slide1
Download
Skip this Video
Download Presentation
Statistik Inferensial

Loading in 2 Seconds...

play fullscreen
1 / 29

Statistik Inferensial - PowerPoint PPT Presentation


  • 373 Views
  • Uploaded on

Statistik Inferensial. Juweti charisma. Pendahuluan. Peneliti menghadapi persoalan populasi yang terlalu besar untuk melakukan pengujian Untuk mendapatkan seluruh data obyek atau kasus yang akan dipelajari memerlukan biaya dan waktu

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

PowerPoint Slideshow about 'Statistik Inferensial' - arich


An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript
slide1
Statistik Inferensial

Juweti charisma

pendahuluan
Pendahuluan
  • Penelitimenghadapipersoalanpopulasi yang terlalubesaruntukmelakukanpengujian
  • Untukmendapatkanseluruh data obyekataukasus yang akandipelajarimemerlukanbiayadanwaktu
  • Meskipunpopulasikecil, jugaakanmelelahkanuntukmelihatkasussatupersatu
  • Dengandemikian, penelitiseringmerasacukupuntukmengambilsampelkasusatauobyek yang menjadiwakildaripopulasi yang akanditeliti.
  • ApabilaPenelitiandimaksudkanuntukmembuatkesimpulanumumtentangpopulasi , sementara data yang adahanyasampeldaripopulasitersebut, makaharusdilakukaninferensitentangkarakteristikpopulasi.
pengertian
Pengertian
  • Metoda Analisis Statistik Inferensial adalah metoda yang membantu dalam membuat kesimpulan umum tentang karakteristik populasi berdasarkan apa yang dapat dipelajari dari sampel yang dipereoleh dari populasi tersebut.
  • Penerapan Analisis Statistik Inferensi dapat mengambil 2 bentuk:
    • Prosedur EstimasiSuatu perkiraan Parameter Populasi yang dibuat pada apa yang diketahui tentang sampel
    • Pengujian Hipotesis Keakuratan suatu hipotesa tentang populasi yang diuji terhadap hasil sampel
konsep dasar
Konsep Dasar

Tiga Pengetahuan Dasar diperlukan untuk memahami prosedur Analisis Inferensial:

  • Probabilitas Dasar
  • Kurva Normal
  • Distribusi Sampling
istilah dalam konsep sampling
Istilahdalamkonsep sampling
  • Sampel Random/ Sampel probabilitas :
  • Statistik : besaran yang dipakai untuk menerangkan beberapa sifat karakteristik dari suatu sampel (mea, median, standar deviasi)dari suatu sampel
  • Populasi : kumpulan secara keseluruhan obyek atau orang yang mewakili populasi
  • Parameter : suatu yang dipakai utk menerangkan beberapa sifat karakteristik dari suatu populasi
  • Estimator yang tidak bias : besaran statistik yang memiliki nilai harapan yang sama dengan parameter yang diestimasi (populasi)
lambang2
Lambang2..
  • μ : lambang rata2 populasi, estimatornya
  • p : lambang proporsi populasi, estimatornya
  • σ : lambang standar deviasi populasi, estimatornya s. untuk nilai ini, jika faktor koreksi belum termasuk di dalamnya, estimator yang sesuai adalah
  • N : jumlah besar populasi
  • N : jumlah besar sampel
konsep dasar probabilitas
KonsepDasarprobabilitas
  • Banyakkejadiandalamkehidupansehari-hari yang sulitdiketahuidenganpasti, terutamakejadian yang akandatang.
  • Meskipunkejadian-kejadiantersebuttidakpasti, tetapikitabisamelihatfakta-fakta yang adauntukmenujuderajatkepastianatauderajatkeyakinanbahwasesuatuakanterjadi.
  • Derajat / tingkatkepastianataukeyakinandarimunculnyahasilpercobaanstatistikdisebutProbabilitas (Peluang), yang dinyatakandenganP.
slide8
Eksperimen/percobaan probabilitas adalah segala kegiatan dimana suatu hasil (outcome) diperoleh.
  • Ruang sampel adalah himpunan seluruh kemungkinan outcome dari suatu eksperimen/percobaan. Biasanya dinyatakan dengan S. Banyaknya outcome dinyatakan dengan n(S).
  • Peristiwa/kejadian adalah himpunan bagian dari outcome dalam suatu ruang sampel.
kurva normal

Kurva Normal

Juweti Charisma

slide10
Distribusi normal adalah distribusi yang memiliki kurva yang berkesinambungan berbentuk simetris
slide11
Distribusi normal pertama kali diperkenalkanolehAbraham de Moivredalamartikelnyapadatahun1733sebagaipendekatandistribusi binomialuntuk n besar. KaryatersebutdikembangkanlebihlanjutolehPierre Simon de Laplace, dandikenalsebagaiteoremaMoivre-Laplace. Laplace menggunakandistribusi normal untukanalisisgalat. MetodekuadratterkecildiperkenalkanolehLegendrepadatahun1805. SementaraituGauss1794denganmengasumsikangalatnyamemilikidistribusi normal.
  • IstilahkurvaloncengdiperkenalkanolehJouffretpadatahun 1872 untukdistribusi normal bivariat. Sementaraituistilahdistribusi normal secaraterpisahdiperkenalkanolehCharles S. Peirce, Francis Galton, dan Wilhelm Lexis sekitartahun 1875. Terminologiinisecaratidaksengajamemilikinamasama.
slide12
KARAKTERISTIK DISTRIBUSI KURVA NORMAL
  • Kurva berbentuk genta (= Md= Mo)
  • Kurva berbentuk simetris
  • Kurva normal berbentuk asimptotis. Kedua ekor kurva memanjang tak berbatas dan pernah memotong sumbu horizontal
  • Kurva mencapai puncak pada saat X= 
  • Luas daerah di bawah kurva adalah 1; ½ di sisi kanan nilai tengah dan ½ di sisi kiri. Total=1
slide13
JENIS-JENIS DISTRIBUSI NORMAL

Distribusi kurva normal dengan  sama dan  berbeda

slide14
Distribusi kurva normal dengan  berbeda dan  sama

Mangga “C”

Mangga “A”

Mangga “B”

kurva normal1
Kurva Normal

Kurva Normal merupakan model teoritis sejenisfrekwensipoligon yang benar-benarsimetrisdanmulus.

  • Teori yang mendasariStatistikInferensial
  • Kurva Normal dikombinasikandenganStandarDeviasidapatdigunakanuntukmembangunpernyataandeskriptif yang tepattentangdistribusiempiris.
slide17
KonsepDasarKurva Normal :
  • Berbentukloncengberartisimetrisdikanandankiridari 'mean‘
  • 'Mean' = 'median' = 'mode', nilaidariketigaukuransentraliniterletakpadatitik yang samapadasumbu X danhanyamempunyaisatu 'mode' (unimodal).
  • Jumlahseluruhdaerahdiatassumbu X dandibawahkurvasetaradengansatuatauseratuspersen. Karenakurva Normal simetris,berbentukloncengdanunimodalmakadaerahdidikanandandikirigaristegaklurusdiatasmeanmasing-masingbesarnya 0,5 atau 50%.
  • Kurvaditetapkanolehduaparameteryaitu 'mean' yang merupakanpusatataukonsentrasidistribusidanstandardeviasi yang menentukanpenyebarandistribusidisekitar 'mean'.
  • Ujung-ujungkurvameruncingdikanandankiritetapitidakpernahmennyentuhgaris X (asymptotic), danjarakkeujungujungnyadari 'mean' menujukkantingkatfrekuensipengukuran.
  • Bilagaristegaklurusdibuatpadajaraksatustandardeviasidikanandandikiri 'mean' akanmencakupdaerahseluaskira-kira 68% didalamnya (antaragaristersebut, kurvadansumbubiladua standard deviasi 95%, bilatigastandardeviasi 99,7% dan area diluartiga
kurva normal standard kurva normal baku
Kurva normal standard (kurva normal baku)
  • Nilai Z Nilai Standar Konversi Nilai asli ke Standar Deviasi
  • Nilai Z  untuk menemukan prosentase wilayah total di bawah kurva normal
nilai iq sampel wanita
Nilai IQ sampel wanita

Proporsi Wanita dengan IQ < 120 sebesar 97,72 %

nilai iq sampel laki laki
Nilai IQ sampel laki-laki

Proporsi Laki-laki dengan IQ < 120 sebesar 84,13 %

slide26
Distribusi Student t
  • Prosedur untuk estimasi standard error dengan standart deviasi sampel
    • Hanya sesuai bila sampel besar

Atau

Dengan Ukuran Sampel Kecil:

Kachigan < 30

Healey < 100

      • Hasil Interval kepercqayaan secara substansi menjadi salah
  • Distribusi Student t dapat membantu mengatasi Interval Kepercayaan dalam sampel kecil dan tidak diketahui
slide27
Distribusi Student t
  • Student t adalah suatu distribusi probabilitas yang mirip dengan distribusi normal, tetapi dengan beberapa perbedaan penting
  • Student t digunakan untuk menemukan area di bawah distribusi sampling dan untuk menentukan wilayah kritis
    • Bentuk ditribusi t bergantung pada ukuran sampel
    • Ukuran sampel kecil distribusi t lebih datar daripada distribusi Z.
    • Begitu sampel menjadi besar distribusi t mendekati bentuk distribusi Z
    • Keduanya identik bila ukuran sampel >120
    • Bila Ukuran Sampel (n) meningkat Standard Deviasi Sampel (s) semakin memenuhi sebagai estimator Standard Deviasi Populasi ( )  distribusi t semakin dekat dengan distribusi z
slide29
Distribusi Student t
  • Distribusi t bergantung pada ukuran sampel ada pertimbangan tentang Derajat Kebebasan

Derajat Kebebasan adalah jumlah observasi dalam data yang bebas untuk berubah setelah statistik sampel dihitung jumlah observasi yang tidak bias

      • Kasus satu sampel DF= N-1
      • Kasus dua sampel DF= N1+N2-2
  • Seperti dalam Distribusi Z, tabel distribusi t akan membantu menemukan wilayah di bawah kurva normal
ad