Ada dua area di dalam statistik inferensi yaitu:
Estimasi
Uji Hipotesis
Ada dua jenis estimasi terhadap parameter populasi:
Estimasi titik (point estimation) yaitu nilai tunggal statistik sampel yang digunakan untuk mengestimasi parameter populasi.
Estimasi interval (interval estimation) yaitu nilai interval dari statistik sampel yang berisi kemungkinan terjadinya parameter populasi.
1. DepartemenTeknik Elektro
FakultasTeknologi Elektro dan Informatika Cerdas
InstitutTeknologi Sepuluh Nopember
Bab 4
Statistik Inferensial
(Bag-1: Estimasi Parameter)
EE4405 Probabilitas, Statistik, dan Proses Stokastik
2. CP Pembelajaran
•CP Pengetahuan :
• Menguasai konsep dan prinsip statistik inferensial
• Menguasai prinsip estimasi parameter, distribusi
sampling, dan memahami teorema batas tengah,
menyusun interval keyakinan pada parameter untuk
satu sampel
• Menguasai konsep uji hipotesa
• Menguasai konsep analisa regresi linier.
Pengantar Fakta Konsep Ringkasan Latihan Asesmen
3. CP Pembelajaran
•CP Ketrampilan :
• Menguasai menghitung estimasi parameter, uji hipotesa
dan analisa regresi linear.
• Mampu menghitung estimasi parameter, menjelaskan
distribusi sampling, dan memahami teorema batas tengah,
menyusun interval keyakinan pada parameter untuk satu
sampel
• Mampu melakukan uji hipotesa
• Mampu melakukan analisa regresi linier.
Pengantar Fakta Konsep Ringkasan Latihan Asesmen
4. Analisis Data
1. Analisis Deskriptif
1. Peringkasan/klasifikasi data
• Ukuran Pemusatan : mean, median, modus
• Ukuran Sebaran : range, rerata simpangan, simpangan baku
2. Penyajian Data :
• Narasi,Tabel/daftar, Diagram/grafik/gambar
2.Analisis Inferensial
Ada dua area di dalam statistik inferensi yaitu:
•Estimasi
•Uji Hipotesis
Pengantar Fakta Konsep Ringkasan Latihan Asesmen
5. Estimasi Parameter
Ada dua jenis estimasi terhadap parameter populasi:
1. Estimasi titik (point estimation) yaitu nilai tunggal
statistik sampel yang digunakan untuk mengestimasi
parameter populasi.
2. Estimasi interval (interval estimation) yaitu nilai
interval dari statistik sampel yang berisi kemungkinan
terjadinya parameter populasi.
Pengantar Fakta Konsep Ringkasan Latihan Asesmen
6. Definisi Statistik inferensial
•Walpole (2016) :
Statistik Inferensial mencakup semua metode yang
berhubungan dengan analisis sebagian data untuk peramalan
atau penarikan kesimpulan mengenai keseluruhan gugus data
induknya.
•B. Burt Gerstman (2015):
Statistik Inferensial adalah tindakan menggunakan data
dalam sampel tertentu untuk membuat generalisasi populasi
dari mana asalnya.
Pengantar Fakta Konsep Ringkasan Latihan Asesmen
7. Definisi Statistik inferensial
Statistik inferensial adalah teknik statistik yang
digunakan untuk menarik kesimpulan tentang
karakteristik populasi berdasarkan data sampel.
Pengantar Fakta Konsep Ringkasan Latihan Asesmen
8. Mengapa kita membutuhkan statistik
inferensial?
•Biasanya, kita tertarik pada populasi, bukan
sampel
•Ketika kita mempelajari suatu intervensi, misalnya,
kita ingin dapat menggeneralisasi ke kelompok
yang lebih besar (populasi)
•Tapi kita biasanya tidak bisa mengumpulkan data
dari seluruh populasi
Pengantar Fakta Konsep Ringkasan Latihan Asesmen
9. Mengapa kita membutuhkan statistik
inferensial?
•Variabilitas
• Pengukuran dalam sains bervariasi; berubah dari
observasi ke observasi.
• Kita membutuhkan statistik inferensial untuk menilai
variabilitas ini dan membantu dalam pengambilan
keputusan.
Pengantar Fakta Konsep Ringkasan Latihan Asesmen
10. Apa yang dipelajari dari statistik
inferensial?
•Pelajaran tentang karakteristik kuantitatif populasi
("parameter")
•Sebagai contoh, adalah tendensi sentral dari satu
kelompok berbeda dari tendensi sentral dari kelompok
yang lain
Pengantar Fakta Konsep Ringkasan Latihan Asesmen
11. Konsep Statistik Inferensi
•Metode Inferensi statistik :
• Metode klasik , metode ini mengestimasi parameter
populasi berdasarkan pada informasi yang diperoleh dari
sampel acak yang dipilih dari populasi.
• Metode Bayesian, metode ini mengestimasi dengan cara
memanfaatkan pengetahuan subjektif sebelumnya tentang
distribusi probabilitas dari parameter yang tidak diketahui
dalam hubungannya dengan informasi yang diberikan oleh
data sampel.
Pengantar Fakta Konsep Ringkasan Latihan Asesmen
12. Konsep Statistik Inferensi
• Prosedur Inferensial :
•Estimasi parameter - menggunakan data dari sampel acak
untuk memperkirakan parameter populasi dari mana sampel diambil
•Pengujian hipotesis - merumuskan hipotesis yang
berlawanan dan menentukan dari sampel yang kemungkinan besar
benar
Pengantar Fakta Konsep Ringkasan Latihan Asesmen
13. 4.1. Konsep Dasar
Pengantar Fakta Konsep Ringkasan Latihan Asesmen
Statistical inference adalah tindakan
generalisasi dari sampel ke populasi dengan
tingkat kepastian yang dihitung.
Kita ingin
mempelajari
parameter
populasi…..
….. tetapi
kita hanya
dapat
menghitung
statistik
sampel
14. 4.1. Konsep Dasar :
Parameters and Statistics
•Perbedaan antara parameter dan statistik
Pengantar Fakta Konsep Ringkasan Latihan Asesmen
Parameters Statistics
Source Population Sample
Calculated? No Yes
Constants? Yes No
Examples μ, σ, p psx ˆ,,
15. 4.1. Konsep Dasar
Sampling Behavior of Mean
Seberapa baik rata-rata sampel yang diberikan ഥ𝒙
mencerminkan rata-rata populasi μ
Pengantar Fakta Konsep Ringkasan Latihan Asesmen
xµ
16. 4.1. Konsep Dasar
Presisi dan keandalan
• Seberapa tepat mean sampel yang diberikan ( ҧ𝑥 )
mencerminkan mean populasi (μ)? Seberapa andal
kesimpulan kita?
• Untuk menjawab pertanyaan ini, kita lakukan
eksperimen simulasi di mana kita mengambil semua
sampel ukuran n yang mungkin diambil dari populasi
Pengantar Fakta Konsep Ringkasan Latihan Asesmen
17. 4.1. Konsep Dasar
Eksperimen Simulasi
Populasi (Figure A)
N = 10,000
Lognormal shape (positive skew)
μ = 173
σ = 30
Take repeated SRSs, each of n = 10
Calculate ҧ𝑥 in each sample
Plot ҧ𝑥 ..
Pengantar Fakta Konsep Ringkasan Latihan Asesmen
A. Population (individual values)
18. 4.1. Konsep Dasar
Eksperimen Simulasi
Populasi …
N = 10,000
Lognormal shape (positive skew)
μ = 173
σ = 30
Take repeated SRSs, each of n = 10
Calculate ҧ𝑥 in each sample
Plot ҧ𝑥 (Figure B)
Pengantar Fakta Konsep Ringkasan Latihan Asesmen
B. Sampling distribution of ҧ𝑥
19. 4.1. Konsep Dasar
Hasil Eksperimen Simulasi
Pengantar Fakta Konsep Ringkasan Latihan Asesmen
1. Distribution B is more
Normal than distribution A
Central LimitTheorem
2. Both distributions centered
on µ x-bar is unbiased
estimator of μ
3. Distribution B is skinnier
than distribution A
related to “square root
law”
20. 4.1. Konsep Dasar
RangkumanTemuan Kunci
Pengantar Fakta Konsep Ringkasan Latihan Asesmen
• Temuan 1 (central limit theorem): distribusi
sampling ҧ𝑥 cenderung ke arah Normal bahkan
ketika populasi tidak Normal (khususnya kuat
dalam sampel besar).
• Temuan 2 (unbiasedness): nilai yang diharapkan
dari ҧ𝑥 adalah μ.
• Temuan 3 terkait dengan hukum akar kuadrat,
yang mengatakan:
n
x
21. 4.1. Konsep Dasar
Standar Deviasi dari Mean
Pengantar Fakta Konsep Ringkasan Latihan Asesmen
• Deviasi standar dari distribusi sampling mean
memiliki nama khusus: kesalahan standar mean
(standard error of the mean, dilambangkan 𝜎 ҧ𝑥
atau 𝑆𝐸 ҧ𝑥 )
• Hukum akar kuadrat mengatakan:
n
SExx
22. 4.1. Konsep Dasar
Hukum Akar Kuadrat , Contoh: σ = 15
Pengantar Fakta Konsep Ringkasan Latihan Asesmen
15
1
15
n
SEx
For n = 1
5.7
4
15
n
SEx
For n = 4
75.3
16
15
n
SEx
For n = 16
Empat kali lipat ukuran sampel memotong kesalahan standar
rata-rata menjadi setengahnya
23. 4.1. Konsep Dasar
Menyatukan :
Distribusi sampling ҧ𝑥 cenderung Normal dengan rata-rata μ
dan 𝜎 ҧ𝑥 =
𝜎
𝑛
Contoh: Misalkan X mewakili Skor Intelijen Dewasa
Weschler; X ~ N (100, 15).
Ambil SRS n = 10
𝜎 ҧ𝑥 =
𝜎
𝑛
=
15
10
= 4.7
Dengan demikian, ҧ𝑥 ~ N (100, 4.7)
Pengantar Fakta Konsep Ringkasan Latihan Asesmen
25. 4.1. Konsep Dasar
Law of Large Numbers
.
Pengantar Fakta Konsep Ringkasan Latihan Asesmen
Ketika sampel semakin besar, ҧ𝑥 mendekati μ. Gambar berikut
menunjukkan hasil dari percobaan yang dilakukan pada populasi dengan
μ = 173,3
26. 4.1. Konsep Dasar
Sampling Behavior of Counts and Proportions
•Variabel acak binomial mewakili jumlah acak
keberhasilan dalam n percobaan Bernoulli independen
masing-masing dengan probabilitas keberhasilan p;
notation X ~ b (n, p)
X ~ b (10,0.2) ; Catat : μ = 2
•Jumlah keberhasilan sebagai proporsi ො𝑝 = x / n.
Untuk ekspresi ulang ini, μ = 0,2
Pengantar Fakta Konsep Ringkasan Latihan Asesmen
27. 4.1. Konsep Dasar
Sampling Behavior of Counts and Proportions
Pengantar Fakta Konsep Ringkasan Latihan Asesmen
28. 4.1. Konsep Dasar
Normal Approximation to the Binomial (“npq rule”)
Pengantar Fakta Konsep Ringkasan Latihan Asesmen
•When n is large, the binomial distribution
approximates a Normal distribution (“the
Normal Approximation”)
•How large does the sample have to be to apply
the Normal approximation? One rule says that
the Normal approximation applies when npq ≥ 5
29. 4.1. Konsep Dasar
Normal Approximation to the Binomial (“npq rule”)
Pengantar Fakta Konsep Ringkasan Latihan Asesmen
X~b(10,0.2)
npq = 10 ∙ 0.2 ∙ (1–0.2)
= 1.6 Normal
approximation does not
apply
X~b(100,0.2)
npq = 100 ∙ 0.2 ∙ (1−0.2) = 16
Normal approximation
applies
30. 4.1. Konsep Dasar
Normal Approximation for a Binomial Count
Pengantar Fakta Konsep Ringkasan Latihan Asesmen
• .
npqnp and
When Normal approximation applies:
npqnpNX ,~
31. 4.1. Konsep Dasar
Normal Approximation for a Binomial Proportion
Pengantar Fakta Konsep Ringkasan Latihan Asesmen
• ..
n
pq
pNp
n
pq
p
,~ˆ
and
32. 4.1. Konsep Dasar
Ƹ𝑝 Represents the sample proportion
Pengantar Fakta Konsep Ringkasan Latihan Asesmen
• ..
33. 4.1. Konsep Dasar
Illustrative Example: Normal Approximation to the Binomial
Pengantar Fakta Konsep Ringkasan Latihan Asesmen
• Suppose the prevalence of a
risk factor in a population is
20%
• Take an Simple Random
Sampling (SRS) of n = 100
from population
• A variable number of cases
in a sample will follow a
binomial distribution with n
= 20 and p = .2
34. Pengantar Fakta Konsep Ringkasan Latihan Asesmen
4,20~
48.2.100and
20.2100
NX
npq
np
The Normal approximation for the count is:
04.0,2.0~ˆ
04.0
100
8.2.
.2
Np
n
pq
p
The Normal approximation for the proportion
is:
4.1. Konsep Dasar
Illustrative Example: Cont…
35. 4.2. EstimasiTitik
• Estimasi parameter :
1. Estimasi Titik
Estimasi titik dari sebuah parameter adalah suatu angka tunggal
yang dapat dianggap sebagai nilai dari .
2. Estimasi Interval
Berupa interval yang digunakan untuk mengestimasi
parameter populasi
Bentuk :
Pengantar Fakta Konsep Ringkasan Latihan Asesmen
21
ˆˆ
36. 4.2. EstimasiTitik
Estimasi titik dari beberapa parameter populasi
θ adalah nilai tunggal 𝜽 dari suatu statistik Θ
•Sebagai contoh, nilai ഥ𝒙 dari statistik ത𝑋, dihitung dari
sampel ukuran n, adalah estimasi titik untuk
parameter populasi μ.
•Demikian pula, ෝ𝒑 = 𝒙/𝒏ˆ adalah sebuah estimasi
titik untuk proporsi p.
Pengantar Fakta Konsep Ringkasan Latihan Asesmen
37. 4.2. EstimasiTitik
Contoh
Untuk sampel terdiri dari nilai 2, 5, dan 11 dari populasi dengan
mean 4 (tidak diketahui).
• Apakah kita akan mengestimasi μ dengan rata-rata sampel ҧ𝑥 =
6, atau menggunakan median dari sampel 𝑥 = 5?
• Pada kasus ini, estimator ෨𝑋 menghasilkan estimasi yang lebih
dekat ke parameter sebenarnya daripada estimator ഥ𝑋 .
Di sisi lain, jika sampel acak berisi nilai 2, 6, dan 7, lalu ҧ𝑥 = 5 dan
𝑥 = 6 jadi ത𝑋 adalah estimator yang lebih baik.
Kita tidak tahu nilai μ, kita harus memutuskan terlebih dahulu
apakah akan menggunakan ෨𝑋 atau ഥ𝑋 sebagai estimator !!!
Pengantar Fakta Konsep Ringkasan Latihan Asesmen
38. 4.2. EstimasiTitik
Contoh
Tinjau 20 pengamatan pada dielektrik breakdown voltage
untuk potongan resin epoksi berikut :
24.46 25.61 26.25 26.42 26.66 27.15 27.31 27.54 27.74 27.94
27.98 28.04 28.28 28.49 28.50 28.87 29.11 29.13 29.50 30.88
Asumsikan bahwa distribusi dari breakdown voltage adalah
normal dengan nilai mean= 𝜇.
Hasil pengamatan kemudian diasumsikan sebagai hasil
dari random sampel X1, X2,…, X20.
Pengantar Fakta Konsep Ringkasan Latihan Asesmen
39. 4.2. EstimasiTitik
Contoh
Pertimbangkan estimator dan hasil estimasi untuk 𝜇 berikut :
a). Estimator = ത𝑋, estimate = ҧ𝑥 = σ 𝑥𝑖 /𝑛=555.86/20=27.793
b). Estimator = ෨𝑋, estimate =𝑥=(27.94+27.98)/2=27.960
c). Estimator = min 𝑋𝑖 + max 𝑋𝑖 /2
estimate = min 𝑥𝑖 + max 𝑥𝑖 /2 =(24.46+30.88)/2=27.670
Estimator mana, ketika digunakan pada sampel Xi lainnya,
yang cenderung menghasilkan perkiraan yang paling dekat
dengan nilai sebenarnya ? "
Pengantar Fakta Konsep Ringkasan Latihan Asesmen
41. 4.2. EstimasiTitik
Unbiased Estimator
Contoh :
• Tunjukkan bahwa 𝑆2 adalah sebuah unbiased estimator dari
parameter 𝜎2
Jawaban :
Pengantar Fakta Konsep Ringkasan Latihan Asesmen
42. 4.2. EstimasiTitik
Unbiased Estimator
Contoh (Lanjutan..)
• Tunjukkan bahwa 𝑆2 adalah sebuah unbiased estimator dari
parameter 𝜎2
Jawaban :
Pengantar Fakta Konsep Ringkasan Latihan Asesmen
43. 4.2. EstimasiTitik
Variance of a Point Estimator
Jika kita mempertimbangkan semua kemungkinan
estimator yang tidak bias dari beberapa parameter θ,
yang memiliki varians terkecil disebut estimator θ paling
efisien.
Pengantar Fakta Konsep Ringkasan Latihan Asesmen
Gambar A. Sampling distributions of different estimators of θ.
44. 4.3. EstimasiTitik dan Interval Konfidensi
Pengantar Fakta Konsep Ringkasan Latihan Asesmen
•
• Estimasi titik berupa nilai tunggal
• Interval konfidensi memberikan informasi tambahan
mengenai variabilitas estimasi
Estimasi titik
Batas bawah
konfidensi
Batas atas
konfidensi
Lebar interval konfidensi
45. 4.3. EstimasiTitik dan Interval Konfidensi
Pengantar Fakta Konsep Ringkasan Latihan Asesmen
• Interval konfidensi : Suatu interval berupa range nilai yang
• Memperhatikan variasi statistik masing2 sampel berdasarkan
informasi dari 1 sampel
• Memberi informasi kedekatan nilai estimasi dengan nilai parameter
sebenarnya
• Dinyatakan sebagai level konfidensi (tingkat kepercayaan)
• Misal, 95% konfidensi atau 99% konfidensi
• Tidak pernah 100% konfidensi
Parameter Populasi EstimasiTitik
Mean/rata2 𝜇 ҧ𝑥
𝜋 𝑝Proporsi
46. 4.3. EstimasiTitik dan Interval Konfidensi
Pengantar Fakta Konsep Ringkasan Latihan Asesmen
Estimasi titik± (titik kritis)(Standar Error)
Di mana:
•Estimasi titik statistik sampel untuk estimasi parameter
populasi yg dikehendaki
•Titik kritis nilai distribusi sampling dari estimasi titik dengan
tingkat konfindensi tertentu
•Standard Error standar deviasi dari estimasi titik
•Rumus umum untuk semua interval
konfidensi:
47. 4.3. EstimasiTitik dan Interval Konfidensi
Interval Konfidensi untuk μ (σ diketahui)
Pengantar Fakta Konsep Ringkasan Latihan Asesmen
• Asumsi-asumsi
• Standar deviasi σ diketahui
• Populasi berdistribusi normal
• Jika populasi tidak normal, gunakan sampel besar (teori
limit pusat)
• Estimasi interval konfidensi:
ҧ𝑥 ± 𝑍 ൗ𝛼
2
𝜎
𝑛
dimana
ҧ𝑥 estimasi titik
Zα/2 titik kritis distribusi normal dengan probabilitas /2
𝜎
𝑛
standar error
48. 4.3. EstimasiTitik dan Interval Konfidensi
Pengantar Fakta Konsep Ringkasan Latihan Asesmen
Distribusi Sampling Mean/Rata2
μμx
Interval Konfidensi
x
/2 /21
49. 4.3. EstimasiTitik dan Interval Konfidensi
Contoh
Pengantar Fakta Konsep Ringkasan Latihan Asesmen
• Artikel "Studi tentang Keyboard Alfanumerik yang Dirancang Ergonomis"
(Human Factors, 1985: 175–187) melaporkan studi tentang ketinggian yang disukai untuk
eksperimen keyboard dengan dukungan lengan-pergelangan tangan yang besar. Sampel
dari n = 31 juru ketik terlatih dipilih, dan tinggi keyboard yang disukai ditentukan untuk
masing-masing juru ketik.
• Tinggi rata-rata sampel yang dihasilkan yang disukai adalah
ҧ𝑥=80,0 cm. Dengan asumsi bahwa tinggi yang disukai biasanya
didistribusikan dengan 𝜎 = 2,0 𝑐𝑚 (nilai yang disarankan oleh data
dalam artikel), dapatkan interval kepercayaan (interval nilai yang
masuk akal) untuk 𝜇, true tinggi rata-rata yang disukai untuk
populasi semua juru ketik berpengalaman.
50. 4.3. EstimasiTitik dan Interval Konfidensi
Contoh
Pengantar Fakta Konsep Ringkasan Latihan Asesmen
• Pengamatan sampel aktual x1, x2, ..., xn diasumsikan sebagai hasil
dari sampel acak X1,…, Xn dari distribusi normal dengan nilai rata-
rata 𝜇 dan standar deviasi 𝜎/ 𝑛. Standarisasi ത𝑋 dengan terlebih
dahulu mengurangi nilai yang diharapkan dan kemudian
membaginya dengan standar deviasi menghasilkan standar
variabel normal
𝑍 =
ത𝑋 − 𝜇
ൗ
𝜎
𝑛
• Karena area dibawah kurva normal standar antara 21.96 dan 1.96
adalah .95,
•
53. 4.3. EstimasiTitik dan Interval Konfidensi
Tingkat Konfidensi yg sering dipakai
Pengantar Fakta Konsep Ringkasan Latihan Asesmen
• 90%, 95%, and 99%
Tingkat
konfidensi
Koefisien
konfidensi, Zα/2
1.645
1.96
2.575
0.90
0.95
0.99
90%
95%
99%
1
54. 4.3. EstimasiTitik dan Interval Konfidensi
Interval Konfidensi Bagi μ (σ tidak diketahui)
Pengantar Fakta Konsep Ringkasan Latihan Asesmen
•Jika standar deviasi populasi σ tidak diketahui,
kita dapat menggantinya dengan standar deviasi
sampel, S .
•Konsekuensinya, ketidakpastian menjadi
meningkat, karena S bervariasi antar sampel
•Dengan demikian, digunakan distribusi-t bukan
distribusi normal
55. 4.3. EstimasiTitik dan Interval Konfidensi
Interval Konfidensi Bagi μ (σ tidak diketahui)
Pengantar Fakta Konsep Ringkasan Latihan Asesmen
•Interval konfidensi:
ҧ𝑥 ± 𝑡 ൗ𝛼
2,𝑑𝑏
𝑆
𝑛
(dimana tα/2,db adalah titik kritis distribusi t
dengan derajat bebas (db) = n -1 dan luas
area masing2 α/2 di setiap sisi)
56. 4.3. EstimasiTitik dan Interval Konfidensi
Interval Konfidensi Bagi μ (σ tidak diketahui)
Pengantar Fakta Konsep Ringkasan Latihan Asesmen
t0
t (db = 5)
t (db = 13)
Normal
standar
(t with db= ∞)
Kurva distribusi t
57. Ringkasan
Estimasi titik adalah nilai tertentu yang digunakan untuk mengestimasi nilai parameter
populasi.Ada tiga kriteria ketepatan estimasi titik sehingga bisa digunakan untuk
membuat keputusan tentang parameter populasi yaitu:
1. Tidak bias, tidak bias maksudnya disini adalah nilai statistik sampel tidak akan persis
sama dengan nilai parameter populasi. Nilainya kemungkinan akan di bawah atau di
atas karena kesalahan sampling.Oleh karena itu Keinginan kita adalah bahwa nilai
harapan (expected value) atau nilai rata-rata semua nilai statistik sampel yang
diestimasi secara random dari semua kemungkinan sampel yang ada sama dengan
parameter populasi. Jika hal ini benar maka dikatakan bahwa statistik sampel adalah
estimator yang tidak bias dari parameter populasi.
2. Konsisten, yaitu sebuah titik estimasi dikatakan konsisten bila nilai statistik sampel
cenderung sama dengan parameter populasi tidak bias ketika jumlah sampel terus
bertambah.
3. Efisiensi di mana suatu estimator yang tidak biasa mempunyai ciri yang efisien bila
mempunyai deviasi standar atau standard error yang lebih kecil di dalam populasi
yang sama.
Pengantar Fakta Konsep Ringkasan Latihan Asesmen
58. Ringkasan
Secara umum Parameter populasi ditulis dengan huruf latin 𝜃 (theta), di mana 𝜃
bisa berupa:
• rata-rata populasi (mu = μ),
• simpangan baku populasi (sigma = σ),
• proporsi populasi (Phi = π).
Sedangkan statistik dari sampel ditulis 𝜃 (theta topi), bisa berupa :
• rata-rata sampel ( ҧ𝑥 )
• simpangan baku sampel (S ),
• proporsi sampel (p).
Dalam statistika inferensia, statistik 𝜃 (theta topi) inilah yang dipakai untuk
menduga parameter 𝜃 dari populasi maka 𝜃 disebut penduga (= penaksir =
estimasi)
Pengantar Fakta Konsep Ringkasan Latihan Asesmen
59. Latihan 1
Pengantar Fakta Konsep Ringkasan Latihan Asesmen
Misalkan diberikan nilai Prostatok 10 siswa sebagai
berikut :
58, 58, 43, 64, 47, 54, 59, 47, 60, dan 64.
Estimasi rata-rata nilai Prostatok sesungguhnya
(populasi).
Gunakan tingkat kepercayaan 95 persen.