Review Materi Statistika dan Perancangan Percobaan

TUGAS KELOMPOK

STATISKA DAN PERANCANGAN PERCOBAAN REVIEW MATERI SEBELUM UTS

DOSEN PENGAMPU:

GUSRIWANDI, S.T., M.T HENDRI YANDA, S.T, M.Sc, Ph.D

DISUSUN OLEH:

1. MUHAMMAD IQBAL (2110911042) 2. FAMIA FIORI HENDRI (2110912004) 3. SHINTYA YUSIAMENA (2110912107)

JURUSAN TEKNIK MESIN FAKULTAS TEKNIK UNIVERSITAS ANDALAS

TAHUN 2024

KATA PENGANTAR

Puji syukur kami panjatkan atas kehadirat Allah SWT, yang atas rahmat-Nya kami dapat menyelesaikan penyusunan makalah ini. Penulisan makalah ini bertujuan untuk memenuhi salah satu tugas yang diberikan dalam mata kuliah Statiska Dan Perancangan Percobaan di Universitas Andalas.

Dalam Penulisan makalah ini, kami merasa masih banyak kekurangan baik pada teknis penulisan maupun materi, mengingat akan kemampuan yang kami miliki. Untuk itu, kritik dan saran dari semua pihak sangat kami harapkan demi penyempurnaan pembuatan makalah ini.

Dalam penulisan makalah ini penulis menyampaikan ucapan terima kasih yang sebesar-besarnya kepada semua pihak yang telah membantu kami dalam menyelesaikan makalah ini, khususnya kepada Dosen kami yang telah memberikan tugas dan petunjuk kepada kami, sehingga kami dapat menyelesaikan tugas ini.

Padang, 12 Mei 2024

Tim Penulis

DAFTAR ISI

COVER...

KATA PENGANTAR...

DAFTAR ISI...

BAB I. PENDAHULUAN...

1.1. Latar Belakang...

1.2. Rumusan Masalah...

1.3. Tujuan Penulisan...

BAB II. PEMBAHASAN...

2.1. Penghantar Statistik...

2.2. Statistik Deskriptif...

2.3. Probabilitas...

2.4. Variabel Acak Diskrit...

2.5. Variabel Acak Kontinu ...

2.6. Distribusi Sampel...

2.7. Statistik Inferensial ...

BAB III. PENUTUP...

3.1.Kesimpulan ...

3.2.Daftar Pustaka...

BAB I PENDAHULUAN 1.1 Latar Belakang

Di era informasi ini, kita dibanjiri dengan data dari berbagai sumber. Data tersebut dapat berupa angka, gambar, teks, dan suara. Data yang kompleks dan berantakan ini perlu diolah dan dianalisis agar dapat dipahami dan dimanfaatkan dengan baik. Di sinilah peran statistika menjadi penting.

Statistika merupakan cabang ilmu matematika yang mempelajari tentang

pengumpulan data, pengolahan data, penarikan kesimpulan, dan pengambilan keputusan.

Statistika membantu kita untuk mengubah data yang mentah dan tidak terstruktur menjadi informasi yang bermakna dan bermanfaat.\

Statistika memiliki peran penting dalam berbagai bidang kehidupan, mulai dari ilmu pengetahuan alam, sosial, hingga ilmu terapan. Dalam ilmu pengetahuan alam, statistika digunakan untuk menganalisis data hasil penelitian, seperti data percobaan, data observasi, dan data survei. Dalam ilmu sosial, statistika digunakan untuk menganalisis data sosial dan ekonomi, seperti data sensus penduduk, data kemiskinan, dan data kriminalitas.

Dalam ilmu terapan, statistika digunakan untuk berbagai hal, seperti pengendalian kualitas produk, peramalan cuaca, dan analisis pasar.

Seiring dengan perkembangan zaman, statistika terus berkembang dan semakin canggih. Munculnya berbagai perangkat lunak statistika dan metode analisis data yang baru memudahkan kita untuk mengolah dan menganalisis data yang kompleks. Hal ini membuat statistika semakin banyak digunakan dalam berbagai bidang dan semakin penting untuk dikuasai.

Statistika merupakan ilmu yang penting dan bermanfaat untuk berbagai bidang.

Mempelajari statistika dapat membantu kita untuk meningkatkan kemampuan berpikir kritis, kemampuan komunikasi, dan daya saing. Statistika memiliki berbagai aplikasi dalam berbagai bidang, seperti bisnis, pemerintahan, penelitian, dan kehidupan sehari-hari.

1.2 Rumusan Masalah

1. Bagaimana penggunaan teknik perancangan percobaan dapat meningkatkan efisiensi dan validitas penelitian di berbagai disiplin ilmu?

2. Apa peran analisis statistik dalam mengevaluasi hasil percobaan dan mengambil keputusan berdasarkan bukti empiris?

3. Bagaimana memilih desain eksperimental yang tepat untuk menguji hipotesis tertentu dalam suatu penelitian?

4. Bagaimana mengevaluasi kehandalan hasil percobaan menggunakan metode statistik dan mengidentifikasi faktor-faktor yang dapat memengaruhi validitasnya?

5. Apa manfaat penggunaan desain faktorial dalam percobaan untuk mengidentifikasi interaksi antar variabel?

6. Bagaimana memperhitungkan variabilitas dalam analisis statistik untuk memastikan generalisasi yang akurat dari hasil percobaan?

7. Apakah terdapat perbedaan yang signifikan antara desain eksperimental berbasis pengamatan langsung dan desain berbasis model simulasi?

8. Bagaimana melaksanakan analisis statistik yang tepat untuk menguji hipotesis non- parametrik dalam percobaan dengan ukuran sampel yang terbatas?

9. Apa strategi yang efektif dalam merancang eksperimen yang mempertimbangkan keterbatasan sumber daya, seperti waktu dan anggaran?

10. Bagaimana menginterpretasikan hasil percobaan dengan menggunakan teknik statistik yang sesuai dan memperhitungkan tingkat kepercayaan?

1.3 Tujuan Penulisan

1. Memberikan pemahaman yang kokoh tentang konsep dasar dalam perancangan eksperimen, termasuk definisi variabel, jenis-jenis desain eksperimental, dan prinsip-prinsip dasar dalam menyusun percobaan.

2. Memperkenalkan pembaca pada metodologi yang tepat untuk perancangan percobaan, termasuk teknik-teknik pemilihan sampel, pengaturan kondisi eksperimental, dan pengendalian variabel-variabel yang mungkin memengaruhi hasil.

3. Membantu pembaca dalam mengembangkan keterampilan praktis dalam merancang dan melaksanakan percobaan, serta dalam menganalisis dan menginterpretasi data yang dihasilkan.

4. Menunjukkan penggunaan teknologi dan perangkat lunak statistik yang relevan dalam mendukung proses perancangan dan analisis percobaan, serta memberikan panduan tentang cara efektif menggunakan alat-alat tersebut.

5. Menggambarkan aplikasi praktis dari konsep perancangan statistika dan percobaan dalam berbagai bidang, termasuk ilmu pengetahuan, teknik, kedokteran, sosial, dan bisnis.

6. Membahas aspek-etika dalam perancangan eksperimen, termasuk pertimbangan etis dalam memilih subjek dan prosedur percobaan, serta pentingnya memastikan keandalan dan validitas data.

7. Memperkenalkan kontribusi-kontribusi terbaru dalam bidang perancangan eksperimen, termasuk penemuan-penemuan baru, metodologi inovatif, dan tren terkini dalam penelitian.

8. Membantu pembaca dalam menggunakan informasi yang diperoleh dari percobaan untuk membuat keputusan yang informasional dan mendukung dalam konteks yang relevan.

BAB II PEMBAHASAN 2.1 Pengantar Statistik

 Defenisi

Statistika adalah ilmu pengetahuan yang mempelajari tentang cara-cara

pengumpulan data, pengolahan data, penarikan kesimpulan, dan pengambilan keputusan yang didasarkan pada data. Statistika membantu kita untuk mengubah data yang mentah dan tidak terstruktur menjadi informasi yang bermakna dan bermanfaat.

Secara etimologi, kata "statistik" berasal dari bahasa Latin "status" yang berarti negara dan "statisticus" yang berarti keadaan. Pada mulanya, kata "statistik" digunakan untuk merujuk pada kumpulan data yang berkaitan dengan negara, seperti data penduduk dan data ekonomi.

Secara terminologi, statistik dapat didefinisikan sebagai berikut:

 Menurut BPS (Badan Pusat Statistik): Statistik adalah ilmu yang mempelajari tentang cara-cara pengumpulan, pengolahan, penyajian, penganalisaan, dan penafsiran data yang diperoleh dari suatu sampel untuk dapat digunakan dalam menduga nilai-nilai yang terdapat dalam populasi.

 Menurut Sudiarto DM: Statistik adalah ilmu yang mempelajari tentang cara-cara pengumpulan, pengolahan, penyajian, penganalisaan, dan penafsiran data, baik yang berupa angka-angka maupun yang tidak berbentuk angka, yang bertujuan untuk memperoleh kesimpulan yang logis dan cermat tentang suatu kelompok atau masyarakat tertentu.

 Menurut M. N. Nasution: Statistik adalah ilmu pengetahuan yang mempelajari tentang cara-cara mengumpulkan, mengolah, menganalisis, dan

menginterpretasikan data kuantitatif yang diperoleh dari suatu sampel untuk menduga nilai-nilai yang terdapat dalam populasi.

Secara umum, statistik dapat didefinisikan sebagai ilmu yang mempelajari tentang data, mulai dari pengumpulan data, pengolahan data, penarikan kesimpulan, hingga pengambilan keputusan yang didasarkan pada data.

 Ruang Lingkup Statistik

Ruang lingkup statistik meliputi:

 Statistika deskriptif: Berfokus pada pengumpulan, pengorganisasian, dan penyajian data.

 Statistika inferensial: Berfokus pada penarikan kesimpulan dari data sampel untuk populasi yang lebih luas.

 Statistika probabilitas: Berfokus pada kemungkinan terjadinya suatu peristiwa.

 Statistika regresi: Berfokus pada hubungan antara dua atau lebih variabel.

 Statistika non-parametrik: Berfokus pada analisis data yang tidak mengikuti distribusi normal.

 Manfaat Mempelajari Statistik

Mempelajari statistik dapat memberikan banyak manfaat, antara lain:

 Memahami dan menganalisis data dengan lebih baik: Statistika membantu kita untuk memahami pola dan tren yang ada dalam data. Pemahaman ini dapat membantu kita untuk membuat keputusan yang lebih tepat.

 Meningkatkan kemampuan berpikir kritis: Statistika melatih kita untuk berpikir kritis dan logis dalam menganalisis informasi.

 Meningkatkan kemampuan komunikasi: Statistika membantu kita untuk menyampaikan informasi dengan lebih jelas dan efektif.

 Meningkatkan daya saing: Kemampuan statistika yang baik merupakan aset yang berharga di dunia kerja

 Konsep Dasar

Berikut adalah beberapa konsep dasar dalam statistika:

1. Populasi dan Sampel

 Populasi adalah kumpulan lengkap dari semua elemen yang memiliki karakteristik tertentu yang ingin diteliti oleh peneliti.

Misalnya, jika Anda ingin mengukur tinggi badan semua siswa di sekolah, maka populasi adalah semua siswa di sekolah tersebut.

 Sampel adalah subset dari populasi yang dipilih untuk diambil data.

Sampel dipilih dengan cara tertentu untuk mewakili populasi secara keseluruhan. Hal ini dilakukan karena seringkali tidak

memungkinkan atau tidak praktis untuk mengumpulkan data dari seluruh populasi.

2. Pengukuran dan Data Sampel

 Pengukuran adalah proses mengukur atau mengamati variabel pada unit-unit individu dalam sampel atau populasi. Pengukuran dapat dilakukan dengan menggunakan berbagai instrumen atau teknik, tergantung pada jenis variabel yang diukur.

 Data sampel adalah hasil pengukuran yang diperoleh dari elemen- elemen dalam sampel. Data sampel ini kemudian dapat dianalisis untuk mendapatkan informasi tentang populasi secara keseluruhan.

3. Parameter

 Parameter adalah karakteristik numerik yang digunakan untuk menggambarkan populasi secara keseluruhan. Misalnya, jika kita ingin mengetahui rata-rata tinggi badan semua siswa di sekolah, maka rata-rata tinggi badan populasi adalah parameter.

4. Statistik

 Statistik adalah karakteristik numerik yang digunakan untuk menggambarkan sampel. Statistik ini merupakan estimasi atau perkiraan dari parameter yang sesungguhnya dalam populasi.

Contoh statistik meliputi rata-rata sampel, simpangan baku sampel, dan proporsi sampel.

5. Statistik Deskriptif

 Statistik deskriptif adalah teknik statistik yang digunakan untuk merangkum dan menggambarkan fitur dasar dari dataset. Tujuannya adalah untuk menyajikan data secara singkat dan mudah dimengerti.

Statistik deskriptif mencakup ukuran pusat (misalnya, rata-rata, median, dan modus) serta ukuran variasi (misalnya, simpangan baku dan rentang).

6. Statistik Inferensial

 Statistik inferensial adalah teknik statistik yang digunakan untuk membuat kesimpulan atau generalisasi tentang populasi berdasarkan data yang diperoleh dari sampel. Tujuan utama dari statistik

inferensial adalah untuk menguji hipotesis, membuat estimasi parameter populasi, dan mengidentifikasi hubungan antara variabel.

7. Data Kualitatif

 Data kualitatif adalah data yang dinyatakan dalam bentuk deskriptif atau kualitatif, bukan dalam bentuk angka. Data ini menggambarkan sifat-sifat atau atribut tertentu dari objek yang diamati. Contoh data kualitatif adalah jenis kelamin, warna, atau status perkawinan.

8. Data Kuantitatif

 Data kuantitatif adalah data yang dinyatakan dalam bentuk angka atau kuantitatif. Data ini merupakan hasil pengukuran atau penghitungan dan dapat dihitung atau diukur menggunakan skala numerik. Contoh data kuantitatif adalah tinggi badan, berat badan, atau pendapatan.

Contoh Soal

o Pilihan Ganda

1. Statistik deskriptif fokus pada apa?

a) Penarikan kesimpulan dari data sampel b) Pengumpulan data dari populasi c) Penyajian dan pengorganisasian data d) Penafsiran data kuantitatif

Jawaban: c) Penyajian dan pengorganisasian data

2. Apa yang dimaksud dengan parameter dalam statistik?

a) Karakteristik dari sampel b) Ukuran pusat dari data

c) Karakteristik numerik dari populasi d) Estimasi dari statistik deskriptif

Jawaban: c) Karakteristik numerik dari populasi

o Essay

1. Apa yang dimaksud dengan statistika inferensial dan statistika deskriptif? Berikan contoh masing-masing!

Jawaban: Statistika inferensial adalah teknik statistik yang digunakan untuk membuat kesimpulan atau generalisasi tentang populasi berdasarkan data yang diperoleh dari sampel. Contohnya adalah uji hipotesis, estimasi parameter populasi, dan identifikasi hubungan antara variabel. Sedangkan statistika deskriptif adalah teknik statistik yang digunakan untuk merangkum dan menggambarkan fitur dasar dari dataset. Contohnya adalah menghitung rata-rata, median, dan modus dari data yang ada.

2. Jelaskan perbedaan antara data kualitatif dan data kuantitatif beserta contohnya!

Jawaban: Data kualitatif adalah data yang dinyatakan dalam bentuk deskriptif atau kualitatif, bukan dalam bentuk angka. Data ini menggambarkan sifat-sifat atau atribut tertentu dari objek yang diamati. Contohnya adalah jenis kelamin (laki-laki, perempuan), warna (merah, biru, hijau), atau status perkawinan (menikah, belum menikah). Sedangkan data kuantitatif adalah data yang dinyatakan dalam bentuk angka atau kuantitatif. Data ini merupakan hasil pengukuran atau penghitungan dan dapat dihitung atau diukur

menggunakan skala numerik.

2.2 Statistik Deskriptif

 Tampilan Data

Representasi grafis dari kumpulan data besar memberikan gambaran singkat tentang sifat data. Suatu populasi atau kumpulan data yang sangat besar dapat diwakili oleh kurva yang mulus. Kurva ini merupakan histogram frekuensi relatif sangat halus yang mana batang vertikal yang sangat sempit telah dihilangkan. Ketika kurva yang diturunkan dari histogram frekuensi relatif digunakan untuk mendeskripsikan kumpulan data, proporsi data dengan nilai antara dua bilangan a dan b adalah luas di bawah kurva antara a dan b,

 Diagram Batang dan Daun

Diagram batang dan daun, juga dikenal sebagai "stem-and-leaf plot", adalah metode visual untuk merangkum dan menyajikan data numerik. Diagram ini membagi setiap data menjadi dua bagian, yaitu batang dan daun.

Batang terdiri dari digit pertama atau beberapa digit pertama dari setiap data, sedangkan daun adalah digit terakhir dari setiap data. Diagram batang dan daun memungkinkan kita untuk melihat distribusi data dengan cepat dan mudah, serta mengidentifikasi nilai-nilai ekstrem.

 Diagram Histogram

Diagram histogram adalah metode visual yang digunakan untuk merangkum distribusi data kuantitatif. Ini menggambarkan frekuensi atau jumlah kemunculan setiap interval atau kelas data.

Sumbu horizontal (sumbu-x) pada diagram histogram menunjukkan kelas data atau interval, sedangkan sumbu vertikal (sumbu-y) menunjukkan frekuensi atau jumlah

kemunculan di setiap kelas.

Diagram histogram biasanya digunakan untuk menunjukkan pola distribusi data, seperti apakah data cenderung simetris, miring ke kiri, miring ke kanan, atau bimodal.

 Diagram Histogram Relatif

Diagram histogram relatif adalah versi dari diagram histogram di mana frekuensi dihitung sebagai proporsi atau persentase dari total data, bukan hanya jumlah absolut.

Ini adalah cara yang lebih baik untuk membandingkan distribusi data antara kelompok atau sampel yang memiliki ukuran yang berbeda. Dengan mengonversi frekuensi menjadi proporsi atau persentase, kita dapat membandingkan distribusi data dengan lebih adil.

Sumbu vertikal pada diagram histogram relatif biasanya menunjukkan persentase atau proporsi dari total data, sementara sumbu horizontal menunjukkan kelas data atau interval seperti pada diagram histogram biasa.

 Ukuran Lokasi Pusat - Tiga Jenis Rata-rata

 Rata-Rata Sampel

Rata-rata sampel adalah nilai rata-rata dari sekumpulan data yang diambil dari sampel. Ini adalah estimasi dari rata-rata populasi, yang merupakan nilai rata-rata dari seluruh populasi. Rata-rata sampel digunakan untuk membuat perkiraan tentang rata-rata populasi ketika tidak memungkinkan atau tidak praktis untuk mengumpulkan data dari seluruh populasi.

´x=

∑

^x

n

 Rata-Rata Populasi

Rata-rata populasi adalah nilai rata-rata dari seluruh elemen dalam populasi yang diteliti. Populasi merujuk kepada seluruh kumpulan individu, objek, atau kejadian yang memiliki karakteristik yang ingin diteliti. Rata-rata populasi digunakan untuk

menggambarkan nilai rata-rata yang sebenarnya dari seluruh populasi tersebut.

Rata-rata populasi sering kali tidak diketahui secara pasti karena sulit atau tidak mungkin untuk mengumpulkan data dari seluruh populasi. Oleh karena itu, dalam banyak kasus, kita menggunakan rata-rata sampel sebagai estimasi dari rata-rata populasi. Rata-

rata sampel adalah rata-rata dari sekumpulan data yang diambil dari sampel yang mewakili populasi.

μ=

∑

^x

N

 Median Sampel

Median sampel dari sekumpulan data sampel yang jumlah pengukurannya ganjil adalah titik tengahnya pengukuran ketika data disusun dalam urutan numerik. Median sampel dari sekumpulan data sampel yang jumlah pengukurannya genap, adalah rata- rata keduanya pengukuran tengah ketika data disusun dalam urutan numerik.

 Median Populasi

Median populasi didefinisikan dengan cara yang sama seperti median sampel kecuali untuk seluruh populasi.

 Modus Sampel

Modus sampel dari sekumpulan data sampel adalah nilai yang paling sering muncul.

 Ukuran Variabilitas

 Rentang

Kisaran suatu kumpulan data adalah selisih antara nilai terbesar dan terkecilnya R=x_max− x_min

dimana xmax merupakan pengukuran terbesar dalam kumpulan data dan xmin merupakan pengukuran terkecil.

 Variasi dan Standar Devisiasi Sampel

Variasi sampel dari sekumpulan data sampel adalah angka yang ditentukan oleh rumus

s²=

∑

^{(x −´x)2}

n−1

yang secara aljabar setara dengan rumus x

∑

^¿2

¿¿ x²−1

n¿

∑

^¿

s²=¿

Akar kuadrat dari variasi sampel disebut deviasi standar sampel dari sekumpulan data sampel, rumusnya

s=

√

^s2

 Variasi Populasi dan Standar Devisiasi Populasi

Keragaman sekumpulan data populasi diukur dengan varians populasi x − μ

¿

¿

¿2

¿

∑

^¿

σ²=¿

dan akar kuadratnya, standar devisiasi populasi σ=

√

^σ2

 Posisi Relatif Data

 Presentil dan Quartil o Persentil Data

Metode statistik yang digunakan untuk memahami distribusi sebuah kumpulan data dengan membaginya menjadi 100 bagian yang sama. Setiap bagian tersebut disebut persentil. Dengan kata lain, persentil adalah nilai di bawah persentase tertentu dari data dalam sekumpulan data.

o Kuartil Data

Kuartil adalah nilai yang membagi sekumpulan data yang telah diurutkan menjadi empat bagian yang sama besar, masing-masing berisi seperempat (25%) dari data. Kuartil

membantu dalam memahami distribusi dan penyebaran data dengan lebih detail. Berikut adalah penjelasan tentang tiga kuartil utama:

3. Kuartil Pertama (Q1):

 Juga dikenal sebagai persentil ke-25.

 Ini adalah nilai di bawah mana 25% dari data berada.

 Q1 adalah median dari set data yang berada di bawah median keseluruhan data.

4. Kuartil Kedua (Q2):

 Juga dikenal sebagai persentil ke-50 atau median.

 Ini adalah nilai yang membagi data menjadi dua bagian yang sama besar, dengan 50% data berada di bawahnya dan 50% berada di atasnya.

5. Kuartil Ketiga (Q3):

 Juga dikenal sebagai persentil ke-75.

 Ini adalah nilai di bawah mana 75% dari data berada.

 Q3 adalah median dari set data yang berada di atas median keseluruhan data.

Z-Skor

Z-skor, juga dikenal sebagai skor z atau nilai standar, adalah ukuran statistik yang menggambarkan seberapa jauh sebuah nilai dari rata-rata kelompoknya, diukur dalam satuan standar deviasi. Z-skor digunakan untuk menstandarkan nilai-nilai dalam dataset sehingga perbandingan bisa dibuat antara data yang memiliki skala atau distribusi berbeda.

 Aturan Empiris dan Teorema Chebyshev

 Aturan Empiris

Prinsip statistik yang berlaku untuk distribusi normal (atau mendekati normal).

Aturan ini menyatakan bahwa dalam sebuah distribusi normal, hampir semua data akan berada dalam tiga interval standar deviasi dari rata-rata.

 Teorema Chebyshev

Prinsip dalam statistik yang berlaku untuk distribusi data apa pun, tidak hanya distribusi normal. Teorema ini memberikan batas bawah untuk proporsi nilai yang berada dalam sejumlah standar deviasi tertentu dari rata-rata.

Contoh Soal

o Pilihan Ganda

1. Apa yang dimaksud dengan rata-rata sampel?

a) Nilai rata-rata dari seluruh elemen dalam populasi b) Estimasi dari rata-rata populasi

c) Nilai rata-rata dari sekumpulan data yang diambil dari sampel

d) Nilai yang paling sering muncul dalam sekumpulan data

Jawaban: c) Nilai rata-rata dari sekumpulan data yang diambil dari sampel 2. Rentang suatu kumpulan data diukur dengan...

a) selisih antara nilai terbesar dan nilai terkecilnya b) selisih antara median dan modusnya

c) selisih antara rata-rata dan median

d) selisih antara variansi dan standar deviasi

Jawaban: a) selisih antara nilai terbesar dan nilai terkecilnya o Essay

1. Jelaskan apa yang dimaksud dengan diagram batang dan daun (stem-and-leaf plot) beserta kegunaannya dalam merangkum dan menyajikan data numerik!

Jawaban: Diagram batang dan daun adalah metode visual untuk merangkum dan

menyajikan data numerik. Dalam diagram ini, setiap data dibagi menjadi dua bagian, yaitu batang dan daun. Batang terdiri dari digit pertama atau beberapa digit pertama dari setiap data, sedangkan daun adalah digit terakhir dari setiap data. Diagram batang dan daun memungkinkan kita untuk melihat distribusi data dengan cepat dan mudah, serta mengidentifikasi nilai-nilai ekstrem.

2. Jelaskan perbedaan antara diagram histogram dan diagram histogram relatif serta kapan masing-masing digunakan!

Jawaban: Diagram histogram adalah metode visual yang digunakan untuk merangkum distribusi data kuantitatif. Ini menggambarkan frekuensi atau jumlah kemunculan setiap interval atau kelas data. Sumbu horizontal (sumbu-x) pada diagram histogram

menunjukkan kelas data atau interval, sedangkan sumbu vertikal (sumbu-y) menunjukkan frekuensi atau jumlah kemunculan di setiap kelas. Sedangkan diagram histogram relatif adalah versi dari diagram histogram di mana frekuensi dihitung sebagai proporsi atau persentase dari total data, bukan hanya jumlah absolut. Diagram histogram biasanya digunakan untuk menunjukkan pola distribusi data, seperti apakah data cenderung simetris, miring ke kiri, miring ke kanan, atau bimodal, sedangkan diagram histogram relatif

digunakan untuk membandingkan distribusi data antara kelompok atau sampel yang memiliki ukuran yang berbeda.

2.3 Probabilitas

 Contoh Ruang, Kejadian, dan Probabilitasnya

 Contoh Ruang dan Kejadian

Ruang sampel, atau sample space, adalah himpunan semua kemungkinan hasil dari suatu percobaan acak. Setiap elemen dalam ruang sampel disebut sebagai outcome atau hasil yang mungkin.

Kejadian, atau event, adalah himpunan bagian dari ruang sampel. Kejadian bisa terdiri dari satu atau lebih hasil (outcome) dari percobaan acak.

 Probabilitas

Probabilitas suatu hasil dalam ruang sampel adalah angka antara dan yang mengukur kemungkinan terjadinya hal tersebut akan terjadi pada percobaan tunggal dari percobaan acak yang sesuai. Nilai P = 0 sesuai dengan hasilnya menjadi tidak mungkin dan nilai P = 1 sesuai dengan hasil yang pasti.

 Complements, Intersections, and Unions

 Complements

Komplemen dari suatu kejadian adalah kejadian yang mencakup semua hasil dalam ruang sampel yang tidak termasuk dalam kejadian asli.

 Intersections

Intersections (irisan) dari dua kejadian dan adalah himpunan dari semua hasil

yang terdapat pada kedua kejadian tersebut. Dengan kata lain, irisan dan mencakup

semua hasil yang terdapat baik di maupun di .

 Unions

Unions (gabungan) dari dua kejadian dan adalah himpunan dari semua hasil yang

terdapat pada setidaknya salah satu dari kejadian tersebut. Dengan kata lain, gabungan dan

mencakup semua hasil yang terdapat baik di maupun di � atau keduanya.

 Probabilitas Bersyarat dan Kejadian Independen

 Probabilitas Bersyarat

Probabilitas bersyarat adalah probabilitas dari suatu kejadian terjadi, dengan asumsi bahwa kejadian lain telah terjadi. Ini adalah cara untuk mengukur probabilitas suatu kejadian dalam konteks informasi tambahan atau kondisi tertentu.

 Kejadian Independen

Dalam statistika dan teori probabilitas, dua kejadian dikatakan independen jika terjadinya salah satu kejadian tidak mempengaruhi probabilitas terjadinya kejadian yang lain. Dengan kata lain, informasi tentang salah satu kejadian tidak memberikan informasi tentang kejadian yang lain.

Contoh Soal

o Pilihan Ganda

1. Komplemen dari suatu kejadian adalah...

a) hasil yang mungkin b) hasil yang pasti

c) kejadian yang mencakup semua hasil dalam ruang sampel yang tidak termasuk dalam kejadian asli

d) himpunan dari semua hasil yang terdapat pada setidaknya salah satu dari kejadian tersebut

Jawaban: c) kejadian yang mencakup semua hasil dalam ruang sampel yang tidak termasuk dalam kejadian asli

2. Intersections (irisan) dari dua kejadian dan adalah...

a) himpunan dari semua hasil yang terdapat pada kedua kejadian tersebut b) himpunan dari semua hasil yang terdapat pada setidaknya salah satu dari kejadian tersebut

c) himpunan semua kemungkinan hasil dari suatu percobaan acak d) himpunan bagian dari ruang sampel

Jawaban: a) himpunan dari semua hasil yang terdapat pada kedua kejadian tersebut

o Essay

1. Jelaskan apa yang dimaksud dengan ruang sampel (sample space) dan kejadian (event) dalam teori probabilitas!

Jawaban: Ruang sampel, atau sample space, adalah himpunan semua kemungkinan hasil dari suatu percobaan acak. Setiap elemen dalam ruang sampel disebut sebagai outcome atau hasil yang mungkin. Sedangkan kejadian, atau event, adalah himpunan bagian dari ruang sampel. Kejadian bisa terdiri dari satu atau lebih hasil (outcome) dari percobaan acak.

2. Apa yang dimaksud dengan probabilitas dan bagaimana probabilitas diukur?

3. Jawaban: Probabilitas suatu hasil dalam ruang sampel adalah angka antara 0 dan 1 yang mengukur kemungkinan terjadinya hal tersebut akan terjadi pada percobaan tunggal dari percobaan acak yang sesuai. Nilai P = 0 sesuai dengan hasilnya menjadi tidak mungkin dan nilai P = 1 sesuai dengan hasil yang pasti.

2.4 Variabel Acak Diskrit

A.Defenisi Variabel Acak Diskrit

1. Definisi Variabel Acak Diskrit Variabel acak diskrit adalah variabel acak yang hanya dapat mengambil nilai-nilai yang terpisah dari suatu himpunan terhingga atau himpunan terhitung tak hingga. Dengan kata lain, nilai-nilai yang mungkin diambil oleh variabel acak diskrit merupakan bilangan-bilangan yang dapat dihitung atau terhitung jumlahnya.

2. Contoh Variabel Acak Diskrit dalam Kehidupan Nyata Beberapa contoh variabel acak diskrit yang sering ditemui dalam kehidupan nyata, antara lain:

a. Jumlah mata dadu saat melempar satu atau dua dadu

b. Banyaknya kegagalan sebelum kesuksesan pertama dalam percobaan Bernoulli

c. Jumlah kendaraan yang melintas di suatu persimpangan jalan dalam satu jam d. Jumlah cacat pada produk manufaktur

e. Banyaknya anak dalam sebuah keluarga

f. Jumlah pelanggan yang datang ke bank dalam satu jam

g. Jumlah panggilan telepon yang diterima oleh operator dalam satu jam h. Jumlah kesalahan ketik dalam sebuah dokumen

B.Fungsi Massa Probabilitas (PMF)

1. Definisi PMF Fungsi Massa Probabilitas (Probability Mass Function/PMF) menggambarkan probabilitas bahwa variabel acak diskrit X mengambil nilai-nilai tertentu. Dengan kata lain, PMF memetakan setiap nilai yang mungkin dari variabel acak diskrit ke probabilitas terjadinya nilai tersebut.

Secara matematis, PMF untuk variabel acak diskrit X didefinisikan sebagai:

P(X = x) = f(x)

di mana f(x) adalah nilai PMF untuk setiap nilai x yang mungkin dari X.

2. Properti PMF :

Ada tiga sifat penting dari fungsi massa probabilitas. Dengan bantuan ini, fungsi distribusi kumulatif dari variabel acak diskrit dapat ditentukan. Properti fungsi massa probabilitas diberikan sebagai berikut:

 P(X = x) = f(x) > 0. Artinya untuk setiap elemen x yang diasosiasikan dengan ruang sampel, semua probabilitas harus positif.

 ∑XϵS F(X)=1. Jumlah semua probabilitas yang terkait dengan nilai x dari variabel acak diskrit akan sama dengan 1.

 P(X T) =∈ ∑XϵT F(X). Probabilitas yang terkait dengan suatu kejadian T dapat ditentukan dengan menjumlahkan semua probabilitas nilai x di T. Properti ini digunakan untuk mencari CDF dari variabel acak diskrit

3. Representasikan Fungsi Massa Probabilitas

Fungsi massa probabilitas yang terkait dengan variabel acak dapat

direpresentasikan dengan bantuan tabel atau grafik. Dengan menggunakan bantuan contoh pelemparan koin di atas, terlihat bahwa variabel acak X mewakili jumlah kepala pada pelemparan koin. Ruang sampel yang dibuat adalah [HH, TH, HT, TT]. Hal ini menunjukkan bahwa X dapat mengambil nilai 0 (tanpa kepala), 1 (1 kepala), dan 2 (2 kepala). Probabilitas setiap hasil

dapat dihitung dengan membagi jumlah hasil yang diinginkan dengan jumlah total hasil. Ini memberi kita probabilitas berikut.

P(X = 0) = 1/4 = 0,25 P(X = 1) = 2/4 = 0,5 P(X = 2) = 1/4 = 0,25

Nilai-nilai ini dapat disajikan seperti yang diberikan di bawah ini

4.Tabel

Tabel fungsi massa probabilitas menampilkan berbagai nilai yang dapat diambil oleh variabel acak diskrit serta probabilitas terkait. Tabel pmf contoh lemparan koin dapat dituliskan sebagai berikut:

Jadi, fungsi massa probabilitas P(X = 0) memberikan probabilitas X sama dengan sebesar 0,25

5.Grafik

Grafik fungsi massa probabilitas digunakan untuk menampilkan probabilitas yang terkait dengan kemungkinan nilai variabel acak. Grafik batang dapat digunakan

untuk merepresentasikan fungsi massa probabilitas dari contoh pelemparan koin seperti yang diberikan di bawah ini.

C.Distribusi Probilitas Diskrit

Terdapat beberapa distribusi probabilitas diskrit yang umum digunakan, antara lain:

1. Distribusi Bernoulli

 Digunakan untuk memodelkan percobaan Bernoulli, yaitu percobaan dengan hanya dua kemungkinan hasil (sukses atau gagal)

 PMF: P(X = x) = p^x * (1-p)^(1-x), dengan x = 0 atau 1, dan p adalah probabilitas sukses

 Contoh: memodelkan pelemparan satu koin (sukses = gambar, gagal = angka) 2. Distribusi Binomial

 Digunakan untuk memodelkan banyaknya sukses dalam n percobaan Bernoulli

 PMF: P(X = x) = (n pilih x) * p^x * (1-p)^(n-x), dengan x = 0, 1, 2, ..., n, dan p adalah probabilitas sukses setiap percobaan

 Contoh: memodelkan banyaknya kegagalan saat merakit produk dalam n produk yang dirakit

3. Distribusi Geometrik

 Digunakan untuk memodelkan banyaknya kegagalan sebelum kesuksesan pertama dalam percobaan Bernoulli

 PMF: P(X = x) = p * (1-p)^x, dengan x = 0, 1, 2, ..., dan p adalah probabilitas sukses

 Contoh: memodelkan banyaknya penembakan yang gagal sebelum sasaran pertama kali terpukul

4. Distribusi Poisson

 Digunakan untuk memodelkan banyaknya kejadian yang terjadi dalam selang waktu atau ruang tertentu

 PMF: P(X = x) = (e^(-λ) * λ^x) / x!, dengan x = 0, 1, 2, ..., dan λ adalah rata- rata jumlah kejadian per unit waktu/ruang

 Contoh: memodelkan jumlah panggilan telepon yang diterima per jam oleh operator

5. Distribusi Hipergeometrik

 Digunakan untuk memodelkan banyaknya sukses dalam pengambilan sampel tanpa pengembalian dari populasi terhingga

 PMF: P(X = x) = (K pilih x) * (N-K pilih n-x) / (N pilih n), dengan x = max(0, n-(N-K)), ..., min(n, K)

 Contoh: memodelkan banyaknya produk cacat dalam sampel n produk yang diambil dari populasi N produk dengan K produk cacat

D.Nilai Harapan (mean) dan Varians 1. Nilai Harapan (Mean)

 Definisi: Nilai harapan atau mean (μ) dari variabel acak diskrit X adalah jumlah dari semua nilai x yang mungkin dikalikan dengan probabilitasnya.

Secara matematis: μ = E(X) = Σ x * P(X = x) di mana jumlahan dilakukan untuk semua nilai x yang mungkin dari X.

 Interpretasi: Nilai harapan menggambarkan nilai rata-rata dari variabel acak diskrit jika percobaan dilakukan berulang kali dalam jangka panjang.

 Menghitung Nilai Harapan: Nilai harapan dihitung dengan menggunakan PMF dari distribusi probabilitas yang diikuti oleh variabel acak diskrit tersebut.

2. Varians

 Definisi: Varians (σ^2) dari variabel acak diskrit X adalah nilai harapan dari kuadrat selisih antara X dan nilai harapannya. Secara matematis: σ^2 = Var(X)

= E[(X - μ)^2] = Σ (x - μ)^2 * P(X = x)

 Interpretasi: Varians mengukur seberapa besar sebaran nilai-nilai X menyimpang dari nilai harapannya. Semakin besar varians, semakin besar penyebaran nilainya.

 Menghitung Varians: Varians juga dihitung dengan menggunakan PMF dari distribusi probabilitas yang diikuti oleh variabel acak diskrit tersebut.

 Standar Deviasi: Standar deviasi (σ) adalah akar kuadrat dari varians, memberikan ukuran sebaran dalam satuan yang sama dengan variabel acak.

Nilai harapan dan varians merupakan dua karakteristik penting dari sebuah distribusi probabilitas diskrit. Mereka memberikan informasi tentang pusat dan sebaran dari nilai-nilai variabel acak diskrit.

Contoh: Misalkan X adalah variabel acak diskrit dengan PMF:

P(X=1) = 1/4,

P(X=2) = 1/2, P(X=3) = 1/4

Maka, nilai harapan E(X) = 1*(1/4) + 2*(1/2) + 3*(1/4) = 2

Dan varians Var(X) = (1-2)^2*(1/4) + (2-2)^2*(1/2) + (3-2)^2*(1/4) = 1/2

E.Transformasi Variabel Acak Diskrit

Dalam banyak aplikasi, sering kali kita perlu melakukan transformasi pada variabel acak diskrit untuk memperoleh variabel acak baru yang lebih sesuai dengan

kebutuhan analisis. Transformasi ini dapat berupa transformasi linear maupun non- linear.

1. Transformasi Linear

Misalkan X adalah variabel acak diskrit, dan kita ingin mendapatkan variabel acak baru Y dengan melakukan transformasi linear Y = a + bX, di mana a dan b adalah konstanta.

Untuk menentukan PMF dari Y, kita lakukan substitusi X = (Y - a)/b ke dalam PMF dari X: P(Y = y) = P(X = (y - a)/b)

Properti yang berlaku:

 Nilai harapan E(Y) = a + b*E(X)

 Varians Var(Y) = b^2 * Var(X) b. Transformasi Non-Linear

Misalkan X adalah variabel acak diskrit, dan kita ingin mendapatkan variabel acak baru Y dengan melakukan transformasi non-linear Y = g(X), di mana g(.) adalah fungsi transformasi non-linear.

Untuk menentukan PMF dari Y, kita lakukan substitusi balik X = g^(-1)(y) ke dalam PMF dari X: P(Y = y) = P(X = g^(-1)(y))

Properti umum nilai harapan dan varians sulit diturunkan untuk transformasi non- linear, sehingga harus dihitung secara khusus menggunakan PMF baru dari Y.

Contoh:

1. Misalkan X ~ Binomial(n, p) dan kita ingin mentransformasikan menjadi Y = 2X + 3. Ini adalah transformasi linear dengan a = 3 dan b = 2. PMF dari Y adalah: P(Y = y) = P(X = (y - 3)/2) Nilai harapan E(Y) = 3 + 2np Varians Var(Y) = 4npq

2. Misalkan X ~ Poisson(λ) dan kita ingin mentransformasikan menjadi Y = X^2.

Ini adalah transformasi non-linear. PMF dari Y adalah: P(Y = y) = P(X = √y) untuk y = 0, 1, 4, 9, ... Nilai harapan dan varians dari Y harus dihitung secara khusus menggunakan PMF baru.

Contoh soal Pilihan Ganda

1. Misalkan X adalah variabel acak diskrit dengan PMF: P(X=1) = 1/4, P(X=2) = 1/2, P(X=3) = 1/4. Varians dari X adalah:

A. 1/2 B. 1 C. 3/2 D. 2 E. 5/2

Jawaban A

Penyelesaian: Diberikan Fungsi Massa Probabilitas (PMF) dari variabel acak diskrit X: P(X=1) = 1/4

P(X=2) = 1/2 P(X=3) = 1/4

Langkah 1: Menghitung nilai harapan (mean) E(X)

E(X) = Σ x.P(X=x) = 1*(1/4) + 2*(1/2) + 3*(1/4) = 1/4 + 1 + 3/4 = 2 Langkah 2: Menghitung varians Var(X)

Var(X) = E[(X - E(X))^2] = Σ (x - E(X))^2.

P(X=x) = (1-2)^2*(1/4) + (2-2)^2*(1/2) + (3-2)^2*(1/4) = 1*(1/4) + 0*(1/2) + 1*(1/4)

= 1/4 + 1/4 = 1/2

Jadi, varians dari X adalah 1/2.

2. Banyaknya cacat pada produk di suatu pabrik mengikuti distribusi Poisson rata-rata 2 cacat per produk. Probabilitas bahwa sebuah produk dipilih secara acak tidak cacat adalah:

A. e^(-2) B. 1 - e^(-2) C. 2e^(-2) D. 1 - 2e^(-2) E. (2^2 * e^(-2)) / 2!

Jawaban : A Penyelesaian:

Diketahui bahwa banyaknya cacat pada produk mengikuti distribusi Poisson dengan rata-rata 2 cacat per produk. Artinya, variabel acak X yang mewakili banyaknya cacat pada produk mengikuti distribusi Poisson dengan parameter λ = 2.

Fungsi Massa Probabilitas (PMF) untuk distribusi Poisson dengan parameter λ adalah: P(X = x) = (e^(-λ) * λ^x) / x!

Probabilitas bahwa sebuah produk tidak cacat adalah probabilitas X = 0, yaitu:

P(X = 0) = (e^(-λ) * λ^0) / 0! = e^(-λ) = e^(-2)

Jadi, probabilitas bahwa sebuah produk dipilih secara acak tidak cacat adalah e^(-2).

Soal Essay

1. Misalkan X adalah variabel acak diskrit yang mewakili jumlah mata dadu

saat melempar sebuah dadu fair. Tentukan nilai harapan dan varians dari X.

Jawab:

Karena dadu fair, maka setiap kemunculan mata dadu 1 sampai 6 memiliki peluang yang sama, yaitu 1/6. PMF dari X: P(X = x) = 1/6, untuk x = 1, 2, 3, 4, 5, 6 Nilai Harapan E(X) = Σ x.P(X=x) = (1+2+3+4+5+6) * (1/6) = 21/6

= 3.5 Varians Var(X) = Σ (x - E(X))^2.

P(X=x) = (1-3.5)^2/6 + (2- 3.5)^2/6 + ... + (6-3.5)^2/6 = 35/12 = 2.92 2. Dalam sebuah pabrik, terdapat 5% kemungkinan sebuah produk cacat. Jika

10 produk dipilih secara acak, tentukan: a. PMF dari variabel acak X yang mewakili banyaknya produk cacat dalam sampel tersebut. b. Nilai harapan dan varians dari X.

Jawab:

a. Variabel X mengikuti distribusi Binomial dengan n=10 dan p=0.05 PMF:

P(X=x) = (10 pilih x) * (0.05)^x * (0.95)^(10-x), untuk x = 0, 1, 2, ..., 10 b. Nilai Harapan E(X) = np = 10 * 0.05 = 0.5 Varians Var(X) = npq = 10 * 0.05 * 0.95 = 0.475

2.5 Variabel Acak Kontinu

A. Defenisi Variabel acak kontinu

·Definisi variabel acak kontinu Variabel acak kontinu adalah variabel acak yang dapat mengambil nilai-nilai dalam suatu rentang nilai yang kontinu (tidak terpisah). Dengan kata lain, nilai-nilai yang mungkin diambil oleh variabel acak kontinu membentuk suatu interval pada garis bilangan riil.

· Perbedaan dengan variabel acak diskrit Variabel acak diskrit hanya dapat mengambil nilai-nilai yang terpisah dari suatu himpunan terhingga atau terhitung tak hingga, sedangkan variabel acak kontinu dapat mengambil nilai-nilai dalam suatu rentang nilai yang kontinu.

· Contoh-contoh variabel acak kontinu dalam kehidupan nyata 1. Waktu yang dibutuhkan untuk menyelesaikan suatu tugas 2. Tinggi badan manusia

3. Berat badan 4. Usia

5. Jarak tempuh kendaraan 6. Kecepatan angin

7. Kadar polutan dalam udara 8. Suhu udara

Dari gambar di atas, terlihat bahwa variabel acak diskrit hanya dapat mengambil nilai-nilai yang terpisah (titik-titik), sedangkan variabel acak kontinu dapat mengambil nilai-nilai dalam suatu rentang nilai yang kontinu (kurva).

2.Fungsi Kepadatan Probilitas

 Definisi PDF Fungsi Kepadatan Probabilitas (Probability Density Function/PDF), dinotasikan dengan f(x), menggambarkan peluang relatif suatu variabel acak kontinu X dalam mengambil nilai di sekitar titik x. Secara matematis, PDF didefinisikan sebagai turunan dari Fungsi Distribusi Kumulatif (CDF) terhadap x, yaitu: f(x) = dF(x)/dx

 Properti PDF

1. f(x) ≥ 0 untuk semua nilai x (non-negatif)

2. Luas total di bawah kurva PDF dari -∞ sampai +∞ adalah 1, atau: ∫(dari -∞

ke +∞) f(x) dx = 1

 Interpretasi PDF sebagai luas di bawah kurva Untuk variabel acak kontinu X dengan PDF f(x), probabilitas X berada dalam selang [a, b] adalah luas di bawah kurva PDF antara a dan b, yaitu: P(a ≤ X ≤ b) = ∫(a ke b) f(x) dx Secara geometris,

luas di bawah kurva PDF antara dua titik mewakili probabilitas variabel acak kontinu berada dalam selang tersebut.

 Menghitung PDF untuk distribusi kontinu tertentu PDF untuk setiap distribusi kontinu memiliki rumus yang berbeda-beda, tergantung pada parameter-parameter yang menentukan distribusi tersebut. Beberapa distribusi kontinu umum seperti Normal, Eksponensial, Gamma, dan Beta akan dibahas pada sub-bab selanjutnya.

Sebagai contoh, PDF untuk distribusi Normal dengan mean μ dan standar deviasi σ adalah: f(x) = (1 / (σ * sqrt(2π))) * e^(-(x-μ)^2 / (2σ^2))

 Sifat PDF dalam menghitung probabilitas Probabilitas bahwa variabel acak kontinu X berada dalam suatu selang dapat dihitung dengan mengintegralkan PDF dalam selang tersebut. Misalnya: P(a ≤ X ≤ b) = ∫(a ke b) f(x) dx P(X > c) = ∫(c ke +∞) f(x) dx P(X < d) = ∫(-∞ ke d) f(x) dx

3.Distribusi Peluang Kontinu

Distribusi peluang kontinu adalah peubah acak yang dapat memperoleh semua nilai pada skala kontinu. Ruang sampel kontinu adalah bila ruang sampel mengandung titik sampel yang tak terhingga banyaknya. Syarat dari distribusi kontinu adalah apabila fungsi f(x) adalah fungsi padat peluang peubah acak kontinu X yang didefinisikan di atas

himpunan semua bilangan riil R bila:

1. Distribusi Normal Distribusi Normal (Gaussian) mungkin merupakan distribusi probabilitas yang paling penting baik dalam teori maupun aplikasi statistik.

Distribusi ini paling banyak digunakan sebagai model bagi data riil di berbagai bidang yang meliputi antara lain karakteristik fisik makhluk hidup (berat, tinggi badan manusia, hewan, dll). Terdapat empat alasan mengapa distribusi normal menjadi distribusi yang paling penting :

a. Distribusi normal terjadi secara alamiah.

b. Beberapa variabel acak yang tidak terdistribusi secara normal dapat dengan mudah ditransformasi menjadi suatu distribusi variabel acak yang normal.

c. Banyak hasil dan teknik analisis yang berguna dalam pekerjaan statistik hanya bisa berfungsi dengan benar jika model distribusinya merupakan distribusi normal.

d. Ada beberapa variabel acak yang tidak menunjukkan distribusi normal pada populasinya, namun distribusi dari rata-rata sampel yang diambil secara random dari populasi tersebut ternyata menunjukkan distribusi normal.

Distribusi Normal disebut juga Gausian distribution adalah salah satu fungsi distribusi peluang berbentuk lonceng seperti gambar berikut.

Berdasarkan gambar di atas, distribusi Normal akan memiliki beberapa ciri diantaranya:

a. Kurvanya berbentuk garis lengkung yang halus dan berbentuk seperti genta.

b. Simetris terhadap rataan (mean).

c. Kedua ekor/ ujungnya semakin mendekati sumbu absisnya tetapi tidak pernah maemotong.

d. Jarak titik belok kurva tersebut dengan sumbu simetrisnya sama dengan σ

e. Luas daerah di bawah lengkungan kurva tersebut dari - ~ sampai + ~ sama dengan 1 atau 100 %

Distribusi normal kumulatif didefinisikan sebagai probabilitas variabel acak normal X bernilai kurang dari atau sama dengan suatu nilai x tertentu. Maka fungsi distribusi kumulatif dari distribusi normal ini dinyatakan sebagai :

Untuk menghitung probabilitas ≤ ≤ ) dari suatu variabel acak kontinu X (

( ( ( ( ( ( ( ( ( ( ( (

( (

yang terdistribusi secara normal dengan parameter dan maka persamaan (1) harus

diintegralkan mulai dari = sampai = . Namun, tidak ada satupun dari teknik-teknik

pengintegralan biasa yang bisa digunakan untuk menentukan integral tersebut. Untuk itu para ahli statistik/matematik telah membuat sebuah penyederhanaan dengan memperkenalkan sebuah fungsi kepadatan probabilitas normal khusus dengan nilai mean = 0 dan deviasi standard = 1. Distribusi ini dikenal sebagai distribusi normal

standard (standard normal distribution). Variabel acak dari distribusi normal standard ini biasanya dinotasikan dengan Z. Dengan menerapkan ketentuan diatas pada persamaan (1) maka fungsi kepadatan probabilitas dari distribusi normal standard variabel acak kontinu Z adalah:

Sedangkan fungsi distribusi kumulatif dari distribusi normal standard ini dinyatakan sebagai :

2. Distribusi Student’s t Distribusi student’s t adalah distribusi yang ditemukan oleh seorang mahasiswa yang tidak mau disebut namanya. Untuk menghargai hasil penemuannya itu, distribusinya disebut distribusi Student yang lebih dikenal dengan distribusi “t”, diambil daru huruf terakhir kata “student”. Bentuk persamaan fungsinya :

Berlaku untul −∞ < t < ∞ dan K merupakan tetapan yang besarnya

tergantung dari besar n sedemikian sehingga luas daerah antara kurva fungsi itu dan sumbu t adalah 1. Bilangan n – 1 disebut derajat kebebasan (dk). Yang

dimaksudkan dengan dk ialah kemungkinan banyak pilihan dari sejumlah objek yang diberikan. Misalnya kita mempunyai dua objek yaitu A dan B. Dari dua objek ini kita hanya mungkin melakukan 1 kali pilihan saja, A dan B. Seandainya terpilih A maka B tidak usah dipilih lagi. Dan untuk itu dk = 2 – 1 = 1.

Contoh soal

Baik, berikut ini adalah 2 soal pilihan ganda dan 2 soal esai beserta jawabannya terkait variabel acak kontinu:

Soal Pilihan Ganda:

1. Sebuah variabel acak kontinu X memiliki fungsi kepadatan peluang (PDF) f(x) = 2x untuk 0 ≤ x ≤ 1, dan f(x) = 0 untuk nilai x lainnya. Nilai ekspektasi (mean) dari variabel acak X adalah:

a. 1/3 b. 1/2

c. 2/3 d. 3/4

Jawaban: c. 2/3

Penjelasan: Nilai ekspektasi (mean) dari variabel acak kontinu X dihitung dengan mengintegralkan x f(x) dari seluruh rentang nilai x. Dalam kasus ini, E(X)

= ∫(0 sampai 1) x (2x) dx = 2/3.

2. Jika variabel acak kontinu X memiliki fungsi kepadatan peluang (PDF) simetris, maka:

a. Mean dan median selalu sama b. Mean dan modus selalu sama c. Median dan modus selalu sama

d. Mean, median, dan modus selalu sama

Jawaban: a. Mean dan median selalu sama

Penjelasan: Untuk PDF simetris, mean dan median selalu sama, tetapi tidak selalu sama dengan modus.

Soal Esai:

1. Jelaskan apa yang dimaksud dengan fungsi kepadatan peluang (PDF) untuk variabel acak kontinu. Berikan contoh PDF beserta penjelasannya.

Jawaban:

Fungsi kepadatan peluang (PDF) adalah fungsi matematis yang menggambarkan distribusi probabilitas dari variabel acak kontinu. PDF menentukan probabilitas bahwa variabel acak kontinu akan mengambil nilai tertentu atau berada dalam rentang nilai tertentu.

Sifat-sifat utama PDF:

- PDF selalu bernilai non-negatif untuk semua nilai x.

- Luas total di bawah kurva PDF adalah 1 (kepastian).

- Probabilitas variabel acak X berada dalam rentang [a, b] dihitung dengan mengintegralkan PDF dari a sampai b.

Contoh PDF adalah fungsi kepadatan peluang untuk distribusi normal dengan mean μ dan varians σ^2, diberikan oleh:

f(x) = (1 / √(2πσ^2)) * e^(-(x-μ)^2 / (2σ^2))

Kurva PDF untuk distribusi normal berbentuk lonceng simetris dengan mean μ sebagai titik puncak, dan sebaran data tergantung pada nilai varians σ^2.

Semakin kecil nilai σ^2, semakin tinggi dan lancip kurva PDF, yang menunjukkan sebaran data yang lebih sempit di sekitar mean.

2. Jelaskan perbedaan antara variabel acak diskrit dan variabel acak kontinu.

Berikan contoh masing-masing jenis variabel acak tersebut.

Jawaban:

Variabel acak diskrit dan variabel acak kontinu memiliki perbedaan utama dalam jenis nilai yang dapat diambil oleh variabel tersebut.

Variabel acak diskrit hanya dapat mengambil nilai-nilai terpisah atau terhitung. Contohnya:

- Jumlah mata dadu yang muncul saat melempar dua dadu (nilai antara 2 sampai 12)

- Jumlah kegagalan dalam proses produksi (nilai bulat non-negatif) - Jumlah pelanggan yang datang ke toko dalam satu jam (nilai bulat non- negatif)

Variabel acak kontinu dapat mengambil nilai apapun dalam rentang tertentu, termasuk nilai-nilai desimal atau pecahan. Contohnya:

- Waktu tunggu di antrian (dalam satuan menit atau jam) - Tinggi badan manusia (dalam satuan cm atau m) - Berat badan bayi yang baru lahir (dalam satuan kg) - Kadar kolesterol dalam darah (dalam satuan mg/dL) 2.6 Distribusi Sampling

1.Distribusi sampel adalah distribusi probabilitas dari statistik sampel, seperti mean sampel, proporsi sampel, atau varians sampel, yang diperoleh dari sampel acak yang diambil dari populasi.

 Statistik sampel adalah nilai yang dihitung dari data sampel untuk mengestimasi parameter populasi yang tidak diketahui.

 Contoh statistik sampel: mean sampel (x̄), proporsi sampel (p̂), varians sampel (s^2).

b. Pentingnya Distribusi Sampling dalam Inferensi Statistik

 Distribusi sampling memberikan dasar untuk menarik kesimpulan tentang parameter populasi berdasarkan informasi dari sampel.

 Dalam inferensi statistik, kita menggunakan distribusi sampling untuk: i.

Memperkirakan parameter populasi (misalnya, mean populasi) ii. Melakukan pengujian hipotesis tentang parameter populasi iii. Membangun interval kepercayaan untuk parameter populasi

c. Prinsip Dasar Distribusi Sampling

 Jika kita mengambil sampel acak berukuran n dari populasi, distribusi sampling dari statistik sampel akan memiliki: i. Nilai harapan (mean) yang sama dengan parameter populasi yang diestimasi ii. Varians yang bergantung pada varians populasi dan ukuran sampel (n)

d. Contoh Ilustrasi

 Misalkan kita ingin mengestimasi mean tinggi badan siswa di sekolah tertentu. Kita mengambil sampel acak 50 siswa dan menghitung mean tinggi sampel (x̄).

 Distribusi sampling dari x̄ akan menggambarkan semua nilai x̄ yang mungkin diperoleh dari sampel berukuran 50 yang diambil dari populasi tersebut.

 Dengan distribusi sampling ini, kita dapat mengestimasi mean tinggi badan populasi, menguji hipotesis, dan membangun interval kepercayaan.

2.Distribusi Sampling Mean

a. Properti Distribusi Sampling Mean i. Nilai Harapan (Mean) Distribusi Sampling Mean - Jika sampel acak berukuran n diambil dari populasi dengan mean μ, maka nilai harapan dari distribusi sampling mean (x̄) adalah sama dengan μ. - E(x̄) = μ, untuk semua ukuran sampel n. ii. Varians Distribusi Sampling Mean - Varians dari distribusi sampling mean (x̄) bergantung pada varians populasi (σ²) dan ukuran sampel (n). - Var(x̄) = σ²/n - Semakin besar ukuran sampel (n), semakin kecil varians distribusi sampling mean.

b. Teorema Limit Pusat

i.Pernyataan Teorema Limit Pusat - Jika kita mengambil sampel acak berukuran n dari populasi dengan mean μ dan varians σ², maka distribusi sampling mean (x̄) akan mendekati distribusi normal ketika ukuran sampel (n) cukup besar, terlepas dari bentuk distribusi populasi.

ii. Kondisi Pendekatan Distribusi Normal - Untuk distribusi populasi simetris, pendekatan distribusi normal sudah cukup baik bahkan untuk ukuran sampel kecil (n ≥ 30). - Untuk distribusi populasi miring, ukuran sampel harus lebih besar (n ≥ 30 adalah aturan kasar, tetapi lebih besar lebih baik).

iii. Implikasi Teorema Limit Pusat - Teorema ini memberikan dasar untuk melakukan pengujian hipotesis dan membangun interval kepercayaan untuk mean populasi menggunakan distribusi normal sebagai pendekatan.

c. Aplikasi Distribusi Sampling Mean i. Estimasi Interval untuk Mean Populasi - Dengan menggunakan distribusi sampling mean, kita dapat membangun interval kepercayaan untuk mengestimasi mean populasi (μ) berdasarkan mean sampel (x̄) dan tingkat kepercayaan tertentu. ii. Pengujian Hipotesis tentang Mean Populasi - Kita dapat melakukan pengujian hipotesis tentang nilai mean populasi (μ) dengan membandingkan mean sampel (x̄) dengan nilai hipotesis menggunakan distribusi sampling mean. iii. Contoh Aplikasi - Mengestimasi mean pendapatan bulanan di suatu wilayah berdasarkan sampel. - Menguji apakah mean kadar kolesterol pasien berbeda secara signifikan dari nilai normal. - Membandingkan mean skor tes antara dua kelompok siswa yang mengikuti metode pembelajaran berbeda.

3. Distribusi Sampling Proporsi a. Properti Distribusi Sampling Proporsi

i. Nilai Harapan (Mean) Distribusi Sampling Proporsi - Jika sampel acak berukuran n diambil dari populasi biner (sukses/gagal) dengan proporsi sukses π, maka nilai harapan dari distribusi sampling proporsi (p̂) adalah sama dengan π. - E(p̂) = π, untuk semua ukuran sampel n.

ii. Varians Distribusi Sampling Proporsi - Varians dari distribusi sampling proporsi (p̂) bergantung pada proporsi populasi (π) dan ukuran sampel (n). -

Var(p̂) = π(1-π)/n - Semakin besar ukuran sampel (n), semakin kecil varians distribusi sampling proporsi.

b. Kondisi Pendekatan Distribusi Normal

i. Pendekatan Distribusi Normal untuk Proporsi - Seperti halnya distribusi sampling mean, distribusi sampling proporsi (p̂) juga dapat didekati dengan distribusi normal dalam kondisi tertentu.

ii. Aturan Praktis untuk Pendekatan Distribusi Normal - Jika np ≥ 5 dan n(1-p) ≥ 5, maka distribusi sampling proporsi (p̂) dapat didekati dengan distribusi normal. - Aturan ini memberikan pendekatan yang cukup baik untuk ukuran sampel besar (n

≥ 30).

c. Aplikasi Distribusi Sampling Proporsi

i. Estimasi Interval untuk Proporsi Populasi - Dengan menggunakan distribusi sampling proporsi, kita dapat membangun interval

kepercayaan untuk mengestimasi proporsi populasi (π) berdasarkan proporsi sampel (p̂) dan tingkat kepercayaan tertentu.

ii. Pengujian Hipotesis tentang Proporsi Populasi - Kita dapat melakukan pengujian hipotesis tentang nilai proporsi populasi (π) dengan membandingkan proporsi sampel (p̂) dengan nilai hipotesis menggunakan distribusi sampling proporsi.

iii. Contoh Aplikasi - Mengestimasi proporsi pemilih yang mendukung kandidat tertentu berdasarkan survei. - Menguji apakah proporsi produk cacat di pabrik melebihi batas maksimum yang ditetapkan. - Membandingkan proporsi siswa yang lulus ujian antara dua metode pembelajaran yang berbeda.

4. Distribusi Sampling Varians

a. Properti Distribusi Sampling Varians

i. Nilai Harapan (Mean) Distribusi Sampling Varians - Jika sampel acak berukuran n diambil dari populasi dengan varians σ², maka nilai harapan dari distribusi sampling varians (s²) adalah sama dengan σ². - E(s²) = σ², untuk semua ukuran sampel n.

ii. Varians Distribusi Sampling Varians - Varians dari distribusi sampling varians (s²) bergantung pada varians populasi (σ²) dan ukuran sampel (n). - Var(s²)

= (2σ )/(n-1) - Semakin besar ukuran sampel (n), semakin kecil varians distribusi ⁴ sampling varians.

b. Distribusi Chi-Kuadrat

i. Definisi Distribusi Chi-Kuadrat - Distribusi chi-kuadrat adalah distribusi probabilitas kontinu yang bergantung pada derajat kebebasan (df). - Distribusi ini digunakan dalam statistik untuk menguji hipotesis tentang varians populasi.

ii. Hubungan dengan Distribusi Sampling Varians - Jika sampel acak berukuran n diambil dari populasi normal dengan varians σ², maka statistik (n- 1)s²/σ² mengikuti distribusi chi-kuadrat dengan derajat kebebasan (n-1). - (n-1)s²/σ²

~ χ²(n-1)

iii. Aplikasi Distribusi Chi-Kuadrat - Distribusi chi-kuadrat digunakan untuk menguji hipotesis tentang varians populasi (σ²) berdasarkan varians sampel (s²). - Juga digunakan dalam beberapa uji statistik lainnya, seperti uji kebaikan kecocokan (goodness of fit) dan uji independensi.

c. Aplikasi Distribusi Sampling Varians

i. Estimasi Interval untuk Varians Populasi - Dengan menggunakan distribusi sampling varians dan distribusi chi-kuadrat, kita dapat membangun interval kepercayaan untuk mengestimasi varians populasi (σ²) berdasarkan varians sampel (s²) dan tingkat kepercayaan tertentu.

ii. Pengujian Hipotesis tentang Varians Populasi - Kita dapat melakukan pengujian hipotesis tentang nilai varians populasi (σ²) dengan membandingkan varians sampel (s²) dengan nilai hipotesis menggunakan distribusi sampling varians dan distribusi chi-kuadrat.

iii. Contoh Aplikasi - Mengestimasi varians produksi dalam proses

manufaktur berdasarkan sampel produk. - Menguji apakah varians skor tes siswa di sekolah tertentu berbeda secara signifikan dari nilai yang diharapkan. -

Membandingkan varians harga saham antara dua perusahaan dalam industri yang sama.

Baik, berikut ini adalah 2 soal pilihan ganda dan 2 soal esai beserta jawabannya terkait distribusi sampling:

Contoh soal

Soal Pilihan Ganda:

1. Jika mean populasi μ = 50 dan varians populasi σ² = 25, maka nilai harapan (mean) dari distribusi sampling mean (x̄) dengan ukuran sampel n = 30 adalah:

a. 45 b. 50 c. 55

d. Tidak cukup informasi untuk menentukan Jawaban: b. 50

Penjelasan: Nilai harapan dari distribusi sampling mean selalu sama dengan mean populasi, terlepas dari ukuran sampel dan varians populasi.

2. Jika proporsi populasi π = 0,6 dan ukuran sampel n = 100, maka kondisi untuk mendekati distribusi normal pada distribusi sampling proporsi (p̂) terpenuhi jika:

a. np ≥ 5 dan n(1-p) ≥ 5 b. np ≥ 10 dan n(1-p) ≥ 10 c. np ≥ 30 dan n(1-p) ≥ 30 d. np = n(1-p)

Jawaban: a. np ≥ 5 dan n(1-p) ≥ 5

Penjelasan: Aturan praktis untuk mendekati distribusi normal pada distribusi sampling proporsi adalah np ≥ 5 dan n(1-p) ≥ 5. Dalam kasus ini, np = 100(0,6) = 60 dan n(1-p) = 100(0,4) = 40, sehingga kondisi terpenuhi.

Soal Esai:

1. Jelaskan mengapa Teorema Limit Pusat menjadi dasar penting dalam penggunaan distribusi normal sebagai pendekatan dalam distribusi sampling mean.

Berikan contoh situasi di mana Teorema Limit Pusat dapat diterapkan.

Jawaban:

Teorema Limit Pusat menyatakan bahwa distribusi sampling mean (x̄) akan mendekati distribusi normal ketika ukuran sampel (n) cukup besar, terlepas dari bentuk distribusi populasi. Teorema ini memberikan dasar penting untuk

menggunakan distribusi normal sebagai pendekatan dalam distribusi sampling mean karena memungkinkan kita untuk melakukan inferensi statistik yang valid dengan menggunakan metode dan prosedur yang melibatkan distribusi normal.

Contoh situasi di mana Teorema Limit Pusat dapat diterapkan adalah ketika kita ingin mengestimasi mean pendapatan bulanan di suatu wilayah berdasarkan sampel. Misalkan kita mengambil sampel acak berukuran 100 orang dari populasi tersebut. Meskipun distribusi pendapatan bulanan di populasi mungkin tidak normal, dengan Teorema Limit Pusat, kita dapat mengasumsikan bahwa distribusi sampling mean (x̄) akan mendekati distribusi normal. Dengan asumsi ini, kita dapat membangun interval kepercayaan dan melakukan pengujian hipotesis tentang mean pendapatan bulanan di wilayah tersebut menggunakan metode yang melibatkan distribusi normal.

2. Jelaskan perbedaan antara distribusi sampling mean dan distribusi sampling proporsi serta kapan masing-masing distribusi tersebut digunakan dalam analisis statistik.

Jawaban:

Distribusi sampling mean dan distribusi sampling proporsi memiliki perbedaan utama dalam jenis data dan parameter yang diestimasi.

Distribusi sampling mean digunakan ketika kita berurusan dengan data numerik kontinu dan ingin mengestimasi mean populasi (μ). Distribusi ini memberikan informasi tentang perilaku mean sampel (x̄) yang diperoleh dari

sampel acak berukuran n dari populasi. Distribusi sampling mean digunakan dalam situasi seperti mengestimasi mean pendapatan, mean skor tes, atau mean tinggi badan.

Di sisi lain, distribusi sampling proporsi digunakan ketika kita berurusan dengan data biner (sukses/gagal) dan ingin mengestimasi proporsi populasi (π).

Distribusi ini memberikan informasi tentang perilaku proporsi sampel (p̂) yang diperoleh dari sampel acak berukuran n dari populasi. Distribusi sampling proporsi digunakan dalam situasi seperti mengestimasi proporsi pemilih yang mendukung kandidat tertentu, proporsi produk cacat dalam proses manufaktur, atau proporsi siswa yang lulus ujian.

Dalam analisis statistik, kita memilih distribusi sampling yang sesuai dengan jenis data dan parameter yang ingin diestimasi. Jika kita berurusan dengan data numerik kontinu, kita menggunakan distribusi sampling mean. Jika kita berurusan dengan data biner atau proporsi, kita menggunakan distribusi sampling proporsi.

2.7 Pengertian Statistika Inferensial

Statistika inferensial adalah cabang dari statistika yang memungkinkan kita membuat kesimpulan atau inferensi tentang populasi berdasarkan data sampel yang

diambil dari populasi tersebut. Konsep dasar statistika inferensial melibatkan penggunaan teknik-teknik statistika untuk membuat generalisasi yang valid tentang populasi, serta untuk mengukur ketidakpastian yang terkait dengan kesimpulan inferensial tersebut.

Dalam konteks ini, populasi mengacu pada kumpulan semua unit yang ingin kita pelajari atau simpulkan, sedangkan sampel adalah subset dari populasi yang kita observasi atau ukur.

Salah satu tujuan utama dari statistika inferensial adalah untuk membuat estimasi tentang parameter populasi. Estimasi ini dapat berupa estimasi titik, di mana kita menghitung nilai tunggal yang diperkirakan untuk parameter populasi, atau estimasi interval, di mana kita menghitung rentang nilai yang mungkin untuk parameter populasi dengan tingkat kepercayaan tertentu. Estimasi parameter populasi ini membantu kita memahami karakteristik umum dari populasi berdasarkan data sampel yang terbatas.

Selain itu, statistika inferensial juga melibatkan pengujian hipotesis tentang parameter populasi. Pengujian hipotesis ini digunakan untuk menentukan apakah terdapat perbedaan atau hubungan yang signifikan antara parameter populasi, atau apakah hasil yang diamati dapat dianggap sebagai kebetulan semata. Langkah-langkah dalam pengujian hipotesis meliputi pembuatan hipotesis nol dan alternatif, pemilihan tingkat signifikansi, penghitungan uji statistik, dan pengambilan keputusan berdasarkan hasil uji.

Pada tingkat yang lebih lanjut, statistika inferensial juga mencakup teknik-teknik seperti analisis regresi dan analisis varians. Analisis regresi digunakan untuk memahami hubungan antara variabel dependen dan independen, sedangkan analisis varians digunakan untuk membandingkan rata-rata di antara tiga atau lebih kelompok. Kedua teknik ini membantu kita menjawab pertanyaan-pertanyaan kompleks tentang hubungan antara variabel-variabel yang diamati dalam data.

Ketika melakukan analisis statistika inferensial, penting untuk mempertimbangkan asumsi yang mendasari teknik-teknik yang digunakan. Misalnya, banyak teknik statistika inferensial mengasumsikan bahwa data mengikuti distribusi tertentu, seperti distribusi normal. Oleh karena itu, langkah-langkah diagnostik sering diperlukan untuk memeriksa apakah asumsi ini terpenuhi, dan untuk menentukan apakah teknik yang digunakan adalah yang paling sesuai untuk data yang diamati.

Selain itu, statistika inferensial juga melibatkan pengukuran ketidakpastian yang terkait dengan kesimpulan inferensial yang dibuat. Interval kepercayaan adalah salah satu cara untuk mengukur ketidakpastian ini, di mana kita menghitung rentang nilai yang mungkin untuk parameter populasi dengan tingkat kepercayaan tertentu. Semakin lebar interval kepercayaan, semakin besar ketidakpastian yang terkait dengan estimasi parameter populasi.

Dalam praktiknya, statistika inferensial memainkan peran penting dalam berbagai bidang, termasuk ilmu sosial, ilmu alam, kedokteran, ekonomi, dan bisnis. Dengan menggunakan teknik-teknik statistika inferensial yang tepat, kita dapat membuat kesimpulan yang kuat tentang populasi berdasarkan data sampel yang terbatas, dan mengambil keputusan yang didasarkan pada bukti empiris yang kuat. Oleh karena itu, pemahaman yang baik tentang statistika inferensial sangat penting bagi para peneliti, praktisi, dan pengambil keputusan dalam berbagai konteks

A.Kegunaan Statistika Inferensial

Statistika inferensial memiliki peran yang sangat penting dalam dunia ilmu pengetahuan, penelitian, bisnis, kedokteran, pendidikan, dan banyak bidang lainnya.

Berikut ini adalah beberapa contoh lengkap dan detail tentang kegunaan statistika inferensial:

1. Penelitian Ilmiah

Dalam penelitian ilmiah, statistika inferensial digunakan untuk membuat generalisasi tentang populasi berdasarkan data yang diperoleh dari sampel. Ini membantu ilmuwan dalam menguji hipotesis, mengidentifikasi pola, dan menyimpulkan temuan penelitian dengan tingkat kepercayaan yang tinggi.

Misalnya, dalam penelitian medis, statistika inferensial digunakan untuk mengevaluasi efektivitas suatu pengobatan atau intervensi, atau untuk menarik kesimpulan tentang penyebab suatu penyakit berdasarkan studi epidemiologi.

2. Bisnis dan Ekonomi

Di dunia bisnis, statistika inferensial digunakan untuk menganalisis data pasar, perilaku konsumen, dan tren ekonomi. Ini membantu perusahaan dalam mengambil keputusan strategis tentang penetapan harga, alokasi sumber daya, perencanaan pemasaran, dan pengembangan produk. Misalnya, statistika inferensial digunakan dalam survei pasar untuk mengidentifikasi preferensi konsumen dan memprediksi permintaan pasar.

3. Kedokteran dan Kesehatan

Dalam kedokteran, statistika inferensial digunakan untuk analisis data klinis, penelitian medis, dan evaluasi efektivitas pengobatan. Ini membantu dokter dalam membuat diagnosis yang akurat, memilih pengobatan yang tepat, dan merancang strategi perawatan yang efektif. Statistika inferensial juga digunakan dalam penelitian epidemiologi untuk memahami penyebaran penyakit dan faktor- faktor risiko yang terkait.

4. Pendidikan

Di bidang pendidikan, statistika inferensial digunakan untuk evaluasi program pendidikan, analisis hasil tes, dan penelitian pendidikan. Ini membantu guru dan administrator dalam memahami efektivitas program pembelajaran, mengidentifikasi kebutuhan siswa, dan mengevaluasi metode pengajaran. Misalnya, statistika inferensial digunakan dalam analisis data ujian standar untuk mengevaluasi kinerja siswa dan efektivitas program pembelajaran.

5. Ilmu Sosial

Dalam ilmu sosial, statistika inferensial digunakan untuk analisis data survei, penelitian psikologis, dan studi sosial. Ini membantu peneliti dalam memahami pola-pola perilaku manusia, dinamika sosial, dan faktor-faktor yang mempengaruhi keputusan dan interaksi manusia. Misalnya, statistika inferensial digunakan dalam penelitian psikologi untuk menguji hipotesis tentang perilaku manusia dan hubungan antara variabel psikologis.

6. Ilmu Alam dan Teknik