STATISTICS WEEK 7. By: Hanung N. Prasetyo POLTECH TELKOM/HANUNG NP
|
|
- Widyawati Sanjaya
- 7 tahun lalu
- Tontonan:
Transkripsi
1 STATISTICS WEEK 7 By: Hanung N. Prasetyo
2 Ada macam, sampel probabilitas dan non probabilitas. Sampel probabilitas ada empat teknik yang semuanya dapat dilakukan dengan pengembalian atau tanpa pengembalian, yaitu :.Teknik pengambilan dengan acak sederhana.teknik pengambilan dengan acak sistematis 3.Teknik pengambilan dengan acak stratifikasi 4.Teknik pengambilan dengan acak kluster
3 Pengambilan sampel sebanyak n dimana setiap anggota populasi mempunyai kesempatan yang sama untuk terambil. Teknik ini dipilih jika populasinya homogen. Biasanya dilakukan dengan :.Menggunakan undian..dengan tabel bilangan acak.
4 Dengan mengambil unsur ke-k dalam populasi dimana titik awalnya ditentukan secara acak diantara k unsur tersebut. Sering digunakan karena dapat menarik kesimpulan yang tepat mengenai parameter populasi sebab sampelnya menyebar secara merata di seluruh populasi.
5 Dilakukan dengan membagi populasi menjadi beberapa strata (tingkatan) kemudian sampel diambil secara acak dari setiap tingkatan. Teknik ini dilakukan bila populasinya heterogen. Cara pengambilan sampel untuk setiap tingkatan tidak sama, harus sebanding dengan jumlah anggota setiap tingkatan (proporsional). Rumusnya : n i N i N n
6 Mengambil beberapa kluster (kelompok) secara acak kemudian semua atau sebagian dari anggota masing-masing kelompok diambil secara acak sebagai sampel.
7 Ada empat macam distribusi sampel :. Distribusi sampel rata-rata. Distribusi sampel proporsi 3. Distribusi sampel beda dua rata-rata 4. Distribusi sampel beda dua proporsi
8 Bila populasi terbatas berukuran N dengan ratarata µ x dan simpangan baku x diambil sampel berukuran n secara berulang tanpa pengembalian, maka diperoleh :. Distribusi sampel rata-rata µ µ. Simpangan baku X dimana X n N - n N - N - n N - X µ X disebut faktor koreksi
9 Bila n>30, maka distribusi sampelnya akan mendekati distribusi normal sehingga variabel random Z dapat dihitung dengan rumus : Z X -µ X X X -µ X X
10 Contoh : Kecepatan maksimum 000 mobil mempunyai rata-rata 35,5 km/jam dengan simpangan baku 5, km/jam. Jika sampel sebesar 50 mobil dipilih secara acak tanpa pengembalian, hitung probabilitas kecepatan maksimum rata-rata dari 50 mobil tersebut yang lebih besar dari 36, km/jam! Jawab : X Z X n X -µ X X N - n N - 5, 50 36,-35,5 0, ,46 0,4 Jadi probabilitas kecepatan maksimum rata-rata mobil yang lebih besar dari 36, km/jam adalah P(X>36,) P(Z>,46) 0,479
11 Bila populasi berukuran N mengandung jenis p sebanyak X, maka proporsi p adalah X/N. Jika dari populasi tersebut diambil sampel berukuran n yang juga mengandung proporsi x/n dan sampel diambil berulang maka distribusi sampel proporsinya mempunyai :. Rata-rata X µ pˆ µ p N. Simpangan baku pˆ 3. Variabel random Z ( ) p - p n pˆ - p pˆ. N - n N -
12 Contoh : Diketahui sebanyak 0% dari ibu-ibu rumah tangga di Yogyakarta memakai detergen A untuk mencuci pakaiannya. Jika dari populasi tersebut diambil sampel berukuran 00 : a. Tentukan rata-rata dan simpangan baku dari populasi ibu-ibu rumah tangga yang memakai detergen A! b. Bila dari sampel tersebut ternyata terdapat paling sedikit 5 ibu rumah tangga yang memakai detergen A, tentukan probabilitasnya! Jawab : a. Rata-rata 0, ( ) p - p n 0,.0,9 00 pˆ 0,03 b. Proporsi yang memakai detergen A adalah 5/00 0,5 Z pˆ - p 0,5-0, 0,03,67 pˆ P(Z>,67) 0,5-0,455 0,0475
13 Terdapat populasi. Populasi sebanyak N dan mempunyai rata-rata µ serta simpangan baku. Populasi sebanyak N mempunyai ratarata µ serta simpangan baku. Dari populasi diambil sampel acak sebanyak n dengan rata-rata X dan dari populasi sampel acak sebanyak n dengan rata-rata X dimana kedua sampel tersebut dianggap saling bebas. Dari sampel X dan X dapat dibuat sampel baru yang juga bersifat acak, yaitu sampel beda dua rata-rata. Rata-rata dan simpangan baku dari distribusi sampel beda dua rata-rata adalah : Rata - rata : µ µ -µ X X Simpangan baku : Variabel random: X X Z n ( X X) ( µ -µ ) X X + n. ( N+ N) ( n+ n ) ( N N )
14 Contoh : Di suatu universitas diketahui rata-rata tinggi badan mahasiswa laki-laki adalah 64 cm dengan simpangan baku 5,3 cm. Sedangkan mahasiswa perempuan tinggi badannya rata-rata 53 cm dengan simpangan baku 5, cm. Dari dua populasi tersebut diambil sampel acak yang saling bebas masing-masing 50 orang, berapa probabilitas rata-rata tinggi mahasiswa laki-laki paling sedikit cm lebihnya daripada rata-rata tinggi mahasiswa perempuan?
15 Jawab: Diketahui populasi: µ Misal X X Rata - rata : µ populasi : µ 64 cm, 53 cm, rata - rata tinggi badan mahasiswa laki - laki rata - rata tinggi badan mahasiswa perempuan X µ µ cm X 5,3 cm dan sampel 5,cm dan sampel : n : n 50 orang 50 orang Simpangan baku : Z ( X - X) -( µ -µ ) ( X - X) X -X Karena rata - rata X -X n 0,6 + n - tinggi badan mahasiswa laki - laki paling sedikit cm lebihnya daripada badan mahasiswa perempuan, maka ( X - X) 5,3 5, + 0, sehingga - Z,67 sehingga probabilitasnya P(Z,67) 0,5-0,455 0,0475 0,6 rata - rata tinggi
16 Ada populasi. Populasi berukuran N terdapat jenis X dengan proporsi X /N. Populasi berukuran N terdapat jenis X dengan proporsi X /N. Bila populasi diambil sampel acak berukuran n maka sampel ini akan mengandung jenis x dengan proporsi x /n. Demikian juga dengan populasi diambil sampel acak berukuran n maka sampel ini akan mengandung jenis x dengan proporsi x /n. Sampel dan dapat membentuk sampel acak baru yaitu sampel beda dua proporsi. Distribusinya mempunyai : Rata - rata : µ pˆ -pˆ Simpangan baku : Variabel random: p pˆ -pˆ Z - p p( - p) p( - p) ( N+ N) ( n+ n ) +. n n ( N N) ( pˆ - pˆ )-( p - p ) pˆ -pˆ
17 Contoh : 5% barang di gudang timur cacat, sedangkan barang yang cacat di gudang barat sebanyak 0%. Bila diambil sampel acak sebanyak 00 barang dari gudang timur dan 300 barang dari gudang barat, tentukan probabilitas persentase barang yang cacat dalam gudang barat % lebih banyak dibanding gudang timur!
18 Jawab: Gudang barat : n Gudang timur :n pˆ pˆ pˆ Z Z proporsi barang yang cacat di gudang barat dalam sampel proporsi barang yang cacat di gudang timur dalam sampel -pˆ maka p 300, p 00, p 0, 0,05 ( - p ) p ( - p ) 0, ( 0,9 ) 0,05 ( 0,95 ) n ( pˆ - pˆ )-( p - p ) ( pˆ - pˆ )-( 0,- 0,05) ( pˆ - pˆ ) 0,0-0,05 -,3 0,03 Jadi probabilitasnya adalah P n 0, Karena barang cacat di gudang barat % lebih banyak daripada di gudang timur pˆ -pˆ > + 0,0 sehingga diperoleh : 00 0,03 ( pˆ - pˆ > 0,0) P( Z> -,3) 0,5+ 0,403 0,903 90,3% +
19 . Pada suatu pengiriman barang yang terdiri dari 000 tube elektronika telah diketahui terdapat 600 unit tube yang tidak memenuhi standar mutu. Jika sampel acak sebanyak 500 unit dipilih dari populasi tersebut tanpa pengembalian, berapakah probabilitas sampel populasi yang tidak memenuhi standar mutu : a. akan kurang dari 50/500 b. antara 44/500 sampai dengan 45/500 c. lebih besar dari 64/500
20 . Besi baja yang diproduksi perusahaan A mempunyai rata-rata daya regang sebesar 4500 lbs dan variansi sebesar lbs, sedangkan yang diproduksi perusahaan B mempunyai rata-rata daya regang sebesar 4000 lbs dan variansi sebesar lbs. Misalkan sampel random sebanyak 50 diambil dari perusahaan A dan sampel random sebanyak 00 diambil dari perusahaan B, berapakah probabilitas rata-rata daya regang beda dua rata-rata dari dua sampel itu yang lebih besar dari 600 lbs?
21 Sifat Distribusi Sampling :. Jika sampel random dengan n elemen diambil dari suatu populasi dengan mean µ dan variansi, maka distribusi sampling harga mean mempunyai mean dan variansi. Jika populasinya berdistribusi normal, maka distribusi sampling harga mean berdistribusi normal juga 3. Jika sampel-sampel random diambil dari suatu populasi yang berdistribusi sembarang dengan mean µ dan variansi, maka untuk n > 30 : Teorema Limit Pusat
22 Sampel Random :. Dengan Pengembalian : dan. Tanpa Pengembalian : dan atau Jika N sangat besar relative terhadap n, (N tidak disebutkan), maka : atau Dalam Distribusi Sampling :
23 Di depan telah dikemukakan bahwa sampel harus sedemikian rupa sehingga kita dapat membuat inferensi/menarik kesimpulan tentang populasi setepat mungkin. Mengapa sampel acak?. Dalam setiap kegiatan analisis data/statistik boleh dikatakan selalu dituntut keacakan sampel. Hal ini mengingat bahwa sampel acak memiliki sifat-sifat matematik yang sangat menguntungkan baik yang menyangkut parameter, maupun yang menyangkut bentuk distribusi. Yang menyangkut parameter. Misalkan µ dan adalah mean dan variansi suatu populasi. Jadi adalah deviasi standarnya. Dari populasi ini diambil sampel acak berukuran n, yang diberi lambang X, X,..., X n. Kita tuliskan kembali rata-rata sampel (sample mean) dan variansi sampel s sebagai berikut (s adalah standar deviasi sampel).
24
25 Jelas harga dan s tergantung dari sampel acak yang terambil. Jika untuk setiap sampel acak yang mungkin kita hitung harga masing-masing rata-rata sampel, maka harga-harga ini akan memiliki distribusi tersendiri. Dengan demikian memiliki parameter rata-rata tersendiri dan variansi tersendiri. Rata-rata dari (atau rata-rata dari ratarata sampel/mean of sample mean) diberi lambang m( ). Sedangkan variansi dari (variansi dari rata-rata sampel) diberi lambang Var( ). Selanjutnya, deviasi standar dari diberi lambang sd( ). Mengingat bahwa sampel adalah himpunan bagian dari populasi, maka tentunya; a. Harga rata-rata sampel akan menggambarkan harga mean populasi µ. b. Harga variansi sampel s akan menggambarkan harga variansi populasi.
26 Sekali lagi, sampel harus menjamin bahwa inferensi/kesimpulan tentang populasi dapat dilakukan setepat mungkin. Pengertian setepat mungkin ini sekarang dapat dirumuskan sebagai berikut. Seberapa tepatkah mampu menggambarkan µ?. Berikut adalah tiga sifat yang menggambarkan hubungan dan µ. Sifat. Rata-rata dari rata-rata sampel sama dengan mean populasi. Artinya, Contoh. Misalkan kita mempunyai populasi yang terdiri atas 5 orang mahasiswa {A, B, C, D, E} dan kita tertarik untuk meneliti tinggi badannya. Sebut saja tinggi badan itu X. Bila tinggi badan dari A, B, C, D, dan E berturut-turut adalah (dalam cm): 6, 68, 70, 65, 60 maka kita berhadapan dengan populasi nilai X, atau biasa disebut populasi X, yakni himpunan {6, 68, 70, 65, 60}. Dari populasi ini diambil sampel acak berukuran n tanpa pengembalian. a. Tentukan semua sampel acak yang mungkin. b. Carilah rata-rata untuk setiap sampel acak yang mungkin. c. Periksa apakah
27 Penyelesaian. a. Karena sampel diambil tanpa pengembalian, maka ada 0 buah sampel yang mungkin seperti terlihat pada himpunan berikut. W {(A, B), (A, C), (A,D), (A,E), (B,C), (B,D), (B,E), (C,D), (C,E), (D,E)} W adalah himpunan semua sampel acak yang mungkin b. Rata-rata untuk setiap sampel acak yang mungkin disajikan pada Tabel di bawah. Dari Tabel itu kita peroleh populasi, atau himpunan semua nilai mungkin, yakni Tabel. Nilai yang mungkin {65; 66; 63,5; 6; 69; 66,5; 64; 67,5; 65; 6,5} yang Sampel Data Tinggi Badan Rata-rata sampel (A,B) (6, 68) (6 + 68)/ 65 (A,C) (6, 70) (6 + 70)/ 66 (A,D) (6, 65) (6 + 65)/ 63,5 (A,E) (6, 60) (6 + 60)/ 6 (B,C) (68, 70) ( )/ 69 (B,D) (68, 65) ( )/ 66,5 (B,E) (68, 60) ( )/ 64 (C,D) (70, 65) ( )/ 67,5 (C,E) (70, 60) ( )/ 65 (D,E) (65, 60) ( )/ 6,5
28 c. Untuk memeriksa apakah, kita hitung m( ) dan m. (). Mean populasi µ adalah (ingat anggota populasinya ada 5), µ ( )/5 85/5 65 (). Mean dari adalah (ingat anggota populasi ada 0), ( , , , ,5)/0 650/0 65 Tampak bahwa Catatan. Hubungan µ tetap berlaku untuk pengambilan sampel dengan pengembalian seperti akan terlihat pada contoh berikutnya.
29 Sifat. standar Deviasi dari dibagi ukuran sampel n. Artinya, sama dengan standar deviasi populasi Catatan. sd( ) disebut juga galat standar (GS). Berdasarkan Sifat dan Sifat, populasi mempunyai mean µ dan variansi /n. Contoh. Perhatikan lagi populasi 5 orang mahasiswa {A, B, C, D, E}. Populasi tinggi badannya X adalah {6, 68, 70, 65, 60}. Dari populasi ini diambil sampel acak berukuran n dengan pengembalian. a. Hitunglah variansi populasi. b. Apakah?.
30 Penyelesaian. a. Variansi populasi,, k banyaknya anggota populasi X. {(6-65) + (68-65) + (70-65) + (65-65) + (60-65) }/5 ( )/5 3.6 b. Apakah?. Ada 5 sampel yang mungkin, yakni W {(A,A), (A,B), (A,C), (A,D), (A,E), (B,A), (B,B), (B,C), (B,D), (B,E), (C,A), (C,B), (C,C), (C,D), (C,E), (D,A), (D,B), (D,C), (D,D),(D,E), (E,A), (E,B), (E,C), (E,D), (E,E)} Jadi, populasi adalah, {6; 65; 66; 63,5; 6; 65; 68; 69; 66,5; 64; 66; 69; 70; 67,5;65; 63,5; 66,5; 67,5; 65; 6,5; 6; 64; 65; 6,5; 60}
31 6 rata-rata tinggi badan A dan A, 65 rata-rata tinggi badan A dan B, dst. Sekarang kita hitung rata-rata dari, m( ) ( , , , ,5 + 66,5 + 67, , ,5 + 60)/5 65 Selanjutnya kita hitung variansi dari,dengan m adalah banyaknya anggota populasi, yang sama dengan 5. Dari perhitungan diperoleh Var( ) 6,8 dan sd( ),60768 Diketahui s 3,6 dan n. Dengan demikian, s/, Jadi, jika sampel diambil dengan pengembalian, tampak bahwa. Catatan. Apabila sampel diambil tanpa pengembalian, maka, dengan m adalah banyaknya anggota populasi, yang sama dengan 0. Di sini pun m( ) 65. Jadi,
32 Var( ) {(65-65) + (66-65) + (63,5-65) + (6-65) + (69-65) + (66,5-65) + (64-65) + (67,5-65) + (65-65) + (6,5-65) } /0 5, Dengan demikian sd( ),5838. Ternyata jika sampel diambil tanpa pengembalian, maka
33 Sifat 3 (Hukum Bilangan Besar). Jika n, maka harga m. Yang menyangkut bentuk distribusi. Ke tiga sifat di atas adalah sifat yang sangat fundamental tentang parameter mean dan parameter variansi dari rata-rata sampel acak. Berikut adalah sifat fundamental yang menyangkut bentuk distribusi dari. Sifat ini terkenal dengan nama dalil limit pusat/centrallimittheorem. Sifat 4 (Dalil Limit Pusat/Central Limit Theorem). Jika n, maka bentuk distribusi dari populasi mendekati distribusi normal dengan mean m dan variansi s /n, disingkat ~ N(m, s /n).
34 Contoh: Nilai kesalahan baku dari nilai tengah penarikan sampel berukuran 36 sebuah populasi adalah, berapa ukuran sampel tersebut harus dinaikkan agar kesalahan bakunya,? Jawab: Diketahui sampel dengan n 36 dan x Bila diinginkan, berapa n? x 4 44( nilai x n 36 Bila diinginkan, maka x n x 44,44 n 00 n ini tetap)
Read a O d ne e 2 008
ReadOne 008 Populasi Keseluruhan pengamatan yang diteliti. Ada macam, populasi terbatas dan tak terbatas. Ukuran populasi : banyaknya pengamatan (N) Karakteristik : ciri atau sifat dari populasi Parameter
Lebih terperinciBab 5 Distribusi Sampling
Bab 5 Distribusi Sampling Pendahuluan Untuk mempelajari populasi kita memerlukan sampel yang diambil dari populasi yang bersangkutan. Meskipun kita dapat mengambil lebih dari sebuah sampel berukuran n
Lebih terperinciPada prakteknya hanya sebuah sampel yang biasa diambil dan digunakan untuk hal tersebut. Sampel yang diambil ialah sampel acak dan dari sampel
DISTRIBUSI SAMPLING Pada prakteknya hanya sebuah sampel yang biasa diambil dan digunakan untuk hal tersebut. Sampel yang diambil ialah sampel acak dan dari sampel tersebut nilai-nilai statistiknya dihitung
Lebih terperinciMetode Sampling 6.1. Debrina Puspita Andriani /
Metode Sampling 6.1 Debrina Puspita Andriani E-mail : debrina.ub@gmail.com / debrina@ub.ac.id 2 Outline Populasi dan Sampel Metode Sampling Teknik Penentuan Jumlah Sampel Populasi dan Sampel 3 Populasi
Lebih terperinciBab IV. Pengantar Peluang. Pengantar Peluang. Eksperimen. Aturan Menghitung Kombinasi Permutasi. Keluaran Eksperimen
Pengantar Peluang Eksperimen Pengantar Peluang Bab IV Aturan Menghitung Kombinasi Permutasi Peluang Eksperimen Peluang adalah pengukuran numerik kemungkinan suatu kejadian terjadi Eksperimen Keluaran Eksperimen
Lebih terperinciStatistika (MMS-1403)
Statistika (MMS-1403) Dr. Danardono, MPH danardono@ugm.ac.id Program Studi Statistika Jurusan Matematika FMIPA UGM MMS-1403 p.1/93 Distribusi Sampling Statistik Populasi: himpunan keseluruhan obyek yang
Lebih terperinciDAFTAR ISI Nida Uddini Amatulloh,2014
DAFTAR ISI Halaman PERNYATAAN... i ABSTRAK... ii KATA PENGANTAR... iii UCAPAN TERIMA KASIH... iv DAFTAR ISI... v DAFTAR TABEL... vii DAFTAR GAMBAR... ix DAFTAR LAMPIRAN... x BAB I PENDAHULUAN A. Latar
Lebih terperinciBAB IV PENGUJIAN DAN ANALISIS
BAB IV PENGUJIAN DAN ANALISIS Pada bagian ini merupakan pembahasan mengenai pengujian sistem dimana hasil pengujian yang akan dilakukan oleh sistem nantinya akan dibandingkan dengan perhitungan secara
Lebih terperinciJURUSAN PENDIDIKAN FISIKA FPMIPA UPI 2009
JURUSAN PENDIDIKAN FISIKA FPMIPA UPI 2009 Statistika dibagi atas dua fase: 1. Statistika deskriptif Fase pertama dikerjakan unntuk fase kedua 2. Statistika induktif Dilakukan untuk menyimpulkan karakteristik
Lebih terperinciDISTRIBUSI SAMPLING. Berdistribusi normal dengan rataan. Dan variasi
DISTRIBUSI SAMPLING Definisi : distribusi sampling adalah distribusi peluang untuk nilai statistik yang diperoleh dari sampel acak untuk menggambarkan populasi. 1. Distribusi rata rata Misal sampel acak
Lebih terperinciMuhammad Arif Rahman https://arifelzainblog.lecture.ub.ac.id/
Muhammad Arif Rahman arifelzain@ub.ac.id Populasi Keseluruhan objek penelitian atau keseluruhan elemen yang akan diteliti. Sampel Sebagian dari populasi Representatif dapat memberi gambaran yang tepat
Lebih terperinciDistribusi Sampling. Ayundyah K., M.Si. PROGRAM STUDI STATISTIKA UNIVERSITAS ISLAM INDONESIA 2015
Distribusi Sampling Ayundyah K., M.Si. PROGRAM STUDI STATISTIKA UNIVERSITAS ISLAM INDONESIA 2015 Populasi dan Sampel Unit adalah entitas (wujud) tunggal, biasanya orang atau suatu obyek, yang diinginkan
Lebih terperinciDistribusi Sampling 6.2. Debrina Puspita Andriani /
6. Debrina Puspita Andriani E-mail : debrina.ub@gmail.com / debrina@ub.ac.id Outline Pengertian dan Konsep Dasar Distribusi Sampling Distribusi Sampling Mean Distribusi Sampling Proporsi Distribusi Sampling
Lebih terperinci1. PENGERTIAN. Manfaat Sampling :
1. PENGERTIAN Sampel adalah sebagian dari anggota populasi yang dipilih dengan cara tertentu yang akan diteliti sifat-sifatnya dalam penelitian. Nilai-nilai yang berasal dari data sampel dinamakan dengan
Lebih terperinciDAFTAR ISI ABSTRAK... KATA PENGANTAR... UCAPAN TERIMA KASIH. DAFTAR ISI... DAFTAR TABEL... DAFTAR GAMBAR. DAFTAR LAMPIRAN. BAB I PENDAHULUAN 1
DAFTAR ISI ABSTRAK... KATA PENGANTAR... UCAPAN TERIMA KASIH. DAFTAR ISI... DAFTAR TABEL... DAFTAR GAMBAR. DAFTAR LAMPIRAN. i ii iii vi viii x xi BAB I PENDAHULUAN 1 A. Latar Belakang Masalah... 1 B. Rumusan
Lebih terperinciBAB II DASAR TEORI. Gambar 2.1. Proses Enkripsi Dekripsi
BAB II DASAR TEORI Pada bagian ini akan dibahas mengenai dasar teori yang digunakan dalam pembuatan sistem yang akan dirancang dalam skripsi ini. 2.1. Enkripsi dan Dekripsi Proses menyandikan plaintext
Lebih terperinciUniversitas Gadjah Mada Fakultas Teknik Departemen Teknik Sipil dan Lingkungan PROBABILITAS. Statistika dan Probabilitas
Universitas Gadjah Mada Fakultas Teknik Departemen Teknik Sipil dan Lingkungan PROBABILITAS Statistika dan Probabilitas 2 Peluang (Probabilitas) Peluang/Probabilitas/Risiko Peluang Risiko Probabilitas
Lebih terperinciPopulasi dan Sampel. Materi 1 Distribusi Sampling
Materi 1 Distribusi Sampling UNIVERSITAS GUNADARMA 2013 Populasi dan Sampel Populasi : keseluruhan objek yang menjadi pusat perhatian dalam statistika Parameter besaran yang menggambarkan karakteristik
Lebih terperinciPENARIKAN SAMPEL & PENDUGAAN PARAMETER
PENARIKAN SAMPEL & PENDUGAAN PARAMETER Arti Penarikan Sampel Populasi ( Universe) adalah totalitas dari semua objek atau individu yang memiliki karakteristik tertentu, jelas dan lengkap yang akan diteliti
Lebih terperinciSTATISTIK PERTEMUAN VII
STATISTIK PERTEMUAN VII Distribusi Sampling Distribusi Sampling merupakan distribusi teoritis (distribusi kemungkinan) dari semua hasil sampel yang mungkin, dengan ukuran sampel yang tetap N, pada statistik
Lebih terperinciMagister Pengelolaan Air dan Air Limbah Universitas Gadjah Mada. 27-Aug-17. Statistika Teknik DISTRIBUSI BINOMIAL
Magister Pengelolaan Air dan Air Limbah Universitas Gadjah Mada Statistika Teknik DISTRIBUSI BINOMIAL 1 Contoh Ilustrasi Investigasi thd suatu populasi karakteristik populasi variabel nilai variabel nilai
Lebih terperinciSEBARAN PENARIKAN CONTOH
STATISTIK A (MAM 4137) SEBARAN PENARIKAN CONTOH By Syarifah Hikmah Julinda Outline Sebaran Penarikan Contoh Sebaran Penarikan Contoh Bagi Nilai Tengah Sebaran t Sebaran Penarikan contoh bagi beda dua mean
Lebih terperinciPertemuan 3. Prinsip Dasar Menghitung
Pertemuan 3 Prinsip Dasar Menghitung Kaidah Pencacahan Definisi: Kaidah pencacahan adalah suatu ilmu yang berkaitan dengan menentukan banyaknya cara suatu percobaan dapat terjadi. Menentukan banyakya cara
Lebih terperinciHaryoso Wicaksono, S.Si., M.M., M.Kom. 26
Distribusi probabilita kontinu, yaitu apabila random variabel yang digunakan kontinu. Probabilita dihitung untuk nilai dalam suatu interval tertentu. Probabilita di suatu titik = 0. Probabilita untuk random
Lebih terperinciSTATISTICS WEEK 8. By : Hanung N. Prasetyo POLTECH TELKOM/HANUNG NP
STATISTICS WEEK 8 By : Hanung N. Prasetyo BAHASAN Pengertian Hypotesisdan Hypotesis Testing Tipe Kesalaan dalam Pengujian Hipotesis Lima Langka Pengujian Hipotesis Pengujian: Dua Sisi dan Satu Sisi Uji
Lebih terperinciOZ: Algoritma Cipher Blok Kombinasi Lai-Massey dengan Fungsi Hash MD5
OZ: Algoritma Cipher Blok Kombinasi Lai-Massey dengan Fungsi Hash MD5 Fahziar Riesad Wutono Teknik Informatika Institut Teknologi Bandung Bandung, Indonesia fahziar@gmail.com Ahmad Zaky Teknik Informatika
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI.1 Peubah Acak dan Distribusinya.1.1 Peubah Acak Definisi.1: Peubah acak adalah suatu fungsi yang menghubungkan sebuah bilangan real dengan setiap unsur di dalam ruang contoh, (Walpole
Lebih terperinciSEBARAN PENARIKAN SAMPEL LOGO
SEBARAN PENARIKAN SAMPEL LOGO KOMPETENSI menentukan sebaran penarikan sampel bagi suatu statistik A menentukan sebaran penarikan sampel bagi nilai tengah menentukan sebaran penarikan sampel bagi selisih
Lebih terperinciPembahasan OSN Tingkat Provinsi Tahun 2012 Jenjang SMP Bidang Matematika
Pembahasan OSN Tingkat Provinsi Tahun 202 Jenjang SMP Bidang Matematika Bagian A : Soal Isian Singkat. Sebuah silinder memiliki tinggi 5 cm dan volume 20 cm 2. Luas permukaan bola terbesar yang mungkin
Lebih terperinci2015 PENGARUH INQUIRY BASED LEARNING TERHADAP KEMAMPUAN PENALARAN DAN KESADARAN METAKOGNITIF SISWA KELAS VII PADA MATERI KALOR
DAFTAR ISI Halaman Pernyataan... i Abstrak... ii Kata Pengantar... iv Ucapan Terima Kasih... v Daftar Isi... vii Daftar Tabel.... x Daftar Gambar... xi Daftar Lampiran... xii BAB I PENDAHULUAN... 1 1.1
Lebih terperinciSEBARAN PENARIKAN CONTOH
STATISTIK (MAM 4137) SEBARAN PENARIKAN CONTOH Ledhyane Ika Harlyan 2 Outline Sebaran Penarikan Contoh Sebaran Penarikan Contoh Bagi Nilai Tengah Sebaran t Sebaran Penarikan contoh bagi beda dua mean Parameter
Lebih terperinciKumpulan 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 terperinciPrestasi itu diraih bukan didapat!!! SOLUSI SOAL
SELEKSI OLIMPIADE TINGKAT KABUPATEN/KOTA 015 CALON TIM OLIMPIADE MATEMATIKA INDONESIA 016 Prestasi itu diraih bukan didapat!!! SOLUSI SOAL Bidang Matematika Disusun oleh : 1. 015 = 5 13 31 Banyaknya faktor
Lebih terperinciTeknik Pengolahan Data
Universitas Gadjah Mada Jurusan Teknik Sipil dan Lingkungan Prodi Magister Teknik Pengelolaan Bencana Alam Teknik Pengolahan Data DISTRIBUSI BINOMIAL 1 Contoh Ilustrasi Inves;gasi thd suatu populasi karakteris;k
Lebih terperinciSTATISTICS. Oleh: Hanung N. Prasetyo DISTRIBUSI NORMAL WEEK 6 TELKOM POLTECH/HANUNG NP
STATISTICS WEEK 6 Oleh: Hanung N. Prasetyo DISTRIBUSI NORMAL Pengantar: Dalam pokok bahasan disini memuat beberapa distribusi kontinyu yang sangat penting di bidang statistika. diantaranya distribusi normal.
Lebih terperinciSTATISTICS. WEEK 5 Hanung N. Prasetyo TELKOM POLTECH/HANUNG NP
STATISTICS WEEK 5 Hanung N. Prasetyo Kompetensi 1. Mahasiswa memahamikonsep dasar distribusi peluang kontinu khusus seperti uniform dan eksponensial 2. Mahasiswamampumelakukanoperasi hitungyang berkaitan
Lebih terperinciDISTRIBUSI 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 terperinciRasio. atau 20 : 10. Contoh: Tiga sudut memiliki rasio 4 : 3 : 2. tentukan sudut-sudutnya jika:
Rasio Rasio adalah perbandingan ukuran. Rasio digunakan untuk membandingkan besaran dengan pembagian. Misal dua segitiga memiliki bentuk yang sama tetapi ukurannya berbeda. Salah satu sisinya yang seletak
Lebih terperinciDISTRIBUSI BINOMIAL. Investigasi thd suatu populasi. karakteristik populasi variabel nilai variabel
STATISTIKA DISTRIBUSI BINOMIAL Contoh Ilustrasi () Investigasi thd suatu populasi karakteristik populasi variabel nilai variabel nilai ujian: 0 s.d. 00 status perkawinan: tidak kawin, kawin, cerai, duda/janda
Lebih terperinciPEMBUATAN LAPORAN PEMBUKUAN SIMPAN PINJAM
PEMBUATAN LAPORAN PEMBUKUAN SIMPAN PINJAM oleh: Drs. Wihandaru Sotya P, M.Si Pendahuluan Pembukuan merupakan pekerjaan yang tidak sulit namun memerlukan ketelitian, khususnya yang berkaitan dengan simpan
Lebih terperinciOLIMPIADE MATEMATIKA SLTP TINGKAT KABUPATEN KOTA 2006
OLIMPIADE MATEMATIKA SLTP TINGKAT KABUPATEN KOTA 00 SOAL PILIHAN GANDA. Jumlah dua bilangan bulat yang berbeda adalah. Jika hasil bagi kedua bilangan tersebut adalah juga bilangan bulat, maka salah satu
Lebih terperinciHARAPAN MATEMATIK. Nur Hayati, S.ST, MT Yogyakarta, Maret 2016
HARAPAN MATEMATIK Nur Hayati, S.ST, MT Yogyakarta, Maret 2016 Pendahuluan Rata-rata perubah acak X atau rata-rata distribusi peluang X ditulis x atau. Dalam statistik rata-rata ini disebut harapan matematik
Lebih terperinciBAB III ANALISIS SISTEM
BAB III ANALISIS SISTEM Analisis merupakan kegiatan berfikir untuk menguraikan suatu pokok menjadi bagian-bagian atau komponen sehingga dapat diketahui cirri atau tanda tiap bagian, kemudian hubungan satu
Lebih terperinciHaryoso Wicaksono, S.Si., M.M., M.Kom. Haryoso Wicaksono, S.Si., M.M., M.Kom. 1
1 Populasi : Seluruh observasi aktuil maupun hipotesis yg mungkin dilakukan thd fenomena tertentu Sampel : sebagian dari populasi, yg mewakili populasi. Hubungan antara POPULASI & SAMPEL : dalam analisa
Lebih terperinciPENGUJIAN HIPOTESIS. Nurwahyu Alamsyah, S.Kom wahyualamsyah.wordpress.com. D3 - Manajemen Informatika - Universitas Trunojoyo Madura
PENGUJIAN HIPOTESIS Nurwahyu Alamsyah, S.Kom wahyu@plat-m.com wahyualamsyah.wordpress.com HIPOTESIS Berasal dari bahasa Yunani, Hupo (lemah) dan Thesis (teori). Jadi hipotesis dapat diartikan sebagai suatu
Lebih terperinciPembahasan Soal OSK SMA 2018 OLIMPIADE SAINS KABUPATEN/KOTA SMA OSK Matematika SMA. (Olimpiade Sains Kabupaten/Kota Matematika SMA)
Pembahasan Soal OSK SMA 018 OLIMPIADE SAINS KABUPATEN/KOTA SMA 018 OSK Matematika SMA (Olimpiade Sains Kabupaten/Kota Matematika SMA) Disusun oleh: Pak Anang Pembahasan Soal OSK SMA 018 OLIMPIADE SAINS
Lebih terperinciKLASIFIKASI NEAR-RING Classifications of Near Ring
Jurnal Barekeng Vol 8 No Hal 33 39 (14) KLASIFIKASI NEAR-RING Classifications of Near Ring ELVINUS RICHARD PERSULESSY Jurusan Matematika Fakultas MIPA Universitas Pattimura Jl Ir M Putuhena, Kampus Unpatti,
Lebih terperinciUmmu Kalsum UNIVERSITAS GUNADARMA
Ummu Kalsum UNIVERSITAS GUNADARMA 2016 Inferensia Statistika : Mencakup semua metode yang digunakan untuk penarikan kesimpulan atau generalisasi mengenai populasi dengan melakukan pengambilan sampel (sampling)
Lebih terperinciSEBARAN PENARIKAN CONTOH (SAMPLING DISTRIBUTION)
SEBARAN PENARIKAN CONTOH (SAMPLING DISTRIBUTION) Andaikan ada suatu populasi dengan jumlah anggotanya sebanyak N diambil contoh sebanyak n. Apabila dari setiap kemungkinan contoh tersebut dihitung suatu
Lebih terperinciLAMPIRAN A KLUSTER SOM DAN VALIDASI RMSSTD. Berikut ini merupakan source code algoritma SOM kluster 3 kluster 6:
A- 1 LAMPIRAN A KLUSTER SOM DAN VALIDASI RMSSTD A. Algortma SOM Berkut n merupakan source code algortma SOM kluster 3 kluster 6: B. Perhtungan Kluster Berkut n merupakan source code untuk kluster B, yang
Lebih terperinciBAB I PENDAHULUAN. dapat dianggap mendekati normal dengan mean μ = μ dan variansi
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Matematika merupakan salah satu cabang ilmu pengetahuan yang melambangkan kemajuan zaman. Oleh karena itu matematika banyak digunakan oleh cabang ilmu lain
Lebih terperinciAlgoritma Cipher Block EZPZ
Algoritma Cipher Block EZPZ easy to code hard to break Muhammad Visat Sutarno (13513037) Program Studi Informatika Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung Jl. Ganesha 10 Bandung
Lebih terperinciPrestasi itu diraih bukan didapat!!! SOLUSI SOAL
SELEKSI OLIMPIADE TINGKAT PROVINSI 015 TIM OLIMPIADE MATEMATIKA INDONESIA 016 Prestasi itu diraih bukan didapat!!! SOLUSI SOAL BAGIAN PERTAMA Disusun oleh : Solusi Olimpiade Matematika Tk Provinsi 015
Lebih terperinciPengantar Statistika Matematika II
Bab 1: a FMIPA Universitas Islam Indonesia Parameter adalah karakteristik dari populasi (misal θ) adalah karakteristik dari sampel Akan dibahas konsep statistik dan distribusi sampling Parameter Misalkan
Lebih terperinciDALIL PYTHAGORAS DAN PEMECAHAN MASALAH GEOMETRI
DALIL PYTHAGORAS DAN PEMECAHAN MASALAH GEOMETRI Segitiga 1. Beberapa sifat yang berlaku pada segitiga adalah : Jumlah sudut-sudut sembarang segitiga adalah 180 0 Pada segitiga ABC berlaku AC = BC B = A
Lebih terperinciBahan Ajar untuk Guru Kelas 5 Rasio dan Proporsi
Bahan Ajar untuk Guru Kelas 5 Rasio dan Proporsi Bilangan-bilangan rasional dat diinterpretasikan sebagai sebuah rasio. Sebagai contoh, rasio jumlah pria dan jumlah wanita adalah 1 dan 2, maksudnya bahwa
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Pada bab ini akan dibahas tinjauan pustaka yang akan digunakan untuk tesis ini, yang selanjutnya akan diperlukan pada bab 3. Yang akan dibahas dalam bab ini adalah metode bootstrap
Lebih terperinciINTERVAL KEPERCAYAAN
INTERVAL KEPERCAYAAN Untuk menaksir interval taksiran parameter dengan koefisien kepercayaan, maka sebuah sampel acak diambil, lalu hitung nilai nilai statistik yang diperlukan. Perumusan dalam bentuk
Lebih terperinciSTK511 Analisis Statistika. Pertemuan 5 Statistika Inferensia (1)
STK511 Analisis Statistika Pertemuan 5 Statistika Inferensia (1) Pendugaan Parameter mengacu pada suatu proses yang menggunakan data contoh untuk menduga nilai suatu parameter (populasi). 5. Statistika
Lebih terperinciTEORI PENDUGAAN (TEORI ESTIMASI)
TEORI PENDUGAAN (TEORI ESTIMASI) Tujuan Pembelajaran Mempelajari bagaimana cara melakukan pendugaan parameter populasi berasarkan statistik yang dihitung dari sampel A. Pendahuluan Pendahuluan : Tujuan
Lebih terperinciPEMBAHASAN SOAL OSN MATEMATIKA SMP TINGKAT PROPINSI 2012 OLEH :SAIFUL ARIF, S.Pd (SMP NEGERI 2 MALANG)
PEMBAHASAN SOAL OSN MATEMATIKA SMP TINGKAT PROPINSI 0 OLEH :SAIFUL ARIF, S.Pd (SMP NEGERI MALANG) PEMBAHASAN SOAL OLIMPIADE SAINS NASIONAL SMP A. ISIAN SINGKAT SELEKSI TINGKAT PROPINSI TAHUN 0 BIDANG STUDI
Lebih terperinciDISTRIBUSI 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 terperinciAPLIKASI RAPID SURVEY
Materi Rapid Survey FIKes - UMMU Iswandi, SKM - 1 APLIKASI RAPID SURVEY A. Pengertian Rapid Survai Survai merupakan kegiatan atau usaha pengumpulan informasi dari sebagian populasi yang dianggap dapat
Lebih terperinciARUMEGA 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 terperinciOLIMPIADE SAINS NASIONAL SMP SELEKSI TINGKAT KABUPATEN-KOTA TAHUN 2006
OLIMPIADE SAINS NASIONAL SMP SELEKSI TINGKAT KABUPATEN-KOTA TAHUN 00 SOAL PILIHAN GANDA. Jumlah dua bilangan bulat yang berbeda adalah 4. Jika hasil bagi kedua bilangan tersebut adalah juga bilangan bulat,
Lebih terperinciSoal Babak Penyisihan 7 th OMITS SOAL PILIHAN GANDA
Soal Babak Penyisihan 7 th OMITS SOAL PILIHAN GANDA 1) Sebuah barisan baru diperoleh dari barisan bilangan bulat positif 1, 2, 3, 4, dengan menghilangkan bilangan kuadrat yang ada di dalam barisan tersebut.
Lebih terperinciSELEKSI TINGKAT PROPINSI CALON PESERTA OLIMPIADE SAINS NASIONAL 2008 MATEMATIKA SMA BAGIAN PERTAMA
SELEKSI TINGKAT PROPINSI CALON PESERTA OLIMPIADE SAINS NASIONAL 2008 MATEMATIKA SMA BAGIAN PERTAMA PETUNJUK UNTUK PESERTA: 1. Tes bagian pertama ini terdiri dari 20 soal. 2. Waktu yang disediakan adalah
Lebih terperinciPopulasi dan Sampel. 1. Pengertian Populasi dan Sampel 2. Teknik Pengambilan Sampel 3. Normalitas Data
Populasi dan Sampel 1. Pengertian Populasi dan Sampel 2. Teknik Pengambilan Sampel 3. Normalitas Data 1. Populasi dan Sampel O Populasi adalah wilayah generalisasi yang terdiri atas objek/subjek yang memiliki
Lebih terperinciBAB I PENDAHULUAN 1.1 Kegunaan Metode Sampling 1.2 Tahap-Tahap dalam Survei Sampel 1. Tujuan survei.
BAB I PENDAHULUAN 1.1 Kegunaan Metode Sampling Pengambilan sampel dari suatu survei telah menjadi sesuatu yang besar kegunaannya dalam kehidupan. Sebuah sampel terdiri sejumlah bola lampu dalam satu periode
Lebih terperinciBy : Refqi Kemal Habib
BAB I PENDAHULUAN A. Dasar Teori Peluang atau kebolehjadian atau dikenal juga sebagai probabilitas adalah cara untuk mengungkapkan pengetahuan atau kepercayaan bahwa suatu kejadian akan berlaku atau telah
Lebih terperinciSELEKSI OLIMPIADE TINGKAT PROVINSI 2008 TIM OLIMPIADE MATEMATIKA INDONESIA 2009
SELEKSI OLIMPIADE TINGKAT PROVINSI 2008 TIM OLIMPIADE MATEMATIKA INDONESIA 2009 Bidang Matematika Bagian Pertama Waktu : 90 Menit DEPARTEMEN PENDIDIKAN NASIONAL DIREKTORAT JENDERAL MANAJEMEN PENDIDIKAN
Lebih terperinciESTIMASI. Arna Fariza PENDAHULUAN
ESTIMASI Arna Fariza PENDAHULUAN MATERI LALU Karena adanya berbagai alasan seperti banyaknya individu dalam populasi amatan, maka penelitian keseluruhan terhadap populasi tersebut tidaklah ekonomis, baik
Lebih terperinciModifikasi Blok Cipher
Modifikasi Blok Cipher TriTOLE Cipher Ivan Andrianto Teknik Informatika / Sekolah Tinggi Elektro dan Informatika Institut Teknologi Bandung Bandung, Indonesia andrianto.ivan@gmail.com Wilhelmus Andrian
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Distribusi Normal Salah satu distribusi frekuensi yang paling penting dalam statistika adalah distribusi normal. Distribusi normal berupa kurva berbentuk lonceng setangkup yang
Lebih terperinciMETODE 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 terperinciBAB 6 PENAKSIRAN PARAMETER
BAB 6 PENAKSIRAN PARAMETER Bab 6 PENAKSIRAN PARAMETER Standar Kompetensi : Setelah mengikuti kuliah ini, mahasiswa dapat memahami hubungan nilai sampel dan populasi dan menentukan distribusi sampling yang
Lebih terperinciMODUL 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 terperinciPENS. Probability and Random Process. Topik 8. Estimasi Parameter. Prima Kristalina Juni 2015
Program Pasca Sarjana Terapan Politeknik Elektronika Negeri Surabaya Probability and Random Process Topik 8. Estimasi Parameter Prima Kristalina Juni 2015 1 2 Outline 1. Terminologi Estimasi Parameter
Lebih terperinciHipotesis. Penerimaan hipotesis menunjukkan bahwa tidak cukup petunjuk untuk mempercayai sebaliknya
Hipotesis Suatu anggapan yang mungkin benar atau tidak mengenai suatu populasi atau lebih Digunakan istilah diterima atau ditolak untuk suatu hipotesis Penolakan suatu hipotesis berarti menyimpulkan bahwa
Lebih terperinci1. AB = 16 cm, CE = 8 cm, BD = 5 cm, CD = 3 cm. Tentukan panjang EF! 20 PEMBAHASAN : BCD : Lihat ABE : Lihat AFE : Lihat
1. AB = 1, CE = 8, BD =, CD =. Tentukan panjang EF! 0 BCD : ABE : BC BC BC CD BC 4 BD 9 1 AB 1 BE 144 AE 4 8 AE 0 AE AE EF EF 0 AFE : AE AF 0 0 EF EF 400 400 800 . Keliling ABC = 4, Luas ABC = 4. Tentukan
Lebih terperinciStatistika. Probabilitas. Universitas Gadjah Mada Fakultas Teknik Jurusan Teknik Sipil dan Lingkungan Prodi S2 Teknik Sipil.
Universitas Gadjah Mada Fakultas Teknik Jurusan Teknik Sipil dan Lingkungan Prodi S2 Teknik Sipil Statistika Probabilitas 1 Probabilitas Probabilitas Peluang Kemungkinan Mengapa probabilitas? Orang 7dak
Lebih terperinciStatistika (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 terperinciMetoda Penelitian TEKNIK SAMPLING
Metoda Penelitian TEKNIK SAMPLING Jika Cukup Sesendok Tak Perlu Semangkok Dasar pemikiran Data yang dipergunakan dalam suatu penelitian belum tentu merupakan keseluruhan dari suatu populasi karena beberapa
Lebih terperinciBAB 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 terperinciMatematika Teknik Dasar-2 4 Aljabar Vektor-1. Sebrian Mirdeklis Beselly Putra Teknik Pengairan Universitas Brawijaya
Matematika Teknik Dasar-2 4 Aljabar Vektor-1 Sebrian Mirdeklis Beselly Putra Teknik Pengairan Universitas Brawijaya Kuantitas Skalar dan Vektor Kuantitas Fisis dibagi menjadi dua, yaitu: 1. Kuantitas skalar:
Lebih terperinciD I S T R I B U S I P R O B A B I L I T A S
D I S T R I B U S I P R O B A B I L I T A S Amiyella Endista Email : amiyella.endista@yahoo.com Website : www.berandakami.wordpress.com Distribusi Probabilitas Kunci aplikasi probabilitas dalam statistik
Lebih terperinciMK Statistik Bisnis 2 MultiVariate. Haryoso Wicaksono, S.Si., M.M., M.Kom. 1
Haryoso Wicaksono, S.Si., M.M., M.Kom. 1 Descriptive Statistics mengandung metoda dan prosedur yang digunakan untuk pengumpulan, pengorganisasian, presentasi dan memberikan karakteristik terhadap himpunan
Lebih terperinciSOLUSI SOAL OLIMPIADE SAINS NASIONAL SMP SELEKSI TINGKAT PROPINSI TAHUN 2015 BIDANG MATEMATIKA
SOLUSI SOAL OLIMPIADE SAINS NASIONAL SMP SELEKSI TINGKAT PROPINSI TAHUN 015 BIDANG MATEMATIKA BAGIAN A: SOAL ISIAN SINGKAT 1. Banyak faktor persekutuan dari 1515 dan 530 yang merupakan bilangan genap positip
Lebih terperinciSTATISTIKA. 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 terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN A. Jenis Penelitian Jenis penelitian yang dilakukan adalah eksperimen. B. Tempat dan Waktu Penelitian Tempat penelitian ini dilakukan di Loboratorium Klinik Fikkes Unimus Jalan
Lebih terperinciProperti Algoritma RSA
Algoritma RSA 1 Pendahuluan Algoritma kunci-publik yang paling terkenal dan paling banyak aplikasinya. Ditemukan oleh tiga peneliti dari MIT (Massachussets Institute of Technology), yaitu Ron Rivest, Adi
Lebih terperinciPENAKSIRAN PARAMETER TM_3
PENAKSIRAN PARAMETER TM_3 Pendahuluan Statistik inverensial membicarakan bgmn mengeneralisasi informasi yg telah diperoleh. Segala aturan, dan cara, yg dpt di pakai sebagai alat dlm mencoba menarik kesimpulan
Lebih terperinciSTATISTIKA 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 terperinciBab 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 terperinciDISTRIBUSI 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 terperinciDistribusi Sampling Sebaran Penarikan Contoh. Bidang Inferensia Statistik membahas generalisasi/penarikan kesimpulan dan prediksi/peramalan.
Distribusi Sampling Sebaran Penarikan Contoh I PENDAHULUAN Bidang Inferensia Statistik membahas generalisasi/penarikan kesimpulan dan prediksi/peramalan. Generalisasi dan prediksi tersebut melibatkan sampel/contoh,
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2. Probabilitas Probabilitas adalah suatu nilai untuk mengukur tingkat kemungkinan terjadinya suatu peristiwa (event) akan terjadi di masa mendatang yang hasilnya tidak pasti (uncertain
Lebih terperinciBAB II KAJIAN PUSTAKA
4 BAB II KAJIAN PUSTAKA Pada sub bab ini akan diberikan beberapa definisi dan teori yang mendukung rancangan Sequential Probability Ratio Test (SPRT) yaitu percobaan dan ruang sampel, peubah acak dan fungsi
Lebih terperinciThe Central Limit Theorem
Kesumawati Prodi Statistika FMIPA-UII March 30, 2015 Sifat-Sifat Distribusi Sampel Sifat-sifat dari distribusi sampel tersebut dikenal dengan Central Limit Theorem 1. Bentuk distribusi dari rata-rata sampel
Lebih terperinciMetode Sampling dan Teorema Central Limit
Metode Sampling dan Teorema Central Limit Tjipto Juwono, Ph.D. Oct 28, 2016 TJ (SU) Metode Sampling dan Teorema Central Limit Oct 2016 1 / 52 Mengapa Perlu Sampling? Contoh Kita ingin mengetahui elektabilitas
Lebih terperinci