
265.28/8106.0
565.50
t 895.17,05.0 t
895.1265.20 tKarena H0 ditolak.
Jadi data menunjukkan bahwa persyaratan model fisik dilampaui.
b) 95% confidence interval untuk μ adalah:
1,2
11,
2
1nn
tn
sXt
n
sX 365.27,025.0
18,2
95.011,
2
1
ttt
n
CONTOH-CONTOH SOAL
365.28
8106.065.5365.2
8
8106.065.5 328.6972.4
CONTOH-CONTOH SOALCONTOH 2
Suatu penelitian yang dilakukan pemerintah menunjukkan bahwa laju oengangguran tingkat nasional adalah 7.8%. Suatu group peneliti mengambil sampel acak yang terdiri dari 1600 orang angkatan kerja dalam suatu daerah. Ternyata 96 diantaranya menganggur. A) Apakah ini menunjukkan bahwa angka pengangguran di daerah ini lebih kecil dari pada angka pengangguran skala nasional (α=0.05). B) Tentukan 95% confidence interval untuk laju pengangguran didaerah ini.
Penyelesaian: Hipotesa yang diuji:H0 : π ≥ 0.078
H1 : π < 0.07806.0
1600
96p
Untuk menguji hipotesa ini dihitung:
686.2
1600
078.01078.0
078.006.0
1 00
00
n
pZ
645.105.0 Z
05.00 ZZ H0 ditolak
Jadi data menunjukkan bahwa angka pengangguran didaerah ini lebih kecil dari pada angka pengangguran skala nasional
CONTOH-CONTOH SOALb) 95% confidence interval untuk π adalah:
2
1
2
1
11 Z
n
pppZ
n
ppp
2
95.01
2
95.01 1600
06.0106.006.0
1600
06.0106.006.0 ZZ
1.96
0716.0048.0
Lembaran-lembaran plastic yang dihasilkan suatu mesin secara periodik dimonitor untuk melihat adanya fluktuasi ketebalan. Ketidak seragaman viskositas liquida bahan baku membut fluktuasi ketebalan ini tak dapat dihindari. Tapi bila simpangan baku sesungguhnya untuk ketebalan plastic ini melebihi 1.5 mm, kualitas produk dikatakan jelek. Pada suatu shift diukur ketebalan 10 contoh plastic yang dihasilkan mesin ini dan diperoleh data berikut: 226, 228, 226, 225, 232, 228, 227, 229, 225, 230.a) apakah data ini menunjukkan bahwa variability proses sudah melebihi tingkat yang diijinkan? (α=0.05)b) tentukan 95% confidence interval untuk σ
CONTOH-CONTOH SOAL
Penyelesaian:
Hipotesa yang diuji: H0 : σ2 ≤ 2.25H1 : σ2 > 2.25
6.22710
230225229227228232225226228226
X
04.5
110
6.22710230.........226228226
1
222221
22
2
n
XnXS
n
ii
Contoh 3
Untuk menguji hopotesa ini dihitung:
16.20
25.2
04.5110120
220
Sn
919.1629,05.0
919.1620 H0 ditolak
Variabilitas proses sudah melebihi batas yang diijinkan.
b) 95% confidence interval untuk σ2 adalah:
2
1,2
1
22
2
1,2
1
2 11
nn
SnSn
70039.2
0228.19
29,975.0
2
1,2
1
29,025.0
2
1,2
1
n
n
70039.2
04.5110
0228.19
04.5110 2
795.163845.2 2
098.4544.1
CONTOH-CONTOH SOAL
CONTOH-CONTOH SOAL
Sepuluh orang pasien melakukan diet. Berat badan sebelum dan sesudah diet ditimbang untuk mengetahui apakah diet ini berhasil atau tidak. Hasilnya dalam kg diberikan berikut ini,
CONTOH 4
Pasien Berat sebelum diet, kg Berat sesudah diet, kg
123456789
10
78.384.777.495.682.069.479.785.692.899.2
77.483.275.792.480.268.176.983.990.495.2
CONTOH-CONTOH SOAL
a) dapatkah disimpulkan bahwa diet yang dilakukan berhasil (α=0.05)b) tentukan 95% confidence interval untuk rata-rata beda berat badan sebelum dan sesudah diet
PenyelesaianHipotesa yang diuji:H0 : δ ≤ 0H1 : δ > 0Dari data dapat dihitung beda berat badan sebelum dan sesudah diet yaitu:
Pasien 1 2 3 4 5 6 7 8 9 10
beda 0.9 1.5 1.7 3.2 1.8 1.3 2.8 1.7 2.4 4
13.210
4............7.15.19.0
d
166.0
110
13.2104...5.19.0
1
222222
n
dnds id
58.4010/166.0
13.2
/0
ns
dt
d
833.19,05.0 t
9,05.00 tt H0 ditolak atau dapat disimpulkan bahwa diet yang telah dilakukan berhasil
CONTOH-CONTOH SOAL
b) 95% confidence interval untuk δ adalah
9,025.09,025.0 tn
sdt
n
sd dd
262.210
166.013.2262.2
10
166.013.2
249.2011.2
CONTOH-CONTOH SOAL
Disuatu daerah 158 dari 496 wajib pajak ternyata lalai untuk melunasi pajaknya. Didaerah lain kelalaian ini terdapat sebanyak 147 dari 509.Selidiki apakah kelalaian pelunasan pajak dikedua daerah tersebut berbeda secara nyata atau tidak?Penyelesaian:Hipotesa yang diuji:H0 : π1 = π2H1 : π1 ≠ π2Untuk menguji hipotesa ini dihitung,
Contoh 5
21
210
111
nnpp
ppZ 303.0
509496
147158
21
21
nn
xxp 289.0
509
147318.0
496
15821 pp
996.0
509
1
496
1303.01303.0
289.0318.00
Z 96.196.1
2
975.0
21
ZZZ
Karena: 96.196.1 0 Z H0 tak dapat ditolak. Jadi kelalaian pelunasan pajak dikedua daerah tersebut tak berbeda nyata.
CONTOH-CONTOH SOALContoh 6
Sembilan sampel diambil dari dua sungai, empat dari sungai A dan 5 dari sungai B. Kadar polutan dikesembilan sampel tersebut diukur dan diperoleh data berikut,
Kadar polutan sungai A (ppm) Kadar polutan sungai B, ppm
16121411
910865
a)Diklaim bahwa sungai B lebih bersih dari pada sungai A. Apakah klaim ini didukung oleh data?b)Tentukan 95% confidence interval untuk beda rata-rata kadar polutan dikedua sungai.
CONTOH-CONTOH SOAL
Penyelesaian:Hipotesa yang diuji:H0 : μA ≤ μBH1 : μA > μBUntuk menguji hipotesa ini dihitung,
BAp
BA
nnS
XXt
110
2
11 22
BA
BBAAp nn
SnSnS
6.75
568109
25.134
11141216
B
A
X
X
92.414
25.13411141216 222222
AS
3.4
15
6.75568109 2222222
BS
14.2
254
3.41592.414
pS92.3
5
1
4
114.2
6.725.130
t 895.17,05.0 t
Karena 895.192.30 t → H0 ditolak
Berarti klaim bahwa sungai B lebih bersih dari pada sungai A didukung oleh data
CONTOH-CONTOH SOAL
a)95% confidence interval untuk μA-μB adalah,
2,
22,
2
1111
BABA nnBA
pBABAnn
BApBA t
nnSXXt
nnSXX
7,025.07,025.0 5
1
4
114.26.725.13
5
1
4
114.26.725.13 tt BA
325.25
1
4
114.26.725.13325.2
5
1
4
114.26.725.13 BA
045.9255.2 BA
ANALISA REGRESI
Dibedakan dua jenis variabel Variabel bebas Variabel tak bebas atau variabel respon
Variabel bebas dinyatakan dengan x1 , x2 , x3 …… Variabel tak bebas dinyatakan dengan y
Dalam analisa Regresi, akan dicari hubungan fungsional antara variabel tak bebas y dan variabel bebas. Persamaan ini dinyatakan dalam bentuk matematik sebagai berikut :
y = f (x1 , x2 , . . . , xk, β0 , β 1 , β 2 , . . . , β m ) (3 – 1) Untuk suatu populasi, dimana β0, β1 , β2 , . . . , βm, adalah parameter. Untuk suatu sample yang ditarik dari populasi tersebut, bentuk matematik dari persamaan regresi adalah :
y = f (x1 , x2 , . . . , xk, b0 , b1 , b2 , . . . , bm ) (3 – 2) Perhatikan bahwa bi adalah estimate dari βi ( i = 0 , 1, 2 , ….. m )
Persamaan regresi linier untuk satu variabel bebas Untuk populasi : y = βO + β1 x Untuk sample : y = bo + b1 x Persamaan regresi linier untuk 2 variabel bebas : Untuk populasi : y = βO + β1x1 + β2x2 Untuk sample : y = bO + b1x1 + b2 x2
Persoalan dari analisa regresi adalah menentukan bentuk persamaan dan mencari parameter-parameternya.
ANALISA REGRESI
ANALISA REGRESI
Regresi Linier ; y = bo + b1x ( 3 – 7 )Akan dicari bo dan b1 dengan metode least square dari data dalam bentuk :
REGRESI UNTUK SATU VARIABEL BEBAS
x y
x1
x2
.
.
.xn
y1
y2
.
.
.yn
Dalam hal ini bo dan b1 di hitung dari persamaan normal :
N
1i
N
1iiii 0 )xb (bo - y
N
1i
N
1iii10 y xbbn
N
1i
N
1iiiiii 0 x)xb (bo - xy
N
1i
N
1i
N
1iii
2i1i0 yx x b - xb
ANALISA REGRESI
2
11
2
1 11
2
10
n
ii
n
ii
n
i
n
iiii
n
ii
n
ii
xxn
xyxxyb
x
yx
n
ii
n
ii
n
i
n
iii
n
iii
S
S
xxn
yxxynb
2
11
2
1 111 n
xyxyS
n
i
n
iiin
iiiyx
1 1
1n
x
xS
n
iin
iix
2
1
1
2
xbyb 10
Koefisien regressi
yx
yxyx
SS
Sr
Koefisien korelasi
y
xyx S
Sbr 1
n
y
yS
n
iin
iiy
2
1
1
2
Koefisien korelasi menyatakan kuat nya korelasi antara y dan x. Nilai nya adalah antara -1 dan +1. Tanda – menunjukkan bahwa korelasi antara y dan x adalah berlawanan arah, artinya y makin kecil dengan kenaikan harga x.
ANALISA REGRESI
k
1i
22 / kss iE
r
1u
2iiu
2 ) 1 -r ( / )y - (yis
pn
Ss RE 2
2
1
ˆ
n
iiiR yyS
2
11
2
n
1
2i
2E
0
xs
n
ii
n
ii
ib
xxn
S 2
11
2
2E
1
n s
n
ii
n
ii
b
xxn
S
bj
j
j S
bt
Chek kebermaknaan parameter:
1) Menentukan Variance kesalahan
Untuk percobaan tampa pengulangan
2) Menentukan standar kesalahan koefisien regressi
3) Menentukan t0
ν = n – k untuk percobaan dengan di ulangν = n – p untuk percobaan tanpa di ulang
Bila tj > t(ۀα,ν)→bj bermakna
ANALISA REGRESI
2s
12 RTRT
Ss
2
2
1E
RT
s
sF
12 LNLN
Ss
2
2
2E
LN
s
sF
22
n
Ss RR
22
k
Ss TCTC
2
2
3E
TC
s
sF
kn
Ss EE 2
Sumber Variasi
ν Derajat
Kebebasan
S Jumlah
Kwadrat
Kwadrat Rata-rata
F
Model 2 SM
Rata-rata 1 SRT
Suku linier 1 SLN
Residual n – 2 SR
Tuna cocok k-2 STC
Kesalahan n-k SE
Total n ST
Uji dengan analisa variance
F1>F(α,1,n-k)
F2>F(α,1,n-k)
F3>F(α,k-2,n-k)
b0 bermakna
b1 bermakna
Model linear tidak cocok
N
iiM yS
1
2ˆ
2ynSRT
n
iiyn
y1
1
SLN=SM-SRT
N
iiT yS
1
2
r
uiiu
k
iE yyS
1
2
1
)(
SR=ST–SM
STC=SR-SE
keterangan
R2 = SM / ST
Koef.determinasi
ANALISA REGRESI
n
i
n
i
n
iii
n
iiii
n
i
n
iiii
n
ii
n
iio
n
i
n
ii
n
iii
xyxbxbxb
xyxbxbxb
yxbxbnb
1 1 1
2
1
42
31
20
1 1
32
1
21
1
1 11
2210
Y = b0 + b1 x + b2 x2
MODEL KWADRATIK
Penentuan koefsien regressi:
ANALISA REGRESI
2s
12 RTRT
Ss
2
2
1E
RT
s
sF
12 LNLN
Ss
2
2
2E
LN
s
sF
12 KWKW
Ss
2
2
3E
KW
s
sF
32
n
Ss RR
32
k
Ss TCTC 2
2
4E
TC
s
sF
kn
Ss EE 2
Sumber varian
νDerajat
kebebasan
SJumlah kwadrat
KwadratRata-rata
F
Model 3 SM
Rata-rata 1 SRT
Suku linier 1 SLN
suku kwadrat
1 SKW
Residual n-3 SR
Tuna Cocok k-3 STC
Kesalahan n-k SE
Total n ST
ANOVA
N
iiM yS
1
2ˆ
2yNSRT
n
yy
n
ii
1
knkFF ,3,4
knFF ,1,1
knFF ,1,2
knFF ,1,3
bo bermakna
b1 bermakna
b2 bermakna
model tak cocok
MODEL YANG LAIN
ANALISA REGRESI
xbby 10.1
10 logloglog bxby
xaaY 10
10.2 bxby
xbby logloglog 10
XbaY 10
ANALISA REGRESIREGRESSI UNTUK LEBIH DARI SATU VARIABEL BEBAS
(REGRESSI GANDA)
MODEL LINEARMisal untuk dua variable bebas
22110 xxy
rxbxbby 22110
Populasi:
Sampel:
210 ,, bbb
n
i
n
i
n
i
n
iiiiiii
n
i
n
i
n
i
n
iiiiiii
n
i
n
i
n
iiii
xyxbxxbxb
xyxxbxbxb
yxbxbnb
1 1 1 12
22221120
1 1 1 11212
21110
1 1 122110
penentuan
22110
221
21
2221
1211
xbxbyb
SSbSb
SSbSb
yxxxx
yxxxx
n
x
xS
n
iin
iix
2
11
1
211
n
xx
xxS
n
ii
n
iin
iiixx
12
11
12121
n
yx
yxS
n
ii
n
iin
iiiyx
111
111
n
x
xS
n
iin
iix
2
12
1
222
n
yx
yxS
n
ii
n
iin
iiiyx
112
122
ANALISA REGRESI
Uji Regressi Linear Ganda
)1/(1
0
knS
SF
E
yx
)1/
/0
knS
kSF
E
M
iknFF 1,1,0
i
yxiM iSbS
1,,0 knkFF
nyata harganya
regressi linear ganda y atas x1 dan x2 bersifat nyata.
Uji koefisien regressi
Uji regressi keseluruhan:
ANALISA REGRESI
Koefisien Korelasi Ganda dan Parsial
T
M
S
SR 2
yT SS
212
122122
21
12. 1
2
r
rrrrrR yyyyy
1/1
/2
2
0
knR
kRF
1,,0 knkFF
korelasi antara y dan x1 , dan x2 nyata.
212
22
12212.1
11 rr
rrrr
y
yyy
Koefisien Determinasi:
Koefisien korelasi ganda
Bila
Uji korelasi ganda:
212
21
12121.2
11 rr
rrrr
y
yyy
22.13
22.3
2.132.32.123.1
11 rr
rrrr
y
yyy
Koefisien korelasi parsial:
Dua variabel
Tiga variabel
21.2
21
212. 111 yyy rrR
212.3
21.2
21
2123. 1111 yyyy rrrR
Hubungan antara korelasi parsial dan ganda
ANALISA REGRESI
ANALISA REGRESI
ANALISA REGRESI
ANALISA REGRESI
ANALISA REGRESI