SAMPEL
LOGO
KOMPETENSI
KOMPETENSI
B B A Amenentukan sebaran penarikan sampel bagi suatu statistik
menentukan sebaran penarikan
D D B B C C
sampel bagi nilai tengah
menentukan sebaran penarikan sampel bagi selisih dua nilai tengah
menguraikan beberapa teknik penarikan sampel
STATISTIKA
Statistika Inferensia Statistika Deskriptif
Generalisasi / Pera-malan berdasarkan data sampel
Dari sampel dihitung statistik
Sebaran Penarikan Contoh
Sebaran peluang bagi suatu statistik
Sebaran Penarikan Contoh bagi Sebaran peluang bagi
X
X
Sebaran peluang bagi
Sebaran Penarikan Contoh bagi Sebaran peluang bagi
Sebaran peluang bagi S2
Sebaran peluang bagi S2
X~
X
Populasi (X) : 1 2 2 3 3 3 3 4 4 5 Sebaran X x P(X=x) 1 1/10 1 2 3 4 5 1/10 2/10 4/10 2/10 1/10 Rata-rata Ragam 3 1.2
Populasi (X) : 1 2 2 3 3 3 3 4 4 5
Ambil sampel acak berukuran 2 dengan pemulihan Kemungkinan sampel :
x1 x2 2 1 1.5 2 2 2.0 2 2 2.0 x1 x2 2 1 1.5 2 2 2.0 2 2 2.0 x1 x2 1 1 1.0 1 2 1.5 1 2 1.5 x1 x2 3 1 2.0 3 2 2.5 3 2 2.5
x
x
x
x
2 3 2.5 2 3 2.5 2 3 2.5 2 3 2.5 2 4 3.0 2 4 3.0 2 5 3.5 2 3 2.5 2 3 2.5 2 3 2.5 2 3 2.5 2 4 3.0 2 4 3.0 2 5 3.5 1 3 2.0 1 3 2.0 1 3 2.0 1 3 2.0 1 4 2.5 1 4 2.5 1 5 3.0 3 3 3.0 3 3 3.0 3 3 3.0 3 3 3.0 3 4 3.5 3 4 3.5 3 5 4.0x1 x2 3 1 2.0 3 2 2.5 3 2 2.5
x
x1 x2 3 1 2.0 3 2 2.5 3 2 2.5x
x1 x2 3 1 2.0 3 2 2.5 3 2 2.5x
x1 x2 4 1 2.5 4 2 3.0 4 2 3.0x
3 3 3.0 3 3 3.0 3 3 3.0 3 3 3.0 3 4 3.5 3 4 3.5 3 5 4.0 3 3 3.0 3 3 3.0 3 3 3.0 3 3 3.0 3 4 3.5 3 4 3.5 3 5 4.0 3 3 3.0 3 3 3.0 3 3 3.0 3 3 3.0 3 4 3.5 3 4 3.5 3 5 4.0 4 3 3.5 4 3 3.5 4 3 3.5 4 3 3.5 4 4 4.0 4 4 4.0 4 5 4.5x1 x2 4 1 2.5 4 2 3.0 4 2 3.0
x
x1 x2 5 1 3.0 5 2 3.5 5 2 3.3x
4 3 3.5 4 3 3.5 4 3 3.5 4 3 3.5 4 4 4.0 4 4 4.0 4 5 4.5 5 3 4.0 5 3 4.0 5 3 4.0 5 3 4.0 5 4 4.5 5 4 4.5 5 5 5.01.0 1/100 1.5 4/100 2.0 12/100
x
P(X = x) 2.0 12/100 2.5 20/100 3.0 26/100 3.5 20/100 4.0 12/100 4.5 4/100 5.0 1/100Sebaran Penarikan Contoh
Sebaran peluang bagi suatu statistik
Sebaran Penarikan Contoh bagi Sebaran peluang bagi
X
X
Sebaran peluang bagi
Sebaran Penarikan Contoh bagi Sebaran peluang bagi
Sebaran peluang bagi S2
Sebaran peluang bagi S2
X~
X
LOGO
Sebaran Penarikan Contoh
bagi mean contoh
Sebaran Penarikan Contoh
bagi mean contoh
Suatu populasi terhingga terdiri dari 2, 2, 4, 6 dan 6.
Suatu contoh berukuran 2 diambil dari populasi ini (dengan pemulihan)
Tentukan sebaran penarikan contoh bagi mean contoh
Bila semua kemungkinan contoh acak berukuran n diambil dengan pemulihan dari suatu populasi terhingga berukuran N yang mempunyai nilai tengah (mean) µ dan simpangan baku σ, maka untuk n yang cukup besar, sebaran penarikan contoh bagi rata-rata contoh akan menghampiri sebaran
X
contoh bagi rata-rata contoh akan menghampiri sebarannormal dengan nilai tengah dan simpangan baku . Dengan demikian peubah acak :
Merupakan peubah acak normal baku
X
µ
µ
X=
n X σ σ = n X Z σ µ − =Dalil 8.2
Dalil 8.2
Bila semua kemungkinan contoh acak berukuran n diambil tanpa pemulihan dari suatu populasi terhingga berukuran N yang mempunyai nilai tengah (mean) µ dan simpangan baku σ, maka untuk n yang cukup besar, sebaran penarikan contoh bagi rata-rata contoh akan menghampiri sebaran
X
contoh bagi rata-rata contoh akan menghampiri sebaran normal dengan nilai tengah dan simpangan baku masing-masingX
µ
µ
X=
1 − − = N n N n X σ σ Faktor koreksi Populasi terhingga1 − − = N n N n X σ σ → − n N 1 1 → − − N n N
Bila N relatif besar dibanding n, maka
sehingga
n
X
σ
Dalil Limit Pusat
Dalil Limit Pusat
Bila semua kemungkinan contoh acak berukuran n diambil dari suatu populasi besar atau takhingga yang mempunyai nilai tengah (mean) µ dan simpangan baku σ, maka untuk n yang cukup besar, sebaran penarikan contoh bagi rata-rata contoh akan menghampiri sebaran normal dengan nilai
X
contoh akan menghampiri sebaran normal dengan nilai tengah dan simpangan baku. Dengan demikian peubah acak :
Merupakan peubah acak normal baku
X
µ
µ
X=
n X σ σ = n X Z σ µ − =DLP INI BAIK DIGUNAKAN BILA :
• POPULASI ASAL NORMAL (BERAPAPUN n) • n ≥ 30, (BAGAIMANAPUN BENTUK POPULASI
ASALNYA)
• POPULASI DATA ASAL TIDAK TIDAK TERLALU
CONTOH
CONTOH
Nilai UN Matematika dari seluruh mahasiswa baru di suatu universitas menghampiri sebaran normal dengan nilai
tengah 7.0 dan simpangan baku 1.1. Bila suatu contoh acak berukuran 25 diambil dari populasi tersebut, tentukan
berukuran 25 diambil dari populasi tersebut, tentukan a. Sebaran penarikan contoh bagi
b. Peluang nilaitengah contoh akan jatuh antara 7.5 dan 9.5 c. Peluang nilai tengah contoh akan kurang dari 6.0
Sebuah mesin minuman ringan diatur agar jumlah
minuman yang dikeluarkan untuk setiap gelas memiliki rata-rata 240 ml dengan simpangan baku 15 ml. Secara periodik,mesin itu diperiksa dengan cara mengambil 40
gelas dan kemudian dihitung rata-ratanya. Bila nilai tengah gelas dan kemudian dihitung rata-ratanya. Bila nilai tengah dari ke-40 gelas tersebut berada dalam selang
mesin itu dianggap masih bekerja baik. Jika tidak, maka mesin tersebut perlu diperbaiki. Misalkan dalam satu
pemeriksaan diperoleh nilai tengah contoh 236 ml. Berdasarkan hasil tersebut, tentukan apakah mesin tersebut perlu diperbaiki?
X X
σ
Sebuah mesin membuat resistor dengan
nilaitengah 40 ohm dan simpangan baku 2 ohm.
Beara peluang sebauh contoh acak berukuran 36
akan menghasilkan tahanan rata-rata sebesar 39
ohm
CONTOH
CONTOH
Tinggi 1000 orang mahasiswa menghampiri sebaran normal dengan nilai tengah 174.5 cm dan simpangan baku 6.9 cm. Bila 200 contoh acak masing-masing
berukuran 25 orang mahasiswa ditarik dari populasi ini
(nilai tengah contohnya diukur sampai sepersepuluhan cm (nilai tengah contohnya diukur sampai sepersepuluhan cm terdekat), tentukan :
a.Nilai tengah dan simpangan baku dari sebaran penarikan contoh bagi nilai tengah contoh
b.Banyaknya nilai tengah contoh yang jatuh antara 172.5 sampai 175.8
c. Banyaknya nilai tengah contoh yang jatuh di bawah 172.0 cm
Populasi : terhingga; sebaran sembarang; mean µ; simpangan baku σ
Sampel : n cukup besar, pengambilan dg pengembalian
) 1 , 0 ( ~ ) , ( ~ 2 N n X Z n N X σ µ σ µ − = → n σ
Populasi : terhingga; sebaran sembaran ; mean µ; simpangan baku σ
Sampel : n cukup besar, pengambilan tanpa pengembalian ) 1 , 0 ( ~ 1 ) 1 , ( ~ 2 N N n N n X Z N n N n N X − − − = → − − σ µ σ µ
Populasi : tak terhingga; sebaran sebarang ; mean µ; simpangan baku σ
Sampel : n ≥ 30
atau
Populasi : tak terhingga; sebaran normal /mendekati normal; Populasi : tak terhingga; sebaran normal /mendekati normal;
mean µ; simpangan baku σ Sampel : n < 30 ) 1 , 0 ( ~ ) , ( ~ 2 N n X Z n N X σ µ σ µ − = →
Sebaran t
Sebaran t
Jika simpangan baku populasi σ tidak diketahui, maka σ harus diduga dari simpangan baku sampel s. Namun
)
1
,
0
(
~ N
n
s
X
T
=
−
µ
~ N
(
0
,
1
)
n
s
T =
t
n
s
X
T
=
−
µ
~
Bila dan s2 masing-masing adalah mean dan ragam suatu
sampel acak berukuran n yang diambil dari suatu populasi normal dengan mean dan ragam yang tidak diketahui nilainya, maka
x
X µ 2 X σ x X µ − =merupakan sebuah nilai peubah acak T yang mempunyai sebaran t dengan db = n -1
n s
x
t = − µX
Contoh :
Seorang ahli mengatakan bahwa rata-rata waktu yang dihabiskan oleh siswa SD untuk menonton TV adalah 21 jam / minggu. Untuk menguji kebenaran pernyataan
sang ahli tersebut, seorang peneliti melakukan
penelitian di suatu sekolah. Ia mengambil suatu sampel penelitian di suatu sekolah. Ia mengambil suatu sampel berukuran 25 dan mencatat waktu yang dihabiskan oleh 25 anak tersebut untuk menonton TV dalam 1 minggu. Ia akan menerima pendapat ahli tersebut jika nilai t yang diperolehnya berada dalam selang –t0.05 sampai t0.05. Apa kesimpulan peneliti tadi, bila dari sampel acak
tersebut, didapat rata-rata waktu menonton adalah 22.5 dengan simpangan baku 4. Asumsikan lama waktu