KATA PENGANTAR. Medan, April Nana Kartika, ST

Ukuran: px
Mulai penontonan dengan halaman:

Download "KATA PENGANTAR. Medan, April 2010. Nana Kartika, ST"

Transkripsi

1 KATA PENGANTAR Puji syukur kehadirat Allah SWT, karena berkat rahmat, karunia dan hidayahnya, bahan ajar modul mata kuliah Statistik Probabilitas ini dapat terselesaikan. Modul yang di susun ini diharapkan digunakan sebagai sebagai sumber belajar pokok mahasiswa. Dalam Modul ini akan dipelajari tentang bagaimana cara menyelesaikan Masalah probabilitas sebagai alat pengambil keputusan, alat-alat statistik yang dibutuhkan untuk melakukan pengkajian terhadap masalah yang dihadapi. Serta senagaoi dasar berpikir selanjutnya dalam mencari terobosan baru (policy) guna memecahkan masalah yang dihadapi. Adapun isi dari mata kuliah Statistik Probabilitas ini adalah sebagai berikut : Teori probabilitas, Distribusi Probabilitas Diskret, Teori Keputusan, Metode dan Distribusi Sampling, Hipotesa, Uji Chi Kuadrat Modul yang merupakan sumber bahan belajar ini untuk membekali kompetensi mahasiswa, namun demikian, karena dinamika perubahan sain dan teknologi di industri begitu cepat terjadi, maka modul ini masih akan selalu dimintakan masukan untuk bahan perbaikan atau direvisi agar selalu relevan dengan kondisi lapangan. Dengan adanya modul ini di harapkan kepada mahasiswa agar lebih mudah dan mengerti didalam pemahaman materi - materi yang ada, karena di susun menggunakan bahasa yang sederhana, dan mudah mudahan dapat mengaplikasikan dalam kehidupan sehari hari. Demikian, semoga modul dapat bermanfaat bagi kita semua, khususnya para mahasiswa STMIK TRIGUNA DHARMA. Adapun saran dan kritik dari para praktisi sangat diharapkan dalam meningkatkan kualitas modul ini Medan, April 00 Nana Kartika, ST

2 CHAPTER Pertemuan Perkenalan Dengan Statistika Probabilitas A. DESKRIPSI Membahas berbagai macam konsep (teori) maupun metode statistika, yang selanjutnya dapat digunakan untuk melakukan interpretasi terhadap berbagai macam data penelitian dan sekaligus mengetahui alat-alat analisa apa saja yang dibutuhkan sesuai dengan masalah yang dihadapi. Tujuan mata kuliah ini adalah memberi pengetahuan kepada mahasiswa tentang: a. Masalah probabilitas sebagai alat pengambil keputusan. b. Alat-alat statistik yang dibutuhkan untuk melakukan pengkajian terhadap masalah yang dihadapi. c. Dasar berpikir selanjutnya dalam mencari terobosan baru (policy) guna memecahkan masalah yang dihadapi. B. PRASYARAT : STATISTIKA I C. MATERI. Teori probabilitas.. Pengertian dan manfaat probabilitas.. Pendekatan probabilitas.3. Konsep Dasar dan Hukum Probabilitas.4. Teorema Bayes.5. Beberapa prinsip menghitung dalam probabilitas. Distribusi Probabilitas Diskret.. Pengertian distribusi probabilitas.. Distribusi probabilitas Binomial.3. Distribusi probabilitas Hipergeometrik.4. Distribusi probabilitas Poisson 3. Distribusi probabilitas normal 3.. Pengertian dan karakteristik Distribusi Probabilitas Normal 3.. Distribusi Probabilitas Normal 3.3. Penerapan Distribusi Probabilitas Normal Standar 3.4. Pendekatan Normal terhadap Binomial 3.5. Faktor koreksi kontinuitas 4. Teori Keputusan 4.. Elemen-elemen Keputusan 4.. Keputusan dalam keadaan berisiko 4.3. Keputusan dalam kondisi ketidak pastian

3 5. Metode dan Distribusi Sampling 5.. Pengertian populasi dan sample 5.. Metode penarikan sample 5.3. Distribusi Sampel rata-rata dan proporsi 5.4. Distribusi Sampel Selisih rata-rata dan proporsi 5.5. Factor Koreksi untuk populasi terbatas 6. Hipotesa 6.. Pengertian dan Pengujian Hipotesa 6.. Prosedur pengujian hipotesa 6.3. Menguji hipotesa Rata-rata dan Proporsi Sampel Besar 6.4. Menguji hipotesa Selisih Rata-rata dan Proporsi Sampel Besar 6.5. Jenis Kesalahan I dan I 7. Uji Chi Kuadrat 7.. Pendahuluan 7.. Uji Chi-Kuadrat untuk Keselarasan 7.3. Uji Chi-Kuadrat untuk Kenormalan 7.4. Uji Chi-Kuadrat untuk independensi D. Materi Dalam Petemuan Pendahuluan, Perkenalan dengan Statistika Probabilitas Konsep Dasar Probabilitas 3 Konsep Dasar Dan Hukum Probabilitas 4 Teorema Bayes 5 Quiz 6 Karakteristik Distribusi Kurva Normal 7 Distribusi Probabilitas Diskret 8 UTS 9 Teori Keputusan 0 Metode dan Distribusi Sampling Hipotesa Menguji Hipotesa Rata Rata Sampel Besar 3 Quiz 4 Pengujian Hipotesa Sampel Kecil 5 Uji Chi-Kuadrat 6 UAS E. Textbook :. Bambang Yuwono, 006, Bahan Kuliah Statistika, UPN Veteran Yogyakarta. J. Supranto, 000, Statistik Teori dan Aplikasi, Erlangga, Jakarta 3. Sudjana, 99, Metode statistika, Tarsita Bandung 4. Zanzawi soeyuti, 990, Metode statistika, UT, Jakarta 3

4 F. Acuan/Referensi :. Ronald E Walpole, 99, Pengantar Statistika, Gramedia, Jakarta. Murray R Spiegel, 994, Statistika, Erlangga, Jakarta 3. Richard Lungan, 006, Aplikasi Statistika dan Hitung Peluang,Graha Ilmu, Yogyakarta 4. Samsubar Saleh, 988, Statistik Induktif, AMP YKPN Yogyakarta 5. Samsubar Saleh, 986, Statistik Deskriptif, AMP YKPN, Yogyakarta 6. Suharyadi dan Purwanto, 003, Statistika untuk Ekonomi dan Keuangan Modern, Salemba, Jakarta G. Penilaian :. Absen 0%. Quiz & Tugas 0 % 3. UTS 30% 4. UAS 40% 4

5 CHAPTER Pertemuan KONSEP DASAR PROBABILITAS A. PENDAHULUAN Secara sederhana probabilitas dapat diartikan sebagai sebuah peluang untuk suatu kejadian.. Manfaat mempelajari probabilitas sangat berguna untuk pengambilan keputusan yang tepat, karena kehidupan di dunia tidak ada kepastian, sehingga diperlukan untuk mengetahui berapa besar probabilitas suatu peristiwa akan terjadi. Probabilitas dinyatakan dalam angka pecahan antara 0 sampai atau dalam persentase. Contoh: Seluruh mahasiswa Panca Budi harus memiliki sertifikat computer untuk program microsoft exel. Di kota Medan sendiri banyak terdapat tempat kursus computer diantaranya LP3I, Medicom, Tricom dll. Maka akan muncul kebingungan dalam memilih tempat kursus. Untuk menentukan pilihan biasanya mahasiswa akan bertanya kepada teman-teman, mereka kursus dimana? Dari ratusan mahasiswa mungkin anda bertanya hanya pada 0 orang mahasiswa. Yang paling banyak diminati anda akan memilih tempat tersebut untuk kursus. Dari contoh tersebut dapat dilihat bahwa keputusan diambil hanya dari beberapa contoh atau sampel dari populasi keseluruhan.. Pengertian probabilitas Lind (00) dalam mendefenisikan probabilitas sebagai: Suatu ukuran tentang kemungkinan suatu peristiwa (event) akan terjadi dimasa mendatang. Probabilitas dinyatakan antara 0 sampai atau dalam persentase Tiga hal penting dalam membicarakan probabilitas: a. Percobaan (experiment) 5

6 Pengamatan terhadap beberapa aktivitas atau proses yang memungkinkan timbulnya paling sedikit dua peristiwa tanpa memperthatikan peristiwa mana yang akan terjadi b. Hasil (outcome) suatu hasil dari sebuah percobaan. Dalam hasil ini semua kejadian akan dicatat atau dalam artian seluruh peristiwa yang akan terjadi dalam sebuah percobaan. Misalnya dalam mengikuti ujian semester maka hasil yang akan diperoleh ada mahasiswa yang lulus dan ada yang tidak lulus. Ada yang lulus memuaskan ada yang tidak memuaskan c. Peristiwa (event) kumpulan dari satu atau lebih hasil yang terjadi pada sebuah percobaan atau kegiatan Contoh: Percobaan Hasil Peristiwa Pertandingan sepak bola antara Fakultas Ekonomi UNPAB dan Fakultas Pertanian UNPAB Fakultas Ekonomi menang, Fakultas Ekonomi kalah Seri, tidak ada yang kalah dan tidak ada yang menang Fakultas Ekonomi Menang Probabilitas dinyatakan dalam bentuk pecahan dari 0 sampai. probabilitas 0 menunjukkan sesuatu yang tidak mungkin terjadi, sedangkan probabilitas mununjukkan peristiwa pasti terjadi. Contoh penulisan probabilitas dalam desimal atau persentase:. Pada hari Jumat adalah penutupan bursa saham, maka kebanyakan investor berusaha meraih keuntungan melalui penjualan saham atau yang biasanya diistilahkan profit taking, sehingga probabilitas menjual mencapai 0,7 sedangkan membeli 0,3.. melihat kondisi kesiapan mahasiswa yang mengikuti ujian Statistika II, maka mahasiswa yang mempunyai probabilitas untuk lulus 70% dan kalah 30% 6

7 Probabilitas kejadian dengan nilai 0 berarti peristiwa yang tidak mungkin terjadi, seperti seorang anak balita melahirkan seorang bayi. Sedangkan probabilitas dengan nilai adalah peristiwa yang pasti terjadi, seperti semua manusia pasti akan meninggal. B. PENDEKATAN PROBABILITAS Untuk menentukan tingkat probabilitas suatu kejadian, maka ada tiga pendekatan yaitu pendekatan klasik, pendekatan relatif dan pendekatan subjektif.. Pendekatan klasik Diasumsikan bahwa semua peristiwa mempunyai kesempatan yang sama untuk terjadi (equally likely) Probabilitas suatu peristiwa kemudian dinyatakan sebagai rasio antara jumlah kemungkinan hasil dengan total kemungkinan hasil (rasio peristiwa terhadap hasil) jumlah kemungkinan hasil (peristiwa) Probabilitas jumlah totalkemungkinan hasil Contoh: Pada kegiatan mahasiswa belajar semua hasil ada yang sangat memuaskan, memuaskan dan terpuji. Jumlah hasil ada 3 dan hanya peristiwa yang terjadi, maka probabilitas setiap peristiwa adalah /3. Pada suatu percobaan hanya peristiwa yang terjadi, dan peristiwa lain tidak mungkin terjadi pada waktu yang bersamaan maka dikenal sebagai peristiwa saling lepas. Peristiwa saling lepas (mutually exclusive) adalah terjadinya suatu peristiwa sehingga peristiwa yang lain tidak terjadi pada waktu yang bersamaan Pada suatu percobaan atau kegiatan semua hasil mempunyai probabilitas yang sama, dan hanya satu peristiwa yang terjadi maka peristiwa ini dikenal dengan lengkap terbatas kolektif (collection exhaustive). 7

8 lengkap terbatas kolektif (collection exhaustive) adalah sedikitnya satu dari seluruh hasil yang ada pasti terjadi pada setiap percobaan atau kegiatan yang dilakukan. Pendekatan Relatif Probabilitas suatu kejadian tidak dianggap sama, tergantung dari berapa banyak suatu kejadian terjadi, yang dinyatakan sebagai berikut: Jumlah peristiwa yang terjadi Probabilitaskejadian relatif jumlah totalpercobaan Contoh: Dari kegiatan belajar mahasiswa dapat dilihat hasilnya pada Wisuda Sarjana Universitas Panca Budi tahun 007 sebanyak 800 orang mahasiswa. 500 orang lulus dengan memuaskan, 00 orang dengan sangat memuaskan dan 00 orang dengan prediket terpuji. Maka probabilitas lulus memuaskan adalah 500/800 = 0.65; lulus dengan sangat memuaskan 00/800 = 0.5 dan lulus dengan terpuji 00/800 = , Pendekatan Subjektif Yang dimaksud dengan pendekatan subjektif adalah menentukan besarnya probabilitas suatu peristiwa didasarkan pada penilaian pribadi dan dinyatakan dalam derajat kepercayaan. Contoh: Menurut pengamat politik, Susilo Bambang Yudoyono akan menang dalam Pemilu Indonesia tahun 009 8

9 CHAPTER 3 Pertemuan 3 KONSEP DASAR DAN HUKUM PROBABILITAS Dalam teori probabilitas, probabilitas kejadian dilambangkan dengan P, apabila kejadian jual saham dilambangkan dengan huruf A, maka probabilitas jual saham dilambangkan dengan P (A). Sebaliknya apabila kejadian beli saham dilambangkan dengan B, maka probabilitas beli saham dilambangkan dengan P (B). A. Hukum Penjumlahan Hukum penjumlahan menghendaki peristiwa yang saling lepas (mutually exclusive) yaitu apabila suatu peristiwa terjadi, maka peristiwa lain tidak dapat terjadi pada saat bersamaan. Hukum ini dilambangkan sebagai: P (A atau B) = P (A) + P(B) Untuk kejadian yang lebih banyak dilambangkan sampai n yaitu: P(A atau... n) = P(A) + P(B) +...+P(n) Contoh: Berikut adalah kegiatan perdangan saham di BEJ untuk tiga perusahaan perbankan dengan jumlah total sebanyak 00 transaksi Jenis Transaksi Volume Transaksi Jual saham (A) 0 Beli saham (B) 80 Jumlah Total transaksi 00 Penyelesaian: Dari data diatas diketahui bahwa: Probabilitas Jual = P(A) = 0/00 = 0.60 Probabilitas Beli = P(B) = 80/00 = 0.40 Sehingga probabilitas A atau B, 9

10 P(A atau B) = P(A) + P(B) = =.0. Peristiwa atau Kejadian Bersama Pada peristiwa bersama dua atau lebih peristiwa dapat terjadi secara bersamasama, peristiwa bersama tersebut dapat lebih mudah dilihat dengan diagram Venn seperti berikut: A AD D Penjumlahan probabilitas dengan adanya unsur kegiatan bersama, maka rumus penjumlahan dirumuskan kembali menjadi sebagai berikut: P(A atau D) = P(A) + P(D) P(AD) Dimana: P(A atau D) : probabilitas terjadinya A atau D atau A dan D bersama- sama P(A) : probabilitas terjadinya A P(D) : probabilitas terjadinya D P(AD) : probabilitas terjadinya A dan D bersama-sama. Kejadian saling lepas (mutually exclusive) Kejadian saling lepas terjadi apabila hanya satu dari dua atau lebih peristiwa yang dapat terjadi. Dapat digambarkan dengan diagram Venn: A D Maka P(AB) = 0 Oleh sebab itu, untuk peristiwa yang saling lepas, probabilitas kejadian A atau B yang dinyatakan P(A atau B) P(A atau B) = P(A) + P(B) P(AB) 0

11 Karena P(AB) = 0 maka Sehingga: P(A atau B) = P(A) + P(B) 0 P(A atau B) = P(A) + P(B) Contoh: Cobalah hitung berapa probabilitas kejadian jual saham dan beli saham P(AB) dan probabilitas kejadian untuk saham BCA, BII dan BNI (P(DEF). Kegiatan Perusahaan BNI (C) BII (D) BCA (E) Jumlah Jual (A) Beli (B) Jumlah Penyelesaian: Probabilitas kejadian A dan B adalah kejadian yang saling lepas, maka P(AB)=0. maka hukum penjumlahan untuk peristiwa saling lepas adalah: P(A atau B) = P(A) + P(B) P(AB) = =.0 probabilitas kejadian ketiga saham juga merupakan kejadian saling lepas, maka hukum penjumlahannya adalah: P (C atau D atau E) = P(C) + P(D) + P(E) P(CDE) = =.0 probabilitas P(C atau D) P(C atau D) = P(C) + P(D) P(CD) = = 0.75 B. Hukum Perkalian.

12 Dalam hukum perkalian dikehendaki setiap peristiwa independent yaitu suatu peristiwa terjadi tanpa harus menghalangi peristiwa lain terjadi. Peristiwa independent adalah terjadinya peristiwa atau kejadian tidak mempengaruhi probabilitas terjadinya peristiwa lain. Dapat dinyatakan dalam bentuk: (P(A dan B) = P(A) x P(B). Probabilitas bersyarat (Condicional Probability) Probabilitas bersyarat adalah probabilitas statu peristiwa akan terjadi, dengan ketentuan peristiwa lain telah terjadi. Hukum perkalian untuk probabilitas bersyarat bahwa peristiwa B terjadi dengan syarat peristiwa A telah terjadi dinyatakan sebagai berikut: P(A dan B) = P(A) x (P(B A). Peristiwa Pelengkap (Complementary Event) Peristiwa pelengkap menunjukan bahwa apabila ada dua peristiwa A dan B yang saling melengkapi, sehingga jika peristiwa A tidak terjadi, maka peristiwa B pasti terjadi. Maka probabilitas keduanya dapat dirumuskan sebagai berikut: P(A) + P(B) = atau P(A) = P(B) Dalam bentuk diagram Venn dapat digambarkan sebagai berikut A B C. Diagram pohon probabilitas Tahapan dalam menyusun diagram pohon:. Tahap adalah langkah awal kegiatan, kita mulai dengan tanda titik atau bulatan dengan angka, tahap diumpamakan sebagai pohonnya dengan pohon

13 utamanya berupa kegiatan dibursa saham. Nilai probabilitas pada tahap adalah.. Tahap, membuat cabang. Kegiatan di bursa ada yaitu kegiatan jual dan kegiatan beli saham. Probabilitas jual = 0,6 dan probabilitas beli 0,4. nilai probabilitas pada cabang = 0,6 + 0,4 =,0 3. Tahap 3 membuat ranting. Pada setiap cabang baik jual maupun beli ada 3 ranting jenis saham yaitu BCA, BLP dan BNI. Nilai probabilitas setiap ranting = 0,35 + 0,40 + 0,5 = 4. Tahap 4, menghitung probabilitas bersama (joint probability) antara kejadian pertama A dan B dengan kejadian kedua D, E dan F. kita bisa menghitung probabilitas P(D A) atau P(E B) secara langsung. Nilai probabilitas keseluruhan pada tahap 4 juga harus sama dengan. Contoh: Hasil penelitian di Yakarta menunjukan bahwa 60 % dari usa Kecil dan menengah (UKM) tidak berbadan hukum, sedang sisanya berbadan hukum. Bank sebagai lembaga pembiayaan dengan memerhatikan aspek kehati-hatian memberikan probabilitas 80% lepada UKM berbadan hukum untuk mendapatkan kredit, sedangkan yang tidak berbadan hukum masih memopunyai desempatan sebesar 0% untuk mendapatkan kredit. Hitunglah berapa persen probabilitas UKM mendapat kredit dari bank? Penyelesaian: BCA Beli (0,4) BLP BNI BCA Jual (0,6) BLP BNI 3

14 CHAPTER 4 Pertemuan 4 Teorema Bayes Teorema ini dikembangkan oleh Thomas Bayes pada abad ke-8. Bayes seorang pendeta, bertanya apakah Tuhan ada dengan memerhatikan fakta-fakta yang ada di bumi. Jadi bila Tuhan ada, maka ada fakta sebagai ciptaan Tuhan. Apabila fakta dilambangkan P(A ) untuk suatu fakta dan P(A ) untuk fakta lain, sedang keberadaan Tuhan dinyatakan dengan P(B), maka teorema Bayes dinyatakan sebagai: P A B P A PA PB A PB A PA PB A Rumus diatas merupakan probabilitas bersyarat, suatu kejadian terjadi setelah kejadian lain ada. P(A B) menyatakan bahwa fakta-fakta di bumi akan ada apabila Tuhan ada. Karena banyak fakta tersebut maka rumus Bayes diperluas: P A B P A PA PB A PB A PA PB A... PA i PB A i BEBERAPA PRINSIP MENGHITUNG A. FAKTORIAL Faktorial digunakan untuk mengetahui berapa banyak cara yang mungkin dalam mengatur sesuatu kelompok. Contoh konvensional, apabila kita mempunyai tiga bank yaitu BCA, BII dan BNI ada berapa cara menyusun uratan ketiga bank tersebut? Secara sederhana dapat kita lakukan dengan mengurut ketiga bank sebagai berikut: BCA, BII, BNI BCA, BNI, BII BII, BCA, BNI BII, BNI, BCA BNI, BII, BCA BNI, BCA, BII 4

15 Dari uraian diatas dapat kita ketahui bahwa terdapat 6 cara mengurutkan nama bank tersebut, namun apabila jumlah bank tersebut 00 buah bank, tentu kita akan kewalahan dalam mengurutkan. Maka dapat dilakukan dengan pendekatan faktorial, Apabila bank berjumlah tiga maka cara menurutkan nama bank: 3! = 3 x x = 6 B. PERMUTASI Digunakan untuk mengetahui sejumlah kemungkinan susunan (arrangement) jika terdapat satu kelompok objek. Pada permutasi ini kita berkepentingan dengan susunan atau urutan dari objek, permutasi dirumuskan sebagai berikut: n P r n! n r! dimana : P : Jumlah permutasi atau cara objek disusun n : Jumlah total objek yang disusun r : Jumlah objek yang digunkan pada saat bersamaan, jumlah r dapat sama dengan n atau lebih kecil! : tanda dari faktorial Contoh: Dari 0 kelas di Universitas Panca budi, ingin dikelompokkan menjadi beberapa kelompok. Jika satu kelompok terdiri dari 5 kelas, ada berapa susunan kelompok yang dapat dibuat? Jawab P 0 5 0! ! ! 5! 5

16 C. KOMBINASI Kombinasi digunakan apabila kita tertarik pada berapa cara sesuatu diambil dari keseluruhan objek tanpa memerhatikan urutannya. Misalnya ada 0 bank dan kita hanya akan mengambil 3 bank, maka ada beberapa kombinasi bank yang dapat diambil tanpa memerhatikan urutan atau susunannya. Dirumuskan sebagai berikut: n C r n! r! n r! Contoh: Ada 5 orang siswa mendaftar sebagai pembawa acara dalam suatu kegiatan hiburan. Pihak penyelengara hanya akan memilih orang yang dapat dijadikan pasangan. Ada berapa kombinasi pasangan yang dapat dipilih oleh panitia? C 5! 5! 5! 0 6

17 CHAPTER 5 Pertemuan 6 KARAKTERISTIK DISTRIBUSI KURVA NORMAL Kurva normal bentuk simentris, masing-masing sisi sama. Kurva berbentuk genta (= Md= Mo). Kurva berbentuk simetris 3. Kurva normal berbentuk asimptotis 4. Kurva mencapai puncak pada saat X= 7

18 5. Luas daerah di bawah kurva adalah ; ½ di sisi kanan nilai tengah dan ½ di sisi kiri. Distribusi probabilitas dan kurva mempunyai persamaan matematika yang sangat tergantung pada nilai tengah () dan standar deviasi (). Distribusi probabilitas dan kurva normal dari suatu variable acak (X) yang nilainya terletak - sampai dinyatakan dengan lambang X ~ N(X;, ). Bila X suatu pengubah acak normal dengan nilai tengah, dan standar deviasi, maka persamaan kurva normalnya adalah: Ν (X;μ,σ) Jenis-jenis probabilitas Normal ππ / e xμ /σ,untuk X Jenis-jenis probabilitas normal sangat dipengaruhi oleh nilai rata-rata hitung dan standar deviasinya, maka distribusi probabilitas kurva normal diantaranya: a. Distribusi probabilitas dan Kurva Normal dengan dan Berbeda m Keterangan: Me s o ku r tic Pla ty kur tic Le p to kur tic. Mesokurtik Kurva normal ini mempunyai = Md dan Mo yang sama, namun berbeda. Platykurtik 8

19 Nilai semakin tinggi dan kurva semakin pendek. Nilai tinggi menunjukkan bahwa nilai data semakin menyebar dari nilai tengahnya () 3. Leptokurtik Nilai semakin rendah dan kurva semakin runcing. Niali rendah ini menunjukkan data semakin mengelompok pada nilai tengahnya (). b. Distribusi probabilitas dan Kurva Normal dengan Berbeda dab sama Bentuk distribusi probabilitas dan kurva normal dengan berbeda dan sama mempunyai jarak antara kurva yang berbeda, namun bentuk kurva tetap sama. Gambar diatas menunjukan nilai rata-rata berbeda dengan standar deviasi yang sama. Pada contoh dapat dilihat mangga dikelompokkan menjadi mutu A dengan berat rata-rata 450 gram, mutu B dengan 300 gram dan mutu C dengan 50 gram. c. Distribusi Probabilitas dan Kurva normal dengan Berbeda dan berbeda Kurva dengan berbeda dan berbeda mempunyai titik pusat yang berbeda pada sumbu mendatar dan bentuk kurva berbeda karena mempunyai standar deviasi yang berbeda. Kurva seperti ini relatif sering terjadi karena antara populasi terdapat perbedaan atau setiap populasi juga mempunyai keragaamn yang berbeda. 9

20 d. Distribuís probabilitas Normal Baku Distribuís normal baku adalah distribusi probabilitas acak normal dengan nilai tengah nol dan simpangan baku. Beberapa hal yang perlu dilakukan dalam rangka distribusi probabilitas normal baku adalah mengubah atau membakukan distribusi aktual dalam bentuk distribusi normal baku yang dikenal dengan nilai Z atau skor Z. Rumus niali Z adalah: X μ Ζ σ dimana: Z = skor Z atau nilai normal baku X = Nilai dari statu pengamatan atau pengukuran = Nilai rata-rata hitung suatu distribusi = standar deviasi suatu distribusi e. Luas dibawah Kurva Normal Kurva normal juga mengikuti hukum empirik. Untuk distribusi simetris, dengan distribusi frekuensi berbentuk lonceng seperti kurva normal diperkirakan 68,6% data akan berada pada kisaran rata-rata hitung ditambah dua kali standar devíasi, (X ), (X ) dan semua data atau 99,74 % akan berada pada kisaran rata-rata hitung ditambah tiga kali standar deviasi, (X 3). 0

21 68,6% 95,44% 99,74% =x Z=0 + + Luas antara nilai Z (-<Z<) sebesar 68,6% dari jumlah data. Berapa luas antara Z antara 0 dan sampai Z = 0,76 atau biasa dituis P(0<Z<0,76)? Dapat dicari dari tabel luas di bawah kurva normal. Nilainya dihasilkan = 0,764 f. Pendekatan Normal Terhadap Binomial Pada distribusi probabilitas binomial, dengan semakin besarnya nilai n, maka semakin mendekati nilai distribusi normal r 0 3 r r Apabila kita perhatikan suatu distribusi probabilitas binomial, dengan semakin besarnya nilai n, maka semakin mendekati nilai distribusi normal. Gambar berikut menunjukkan distribusi probabilitas binomial dengan n yang semakin membesar. Pada saat n = 0 terlihat bahwa distribusi probabilitas binomial mendekati distribusi probabilitas normal yaitu kurva berbentuk lonceng, memiliki puncak tunggal dan simetris. Dalil pendekatan normal terhadap binomial. Bila nilai X adalah distribusi acak binomial dengan nilai tengah =np dan standar deviasi =npq, maka nilai Z untuk distribusi normal adalah:

22 X np Ζ npq di mana n dan nilai p mendekati 0,5 g. Faktor Koreksi Kontinuitas Untuk mengubah pendekatan dari binomial ke normal (menurut Lind 00) diperlukan faktor koreksi selain syarat binomial terpenuhi yaitu: a. hanya terdapat dua peristiwa b. peristiwa bersifat independen c. besar probabilitas sukses dan gagal sama setiap percobaan d. data merupakan hasil perhitungan apabila telah memenuhi syarat binomial, maka kita menggunakan faktor koreksi yang besarnya 0,5. Faktor koreksi ini diperlukan untuk mentransformasi dari binomial menuju normal yang merupakan variabel acak kontinu. Contoh: Sudan merupakan pedagang buah di pusat pasar Medan. Setiap hari membeli 300 kg jeruk. Probabilitas buah laku dijual adalah 80% dan 0% tidak laku atau busuk. Berapa probabilitas buah sebanyak 50 kg laku dan tidak busuk? Jawab: n = 300; probabilitas laku p = 0,8 dan q = 0, = np = 300 x 0,80 = 40 = npq = 6,93 diketahu X = 50, dikurang factor koreksi 0,5 sehingga X = 50 0,5 = 49,5 dengan demikian nilai Z menjadi; Z = (49,5 40)/6,93 =,37 dan P(Z <,37) = 0,447

23 Jadi probabilitas lkau hádala = 0,5 + 0,447 = 0,947 Jadi harapan buah laku 50 kg hádala 9,47% 3

24 CHAPTER 6 Pertemuan 7 DISTRIBUSI PROBABILITAS DISKRET Untuk mempermudah mengetahui probabilitas banyak kejadian atau percobaan dapat dilakukan dengan bantuan distribusi probabilitas. Dimana distribusi probabilitas memberikan keseluruhan kemungkinan nilai yang mungkin muncul atau terjadi dari sebuah kejadian atau percobaan. A. Pengertian Distribusi Probabilitas Distribusi probabilitas menunjukan hasil yang diharapkan terjadi dari suatu kegiatan dengan nilai probabilitas masing-masing hasil tersebut. Distribusi probabilitas adalah sebuah daftar dari keseluruhan hasil suatu percobaan kejadian yang disertai dengan nilai probabilitas masing-masing hasil (event). Contoh: Ada tiga orang mahasiswa yang akan memilih mata kuliah pada semester genap tahun 007/008. Mata kuliah tersebut adalah Stasistika (STK) dan matematika (MTK). Ketiga mahasiswa tersebut bebas memilih mata kuliah mana yang akan diikuti, bisa memilih STK semua, STK dan MTK atau MTK semua. Berikut adalah kemungkinan dari ketiga pilihan mahasiswa tersebut Kemungkinan mahasiswa Jumlah pilihan A B C pilihan STK STK STK STK 3 STK STK MTK 3 STK MTK STK 4 STK MTK MTK 5 MTK STK STK 6 MTK STK MTK 7 MTK MTK STK 8 MTK MTK MTK 0 dari tabel dapat dilihat kemungkinan mahasiswa tidak memilih STK sama sekali ada satu kejadian, mahasiswa hanya satu yang memilih STK ada3 kejadian, mahasiswa ada 4

25 orang yang memilih STK ada 3 kejadian. Mahasiswa ada 3 orang yang memilih STK ada kejadian. Dari ke 8 kejadian tersebut kita dapat menyusun distribusi probabilitas sebagai berikut: Jumlah STK di pilih mahasiswa Jumlah frekuensi Total kemungkinan Distribusi probabilitas Hasil P(r) 0 8 /8 0, /8 0, /8 0, /8 0,5 Jumlah Atoatal Distribusi Probabilitas,000 Dari tabel distribusi probabilitas kita dapat dengan mudah menentukan berapa probabilitas ketiga mahasiswa akan memilih mata kuliah Statistik yaitu 0,5. Dalam bentuk grafik poligon dapat digambarkan sebagai berikut: Grafik Distribusi Probabilitas Pilihan Mahasiswa 0,4 0,3 0,375 0,375 0, 0,5 0,5 0, Jumlah Pilihan B. Variabel Acak/Random a. Variabel Acak Variabel acak didefenisikan sebagai sebuah ukuran atau besaran yang merupakan hasil suatu percobaan atau kejadian yang terjadi secara acak atau untung-untungan dan mempunyai nilai yang berbeda-beda Contoh: Petani menimbang berat setiap semangka yang telah dipanen. Dari lima semangka beratnya berturut-turut 3.56; 3.80;.79; 3.60 dan 4.05 kg. Maka penimbangan berat adalah percobaan acak dan nilai berat setiap semangka adalah variabel acak. b. variabel acak diskret 5

26 variabel acak diskret merupakan hasil dari percobaan yang bersifat acak dan mempunyai nilai tertentu yang terpisah dalam suatu interval. Variabel acak diskret ini biasanya berupa bilang bulat dan berasal dari hasil perhitungan. Contoh: jumlah mahasiswa 800 orang, jumlah buah jeruk 0 buah, jumlah telur 300 butir dan sebagainya c. variabel acak kontinu variabel acak kontinu mempunyai nilai yang menempati pada seluruh interval hasil percobaan, biasanya dihasilkan dari hasil pengukuran dan bukan penjumlahan. Semua nilai yang dihasilkan dari kegiatan pengukuran baik bulat maupun pecahan merupakan variabel acak kontinu. Contoh: pada buah semangka jumlah buah semangka 0 buah adalah variabel acah diskret, tapi berat semangka misalnya 3,56 kg ini merupakan variabel acak kontinu C. Rata-rata hitung, Varians, dan Standar deviasi a. Nilai Rata-rata Hitung Nilai rata-rata hitung merupakan nilai harapan (expected value) yang dilambangkan E(x) Rumus nilai rata-rata hitung: = E(x) = (X). P(X) dimana: : Nilai rata-rata hitung distribusi pobabilitas E(x) : Nilai harapan (expected value) X : Kejadian P(X) : Probabilitas suatu kejadian : Lambang operasi penjumlahan b. Varians dan Standar deviasi Varian dan standar deviasi merupakan ukuran penyebaran yaitu mengukur seberapa besar data menyebar dari nilai tengahnya. Semakin kecil sebaran data, maka semakin baik, karena menunjukkan data mengelompok pada nilai rata-rata hitung. Varian dan standar deviasi dirumuskan sebagai berikut 6

27 Varians σ StandarDeviasiσ X μ.px σ Dimana: X : Varians : Standar deviasi : Nilai suatu kejadian : Nilai rata-rata hitung distribusi probabilitas P(X) : Probabilitas suatu kejadian X : Lambang operasi penjumlahan Contoh: Hitunglah nilai rata-rata hitung, Standar deviasi dan Varian pada kasus pilihan tiga mahasiswa pada mata kuliah Statistika pada contoh terdahulu? Penyelesaian: X P(X) X.P(X) X - (X - ) (X - ) P(X) 0 0,5 0,000 -,500,50 0,8 0,375 0,375-0,500 0,50 0,094 0,375 0,750 0,500 0,50 0, ,5 0,375,500,50 0,8,500 0,750 Dari data diatas dapat dilihat bahwa: Rata-rata hitung adalah sebesar,500 menunjukan bahwa ada,5 mahasiswa yang mengambil mata kuliah Statistika. Namun karena orang tidak dalam bentuk pecahan, maka bisa didekatkan pada atau orang. Varians = = 0,75, maka standar deviasi = = = 0.75 = 0,87. Ini menunjukan bahwa standar penyimpangan data dari nilai tengahnya adalah 0,87. D. Distribusi Probabilitas Binomial Ini menggambarkan data yang dihasilkan oleh suatu percobaan yang dinamakan Bernoulli. 7

28 Ciri-ciri Percobaan Bernouli: Setiap percobaan menghasilkan dua kejadian: (a) kelahiran anak: laki-laki-perempuan; (b) transaksi saham: jual- beli, (c) perkembangan suku bunga: naik turun dan lain-lain. Probabilitas suatu kejadian untuk suskes atau gagal adalah tetap untuk setiap kejadian. P(p), peluang sukses, P(q) peluang gagal, dan P(p) + P(q)=. Suatu percobaan dengan percobaan bersifat bebas. Data yang dihasilkan adalah data perhitungan. Pembentukan Distribusí Binomial Hal yang diperlukan dalam membentuk distribusí binomial: a. banyaknya atau jumlah dari percobaan atau kegiatan b. Probabilitas suatu kejadian baik sukses maupun gagal Dapat dinyatakan sebagai berikut: P r n! r! n r! r p.q nr Dimana: P (r) : Nilai probabilitas binomial P : Probabilitas sukses suatu kejadian dalam setiap percobaan r : Banyaknya peristiwa sukses suatu kejadian untuk keseluruhan percobaan n : Jumlah total percobaan q : Probabilitas gagal suatu kejadian yang diperoleh dari q = p 8

29 ! : Lambang faktorial Contoh: PT Sari Buah Lestari mengirim buah-buah segar setiap harinya kepada sebuah swalaya terkenal di kota Medan. Dengan jaminan kualitas buah yang segar, 80% buah yang dikirim lolos seleksi oleh swalayan tersebut. PT Sari Buah Lestari mengirim 0 buah Melon setiap harinya Permintaan: a. Berapa probabilitas 0 buah diterima b. Berapa probabilitas 8 buah diterima c. Berapa probabilitas 7 buah diterima Penyelesaian: a. probabilitas 00 buah diterima semua n = 0 p = 0,8 r = 0 q = 0, n! Pr r! n r! 0! Pr 0! ! 0,0475 P r P r P r 0! 0! r p,8.q nr! 0 0,8.0,.0, , 0.0, 00 Distribusi probabilitas Hipergeometrik Dalam distribusi binomial diasumsikan bahwa peluang suatu kejadian tetap atau konstan atau antar-kejadian saling lepas. Dalam dunia nyata, jarang terjadi hal demikian. Suatu kejadian sering terjadi tanpa pemulihan dan nilai setiap kejadian adalah berbeda atau tidak konstan. 9

30 Distribusi dengan tanpa pemulihan dan probabilitas berbeda adalah Distribusi Hipergeometrik. Pada kasus dimana terjadi percobaan tanpa pengembalian pada populasi yang terbatas, dan jumlah sampel terhadap polpulasinya lebih 5%, distribusi hipergeometrik lebih tepat digunakan. Distribusi hipergeometrik dinyatakan sebagai berikut: P r C C s r N s N C n n r Dimana: P (r) : Nilai probabilitas hipergeometrik dengan kejadian r sukses N : Jumlah populasi s : Jumlah suskses dalam populasi r : Jumlah suskses yang menjadi perhatian n : Jumlah sampel dari populasi C : Simbol kombinasi Distribusi Probabilitas Poisson Dikembangkan oleh Simon Poisson Poisson memperhatikan bahwa distribusi binomial sangat bermanfaat dan dapat menjelaskan dengan baik, namun untuk n di atas 50 dan nilai P(p) sangat kecil akan sulit mendapatkan nilai binomialnya. Rumus: P Χ μ x e μ Χ! dimana P(X) : Nilai probabilitas distribusi poisson 30

31 : Rata-rata hitung dari jumlah nilai sukses; dimana = n.p e : Bilangan konstsan =,788 X : Jumlah nilai sukses P : probabilitas sukses suatu kejadian! : Lambang faktorial 3

32 CHAPTER 7 Pertemuan 9 TEORI KEPUTUSAN Setiap hari kita harus mengambil keputusan, baik keputusan yang sederhana maupun keputusan jangka panjang. Untuk membantu dalam pengambilan keputusan, ilmu statistika telah mengembangkan cabang statistika baru yaitu teori keputusan statistika. Ilmu ini berkembang sejak tahun 950-an yang sebenarnya telah dipelopori sejak abad ke-8 oleh pendeta Thomas Bayes. Contoh: Keputusan yang diambil suatu perusahaan: Barang dan jasa apa yang akan diproduksi, Metode apa yang dipakai untuk memproduksi, Untuk siapa barang dan jasa di produksi, Bagaimana strategi pemasaran dan promosinya, Apakah perusahaan membutuhkan tenaga pemasaran, dan lain-lain.. Elemen-elemen Keputusan Kepastian (certainty): informasi untuk pengambilan keputusan tersedia dan valid. Risiko (risk): informasi untuk pengambilan keputusan tidak sempurna, dan ada probabilitas atas suatu kejadian. Ketidakpastian (uncertainty): suatu keputusan dengan kondisi informasi tidak sempurna dan probabilitas suatu kejadian tidak ada. Konflik (conflict): keputusan di mana terdapat lebih dari dua kepentingan. Setiap keputusan dalam atatistika mempunyai tiga elemen atau komponen penting. Pilihan atau alternatif yang terjadi bagi setiap keputusan.. States of nature yaitu peristiwa atau kejadian yang tidak dapat dihindari atau dikendalikan oleh pengambil keputusan. 3. Hasil atau payoff dari setiap keputusan. Hubungan elemen keputusan menurut Lind (00) 3

33 Peristiwa Tindakan Hasil/ Payoff Ketidakpastian berkenaan dengan kondisi mendatang. Pengambil keputusan tidak mempunyai kendali terhadap kondisi mendatang. Dua atau lebih alternatif dihadapi pengambil keputusan. Pengambil keputusan harus mengevaluasi alternatif dan memilih alternatif dengan kriteria tertentu. Laba, impas (break even), rugi. Keputusan dalam Keadaan Beresiko Pengambilan keputusan dalam keadaan berisiko berarti bahwa terdapat informasi Namur tidak sempurna, dan ada probabilitas terhadap statu kejadian. Ada beberapa langkah yang diperlukan dalam pengambilan keputusan berisiko yaitu:. Mengidentifikasi berbagai macam alternatif yang ada dan layak bagi suatu keputusan.. Menduga probabilitas terhadap setiap alternatif yang ada. 3. Menyusun hasil/payoff untuk semua alternatif yang ada 4. Mengambil keputusan berdasarkan hasil yang baik Contoh: H. Ibrahim merupakan petani modern, dan menginvestasi sebagain keuntungan untuk membeli saham. Pada tahun 007 ia berinvestasi sebesar Rp ,-. Ada tiga saham perusahaan yang sedang dipelajari yaitu saham LPBN, saham Mega dan Saham BBCA. Berikut hasil atau payoff dari ketiga saham tersebut: Kode Peru sa haan LPB N MEG A BBC A Harga saham Juml ah saha m Kondisi baik Devid en/ lbr Total deviden Kondisi Buruk Devid Total en/ deviden lbr Beberapa metode dalam statistika yang digunakan untuk pengambilan keputusan dalam keadaan berisiko: A. Nilai yang diharapkan (Expected Value) EV = Payoff x Probabilitas Suatu Kejadian 33

34 SAHAM BAIK P= BURUK Perhitungan EV 0,5 P = 0,5 LPBN ( x 0,5) + ( x 0,5) MEGA BBCA Nilai EV 36. Nilai EV yang terbesar merupakan keputusan yang terbaik. Dari EV tersebut, maka keputusan investasi H. Ibrahim adalah membeli saham BBCA B. Expected Opportunity Loss Metode lain dalam mengambil keputusan selain EV EOL mempunyai prinsip meminimumkan kerugian karena pemilihan bukan keputusan terbaik. Hasil yang terbaik dari setiap kejadian diberikan nilai 0, sedangkan untuk hasil yang lain adalah selisih antara nilai terbaik dengan nilai hasil pada peristiwa tersebut. EOL = Opportunity Loss x Probabilitas Suatu Peristiwa SAHAM OL BAIK P= 0,5 OL BURUK P = 0,5 Perhitungan EV LPBN ( x 0,5) + (0 x 0,5) MEGA BBCA 0 6. Nilai EV 5.6 Nilai OL untuk alternatif terbaik adalah nol, maka kondisi baik adalah BBCA = 0 dan kondisi terburuk LPBN = 0. nilai OL terendah adalah untuk BBCA maka dapat direkomendasikan untuk dibeli oleh investor. C. Ecpected value of Perfect Information Hasil yang diharapkan dalam informasi sempurna merupakan perbedaan antara hasil maksimum dalam kondisi kepastian dan hasil maksimum dalam kondisi ketidak pastian Setiap keputusan tidak harus tetap setiap saat. Keputusan dapat berubah untuk mengambil kesempatan yang terbaik. Pada kasus harga saham, pada kondisi baik, saham BBCA adalah pilihan terbaik, namun pada kondisi buruk, maka saham MEGA lebih baik. Apabila hanya membeli saham BBCA maka EV = x 0, x 0,5 = Apabila keputusan berubah dengan adanya informasi yang sempurna dengan membeli harga saham BBCA dan MEGA EVif = x 0, x 0,5 =

35 Nilai EVif lebih tinggi dari EV dengan selisih: = = Nilai ini mencerminkan harga dari sebuah informasi. Nilai informasi ini menunjukkan bahwa informasi yang tepat itu berharga -- dan menjadi peluang pekerjaan -- seperti pialang, analis pasar modal, dan lain-lain. D. Pengambilan Keputusan dalam Kondisi Ketidakpastian Keputusan dalam ketidakpastian menunjukkan tidak adanya informasi yang sempurna, juga tidak adanya probabilitas atau informasi tentang probabilitas suatu kejadian. Ada beberapa kriteria yang telah dikembangkan dalam pengambilan keputusan untuk kondisi ketidakpastian:. Kriteria Laplace Probabilitas semua kejadian diasumsikan sama, dan hasil perkalian antara hasil dengan probabilitas yang tertinggi tertinggi adalah keputusan terbaik.. Kriteria Maximin Keputusan didasarkan pada kondisi pesimis atau mencari Nilai maksimum pada kondisi pesimis (lakukan yang terbaik dalam situasi terburuk) 3. Kriteria Maximax Keputusan didasarkan pada kondisi optimis dan mencari nilai maksimumnya. 4. Kriteria Hurwicz Keputusan didasarkan pada perkalian hasil dan koefisien optimisme. Koefisien ini nilainya antara 0 sampai. nilai 0 untuk kondisi yang sangat pesimis dan nilai untuk kondisi yang sangat optimis. Koefisien ini merupakan perpaduan antara optimis dan pesimis. Alternatif yang terbaik adalah nilai yang tertinggi dari hasil perkalian antara hasil atau payoff dengan koefisien optimisme. 5. Kriteria (Minimax) Regret Keputusan didasarkan pada nilai regret minimum. Nilai regret diperoleh dari nilai OL (opportunity Loss) pada setiap kondisi dan dipilih yang maksimum. Alternatif keputusan yang diambil adalah nilai regret yang minimum. Contoh Berikut adalah deviden yang dibagikan oleh tiga perusahaan yang ada di BEJ yaitu LPBN, MEGA dan BBCA. Deviden dibedakan dalam krisis, normal dan Boom. Perusahaan Kondisi Perekonomian Boom Normal Krisis LPBN MEGA BBCA a. Kriteria Laplace. EV (LPBN) = /3 X.80 + /3 X /3 X 50 = 639. EV (MEGA) = /3 X /3 X /3 X 300 =.9 3. EV (BBCA) = /3 X /3 x /3 x 85 =.05 Berdasarkan kriteria Laplace, keputusan terbaik adalah membeli saham BBCA. 35

36 b. Kriteria Maximim Berdasarkan kriteria Maximin, alternatif yang memberikan nilai maksimum pada kondisi terburuk adalah MEGA. Maka keputusan terbaik adalah membeli saham MEGA. c. Kriteria maximax Berdasarkan kriteria Maximax, alternatif yang memberikan nilai maksimum pada kondisi terbaik adalah BBCA. Maka keputusan terbaik adalah membeli saham BBCA. d. Kriteria Hurwicz Menggunakan koefisien optimisme (a) dan koefisien pesimisme (- a). Koefisien ini anda dapat diperoleh melalui hasil penelitian atau pendekatan relatif dari data tertentu. Contoh: Koefisien optimisme didasarkan pada probabilitas terjadinya kondisi boom dibandingkan dengan kondisi krisis. Berdasarkan data diperoleh koefisien optimisme sebesar 0,63 sehingga koefisien pesimisme adalah 0,63 = 0,37. Emiten Boom Krisis Perhitungan EV LPBN (.80x0.63) + (50x0.37) 836 MEGA (.000x0.63) + (300x0.37).37 BBCA (4.463x0.63) + (85x0.37).880 Berdasarkan nilai EV, maka keputusan yang terbaik adalah membeli saham BBCA yaitu yang memiliki nilai EV tertinggi. e. Kriteria minimax regret Langkah pertama adalah mencari nilai OL. Langkah kedua adalah memilih nilai maksimum dari nilai OL setiap keadaan. Nilai OL yang minimum adalah keputusan yang terbaik. Perusahaan Kondisi Perekonomian Boom Normal Krisis LPBN MEGA BBCA Perusahaan Nilai Regret Maksimum LPBN 3.83 MEGA

37 BBCA 5 Berdasarkan kriteria minimax regret, keputusan yang terbaik adalah membeli saham BBCA yaitu yang memiliki nilai regret terendah. E. Analisis Pohon Keputusan Pohon keputusan berguna untuk menyusun bebrapa alternatif dengan hasil bersyarat (conditional payoff), keputusan yang terbaik adalah dengan nilai EV yang tertinggi. Keputusan EV Probabilitas payoff () Membeli Saham LPBN.37 () Membeli Saham MEGA Probabilitas Ekonomi Boom (0,63) Probabilitas Ekonomi Krisis (0,37) Probabilitas Ekonomi Boom (0,63) Probabilitas Ekonomi Krisis (0,37) (3) Membeli Saham BBCA Probabilitas Ekonomi Boom (0,63) Probabilitas Ekonomi Krisis (0,37)

38 CHAPTER 8 Pertemuan 0 METODE DAN DISTRIBUSI SAMPLING Populasi dan sampel merupakan aspek penting dalam mempelajari statistika induktif. Populasi adalah kumpulan dari semua kemungkinan orang-orang, benda-benda dan ukuran lain yang menjadi objek perhatian atau kumpulan seluruh objek yang menjadi perhatian. Sampel adalah suatu bagian dari populasi tertentu yang menjadi perhatian. Hubungan populasi dan sample dapat digambarkan sebagai berikut: Populasi Sampel Populasi dapat dikelompokkan menjadi dua, yaitu: a. Populasi terbatas (finite) yaitu populasi yang ukurannya terbatas berukuran N. contoh: semua bank yang ada misalnya 38 Bank. b. Polpulasi tidak terbatas (infinite) yaitu populasi yang mengalami proses secara terus menerus sehinga usuran N menjadi tidak terbatas perubahan nilainya. Contohnya Pelanggan jamu Sidomuncul. Sampel dapat dibedakan menjadi dua yaitu: Sampel probabilitas Merupakan suatu sampel yang dipilih sedemikian rupa dari populasi sehingga masing-masing anggota populasi memiliki probabilitas atau peluang yang sama untuk dijadikan sampel. Sampel nonprobabilitas Merupakan suatu sampel yang dipilih sedemikian rupa dari populasi sehingga setiap anggota tidak memiliki probabilitas atau peluang yang sama untuk dijadikan sampel. 38

39 Bulat 4 0 (0,04 x 0) Kotak 3 3 (0,3 x 0) A. Metode penarikan sample Metode Penarikan Sampel Sampel Probabilitas (Probability Sampling) Sampel Nonprobabilitas (Nonprobability Sampling).Penarikan sampel acak sederhana (simple random sampling). Penarikan sampel acak terstruktur (stratified random sampling) 3. Penarikan sampel cluster (cluster sampling).penarikan sampel sistematis (systematic sampling). Penarikan sampel kuota (kuota sampling) 3. Penarikan sampel purposive (purposive sampling). Penarikan Sampel Acak Sederhana Merupakan pengambilan sampel dari populasi secara acak tanpa memperhatikan strata yang ada dalam populasi dan setiap anggota populasi memiliki kesempatan yang sama untuk dijadikan sampel. Ada dua cara pengambilan sampel acak sederhana:. Sistem Kocokan Sistem sampel acak sederhana dengan cara sama sistem arisan.. Menggunakan tabel acak Memilih sampel dengan menggunakan suatu tabel. Dalam penggunaannya ditentukan terlebih dahulu titik awal (starting point).. Penarikan sampel acak terstruktur: Penarikan sampel acak terstruktur dilakukan dengan membagi anggota populasi dalam beberapa sub kelompok yang disebut strata, lalu suatu sampel dipilih dari masing-masing stratum. Populasi tidak berstrata Contoh menentukan jumlah stratum setiap kelompok Populasi terstrata Stratum Kelompok Jumlah Persentase Jumlah sampel anggota dari total per stratum 39

40 Dari table diatas terlihat bahwa jumlah sample setiap stratumnya didasarkan pada jumlah proporsi persentsae setiap stratum terhadap jumlah totalnya. 3. Penarikan sample Cluster (cluster sampling) Penarikan cluster adalah teknik memilih sampel dari kelompok unit-unit kecil (cluster) dari sebuah populasi yang relatif besar dan tersebar luas. Anggota dalam setiap cluster bersifat tidak homogen berbeda dengan penarikan sampel terstruktur. Sampel Terstruktur Sampel Cluster Pemilihan sampel pada metode ini adalah dengan metode acak sederhana, dengan harapan akan mengurangi biaya penarikan sampel populasi yang tersebar pada area geografis yang terlalu besar. 4. Penarikan sampel secara sistematis (systematic Random Sampling) Penarikan dikatakan sampel sistematis apabila setiap unsur atau anggota dalam populasi disusun dengan cara tertentu-secara alfabetis, dari besar kecil atau sebaliknya-kemudian dipilih titik awal secara acak lalu setiap anggota ke K dari populasi dipilih sebagai sampel. 40

41 Sebagai contoh apabila akan dipilih 5 perusahaan reksadana, maka perusahaan mana yang akan menjadi sampel dengan menggunakan metode sistematis, beberapa langkah yang harus dilakukan adalah: a. memberikan nomor urutan misalnya dari aset terbesar sampai terkecil atau sebaliknya b. jumlah populasi misalnya 59, dan jumlah sampel 5, maka jarak antara sampel adalah c. nomor sampel adalah, 3, 5, 37, dan 49 (setiap sampel berjarak secara sistematis yaitu ) 5. penarikan sampel Kuota (Kuota sampling) Penarikan sampel kuota adalah pengambilan sampel dari populasi yang mempunyai ciri-ciri tertentu sampai jumlah atau kuota yang diinginkan. Tujuan penarikan sampel kuota adalah untuk memperbaiki keterwakilan seluruh komponen dalam populasi. Sebagai contoh apabila akan dilakukan penelitian terhadap tingkat kehadiran mahasiswa yang mengambil matakuliah statistika dari populasi 50 orang ditentukan kuota 0 orang. Kalau pengumpulan data belum mencapai 0 orang maka penelitian belum dianggap selesai. 6. penarikan sampel purposive (purposive sampling) Penarikan sampel purposive adalah penarikan sampel dengan pertimbangan tertentu. Pertimbangan tersebut berdasarkan pada kepentingan atau tujuan penelitian. Penarikan sampel dengan purposive ada dua cara: a. convenience sampling yaitu penarikan sampel berdasarkan keinginan peneliti sesuai dengan tujuan penelitian. b. Judment sampling yaitu penarikan sampel berdasarkan penilaian terhadap karakteristik anggota sampel yang disesuaikan dengan tujuan penelitian. B. Kesalahan penarikan sampel (sampling error) Merupakan perbedaan antara nilai statistik sampel dengan nilai parameter dari populasi. Dalam pemilihan sampel, dimana jumlah sampel adalah sebagian dari populasi, mungkin akan terdapat perbedaan antara rata-rata hitung dan standar deviasi sampel terhadap rata-rata hitung dan standar deviasi populasi. Perbedaan nilai statistik ini yang dikenal dengan kesalahan penarikan sampel (sampling error). Dengan menggunakan sampel bisa ditemukan kesalahan penarikan sampel pada saat hasil sampel tersebut digunakan untuk menduga parameter suatu populasi. Untuk menentukan tingkat keyakinan akan hasil menggunakan sampel untuk menduga parameter dapat dipahami dengan mentusun distribusi sampel (sampling distribution) dan rata-rata hitung sampel (sampel means). C. Distribusi Sampel rata-rata dan proporsi 4

42 Distribusi sampel dari rata-rata hitung sampel dan populasi adalah suatu distribusi probabilitas yang terdiri dari seluruh kemungkinan rata-rata hitung sampel dari suatu ukuran sampel tertentu yang dipilih dari populasi, dan probabilitas terjadinya dihubungkan dengan setiap rata-rata hitung sampel. a. Distribusi sampel rata-rata dan porposi menpunyai nilai hitung rat-rata: x p p N N C C n n b. Distribusi sampel rata-rata dan porposi mempunyai standar deviasi S x C N n X x S p p c. Hubungan antara standar deviasi sampel x dan porposi pada kondisi sampel terbatas N n P P N n S x Sp x n N n N d. Hubungan standar deviasi sampel x dan porposi pada kondisi sampel tidak terbatas P P S x Sp n n d. Distribusi sampel rata-rata dan porposi merupakan distribusi normal, sehingga dapat diketahui nilai Znya yaitu C N n p Z x s Z p P s p D. Distribusi Sampel Selisih rata-rata dan proporsi Distribusi sampel selisih apabila terdapat dua atau lebih populasi yang diambil sebagai sampel a. Distribusi sampel selisih rata-rata. Nilai rata-rata X x x x x. Nilai standar deviasi S x x 3. Nilai Z x Z S x S x x S xx S n x Sx n 4

43 b. Distribusi sampel selisih proporsi. Nilai rata-rata P P P p p P P. Nilai standar deviasi S p p 3. Nilai Z p Z S p S p p P P S pp P P P P n. E. Faktor Koreksi untuk populasi terbatas Faktor koreksi adalah usaha untuk memperbaiki hasil dugaan parameter dan diterapkan jika rasio n/n lebih besar dari 0,05. faktor koreksi terhadap standar deviasi dirumuskan sebagai berikut n S x n N n N sedang untuk standar deviasi proporsi S p p ( p) n N n N 43

44 CHAPTER 9 Pertemuan HIPOTESA A. Hipotesa Hipotesa adalah suatu pernyataan mengenai nilai suatu parameter populasi yang dimaksudkan untuk pengujian dan berguna untuk pengambilan keputusan. Hipotesa sebenarnya disusun berdasarkan data, akan tetapi karena data tersebut dihasilkan dari sample yang mempunyai probabilitas, sehingga hasilnya bisa saja benar dan mungkin saja salah. Oleh sebab itu sebuah hipotesa sebelum menjadi keputusan haruslah diuji terlebih dahulu dengan menggunakan data observasi. Menurut Nasir (988) hipotesa yang baik mempunyai cirri-ciri: a. menyatakan hubungan b. sesuai dengan fakta c. sederhana dan dapat diuji d. dapat menerangkan fakta dengan baik B. Pengujian Hipotesa Pengujian hipotesa adalah prosedur yang didasarkan pada bukti sampel yang dipakai untuk menentukan apakah hipotesa merupakan suatu pernyataan yang wajar dan oleh karenanya tidak ditolak, atau hipotesa tersebut tidak wajar dan oleh karena itu harus ditolak. C. Prosedur Pengujian Hipotesa Langkah. Merumuskan Hipotesa (Hipotesa nol (H 0 ) dan Hipotesa Alternatif (H )) Langkah. Menentukan Taraf Nyata (Probabilitas menolak hipotesa) Langkah 3. Menentukan Uji statistik (Alat uji statistik, uji Z, t, F, X dan lain-lain) Langkah 4. Menentukan Daerah Keputusan (Daerah di mana hipotesa nol diterima atau ditolak)) Langkah 5. Mengambil Keputusan Menolak H 0 Menolak H 0 Menerima H 44

45 Langkah Merumuskan Hipotesa Perumusan hipotesa dikembangkan oleh Fisher yang dikenal sebagai Bapak Ststistik, yang membedakan hipotesa menjadi nol dan hipotesa alternative. Hipotesa nol (H o ) Satu pernyataan mengenai nilai parameter populasi Hipotesa alternative (H ) Suatu pernyataan yang diterima jika data sampel memberikan cukup bukti bahwa hipotesa nol adalah salah Contoh:. Rata-rata hasil investasi reksadana sama dengan 3,7%, maka H o : = 3,7% H : 3,7%. rata-rata IPK mahasiswa diatas 3 H o : IPK > 3 H : IPK < 3 Langkah. menentukan taraf nyata Taraf nyata adalah Probabilitas menolak hipotesa nol apabila hipotesa nol tersebut adalah benar. Taraf nyata adalah nilai kritis yang digunakan sebagai dasar untuk menerima atau menolak hipotesa nol. Taraf nyata dilambangkan dengan α, dimana α = C. C adalah tingakat keyakinan, apabila C = 0,95 maka taraf nyata 0,05. semakain tinggi tingkat keyakinan maka semakin kecil taraf nyata. Kebiasaan yang sering digunakan untuk pertanian dan ekonomi adalah taraf nyata 5% atau tingkat keyakinan 95%. Langkah 3. menentukan Uji Statistik Suatu nilai yang diperoleh dari sampel dan digunakan untuk memutuskan apakah akan menerima atau menolak hipotesa. Pada bagain ini akan dibahas uji Z, yang diperoleh dari rumus berikut: dim ana : Nilai Z Χ μ Ζ σ Χ X S x Rata rata hitung sampel Rata rata hitung populasi s tandar errorsampels x / n Langkah 4. Menentukan daerah Keputusan 45

46 Daerah Keputusan Uji Satu Arah Daerah tidak menolak Ho Daerah penolakan Ho,65 Skala z Probabilitas 0,95 Probabilitas 0,5 Daerah Keputusan Uji Dua Arah Daerah penolakan Ho Daerah penolakan Ho Daerah tidak menolak Ho 0,05 0,95 0,05 -,95 0,95 Pengujian satu arah Adalah daerah penolakan Ho hanya satu yaitu terletak di ekor sebelah kanan saja atau ekor sebelah kiri saja. Karena hanya satu daerah penolakan berarti luas daerah penolakan tersebut sebesar taraf nyata yaitu a, dan untuk nilai kritisnya biasa ditulis dengan Za. Sedangkan pengujian dua arah Adalah daerah penolakan Ho ada dua daerah yaitu terletak di ekor sebelah kanan dan kiri. Karena mempunyai dua daerah, maka masing-masing daerah mempunyai luas ½ dari taraf nyata yang dilambangkan dengan ½a, dan nilai kritisnya biasa dilambangkan dengan Z ½a. Langkah 5. mengambil Keputusan Keputusan ditentukan dengan melihat nilai Z, apabila terletak pada daerah yang menerima H o maka hipotesa dapat diterima atau sebaliknya apabila nilai Z tidak terletak pada daerah yang meneriam H o maka hipotesa ditolak CONTOH MENGUJI HIPOTESA RATA-RATA SAMPEL BESAR Perusahaan reksadana menyatakan bahwa hasil investasinya rata-rata mencapai 3,7%. Untuk menguji apakah pernyataan tersebut benar, maka lembaga konsultan CESS mengadakan penelitian pada 36 perusahaan reksadana dan didapatkan hasil 46

47 bahwa rata-rata hasil investasi adalah,39% dan standar deviasinya,09%. Ujilah apakah pernyataan perusahaan reksadana tersebut benar dengan taraf nyata 5%. Langkah Merumuskan hipotesa. Hipotesa yang menyatakan bahwa rata-rata hasil investasi sama dengan 3,7%. Ini merupakan hipotesa nol, dan hipotesa alternatifnya adalah rata-rata hasil investasi tidak sama dengan 3,7%. Hipotesa tersebut dapat dirumuskan sebagai berikut: H 0 : m = 3,7%. H : m ¹ 3,7%. Langkah Menentukan taraf nyata. Taraf nyata sudah ditentukan sebesar 5%, apabila tidak ada ketentuan dapat digunakan taraf nyata lain. Taraf nyata 5% menunjukkan probabilitas menolak hipotesa yang benar 5%, sedang probabilitas menerima hipotesa yang benar 95%. Nilai kritis Z dapat diperoleh dengan cara mengetahui probabilitas daerah keputusan H 0 yaitu Z / = / 0,5/ = 0,05 dan nilai kritis Z dari tabel normal adalah,96. Langkah 3 Melakukan uji statistik dengan menggunakan rumus Z. Dari soal diketahui bahwa rata-rata populasi = 3,7%, rata-rata sampel,39% dan standar deviasi,09%. Mengingat bahwa standar deviasi populasi tidak diketahui maka diduga dengan standar deviasi sampel, dan standar error sampel adalah s x = s/n sehingga nilai Z adalah Langkah 4 Menentukan daerah keputusan dengan nilai kritis Z=,96 47

48 Daerah penolakan H 0 Tidak menolak Daerah penolakan H 0 0,95 0,05 0,05 Z=-5, -,96,96 Langkah 5 Mengambil Keputusan. Nilai uji Z ternyata terletak pada daerah menolak H 0. Nilai uji Z = 5, terletak disebelah kiri,96. Oleh sebab itu dapat disimpulkan bahwa menolak H 0, dan menerima H, sehingga pernyataan bahwa hasil rata-rata investasi sama dengan 3,7% tidak memiliki bukti yang cukup kuat. CONTOH UJI SIGNIFIKANSI MENGGUNAKAN TANDA LEBIH BESAR DAN LEBIH KECIL (Satu Arah). Ujilah beda rata-rata populasi, misalkan hipotesanya adalah rata-rata hasil investasi lebih kecil dari 3,7%. Maka perumusan hipotesanya menjadi: H0 : m 3,7 H : m > 3,7 Untuk tanda pada H0 menunjukkan daerah penerimaan H0, sedang tanda > pada H menunjukkan daerah penolakan di sebelah ekor kanan seperti Gambar A.. Ujilah beda selisih dua rata-rata populasi, misalkan hipotesanya adalah selisih dua rata-rata populasi lebih besar sama dengan 0. H0 : mpa mpl ³ 0 H : mpa mpl < 0 Untuk tanda ³ pada H0 menunjukkan daerah penerimaan H0, sedang tanda < pada H menunjukkan daerah penolakan di sebelah ekor kiri seperti Gambar B. 48

49 Daerah penolakan H 0 Daerah penolakan H 0 Tidak menolak H 0,65,65 Tidak menolak H 0 Gambar A Gambar B H 0 : x 3,7 H 0 : pa pl 0 H : x > 3,7 H : pa pl < 0 49

50 CHAPTER 0 Pertemuan MENGUJI HIPOTESA RATA-RATA SAMPEL BESAR CONTOH PENGUJIAN DUA ARAH. Ujilah nilai rata-rata sama dengan 3,7%. Maka hipotesanya dirumuskan sebagai berikut: H0 : m = 3,7%. H : m ¹ 3,7%.. Ujilah nilai koefisien untuk b sama dengan 0. Maka hipotesanya dirumuskan sebagai berikut: H0 : b = 0 H : b ¹ 0. 0,5 Daerah penolakan H 0 Tidak menolak H 0 Daerah penolakan H 0 0,4750 0, -,96 0,95 0,,96 MENGUJI HIPOTESA RATA-RATA DAN PROPORSI SAMPLE BESAR Ada Tiga hal yang terkait dengan pengujian hipotesa rata-rata dan porposi sample besar yaitu: a. Proses pengujian hipotesa, dimana pengujiannya tetap mengikuti 5 langkah b. Yang diuji dalam hal ini adalah rata-rata populasi dan proporsi dari populasi c. Sample besar. Sample besar adalh sample yang berjumlah 30 atau lebih. Dengan menggunakan sample besar diharapkan akan mendekati distribusi normal sehingga dapat digunakan nilai dan uji Z. CONTOH MENGUJI HIPOTESA RATA-RATA SAMPEL BESAR Perusahaan reksadana menyatakan bahwa hasil investasinya rata-rata mencapai 3,7%. Untuk menguji apakah pernyataan tersebut benar, maka lembaga konsultan 50

51 CESS mengadakan penelitian pada 36 perusahaan reksadana dan didapatkan hasil bahwa rata-rata hasil investasi adalah,39% dan standar deviasinya,09%. Ujilah apakah pernyataan perusahaan reksadana tersebut benar dengan taraf nyata 5%. Langkah Merumuskan hipotesa. Hipotesa yang menyatakan bahwa rata-rata hasil investasi sama dengan 3,7%. Ini merupakan hipotesa nol, dan hipotesa alternatifnya adalah rata-rata hasil investasi tidak sama dengan 3,7%. Hipotesa tersebut dapat dirumuskan sebagai berikut: H0 : m = 3,7%. H : m ¹ 3,7%. Langkah Menentukan taraf nyata. Taraf nyata sudah ditentukan sebesar 5%, apabila tidak ada ketentuan dapat digunakan taraf nyata lain. Taraf nyata 5% menunjukkan probabilitas menolak hipotesa yang benar 5%, sedang probabilitas menerima hipotesa yang benar 95%. Nilai kritis Z dapat diperoleh dengan cara mengetahui probabilitas daerah keputusan H0 yaitu Za/ = a/ 0,5/ = 0,05 dan nilai kritis Z dari tabel normal adalah,96. Langkah 3 Melakukan uji statistik dengan menggunakan rumus Z. Dari soal diketahui bahwa ratarata populasi = 3,7%, rata-rata sampel,39% dan standar deviasi,09%. Mengingat bahwa standar deviasi populasi tidak diketahui maka diduga dengan standar deviasi sampel, dan standar error sampel adalah sx = s/ön sehingga nilai Z adalah X X S S/ n x,393,7 5,,09 / 36 Langkah 4 Menentukan daerah keputusan dengan nilai kritis Z=,96 Daerah penolakan H 0 Daerah penolakan H 0 Tidak menolak H 0 0,05 0,95 0,05 Z=-5, -,96,96 5

52 Langkah 5 Mengambil Keputusan. Nilai uji Z ternyata terletak pada daerah menolak H0. Nilai uji Z = 5, terletak disebelah kiri,96. Oleh sebab itu dapat disimpulkan bahwa menolak H0, dan menerima H, sehingga pernyataan bahwa hasil rata-rata investasi sama dengan 3,7% tidak memiliki bukti yang cukup kuat. MENGUJI HIPOTESA PROPORSI SAMPEL BESAR Rumus uji Z untuk proporsi adalah p P P ( P) n dimana: Z = Nilai uji Z p = Proporsi sampel P = Proporsi populasi N = jumlah sampel MENGUJI HIPOTESA SELISIH RATA-RATA SAMPEL BESAR Distribusi sampling dari selisih rata-rata proporsi memiliki distribusi normal dan mempunyai standar deviasi sebagai berikut: X X n n Di mana: x-x : Standar deviasi selisih dua populasi : Standar deviasi populasi : Standar deviasi populasi n : Jumlah sampel pada populasi n :Jumlah sampel pada populasi sedangkan untuk rumus Z adalah sebagai berikut: Z x x S xx Z : Nilai uji statistik 5

53 x -x : Selisih dua rata-rata hitung sampel dan sampel - : Selisih dua rata-rata hitung populasi dan populasi S x-x : Standar deviasi selisih dua populasi standar deviasi selisih dua sampel adalah: S X X s n s n Di mana: S x-x : Standar deviasi selisih dua populasi s : Standar deviasi populasi s : Standar deviasi populasi n : Jumlah sampel pada populasi n :Jumlah sampel pada populasi MENGUJI HIPOTESA SELISIH PROPORSI SAMPEL BESAR Untuk standar deviasi proporsi populasi dirumuskan sebagai berikut: p ( p) p ( p ) Sp p n n sedangkan nilai uji Z dirumuskan sebagai berikut: Z p p P P S pp standar deviasi selisih dua sampel S p p p ( p) p ( p n n ) 53

54 CHAPTER Pertemuan PENGUJIAN HIPOTESA SAMPEL KECIL Pada sampel kecil yaitu kasus dimana jumlah sampel kurang dari 30, maka nilai standar deviasi (s) berfluktuasi relatif besar, sehingga nilai uji Z tidak bersifat normal. Oleh karena itu, untuk sebaran distribusi sampel kecil dikembangkan suatu distribusi khusus yang dikenal sebagai distribusi t atau t-student. Nilai distribusi t dinyatakan sebagai berikut t X s / n dimana: t = Nilai distribusi t = nilai rata-rata populasi x = nilai rata-rata sampel s = standar deviasi sampel n = jumlah sampel CIRI-CIRI DISTRIBUSI t-student a. Distribusi t-student seperti distribusi Z merupakan sebuah distribusi kontinu, di mana nilainya dapat menempati semua titik pengamatan. b. Distribusi t-student seperti distribusi Z berbentuk genta atau lonceng dan simetris dengan nilai rata-rata sama dengan 0. c. Distribusi t-student bukan merupakan satu kurva seperti kurva Z, tetapi keluarga dari distribusi t. Setiap distribusi t mempunyai rata-rata hitung sama dengan nol, tetapi dengan standar deviasi yang berbeda-beda, sesuai dengan besarnya sampel (n). Ada distribusi t untuk sampel berukuran, yang berbeda dengan distribusi untuk sampel sebanyak 5, 5 dan sebagainya. Apabila sampel semakin besar maka distribusi t akan mendekati normal. Tahap menguji rata-rata hitung populasi dalam sampel kecil: (a) Merumuskan hipotesa nol dan hipotesa alternatif (H0 dan H), (b) Menentukan taraf nyata apakah %, 5% atau pada taraf lainnya serta mengetahui titik kritis berdasarkan pada tabel t-student, (c) Menentukan uji statistik dengan menggunakan rumus uji-t, 54

55 (d) menentukan daerah keputusan yaitu daerah tidak menolak H0 dan daerah menolak H0, dan (e) Mengambil keputusan untuk menolak dan menerima dengan membandingkan nilai kritis taraf nyata dengan nilai uji-t. CIRI DISTRIBUSI F. Distribusi F lebih mirip dengan distribusi t, yaitu mempunyai keluarga distribusi F. df(5,5) df(0,7) df(9,8) Pada gambar di atas terlihat bahwa distribusi dengan derajat bebas pembilang 5 dan penyebut 5 yang ditulis df(5,5) mempunyai distribusi F yang berbeda dengan distribusi df(0,7) dan df(9,8).. Distribusi F tidak pernah mempunyai nilai negatif sebagaimana pada distribusi Z. Distribusi Z mempunyai nilai positif di sisi kanan dan negatif sisi kiri nilai tengahnya. Distribusi F seluruhnya adalah positif atau menjulur ke positif (positively skewed) dan merupakan distribusi kontinu yang menempati seluruh titik di kurva distribusinya. 3. Nilai distribusi F mempunyai rentang dari tidak terhingga sampai 0. Apabila nilai F meningkat, maka distribusi F mendekati sumbu X, namun tidak pernah menyentuh sumbu X tersebut. 4. Distribusi F juga memerlukan syarat yaitu: (a) populasi yang diteliti mempunyai distribusi yang normal, (b) populasi mempunyai standar deviasi yang sama, dan (c) sampel yang ditarik dari populasi bersifat bebas serta diambil secara acak. 55

56 CHAPTER Pertemuan 5 UJI CHI-KUADRAT A. Statistika nonparametrik: Statistik yang tidak memerlukan pembuatan asumsi tentang bentuk distribusi atau bebas distribusi, sehingga tidak memerlukan asumsi terhadap populasi yang akan diuji Kapan kita dapat menggunakan statistik nonparametrik?. Apabila ukuran sampel sedemikian kecil sehingga distribusi sampel atau populasi tidak mendekati normal, dan tidak ada asumsi yang dapat dibuat tentang bentuk distribusi populasi yang menjadi sumber populasi.. Apabila hasil pengukuran menggunakan data ordinal atau data berperingkat. Data ordinal hanya menyatakan lebih baik, lebih buruk atau sedang atau bentuk ukuran lainnya. Data ini sama sekali tidak menyatakan ukuran perbedaan. 3. Apabila hasil pengukuran menggunakan data nominal. Data nominal hanya merupakan kode dan tidak mempunyai implikasi atau konsekuensi apa-apa. Jenis kelamin diberikan kode laki-laki dan perempuan, pengkodean tersebut tidak berimplikasi lebih rendah atau lebih tinggi, hanya sekadar kode. B. Chi Kuadrat untuk Uji Goodness of Fit Uji goodness of fit dikembangkan oleh Karl Pearson pada tahun 900 dan ada yang menyebutnya dengan uji keselarasan. Rumus yang dikembangkan oleh Pearson adalah: dimana: X = nilai chi-kuadrat fo = Frekuensi yang diperoleh fe = frekuensi yang diharapkan (fo fe) fe distribusi Chi-kuadrat berbeda dengan distribusi t dan F. Distribusi t dan F mempunyai distribusi probabilitas tunggal. Distribusi Chi-kuadrat merupakan suatu keluarga dari kurva bermacam distribusi yang bentuknya ditentukan oleh derajat bebasnya (df), dimana df tergantung dari jumlah sampel (n) dan jumlah variabel (k), df = n-k. Semakin besar nilai n maka distribusi chi-kuadrat akan mendekati kurva normal. Pada gambar dapat dilihat semakin banyak jumlah sampel maka kurva semakin mendekati normal. 56

57 Probabilitas 0,35 0,3 0,5 0, 0,5 0, 0,05 0-0, Nilai Chi-Kuadrat df=3 df=5 df=0 df=38 C. Uji Keselarasan (Goodness of Fit) Uji keselarasan adalah untuk menguji seberapa tepatkah frekuensi yang teramati (observed frequencies, fo) cocok atau sesuai dengan frekuensi yang diharapkan (expected frequencies, fe). Uji keselarasan dimaksudkan apakah ada kecocokan atau kesesuaian antara harapan dengan kenyataan.pada uji ini ada dua hal penting a) frekuensi yang diharapkan sama, apabila setiap data pengamatan nilai frekuensi yang diharapkan sama b) frekuensi yang diharapkan tidak sama D. Uji keselarasan dengan Frekuensi Harapan sama Hasil perdagangan saham pada minggu pertama 004 adalah sebagai berikut: No Perusahaan Prosentase Perubahan Harga Aneka Tambang 4 Asahimas Flat Glass 0 3 Astra Agro Lestari 56 4 Astra Otoparts -3 5 Bank Danamon 3 6 Berlian Laju Tangker 9 7 Berlina -3 8 Bimantara 9 9 Dankos 0 0 Darya Varia 7 57

58 Untuk melakukan pengujian memerlukan beberapa tahapan atau langkah yaitu:. Menentukan hipotesa Hipotesa yang disusun adalah hipotesa nol (H0) dan hipotesa alternatif (H). Hipotesa nol, H0, menyatakan bahwa tidak ada perbedaan antara nilai atau frekuensi observasi atau teramati dengan nilai atau frekuensi harapan. Sedangkan hipotesa alternatif, H, menyatakan bahwa ada perbedaan antara nilai atau frekuensi teramati dengan nilai atau frekuensi yang diharapkan. Hipotesa selanjutnya dinyatakan sebagai berikut: H0 : fo = fe H : fo fe. Menentukan Taraf Nyata dan Nilai Kritis Untuk kasus ini, nilai n adalah kategori atau sampel yaitu 0, sedang k adalah variabel, dimana k=, jadi derajat bebasnya adalah df= 0 - = 9. Setelah menemukan nilai df dan taraf nyata, maka dapat dicari nilai kritis chi-kuadrat dengan menggunakan tabel chi-kuadrat sebagai berikut: derajat bebbas Df 0, 0, Uji Statistik Chi-kuadrat Taraf Nyata fo fe (fo fe) (fo-fe) (fo-fe)/fe (f 0 3 fe) (x ) 56 fe

59 X= X (fo-fe)/fe Menentukan Daerah Keputusan Terima Ho Tolak Ho X kritis= 6,99 X hitung=9,5 Skala X 5. Menentukan Keputusan Langkah kelima adalah menentukan keputusan. Berdasarkan aturan pada langkah ke-4, diketahui nilai chi-kuadrat hitung adalah 9,5 dan nilai chi-kuadrat kritis 6,99 berarti nilai chi-kuadrat hitung > dari chi kuadrat kritis. Dengan demikian Ho ditolak dan H diterima. Jadi terdapat cukup bukti untuk menolak Ho, sehingga antara kenyataan yang terjadi dengan harapan dari analisis adalah tidak sama. E. Uji Chi-Kuadrat untuk uji Kenormalan Beberapa tahapan untuk uji kenormalitasan:. Membuat distribusi frekuensi, sebagaimana dikemukakan dalam bab, buku jilid.. Menentukan nilai rata-rata hitung dan standar deviasi dengan menggunakan data berkelompok, sebagaimana dikemukakan pada bab 3 dan 4, buku jilid. 3. Menentukan nilai Z dari setiap kelas, dimana Z = (X - )/ 4. Menentukan probabilitas setiap kelas dengan menggunakan nilai Z. 5. Menentukan nilai harapan dengan mengalikan nilai probabilitas dengan jumlah data. 6. Menentukan pengujian chi-kuadrat untuk menentukan apakah suatu distribusi bersifat normal atau tidak. F. Uji chi-kuadrat untuk uji Independensi Langkah-langkah yang harus dilakukan:. Menyusun hipotesa. Hipotesa Ho biasanya menyatakan tidak ada hubungan antara dua variabel, sedangkan H menyatakan ada hubungan antara dua variabel. 59

KATA PENGANTAR. Kediri, April Penulis

KATA PENGANTAR. Kediri, April Penulis KATA PENGANTAR Puji syukur kehadirat Allah SWT, karena berkat rahmat, karunia dan hidayahnya, buku Dasar Statistik untuk Kesehatan ini dapat terselesaikan. Statistik merupakan salah satu cabang ilmu Pengetahuan

Lebih terperinci

BAHAN KULIAH STATISTIKA (Kelas Teori)

BAHAN KULIAH STATISTIKA (Kelas Teori) BAHAN KULIAH STATISTIKA (Kelas Teori) Fakultas : Fakultas Teknologi Industri Jurusan : Teknik informatika Mata kuliah & Kode : STATISTIKA SKS : Teori : 3 Praktik : - Semester dan Waktu : Sem : I Waktu

Lebih terperinci

15Ilmu. Uji t-student dan Uji Z (Distribusi Normal)

15Ilmu. Uji t-student dan Uji Z (Distribusi Normal) Modul ke: Fakultas 15Ilmu Komunikasi Uji t-student dan Uji Z (Distribusi Normal) Untuk sebaran distribusi sampel kecil, dikembangkan suatu distribusi khusus yang disebut distribusi t atau t-student Dra.

Lebih terperinci

KONSEP DASAR PROBABILITAS OLEH : RIANDY SYARIF

KONSEP DASAR PROBABILITAS OLEH : RIANDY SYARIF KONSEP DASAR PROBABILITAS OLEH : RIANDY SYARIF Definisi Probabilitas adalah suatu ukuran tentang kemungkinan suatu peristiwa (event) akan terjadi dimasa mendatang. Probabilitas dinyatakan antara 0 s/d

Lebih terperinci

KARAKTERISTIK DISTRIBUSI KURVA NORMAL

KARAKTERISTIK DISTRIBUSI KURVA NORMAL DISTRIBUSI PROBABILITAS NORMAL 1 KARAKTERISTIK DISTRIBUSI KURVA NORMAL 1. Kurva berbentuk genta ( = Md= Mo) 2. Kurva berbentuk simetris 3. Kurva mencapai puncak pada saat X= 4. Luas daerah di bawah kurva

Lebih terperinci

DISTRIBUSI PROBABILITAS DISKRET

DISTRIBUSI PROBABILITAS DISKRET DISTRIBUSI PROBABILITAS DISKRET 1 OUTLINE BAGIAN II Probabilitas dan Teori Keputusan Konsep-konsep Dasar Probabilitas Diskret Distribusi Normal Teori Keputusan Pengertian Distribusi Probabilitas Binomial

Lebih terperinci

DISTRIBUSI NORMAL. Fitri Yulianti

DISTRIBUSI NORMAL. Fitri Yulianti DISTRIBUSI NORMAL Fitri Yulianti KARAKTERISTIK DISTRIBUSI KURVA NORMAL 1. Kurva berbentuk genta ( = Md= Mo) 2. Kurva berbentuk simetris 3. Kurva normal berbentuk asimptotis 4. Kurva mencapai puncak padaa

Lebih terperinci

OUT LINE. Distribusi Probabilitas Normal. Pengertian Distribusi Probabilitas Normal. Distribusi Probabilitas Normal Standar

OUT LINE. Distribusi Probabilitas Normal. Pengertian Distribusi Probabilitas Normal. Distribusi Probabilitas Normal Standar 3 OUT LINE Pengertian Distribusi Probabilitas Normal Distribusi Probabilitas Normal Distribusi Probabilitas Normal Standar Penerapan Distribusi Probabilitas Normal Standar Pendekatan Normal Terhadap Binomial

Lebih terperinci

Keputusan Dalam Ketidakpastian dan Resiko

Keputusan Dalam Ketidakpastian dan Resiko Keputusan Dalam Ketidakpastian dan Resiko Suasana pengambilan keputusan : dalam pasti (certainty), dalam keadaan resiko (risk), dalam ketidakpastian (uncertainty), dalam suasana konflik (conflict). Analisis

Lebih terperinci

DISTRIBUSI PROBABILITAS NORMAL

DISTRIBUSI PROBABILITAS NORMAL DISTRIBUSI PROBABILITAS NORMAL 1 KARAKTERISTIK DISTRIBUSI KURVA NORMAL 1. Kurva berbentuk genta ( = Md= Mo) 2. Kurva berbentuk simetris 3. Kurva normal berbentuk asimptotis 4. Kurva mencapai puncak pada

Lebih terperinci

BAB II TINJAUAN TEORITIS. Menurut Darnius, O (2006, Hal : 53) simulasi dapat diartikan sebagai suatu

BAB II TINJAUAN TEORITIS. Menurut Darnius, O (2006, Hal : 53) simulasi dapat diartikan sebagai suatu BAB II TINJAUAN TEORITIS 2.1 Pendahulauan Menurut Darnius, O (2006, Hal : 53) simulasi dapat diartikan sebagai suatu rekayasa suatu model logika ilmiah untuk melihat kebenaran/kenyataan model tersebut.

Lebih terperinci

DISTRIBUSI TEORITIS. P(M) = p = probabilitas untuk mendapat bola merah (sukses) 30

DISTRIBUSI TEORITIS. P(M) = p = probabilitas untuk mendapat bola merah (sukses) 30 DISTRIBUSI TEORITIS Distribusi teoritis merupakan alat bagi kita untuk menentukan apa yang dapat kita harapkan, apabila asumsi-asumsi yang kita buat benar. Distribusi teoritis memungkinkan para pembuat

Lebih terperinci

Pengambilan Keputusan dalam Ketidakpastian

Pengambilan Keputusan dalam Ketidakpastian Bab 13 : Pengambilan Keputusan dalam Ketidakpastian 1 Ekonomi manajerial Manajemen 2 Pokok Bahasan Pengantar Keputusan Dalam Ketidakpastian Kriteria Maximin, Kriteria Maximax, Kriteria Minimax (Kroteria

Lebih terperinci

KONSEP DASAR PROBABILITAS

KONSEP DASAR PROBABILITAS KONSEP DASAR PROBABILITAS 1 OUTLINE BAGIAN II Probabilitas dan Teori Keputusan Konsep-Konsep Dasar Probabilitas Distribusi Probabilitas Diskrit Pengertian Probabilitas dan Manfaat Probabilitas Pendekatan

Lebih terperinci

METODE DAN DISTRIBUSI SAMPLING. Oleh : Riandy Syarif

METODE DAN DISTRIBUSI SAMPLING. Oleh : Riandy Syarif METODE DAN DISTRIBUSI SAMPLING Oleh : Riandy Syarif HUBUNGAN SAMPEL DAN POPULASI Populasi Sampel DEFINISI Populasi kumpulan dari semua kemungkinan orang-orang, benda-benda, dan ukuran lain yang menjadi

Lebih terperinci

Bagian 2. Probabilitas. Struktur Probabilitas. Probabilitas Subyektif. Metode Frekuensi Relatif Kejadian untuk Menentukan Probabilitas

Bagian 2. Probabilitas. Struktur Probabilitas. Probabilitas Subyektif. Metode Frekuensi Relatif Kejadian untuk Menentukan Probabilitas Probabilitas Bagian Probabilitas A) = peluang (probabilitas) bahwa kejadian A terjadi 0 < A) < 1 A) = 0 artinya A pasti terjadi A) = 1 artinya A tidak mungkin terjadi Penentuan nilai probabilitas: Metode

Lebih terperinci

DECISION THEORY DAN GAMES THEORY

DECISION THEORY DAN GAMES THEORY DECISION THEORY DAN GAMES THEORY PENGANTAR Lingkungan di mana keputusan dibuat sering digolongkan kedalam empat keadaan: certainty, risk, uncertainty, dan conflict. Decision theory terutama berhubungan

Lebih terperinci

Bab 2 DISTRIBUSI PELUANG

Bab 2 DISTRIBUSI PELUANG Bab 2 DISTRIBUSI PELUANG PENDAHULUAN Setiap peristiwa akan mempunyai peluangnya masingmasing, dan peluang terjadinya peristiwa itu akan mempunyai penyebaran yang mengikuti suatu pola tertentu yang di sebut

Lebih terperinci

PENGENALAN SISTEM OPTIMASI. Oleh : Zuriman Anthony, ST. MT

PENGENALAN SISTEM OPTIMASI. Oleh : Zuriman Anthony, ST. MT PENGENALAN SISTEM OPTIMASI Oleh : Zuriman Anthony, ST. MT PENILAIAN 1. KEHADIRAN (25%) 2. TUGAS + KUIS (25%) 3. UTS (25%) 4. UAS (25%) 5. Terlambat maksimal 15 menit 6. Kehadiran minimal 10 kali di kelas

Lebih terperinci

07Ilmu. Pengujian Hipotesis Menentukan dan menguji Hipotesis penelitian dan mengambil kesimpulan dari hasil uji tersebut. Dra. Yuni Astuti, MS.

07Ilmu. Pengujian Hipotesis Menentukan dan menguji Hipotesis penelitian dan mengambil kesimpulan dari hasil uji tersebut. Dra. Yuni Astuti, MS. Modul ke: Fakultas 07Ilmu Komunikasi Pengujian Hipotesis Menentukan dan menguji Hipotesis penelitian dan mengambil kesimpulan dari hasil uji tersebut Dra. Yuni Astuti, MS. Program Studi Marketing Communication

Lebih terperinci

Tugas Kelompok. Mata Kuliah Metodologi Penelitian Kuantitatif. Judul Makalah Revisi DISTRIBUSI PELUANG

Tugas Kelompok. Mata Kuliah Metodologi Penelitian Kuantitatif. Judul Makalah Revisi DISTRIBUSI PELUANG Tugas Kelompok Mata Kuliah Metodologi Penelitian Kuantitatif Judul Makalah Revisi DISTRIBUSI PELUANG Kajian Buku Pengantar Statistika Pengarang Nana Sudjana Tugas dibuat untuk memenuhi tugas mata kuliah

Lebih terperinci

STATISTIKA II IT

STATISTIKA II IT STATISTIKA II IT-011227 Ummu Kalsum UNIVERSITAS GUNADARMA 2017 Keterlambatan : KONTRAK KULIAH MOHON KETERLAMBATAN TIDAK LEBIH 15 MENIT Sanksi atau hukuman, sebagai contoh: Menguraikan pengetahuan tentang

Lebih terperinci

BAB 2 TINJAUAN PUSTAKA

BAB 2 TINJAUAN PUSTAKA BAB 2 TINJAUAN PUSTAKA 2.1 Data Data adalah bentuk jamak dari datum, yang dapat diartikan sebagai informasi yang diterima yang bentuknya dapat berupa angka, kata-kata, atau dalam bentuk lisan dan tulisan

Lebih terperinci

BAB IX PROSES KEPUTUSAN

BAB IX PROSES KEPUTUSAN BAB IX PROSES KEPUTUSAN Lingkungan di mana keputusan dibuat sering digolongkan kedalam empat keadaan: certainty, risk, uncertainty, dan conflict. Decision theory terutama berhubungan dengan pengambilan

Lebih terperinci

DISTRIBUSI TEORITIS. Variabel Acak Distribusi Teoritis Binomial Normal

DISTRIBUSI TEORITIS. Variabel Acak Distribusi Teoritis Binomial Normal DISTRIBUSI TEORITIS DISTRIBUSI TEORITIS Variabel Acak Distribusi Teoritis Binomial Normal Variabel acak adalah sebuah besaran yang merupakan hasil dari percobaan acak yang secara untung-untungan, dapat

Lebih terperinci

Pengujian hipotesis. Mata Kuliah: Statistik Inferensial. Hipotesis

Pengujian hipotesis. Mata Kuliah: Statistik Inferensial. Hipotesis PENGUJIAN HIPOTESIS Prof. Dr. H. Almasdi Syahza, SE., MP Email: asyahza@yahoo.co.id 1 Hipotesis Hipotesis adalah suatu pernyataan mengenai nilai suatu parameter populasi yang dimaksudkan untuk pengujian

Lebih terperinci

BAB 5 PENENTUAN POPULASI DAN SAMPEL PENELITIAN. Populasi adalah wilayah generalisasi yang terdiri atas obyek atau

BAB 5 PENENTUAN POPULASI DAN SAMPEL PENELITIAN. Populasi adalah wilayah generalisasi yang terdiri atas obyek atau BAB 5 PENENTUAN POPULASI DAN SAMPEL PENELITIAN 5.1. Populasi dan Sampel Populasi adalah wilayah generalisasi yang terdiri atas obyek atau subyek yang memiliki kuantitas atau kualitas tertentu yang ditentukan

Lebih terperinci

DISTRIBUSI PROBABILITAS NORMAL

DISTRIBUSI PROBABILITAS NORMAL DISTRIBUSI PROBABILITAS NORMAL 1 OUTLINE BAGIAN II Probabilitas dan Teori Keputusan Konsep-konsep Dasar Probabilitas Distribusi Probabilitas Diskret Distribusi Normal Teori Keputusan Pengertian dan Karakteristik

Lebih terperinci

Ilmu Komunikasi Marketing Communication & Advertising

Ilmu Komunikasi Marketing Communication & Advertising Modul ke: Fakultas 06Ilmu Komunikasi UKURAN DISPERSI (PENYEBARAN) Memberikan informasi tentang sebaran nilai pada data tersebut dan dapat membandingkan sebaran data dari dua distribusi nilai Dra. Yuni

Lebih terperinci

Kompetens n i s : Mahasiswa mam a pu p menjel enj a el s a ka k n gejala ekonomi dengan meng guna k n a konsep probabil i i l t i as

Kompetens n i s : Mahasiswa mam a pu p menjel enj a el s a ka k n gejala ekonomi dengan meng guna k n a konsep probabil i i l t i as Kompetensi: Mahasiswa mampu menjelaskan gejala ekonomi dengan menggunakan konsep probabilitas Hal. 9- Penelitian itu Penuh Kemungkinan (tdk pasti) Mengubah Saya tidak yakin Menjadi Saya yakin akan sukses

Lebih terperinci

DISTRIBUSI TEORITIS DISTRIBUSI TEORITIS

DISTRIBUSI TEORITIS DISTRIBUSI TEORITIS DISTRIBUSI TEORITIS DISTRIBUSI TEORITIS Variabel Acak Distribusi Teoritis Binomial Normal 1 Variabel acak adalah sebuah besaran yang merupakan hasil dari percobaan acak yang secara untung-untungan, dapat

Lebih terperinci

STATISTIKA. Muhamad Nursalman Pendilkom/Ilkom UPI

STATISTIKA. Muhamad Nursalman Pendilkom/Ilkom UPI STATISTIKA Muhamad Nursalman Pendilkom/Ilkom UPI 1 Daftar Isi Bab 1 Peluang Bab Peubah Acak Bab 3 Distribusi Peluang Diskret Bab 4 Distribusi Peluang Kontinu Bab 5 Fungsi Peubah Acak Bab 6 Teori Penaksiran

Lebih terperinci

Kasus di atas dapat diselesaikan menggunakan analisis breakeven.

Kasus di atas dapat diselesaikan menggunakan analisis breakeven. I. Analisis Break-Even Analisis break-even merupakan salah satu teknik analisis ekonomi yang berguna dalam menghubungkan biaya variabel total (TVC) dan biaya tetap total (TFC) terhadap output produksi

Lebih terperinci

Teori Pengambilan Keputusan

Teori Pengambilan Keputusan Teori Pengambilan Keputusan Iman Murtono Soenhadji Jurusan Manajemen Fakultas Ekonomi Iman Murtono Soenhadji 1 Bab 1: Pendahuluan Pengertian Pengambilan Keputusan dikemukakan oleh, Ralp C. Davis; Mary

Lebih terperinci

MODUL II DISTRIBUSI PELUANG DISKRIT DAN KONTINU

MODUL II DISTRIBUSI PELUANG DISKRIT DAN KONTINU DISTRIBUSI PELUANG DISKRIT DAN KONTINU A. TUJUAN PRAKTIKUM Melalui praktikum Modul II ini diharapkan praktikan dapat: 1. Mengenal jenis dan karakteristik dari beberapa distribusi peluang. 2. Menguji dan

Lebih terperinci

PENGELOLAAN STATISTIK YANG MENYENANGKAN, oleh Muhammad Rusli Hak Cipta 2014 pada penulis

PENGELOLAAN STATISTIK YANG MENYENANGKAN, oleh Muhammad Rusli Hak Cipta 2014 pada penulis PENGELOLAAN STATISTIK YANG MENYENANGKAN, oleh Muhammad Rusli Hak Cipta 2014 pada penulis GRAHA ILMU Ruko Jambusari 7A Yogyakarta 55283 Telp: 0274-889398; Fax: 0274-889057; E-mail: info@grahailmu.co.id

Lebih terperinci

Bab 3 Pengantar teori Peluang

Bab 3 Pengantar teori Peluang Bab 3 Pengantar teori Peluang Istilah peluang atau kemungkinan, sering kali diucapkan atau didengar. Sebagai contoh ketika manajer dari sebuah klub sepak bola ditanya wartawan tentang hasil pertandingan

Lebih terperinci

PENGAMBILAN KEPUTUSAN MANAJEMEN

PENGAMBILAN KEPUTUSAN MANAJEMEN PENGAMBILAN KEPUTUSAN MANAJEMEN BAB 6. KONDISI PENGAMBILAN KEPUTUSAN 1. Pendahuluan 2. Kondisi Pengambilan Keputusan dalam Kepastian 3. Kondisi Pengambilan Keputusan dalam Ketidakpastian 4. Kondisi Pengambilan

Lebih terperinci

Hidup penuh dengan ketidakpastian

Hidup penuh dengan ketidakpastian BAB 2 Probabilitas Hidup penuh dengan ketidakpastian Tidak mungkin bagi kita untuk dapat mengatakan dengan pasti apa yang akan terjadi dalam 1 menit ke depan tapi Probabilitas akan memprediksikan masa

Lebih terperinci

MATERI STATISTIK II. Genrawan Hoendarto

MATERI STATISTIK II. Genrawan Hoendarto MATERI STATISTIK II Teori Probabilitas Variabel Acak dan Nilai Harapan Distribusi Teoritis Distribusi Sampling Pengujian Hipotesis Regresi dan Korelasi Linear Sederhana Statistik Nonparametrik Daftar Pustaka

Lebih terperinci

Pertemuan 6 TEORI PENGAMBILAN KEPUTUSAN

Pertemuan 6 TEORI PENGAMBILAN KEPUTUSAN Pertemuan 6 TEORI PENGAMBILAN KEPUTUSAN Objektif: 1. Mahasiswa dapat mencari penyelesaian masalah dengan model keputusan dalam kepastian 2. Mahasiswa dapat mencari penyelesaian masalah dengan model keputusan

Lebih terperinci

KONSEP DASAR PROBABILITAS DAN DISTRIBUSI PROBABILITAS LELY RIAWATI, ST, MT.

KONSEP DASAR PROBABILITAS DAN DISTRIBUSI PROBABILITAS LELY RIAWATI, ST, MT. KONSEP DASAR PROBABILITAS DAN DISTRIBUSI PROBABILITAS LELY RIAWATI, ST, MT. EKSPERIMEN suatu percobaan yang dapat diulang-ulang dengan kondisi yang sama CONTOH : Eksperimen : melempar dadu 1 kali Hasilnya

Lebih terperinci

Program Studi Teknik Mesin S1

Program Studi Teknik Mesin S1 SATUAN ACARA PERKULIAHAN MATA KULIAH : STATISTIKA DAN PROBABILITAS KODE / SKS : IT042238 / 2 SKS Program Studi Teknik Mesin S1 Pokok Bahasan Pertemuan dan TIU 1 Pendahuluan memahami tentang konsep statistik

Lebih terperinci

DISTRIBUSI NORMAL. Pertemuan 3. Distribusi Normal_M. Jainuri, M.Pd 1

DISTRIBUSI NORMAL. Pertemuan 3. Distribusi Normal_M. Jainuri, M.Pd 1 DISTRIBUSI NORMAL Pertemuan 3 1 Distribusi Normal Pertama kali diperkenalkan oleh Abraham de Moivre (1733). De Moivre menemukan persamaan matematika untuk kurva normal yang menjadi dasar dalam banyak teori

Lebih terperinci

BAB III METODE PENELITIAN. Penelitian ini menggunakan metode diskriptif kuantitattif. Penelitian ini

BAB III METODE PENELITIAN. Penelitian ini menggunakan metode diskriptif kuantitattif. Penelitian ini BAB III METODE PENELITIAN 3.1 Jenis dan Pendekatan Penelitian Penelitian ini menggunakan metode diskriptif kuantitattif. Penelitian ini merupakan yang menggunakan kuesioner sebagai instrumen penelitian.

Lebih terperinci

GARIS-GARIS BESAR PROGRAM PENGAJARAN PROGRAM STUDI : S1 SISTEM KOMputer Semester : 4

GARIS-GARIS BESAR PROGRAM PENGAJARAN PROGRAM STUDI : S1 SISTEM KOMputer Semester : 4 GARIS-GARIS BESAR PROGRAM PENGAJARAN PROGRAM STUDI : S1 SISTEM KOMputer Semester : 4 Berlaku mulai : Genap/2011 MATA KULIAH : STATISTIKA DAN PROBABILITAS KODE MATA KULIAH / SKS : 410202061 / 3 SKS MATA

Lebih terperinci

SATUAN ACARA PERKULIAHAN MATA KULIAH STATISTIKA DASAR Kode : EK11. B230 / 3 Sks

SATUAN ACARA PERKULIAHAN MATA KULIAH STATISTIKA DASAR Kode : EK11. B230 / 3 Sks Minggu Pokok Bahasan ke dan TIU 1 1Pendahuluan tentang konsep statistika dan notasi penjumlahan Sub Pokok Bahasan dan Sasaran Belajar 1.1. Konsep statistika statistika Mahasiswa dapat menjelaskan kegunaan

Lebih terperinci

MODUL I PENARIKAN SAMPEL

MODUL I PENARIKAN SAMPEL PENARIKAN SAMPEL A. TUJUAN PRAKTIKUM Dengan praktikum Statistika Industri Modul I yang membahas tentang penarikan sampel, praktikan diharapkan dapat: 1. Memahami definisi dari sampel dan istilah-istilah

Lebih terperinci

PENS. Probability and Random Process. Topik 2. Statistik Deskriptif. Prima Kristalina Maret 2016

PENS. Probability and Random Process. Topik 2. Statistik Deskriptif. Prima Kristalina Maret 2016 Program Pasca Sarjana Terapan Politeknik Elektronika Negeri Surabaya Probability and Random Process Topik 2. Statistik Deskriptif Prima Kristalina Maret 2016 1 Outline [2][1] 1. Penyajian Data o Tabel

Lebih terperinci

Konsep Dasar Statistik dan Probabilitas

Konsep Dasar Statistik dan Probabilitas Konsep Dasar Statistik dan Probabilitas Pengendalian Kualitas Statistika Ayundyah Kesumawati Prodi Statistika FMIPA-UII October 7, 2015 Ayundyah (UII) Konsep Dasar Statistik dan Probabilitas October 7,

Lebih terperinci

STATISTIKA EKONOMI I Chapter 4 Distribusi Probabilitas Normal dan Binomial Chapter 5 Teori Sampling

STATISTIKA EKONOMI I Chapter 4 Distribusi Probabilitas Normal dan Binomial Chapter 5 Teori Sampling STATISTIKA EKONOMI I Chapter 4 Distribusi Probabilitas Normal dan Binomial Chapter 5 Teori Sampling Rengganis Banitya Rachmat rengganis.rachmat@gmail.com 4. Distribusi Probabilitas Normal dan Binomial

Lebih terperinci

PERBANDINGAN DISTRIBUSI BINOMIAL DAN DISTRIBUSI POISSON DENGAN PARAMETER YANG BERBEDA

PERBANDINGAN DISTRIBUSI BINOMIAL DAN DISTRIBUSI POISSON DENGAN PARAMETER YANG BERBEDA Saintia Matematika Vol. 1, No. 3 (2013), pp. 299 312. PERBANDINGAN DISTRIBUSI BINOMIAL DAN DISTRIBUSI POISSON DENGAN PARAMETER YANG BERBEDA Raini Manurung, Suwarno Ariswoyo, Pasukat Sembiring Abstrak.

Lebih terperinci

MATRIKS SATUAN ACARA PERKULIAHAN MATA KULIAH PROBABILITA TERAPAN (SI) KODE / SKS: KD / 3 SKS

MATRIKS SATUAN ACARA PERKULIAHAN MATA KULIAH PROBABILITA TERAPAN (SI) KODE / SKS: KD / 3 SKS Minggu Pokok Bahasan ke dan TIU 1. 1.Distribusi sampling Memberi penjelasan tentang populasi, sampel, tehnik pengambilan sampel., serta distribusi sampling ratarata Sub Pokok Bahasan dan Sasaran Belajar

Lebih terperinci

SEKOLAH TINGGI MANAJEMEN INFORMATIKA & KOMPUTER JAKARTA STI&K SATUAN ACARA PERKULIAHAN

SEKOLAH TINGGI MANAJEMEN INFORMATIKA & KOMPUTER JAKARTA STI&K SATUAN ACARA PERKULIAHAN SEKOLAH TINGGI MANAJEMEN INFORMAA & KOMPUTER JAKARTA STI&K SATUAN ACARA PERKULIAHAN Mata : STATISA PROBABILITAS Kode Mata : MI - 14204 Jurusan / Jenjang : D3 MANAJEMEN INFORMAA Tujuan Instruksional Umum

Lebih terperinci

TIN102 - Pengantar Teknik Industri Materi #13 Ganjil 2016/2017 TIN102 PENGANTAR TEKNIK INDUSTRI

TIN102 - Pengantar Teknik Industri Materi #13 Ganjil 2016/2017 TIN102 PENGANTAR TEKNIK INDUSTRI Materi #13 TIN102 PENGANTAR TEKNIK INDUSTRI Pendahuluan (1/2) 2 Berbagai keputusan secara langka dibuat dengan kepastian. Sebagian besar keputusan melibatkan faktor resiko. Kriteria umum untuk menilai

Lebih terperinci

ARUMEGA ZAREFAR, SE.,M.Ak.,Akt.,CA

ARUMEGA ZAREFAR, SE.,M.Ak.,Akt.,CA STATISTIK ARUMEGA ZAREFAR, SE.,M.Ak.,Akt.,CA http://arumega.staff.unri.ac.id/ arumegazarefar.ca@gmail.com Arti statistik Kumpulan data dalam bentuk angka maupun bukan angka yang disusun dalam bentuk tabel

Lebih terperinci

STATISTIKA LINGKUNGAN

STATISTIKA LINGKUNGAN STATISTIKA LINGKUNGAN TEORI PROBABILITAS Probabilitas -pendahuluan Statistika deskriptif : menggambarkan data Statistik inferensi kesimpulan valid dan perkiraan akurat ttg populasi dengan mengobservasi

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB 1 PENDAHULUAN 1.1 Latar Belakang Pengambilan keputusan diperlukan pada semua tahap administrasi dan manajemen. Misalnya dalam tahap perencanaan, diperlukan banyak kegiatan pengambilan keputusan sepanjang

Lebih terperinci

Jenis Distribusi. 1. Distribusi Probabilitas 2. Distribusi Binomial (Bernaulli) 3. Distribusi Multinomial 4. Distribusi Normal (Gauss)

Jenis Distribusi. 1. Distribusi Probabilitas 2. Distribusi Binomial (Bernaulli) 3. Distribusi Multinomial 4. Distribusi Normal (Gauss) Ir Tito Adi Dewanto Jenis Distribusi 1. Distribusi Probabilitas 2. Distribusi Binomial (Bernaulli) 3. Distribusi Multinomial 4. Distribusi Normal (Gauss) Pengantar Kunci aplikasi probabilitas dalam statistik

Lebih terperinci

Kumpulan pasangan nilai-nilai dari variabel acak X dengan probabilitas nilai-nilai variabel random X, yaitu P(X=x) disebut distribusi probabilitas X

Kumpulan pasangan nilai-nilai dari variabel acak X dengan probabilitas nilai-nilai variabel random X, yaitu P(X=x) disebut distribusi probabilitas X Kumpulan pasangan nilai-nilai dari variabel acak X dengan probabilitas nilai-nilai variabel random X, yaitu P(X=) disebut distribusi probabilitas X (distribusi X) Diskrit Seragam Binomial Hipergeometrik

Lebih terperinci

MODUL TEORI ESTIMASI ATAU MENAKSIR TEORI ESTIMASI ATAU MENAKSIR

MODUL TEORI ESTIMASI ATAU MENAKSIR TEORI ESTIMASI ATAU MENAKSIR TEORI ESTIMASI ATAU MENAKSIR MODUL 9 TEORI ESTIMASI ATAU MENAKSIR. Pendahuluan Untuk menginginkan mengumpulkan populasi kita lakukan dengan statistik berdasarkan data yang diambil secara sampling yang

Lebih terperinci

DISTRIBUSI NORMAL. Pertemuan 3. 1 Pertemuan 3_Statistik Inferensial

DISTRIBUSI NORMAL. Pertemuan 3. 1 Pertemuan 3_Statistik Inferensial DISTRIBUSI NORMAL Pertemuan 3 1 Pertemuan 3_Statistik Inferensial Distribusi Normal Pertama kali diperkenalkan oleh Abraham de Moivre (1733). De Moivre menemukan persamaan matematika untuk kurva normal

Lebih terperinci

Materi Kuliah: Statistik Inferensial

Materi Kuliah: Statistik Inferensial TEORI PENDUGAAN STATISTIK Prof. Dr. Almasdi Syahza, SE., MP Email: asyahza@yahoo.co.id 1 Teori Statistik Pengujian Hipotesa Besar Pengujian Hipotesa Kecil Memilih Ukuran Teori Statistik Pengujian Hipotesa

Lebih terperinci

BAB V PENUTUP 5.1 Kesimpulan

BAB V PENUTUP 5.1 Kesimpulan V-1 BAB V PENUTUP 5.1 Kesimpulan Berdasarkan penulisan laporan akhir ini, maka dapat dibuat kesimpulan dari setiap modul. Berikut adalah kesimpulan dari masingmasing modul tersebut: 1. Distribusi Frekuensi

Lebih terperinci

2-1 Probabilitas adalah:

2-1 Probabilitas adalah: 2 Teori Probabilitas Pengertian probabilitas Kejadian, ruang sample dan probabilitas Aturan dasar probabilitas Probabilitas bersyarat Independensi Konsepsi kombinatorial Probabilitas total dan teorema

Lebih terperinci

IV. ANALISIS DAN PEMBAHASAN. 1.1 Analisis Portofolio Pada Aktiva Berisiko (Saham dan Emas)

IV. ANALISIS DAN PEMBAHASAN. 1.1 Analisis Portofolio Pada Aktiva Berisiko (Saham dan Emas) IV. ANALISIS DAN PEMBAHASAN 1.1 Analisis Portofolio Pada Aktiva Berisiko (Saham dan Emas) Investor dalam membentuk portofolio diperlukan perhitungan return ekspektasi dari masing-masing aktiva untuk dimasukkan

Lebih terperinci

statistika untuk penelitian

statistika untuk penelitian statistika untuk penelitian Kelompok Ilmiah Remaja (KIR) Delayota Experiment Team (D Expert) 2013 Freeaninationwallpaper.blogspot.com Apa itu Statistika? Statistika adalah ilmu yang mempelajari cara pengumpulan,

Lebih terperinci

Binomial Distribution. Dyah Adila

Binomial Distribution. Dyah Adila Binomial Distribution Dyah Adila Binomial Distribution adalah bentuk percobaan yang memiliki syarat-syarat sebagai berikut: 1. Percobaan dilakukan sebanyak n kali. 2. Setiap percobaan memiliki dua hasil

Lebih terperinci

LAB MANAJEMEN DASAR MODUL STATISTIKA 1

LAB MANAJEMEN DASAR MODUL STATISTIKA 1 LAB MANAJEMEN DASAR MODUL STATISTIKA 1 Nama : NPM/Kelas : Fakultas/Jurusan : Hari dan Shift Praktikum : Fakultas Ekonomi Universitas Gunadarma Kelapa dua E531 1 UKURAN STATISTIK Pendahuluan Ukuran statistik

Lebih terperinci

Silabus dan Satuan Acara Perkuliahan

Silabus dan Satuan Acara Perkuliahan Fakultas Ekonomi No. Dokumen : FE-SSAP-S2-10 Program Studi S1 Akuntansi No. Revisi : 03 Silabus dan Satuan Acara Perkuliahan Tgl.Revisi : 23-06-2010 Tgl. Berlaku : 23-06-2010 Statistik & Probabilitas Halaman

Lebih terperinci

RENCANA PERKULIAHAN SEMESTER

RENCANA PERKULIAHAN SEMESTER Program Studi : S1 Pendidikan Administrasi Perkantoran Mata kuliah : Statistik I Kode Mata Kuliah : 7024213033 Semester/SKS : Genap (4)/ 3 SKS Prasyarat : Aplikasi Komputer I Dosen Pengampu : Choirul Nikmah,

Lebih terperinci

Statistika Ekonomi UT ESPA 4123

Statistika Ekonomi UT ESPA 4123 Statistika Ekonomi UT ESPA 413 Angka Indeks 1. Angka indeks harga dapat digunakan untuk menghitung... A. Nilai riil suatu variabel B. Tingkat inflasi C. Nilai nominal suatu variabel D. A dan B saja yang

Lebih terperinci

Keputusan MODUL OLEH

Keputusan MODUL OLEH Modul 5. Penanganan Ketidakpastian dan Diagram Keputusan ANALISAA SISTEM DAN PENGAMBILAN KEPUTUSAN MODUL V: PENANGANAN KETIDAKPASTIAN DAN DIAGRAM KEPUTUSAN OLEH : Prof. Dr. Ir. Marimin, M.Sc DEPARTEMEN

Lebih terperinci

Sampling, Estimasi dan Uji Hipotesis

Sampling, Estimasi dan Uji Hipotesis Sampling, Estimasi dan Uji Hipotesis Tujuan Pembelajaran Memahami perlunya suatu sampling (pengambilan sampel) serta keuntungan- keuntungan melakukannya Menjelaskan pengertian sampel acak untuk sampling

Lebih terperinci

BAB III METODOLOGI PENELITIAN. Data yang digunakan dalam penelitian ini yaitu data sekunder yang

BAB III METODOLOGI PENELITIAN. Data yang digunakan dalam penelitian ini yaitu data sekunder yang 32 BAB III METODOLOGI PENELITIAN 3.1 Jenis dan Sumber Data Data yang digunakan dalam penelitian ini yaitu data sekunder yang diperoleh dari literatur atau data-data yang berhubungan dengan tujuan penelitian.

Lebih terperinci

STATISTIKA DESKRIPTIF Dosen:

STATISTIKA DESKRIPTIF Dosen: LEMBAR TUGAS MAHASISWA (LTM) Mata Kuliah: STATISTIKA DESKRIPTIF Dosen: Nama NIM Kelas Jurusan Akademi : : : : : AKADEMI - AKADEMI BINA SARANA INFORMATIKA J A K A R T A C.2009 1 BAB I PENDAHULUAN Pertemuan

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang 1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Dalam teori probabilitas dan statistika, distribusi Binomial adalah distribusi probabilitas diskrit jumlah keberhasilan dalam n percobaan ya/tidak(berhasil/gagal)

Lebih terperinci

Non Parametrik Modul ke: 11Ilmu. Rank Spearman. Fakultas. Dra. Yuni Astuti, MS. Komunikasi. Program Studi Periklanan dan Komunikasi Pemasaran

Non Parametrik Modul ke: 11Ilmu. Rank Spearman. Fakultas. Dra. Yuni Astuti, MS. Komunikasi. Program Studi Periklanan dan Komunikasi Pemasaran Non Parametrik Modul ke: Fakultas Ilmu Komunikasi Program Studi Periklanan dan Komunikasi Pemasaran Uji Tanda dan Rank Spearman Dra. Yuni Astuti, MS. Uji korelasi I. PENDAHULUAN Statistika non parametrik

Lebih terperinci

Non Parametrik Modul ke: 12Ilmu. Rank Spearman. Fakultas. Dra. Yuni Astuti, MS. Komunikasi. Program Studi Periklanan dan Komunikasi Pemasaran

Non Parametrik Modul ke: 12Ilmu. Rank Spearman. Fakultas. Dra. Yuni Astuti, MS. Komunikasi. Program Studi Periklanan dan Komunikasi Pemasaran Non Parametrik Modul ke: Fakultas 2Ilmu Komunikasi Program Studi Periklanan dan Komunikasi Pemasaran Uji Tanda dan Rank Spearman Dra. Yuni Astuti, MS. Uji korelasi I. PENDAHULUAN Statistika non parametrik

Lebih terperinci

MODUL KULIAH STATISTIKA PROBABILITAS

MODUL KULIAH STATISTIKA PROBABILITAS MODUL KULIAH STATISTIKA PROBABILITAS OLEH: DIDIN ASTRIANI PRASETYOWATI, M.Stat PROGRAM STUDI D3 SISTEM INFORMASI UNIVERSITAS INDO GLOBAL MANDIRI PALEMBANG 2015 BAB I TEORI PROBABILITAS 1.1. Sejarah Perkembangan

Lebih terperinci

DISTRIBUSI PROBABILITAS

DISTRIBUSI PROBABILITAS BAB 7 DISTRIBUSI PROBABILITAS Kompetensi Menjelaskan distribusi probabilitas Indikator 1. Menjelaskan distribusi hipergeometris 2. Menjelaskan distribusi binomial 3. Menjelaskan distribusi multinomial

Lebih terperinci

BAB 4 ANALISIS DAN PEMBAHASAN

BAB 4 ANALISIS DAN PEMBAHASAN BAB 4 ANALISIS DAN PEMBAHASAN 4.1 Pergerakan Harga Saham Pergerakan harga harian indeks LQ45 dan lima saham perbankan yang termasuk dalam kelompok LQ45 selama periode penelitian ditampilkan dalam bentuk

Lebih terperinci

Estimasi dan Uji Hipotesis

Estimasi dan Uji Hipotesis Modul 7 Estimasi dan Uji Hipotesis Bambang Prastyo, S.Sos. PENDAHULUAN pa yang akan Anda lakukan setelah Anda selesai melakukan penelitian? A Tentunya Anda akan mengambil suatu kesimpulan. Nah seperti

Lebih terperinci

SATUAN ACARA PERKULIAHAN MATA KULIAH : STATISTIKA DASAR (3 SKS) KODE : MT308

SATUAN ACARA PERKULIAHAN MATA KULIAH : STATISTIKA DASAR (3 SKS) KODE : MT308 JURUSAN PENDIDIKAN MATEMATIKA FPMIPA UNIVERSITAS PENDIDIKAN INDONESIA SATUAN ACARA PERKULIAHAN MATA KULIAH : STATISTIKA DASAR (3 SKS) KODE : MT308 MINGGU POKOK & SUB MATERI METODE & MEDIA TES SUMBER 1

Lebih terperinci

GARIS-GARIS BESAR PROGRAM PENGAJARAN PROGRAM STUDI : S1 SISTEM INFORMASI Semester : 1

GARIS-GARIS BESAR PROGRAM PENGAJARAN PROGRAM STUDI : S1 SISTEM INFORMASI Semester : 1 GARIS-GARIS BESAR PROGRAM PENGAJARAN PROGRAM STUDI : S1 SISTEM INFORMASI Semester : 1 Berlaku mulai: Gasal/2011 MATA KULIAH : STATISTIKA KODE MATA KULIAH / SKS : 410102047 / 3 SKS MATA KULIAH PRASYARAT

Lebih terperinci

STK511 Analisis Statistika. Pertemuan 3 Sebaran Peluang Peubah Acak

STK511 Analisis Statistika. Pertemuan 3 Sebaran Peluang Peubah Acak STK511 Analisis Statistika Pertemuan 3 Sebaran Peluang Peubah Acak Beberapa Konsep Dasar Percobaan statistika: kegiatan yang hasil akhir keluarannya tidak diketahui di awal, tetapi kemungkinan-kemungkinannya

Lebih terperinci

Bab 2 LANDASAN TEORI

Bab 2 LANDASAN TEORI 8 Bab 2 LANDASAN TEORI 2.1. Definisi Dasar Himpunan semua hasil (outcome) yang mungkin dari suatu percobaan disebut ruang sampel (sample space) dinyatakan dengan lambang T dan setiap hasil dalam ruang

Lebih terperinci

FAKULTAS KEGURUAN DAN ILMU PENDIDIKIAN UNIVERSITAS SWADAYA GUNUNG JATI CIREBON

FAKULTAS KEGURUAN DAN ILMU PENDIDIKIAN UNIVERSITAS SWADAYA GUNUNG JATI CIREBON S T A T I S T I K A Oleh : WIJAYA email : zeamays_hibrida@yahoo.com FAKULTAS KEGURUAN DAN ILMU PENDIDIKIAN UNIVERSITAS SWADAYA GUNUNG JATI CIREBON 2010 Wijaya : Statistika 0 I. PENDAHULUAN Statistika adalah

Lebih terperinci

Mendefinisikan arti dari terminologi-terminologi penting dalam statistika Memahami dan menjelaskan peranan statistik dan penerapannya di bidang

Mendefinisikan arti dari terminologi-terminologi penting dalam statistika Memahami dan menjelaskan peranan statistik dan penerapannya di bidang Tujuan Pembelajaran Mendefinisikan arti dari terminologi-terminologi penting dalam statistika Memahami dan menjelaskan peranan statistik dan penerapannya di bidang teknik Menjelaskan langkah-langkah dasar

Lebih terperinci

BAB II DISTRIBUSI PROBABILITAS

BAB II DISTRIBUSI PROBABILITAS BAB II DISTRIBUSI PROBABILITAS.1. VARIABEL RANDOM Definisi 1: Variabel random adalah suatu fungsi yang memetakan ruang sampel (S) ke himpunan bilangan Real (R), dan ditulis X : S R Contoh (Variabel random)

Lebih terperinci

Distribusi Normal. Statistika (MAM 4137) Syarifah Hikmah JS

Distribusi Normal. Statistika (MAM 4137) Syarifah Hikmah JS Distribusi Normal Statistika (MAM 4137) Syarifah Hikmah JS Outline Kurva normal Luas daerah di bawah kurva normal Penerapan sebaran normal DISTRIBUSI NORMAL model distribusi kontinyu yang paling penting

Lebih terperinci

(ESTIMASI/ PENAKSIRAN)

(ESTIMASI/ PENAKSIRAN) ESTIMASI PENDAHULUAN Karena adanya berbagai alasan seperti banyaknya individu dalam populasi amatan, maka penelitian keseluruhan terhadap populasi tersebut tidaklah ekonomis, baik tenaga, waktu, maupun

Lebih terperinci

BAB 3 METODE PENELITIAN. Desain penelitian dalam penelitian ini menggunakan metode deskriptif, yaitu suatu

BAB 3 METODE PENELITIAN. Desain penelitian dalam penelitian ini menggunakan metode deskriptif, yaitu suatu BAB 3 METODE PENELITIAN 3.1 Disain Penelitian Desain penelitian dalam penelitian ini menggunakan metode deskriptif, yaitu suatu metode suatu objek, suatu sistem pemikiran, ataupun suatu peristiwa pada

Lebih terperinci

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN BAB III METODE PENELITIAN A. Jenis dan Pendekatan Penelitian Jenis penelitian ini adalah penelitian lapangan, yaitu penelitian yang dilakukan dengan terjun ke lapangan. Penelitian ini mengambil lokasi

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI 7 BAB 2 LANDASAN TEORI 2.1 Teori Probabilitas (Peluang) Kehidupan sehari-hari sering dihadapkan dengan beberapa pilihan yang harus ditentukan memilih yang mana. Biasanya dihadapkan dengan kemungkinankemungkinan

Lebih terperinci

Nilai harapan suatu variabel acak x ditulis E (x) didefinisikan E (x) = Σ x. f (x) Var (x) = σ x 2 = E [ x E (x) ] 2 = E (x 2 ) { E (x) } 2

Nilai harapan suatu variabel acak x ditulis E (x) didefinisikan E (x) = Σ x. f (x) Var (x) = σ x 2 = E [ x E (x) ] 2 = E (x 2 ) { E (x) } 2 Pertemuan ke- 4 BAB III POPULASI, SAMPEL & DISTRIBUSI TEORITIS VARIABEL DISKRIT DAN FUNGSI PROBABILITAS 3.1 Variabel Random atau Variabel Acak Variabel yang nilainya merupakan suatu bilangan yang ditentukan

Lebih terperinci

Statistika (MMS-1001)

Statistika (MMS-1001) Statistika (MMS-1001) Dr. Danardono, MPH danardono@ugm.ac.id Program Studi Statistika Jurusan Matematika FMIPA UGM Materi dan Jadual Tatap Muka Pokok Bahasan Sub Pokok Bahasan 1. Statistika Deskriptif

Lebih terperinci

Statistika (MMS-1403)

Statistika (MMS-1403) Statistika (MMS-1403) Dr. Danardono, MPH danardono@ugm.ac.id Program Studi Statistika Jurusan Matematika FMIPA UGM Materi dan Jadual Minggu ke- Pokok Bahasan Sub Pokok Bahasan 1. Pendahuluan 1 Perkuliahan

Lebih terperinci

Tipe Peubah Acak. Diskret. Kontinu

Tipe Peubah Acak. Diskret. Kontinu 2 N i 1 x i N 2 Tipe Peubah Acak Diskret Segugus nilai dari suatu peubah acak yang dapat dicacah (countable) Misalkan X = banyaknya tendangan penalti yang berhasil dilakukan oleh pemain A Kontinu Nilai-nilai

Lebih terperinci

METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Negeri 8 Bandarlampung. Populasi dalam

METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Negeri 8 Bandarlampung. Populasi dalam III. METODE PENELITIAN A. Populasi dan Sampel Penelitian ini dilaksanakan di SMP Negeri 8 Bandarlampung. Populasi dalam penelitian ini adalah seluruh siswa kelas VIII semester genap SMP Negeri 8 Bandarlampung

Lebih terperinci