Rumus-rumus_STATISTIK
Transcript of Rumus-rumus_STATISTIK
PROBABILITA n (A)
• P (A) = -----------------------
• N (ruang sampel)
Contoh : pada pelemparan 2 coin
• Probabilitas peristiwa munculnya 2 muka sama adalah 2/4 = 0,5
• Probabilitas peristiwa tidak ada muka G yang muncul adalah ¼ = 0,25
Nilai Probabilitas suatu peristiwa A : 0 < P(A) < 1
Hukum Penjumlahan
• Jika A dan B merupakan peristiwa saling lepas (mutually exclusive) , maka :
P(A U B) = P(A) + P(B)
• Jika A dan B merupakan peristiwa yang tidak saling lepas (ada peristiwa bersama atau Joint Event)
• A AB B
P (A U B) = P(A) + P(B) – P (A ∩ B)
Hukum Perkalian
Probabilitas Peristiwa Bebas (Independent Probability)
• P(A ∩ B) = P(A) x P(B)
• Contoh :
• Pada pelemparan 2 kali sebuah dadu :
• Berapa Probabilitas munculnya muka 6 pada lemparan I dan ke II ?
• A = peristiwa munculnya muka 6 pada lemparan I
• B = peristiwa munculnya muka 6 pada lemparan II
• P(A ∩ B) = 1/6 x 1/6 = 1/36
Peristiwa Bersyarat
• Probabilitas Peristiwa Bersyarat (Conditional Probability)
P(A ∩ B) = P(A) x P(B/A) = P(A/B) x P(B)
• A/B = peristiwa A terjadi dengan syarat peristiwa B terjadi lebih dulu
Contoh :
• Pada permainan kartu remi (without replacement)
• Berapa probabilita kartu As muncul pada pengambilan I dan II
• A = peristiwa munculnya kartu As pada pengambilan I
• B = peristiwa munculnya kartu As pada pengambilan II
• P(A ∩ B) = P(A) x P(B/A)
• = 4/52 x 3/51 = 0,0045
Teknik Menghitung Jumlah Kemungkinan
1. Faktorial (Jumlah susunan n obyek (pada n ruang))
< n! >
contoh :
Berapa jumlah susunan yang berbeda dari 3 buah buku A, B dan C ?
n! = 3! = 6
Bukti : ABC, ACB, BAC, BCA, CAB, CBA
2. Permutasi ( Jumlah susunan n obyek pada r ruang )
Berapa jumlah susunan yang berbeda dari 3 buah buku A, B dan C pada 2 ruang ?
3P2 = 3! / (3-2)! = 6
Bukti : AB, AC, BA, BC, CA, CB
3. Kombinasi ( Jumlah kumpulan n obyek pada r ruang ),
Berapa jumlah kemungkinan 3 orang pelamar ABC, akan diterima 2 orang ?
3C2 = 3! / (3-2)! 2! = 3
Kombinasi
Permutasi
AB
AC
BC
AB, BA
AC, CA
BC, CB
Distribusi Probabilita
Variabel Acak
Distribusi Probabilita Diskret
Nilai Harapan (Expected Value)
Nilai harapan merupakan rata-rata semua nilai variabel yang mungkin.
μ = E (X) = ∑ x P(x)
Contoh 2 : Berapa rata-rata (nilai harapan) munculnya sisi angka dari sebuah coin yang dilempar 3 kali ?
X = banyaknya sisi Angka yang muncul
μ = E(X) = 1,5
Distribusi Probabilita Binomial
Contoh :
Sebuah dadu dilempar 2 kali à n = 2
Jika X = banyaknya mata dadu 6 yang muncul,
Sukses = mata dadu 6 yang muncul, maka p = 1/6 dan q = 5/6
R = { GG, GS, SG, SS} = {qq, qp, pq, pp} = {25/36, 5/36, 5/36, 1/36}
X = { 0, 1, 2 } à P (x) = { 25/36 10/36 1/36 }
Contoh :
Sebuah coin dilempar 3 kali à n = 3
X = banyaknya sisi angka yang muncul
Buatlah distribusi probabilita binomialnya !
HasilHasil PercobaanPercobaan
ProbabilitaProbabilita PeristiwaPeristiwa
Jumlah SisiJumlah Sisi X (sukses)X (sukses)
P (X=x)P (X=x) Probabilita b(x│3, p)Probabilita b(x│3, p)
SSSSSS
SSGSSG
SGSSGS
GSSGSS
SGGSGG
GSGGSG
GGSGGS
GGG GGG
ppp ppp
ppq ppq
pqp pqp
qpp qpp
pqq pqq
qpq qpq
qqp qqp
qqq qqq
33
22
2 22 2
22
11
1 11 1
11
0 0
pp33
3p3p22qq
3pq3pq22
qq33
1/81/8
3/83/8
3/83/8
1/8 1/8
Rumus Binomial
Bila X = banyaknya peristiwa sukses yang memilki prob. p dari percobaan binom dengan n ulangan, maka distribusi prob. Binomial X spt rumus tsb.
Contoh :Sebuah coin dilempar 3 kali à n = 3X = banyaknya sisi angka yang muncul à p = 0,5Buatlah distribusi probabilita binomialnya !
Jawab :
Untuk x = 0 P(x=0) = 3C0 (0,5)0 (0,5)3 = 0,125
Untuk x = 1 P(x=1) = 3C1 (0,5)1 (0,5)2 = 0,375
Untuk x = 2 P(x=2) = 3C2 (0,5)2 (0,5)1 = 0,375
Untuk x = 3 P(x=3) = 3C3 (0,5)3 (0,5)0 = 0,125
Nilai Harapan distribusi Binomial
μ = E (X) = ∑ x P(x) = n p
Varians dan Deviasi standar :
Varians : σ2 = n p q
Deviasi std : σ = √ n p q
Distribusi Poisson & Distribusi Normal
Untuk x=1, 2, 3, …
Distribusi Poisson merupakan distribusi variabel acak yang hasil percobaannya terjadi dalam selang waktu atau daerah tertentu.
Distribusi ini secara luas banyak dipakai terutama dalam proses simulasi, seperti proses kedatangan, proses antrian dll.
Dimana m adalah rata-rata banyaknya hasil percobaan yang terjadi dalam selang waktu atau daerah tertentu dan e = 2,71828
Percobaan Poisson memiliki ciri-ciri sbb :
Banyaknya hasil percobaan yg terjadi dalam selang waktu atau daerah tertentu tidak bergantung pd selang waktu atau daerah lain yang terpisah.
Probabilita terjadinya suatu hasil percobaan selama suatu selang waktu yang singkat sebanding dengan panjang selang waktu tsb.
Probabilita bahwa lebih dari satu hasil percobaan akan terjadi dalam selang waktu yang singkat atau daerah yang kecil dapat diabaikan.
Contoh Soal 1
Seorang sekretaris rata-rata melakukan kesalahan ketik 2 huruf setiap halaman yang diketik. Berapa probabilita bahwa pada halaman berikutnya ia membuat kesalahan :
a. Defenisikan variabel acak X ?
b. Tepat 3 huruf,
c. Kurang dari 3 huruf
d. Lebih dari 2 huruf
a. X = banyaknya kesalahan ketik
P(X=3) = 0,180
c. P(X<3) = 0,135 + 0,27 + 0,27 = 0,675
d. P(x>2) = 1 – 0,675 = 0,325
Distribusi Normal Distribusi Normal merupakan distribusi probabilita kontinu yang
paling populer. Ciri-ciri distribusi Normal :
1. Kurvanya mempunyai puncak tunggal.
2. Kurvanya berbentuk seperti lonceng.
3. Nilai rata-rata, median dan modus terletak berhimpit dan terletak tepat dibawah puncak kurva.
4. Kurvanya simetris.
5. Kedua ekor kurva memanjang tak terbatas dan tidak pernah memotong sumbu horizontal.
6. Luas daerah yang terletak di bawah kurva dan di atas garis sumbu datar sama dengan 1
Fungsi Normal
Untuk -∞ < X < ∞
Distribusi Normal Standar
Distribusi Normal Standar adalah distribusi normal yang memiliki rata-rata μ=0 dan deviasi standar σ=1.
Untuk mencari probabilita suatu interval dari variabel acak normal dapat dipermudah dengan transformasi ke distribusi normal standar.
Distribusi Sampling
Distribusi Sampling adalah : distribusi probabilita dengan statistik sampel sebagai variabel acaknya.
Statisik sampel antara lain :
: (rata-rata sampel),
: (proporsi sampel),
: (Beda 2 rata-rata),
: (Beda 2 proporsi),
Populasi
Populasi adalah keseluruhan unsur yang menjadi obyek pengamatan.
Populasi finite : populasi yang jumlah unsurnya (N) terbatas, misalnya : 5, 10, 1000
Populasi Infinite : popiulasi yang jumlah unsurnya tidak terbatas
Metode Sampling
Cara memperoleh sampel :
1.Simple Random Sample
2.Stratified Random Sample
3.Cluster Random Sample
4.Systematic Random Sample
5.Non Random Sample
Dalil Limit Pusat (The Central Limit Theorem) :
1. = m
2. à populasi terbatas
Sehingga :
Distribusi Sampling Rata-rata
Membuat distribusi Sampling rata-rata sampel dengan sampel berukuran n = 2 dari
suatu populasi berukuran N = 4 yaitu ( 3, 4, 6, 7)
Rata-rata dan deviasi standar populasi :
Dengan sampling without replacement, maka banyaknya kemungkinan sampel yang terjadi adalah sebanyak :
Distribusi t Student
Dalam Dalil Limit Pusat dinyatakan bahwa rata-rata sampel acak akan mendekati dist normal dengan deviasi standar:
Untuk n ≥ 30, nilai-nilai : masih akan mendekati dist normal standar (z)
Untuk n < 30, nilai-nilai akan
mendekati dist student (t) dengan
derajat bebas db = n -1 sehingga :
Distribusi Sampling Proporsi
Bila , dimana k menyatakan banyaknya peristiwa sukses dari sampel yang berukuran n yang besar, maka p akan menyebar normal dengan :
Dan
maka:
Distribusi Sampling Beda 2 Rata-rata
Bila sampel-sampel bebas berukuran n1 dan n2 diambil dari dua populasi yang besar dengan nilai tengah μ1 dan μ2 dan dev. standar σ1 dan σ2, maka :
Beda rata-rata sampel akan menyebar mendekati distribusi normal dengan :
Distribusi Sampling Beda 2 Proporsi
Bila menyatakan beda dua proporsi peristiwa sukses yang diperoleh dari dua sampel acak yang diambil dari dua populasi yang mempunyai dist. Binom dengan prob sukses masing-masing, p1 dan p2 , dan prob gagal q1 dan q2, maka akan menyebar normal dengan :
Pendugaan Parameter Populasi
Penduga Interval
• Penduga interval menunjukkan jajaran nilai (θ1 dan θ2 ) yang diantaranya terdapat parameter yang akan diduga.
• Prob ( Stat-Zα/2σs < Par < Stat+Zα/2σs ) = C
• Berarti θ1 = Stat - Zα/2σs dan θ2 = Stat + Zα/2σs
• Keterangan :
• Par = Parameter yang tidak diketahui
• Stat = Statistik yang merupakan penduga bagi P
• σstat = deviasi standar distribusi sampling statistik
• C = tingkat keyakinan (1 = C + α )
• α = tingkat kesalahan
C = tingkat keyakinan
• Misal untuk pendugaan interval rata-rata dengan
Tingkat keyakinan 90% ;Maka:
Prob ( X - Zα/2σx < μ < X+Zα/2σx ) = 90 %
Pendugaan Interval Rata-rata Populasi
• Prob ( X - Zα/2σx < μ < X + Zα/2σx ) = C atau
•
• n > 30 atau
• σ diketahui Zα/2 -----à σ diketahui maka :
σ/√n
• n < 30 dan
• σ tdk diketahui maka tα/2,n-1 -à σ tidak
diketahui sehingga : s/√n
Menentukan Ukuran Sampel : n
• Ukuran sampel utk menduga rata-rata populasi m
• Ukuran sampel utk menduga proporsi populasi P:
P ditentukan terlebih dahulu (berdasarkan pengalaman masa lalu atau perkiraan yg mendekati), jika P tidak ada informasi maka P didekati dg 0,5
PENGUJIAN HYPOTESIS
Tahapan Pengujian
1. Menentukan Design Hypotesis
2. Menentukan Batas Kritis
3. Menghitung nilai Statistik Uji ( Z hitung)
4. Tentukan letak Z hitung pada batas kritis
5. Ambil keputusan
Pengujian Hypotesis:
◦ Proporsi
◦ Beda dua rata-rata
◦ Beda dua proporsi
Tahapan Pengujian:
1. Menentukan Design Hypotesis
2. Menentukan Batas Kritis
3. Menghitung Statistik Uji ( Z hitung)
4. Tentukan letak Z hitung pada batas kritis
5. Ambil keputusan
Ilustrasi pada kasus Beda 2 rata-rata
dua arah
Design Hipotesis:
1. Menentukan Design Hypotesis
2. Menentukan Batas Kritis
3. Menghitung Statistik Uji ( Z hitung)
4. Tentukan letak Z hitung pada batas kritis
5. Ambil keputusan
Design Hypotesis :