Upload
lamquynh
View
230
Download
0
Embed Size (px)
Citation preview
E – Learning BSLC, by:
Jonathan
2101627490
STATISTICS – Final Exam Material Summary
Interval Estimation (Session 8)
Rumus utama
�̅� ± 𝑡𝛼2
,𝑛−1∙
(𝜎 OR 𝑠)∗
√𝑛
ATAU
�̅� ± 𝑧𝛼2
∙(𝜎 OR 𝑠)∗
√𝑛
*pakai salah satu; menyesuaikan soal
Keterangan (symbol)
�̅� = Nilai rata-rata n = Jumlah data/sampel
𝑡 = Tabel t 𝛼 = 1 – Selang Kepercayaan (dalam desimal)
𝑧 = Tabel z σ/s = Standar Deviasi
(n – 1) = Derajat kebebasan (d.f)
Keterangan (rumus)
𝑡𝛼
2,𝑛−1 ∙
(𝜎 OR 𝑠)
√𝑛 atau 𝑧𝛼
2∙
(𝜎 OR 𝑠)
√𝑛 disebut Margin Error
• Menggunakan 𝒕 jika n < 30
• Menggunakan 𝒛 jika n ≥ 30
E – Learning BSLC, by:
Jonathan
2101627490
Penggunaan σ dan s menyesuaikan informasi yang disediakan, dimana
perbedaan antara keduanya adalah sbb:
σ : Standard Deviation Population
s : Standard Deviation Sample
Source: http://www.d.umn.edu/~sjanssen/Keeping%20the%20Symbols%20Straight.pdf | Mirror (GDrive)
Jika standar deviasi tidak diinformasikan, maka standar deviasi harus
dicari dengan rumus:
𝑠 = √∑(𝑥𝑖 − �̅�)2
𝑛 − 1
ATAU
𝜎 = √∑(𝑥𝑖 − 𝜇)2
𝑛
Source: https://statistics.laerd.com/statistical-guides/measures-of-spread-standard-deviation.php
Model Solusi
�̅� − 𝑧𝛼2
∙𝜎
√𝑛< 𝜇 < �̅� + 𝑧𝛼
2∙
𝜎
√𝑛
Additonal Notes:
Untuk estimasi dengan jumlah populasi lebih dari satu, silakan mengunjungi
http://www.kean.edu/~fosborne/bstat/06b2means.html
E – Learning BSLC, by:
Jonathan
2101627490
Hypothesis Tests (Session 9)
Model Hipotesis
- H0 (Hipotesis awal)
• Biasanya berupa equation “sama dengan”. Contoh:
H0 : 𝜇 = 45
• Tidak menutup kemungkinan jika equation bermodel pernyataan.
Contoh:
H0 : 𝜇 ≤ 45; H0 : 𝜇 > 33
• Di H0, equation dengan bentuk pernyataan “tidak sama dengan”
tidak dapat dilakukan. Contoh:
H0 : 𝜇 ≠ 45
- Ha (Hipotesis alternatif)
• Biasanya berupa equation pernyataan. Contoh:
Ha : 𝜇 ≠ 22; Ha : 𝜇 < 20
• Tidak dapat berupa equation “sama dengan”
Rumus Utama
𝑛 ≥ 30 → 𝜇 use z − score → �̅� − 𝜇0
𝜎
√𝑛
ATAU
𝑛 < 30 → 𝜇 use t − score →�̅� − 𝜇0
𝑠
√𝑛
Dimana 𝜇0 = nilai z atau t (sebagai patokan)
𝜇 = nilai z atau t (sebagai penentu hipotesis)
E – Learning BSLC, by:
Jonathan
2101627490
Daerah Penerimaan dan Penolakan H0
• 1 arah kiri (One-Tail)
• 1 arah kanan
E – Learning BSLC, by:
Jonathan
2101627490
• 2 arah (Two-tail)
Source: http://ctscbiostatistics.ucdavis.edu/documents/residents/PerkinsHypothesisTesting.pdf |
Mirror (Gdrive)
Model Solusi
E – Learning BSLC, by:
Jonathan
2101627490
Model solusi berupa pernyataan/kesimpulan, dan menyesuaikan hasil yang
didapat (bisa H0 atau Ha).
E – Learning BSLC, by:
Jonathan
2101627490
Analysis of Variance/ANOVA (Session 10-11)
Formulasi Hipotesis
H0 : 𝜇1 = 𝜇2 = 𝜇𝑘 Ha : Ada salah satu yang tidak sama
Taraf Nyata/Signifikan (Menggunakan table F(𝛼,[v1, v2]))
Pembilang (v1) : k-1
Penyebut (v2) : k(n-1)
Penyebut (v2)* : N-k
Dimana:
𝛼 = Derajat kebebasan n = jumlah baris (vertikal)
k = jumlah kolom (horizontal) N = jumlah data*
*Hanya digunakan bila terdapat data yang kosong
Contoh:
Terdapat 3 data kosong, maka digunakan N-k, dimana N = 6 dan
k = 3.
Contoh:
Data terisi penuh, maka digunakan k(n-1), dimana k = 3 dan n = 4
Gol A Gol B Gol C
37 33
55 10
30 44
Gol A Gol B Gol C
37 36 33
38 55 10
30 44 32
35 40 44
E – Learning BSLC, by:
Jonathan
2101627490
Rumus Utama + Table
Keragaman d.f Jumlah
Kuadrat (JK)
Kuadrat
Tengah (KT) Fhit F𝛼,(𝑣1,𝑣2)
Kolom (K) v1 JKK KTK
KTK
KTG (table)
Galah (G) v2 JKG KTG
TOTAL
v1+v2
atau
nk-1
JKT -
T.. = Jumlah seluruh nilai data (kolom dan baris)
T(i,∙) = Jumlah seluruh nilai data (per kolom)
x(i,j) = Nilai data di kolom i, baris j
JKT = ∑ ∑ 𝑥(𝑖,𝑗)2𝑛
𝑗=1𝑘𝑖=1 −
𝑇..
𝑛𝑘 JKK jika ada data kosong
JKK = ∑ 𝑇(𝑖,∙)
2𝑘𝑖=1
𝑛−
𝑇..
𝑛𝑘 JKK = ∑ JKK𝑖 −
𝑇..2
𝑁
𝑘𝑖=1
JKG = JKT – JKK JKKi = 𝑇𝑖
2
𝑁𝑖
KTK = JKK
v1
KTG = JKG
v2
Ni = Jumlah data pada kolom-i
Ti = Jumlah nilai data pada kolom-i
E – Learning BSLC, by:
Jonathan
2101627490
Grafik
Source: http://sphweb.bumc.bu.edu/otlt/MPH-
Modules/BS/BS704_HypothesisTesting-
ANOVA/BS704_HypothesisTesting-Anova_print.html
Model Solusi Model solusi berupa pernyataan/kesimpulan, dan menyesuaikan hasil yang didapat
(bisa H0 atau Ha).
Contoh ANOVA
(𝛼 = 0.01) F0.01(2,9) = 8,02
v1 = k-1 = 3-1 = 2
v2 = N-k = 12-3 = 9
H0 : 𝜇0 = 𝜇1
Ha : Ada salah satu yang tidak sama
JKT = 222 + 302 + 442 + 322 + … + 382 - 4652
12 = 22537 – 18018.75
= 4518.25
A B C
22 30 44
32 17 52
29 93 24
51 33
38
Total 172 140 153 465
E – Learning BSLC, by:
Jonathan
2101627490
JKK1 = 1722
5 = 5916.8
JKK2 = 1402
3 = 6533.3
JKK3 = 1532
4 = 5852.25
JKG = 4518.25 – 283.6 = 4234.65
KTK = 283.6
2 = 141.8
KTG = 4234.65
9 = 470.517
Fhit = 141.8
470.517 = 0.3
Fhit < F0.01(2,9), sehingga H0 diterima.
JKK = 5916.8 + 6533.3 + 5852.25 - 4652
12
= 18302.35 – 18018.75
= 283.6
E – Learning BSLC, by:
Jonathan
2101627490
Simple Linear Regression (Session 12-13)
Rumus Utama
𝑟 =𝑛 ∑ 𝑥𝑦 − ∑ 𝑥 ∑ 𝑦
√(𝑛 ∑ 𝑥2 − (∑ 𝑥)2
) ∙ (𝑛 ∑ 𝑦2 − (∑ 𝑦)2
)
Keterangan:
r = koefisien korelasi
n = Jumlah data
x,y = variabel
nilai determinan = r2
𝑡ℎ𝑖𝑡 =𝑟√𝑛 − 2
√1 − 𝑟2
thit = Nilai penentu hipotesis
Model Solusi : Pernyataan hipotesis
Regresi Linear
𝑦 = 𝑎 + 𝑏𝑥
Keterangan
y = variable terikat (dependend)
a = Intercept (kemiringan)
b = koefisien regresi
x,y = variabel bebas
�̅� = mean variabel x
�̅� = mean variabel y
Index r Relasi
0 Tidak ada relasi
0.01 – 0.2 Sangat lemah
0.21 – 0.4 Lemah
0.41 – 0.7 Sedang
0.71 – 0.9 Kuat
0.91 – 0.99 Sangat Kuat
1 Sempurna
𝑏 =∑ 𝑥𝑦 − 𝑛�̅��̅�
∑ 𝑥2 − 𝑛�̅�2
𝑎 = �̅� − 𝑏�̅�