Tegar Tirta

Uji Hipotesis   Uji hipotesis  adalah sebuah proses untuk melakukan evaluasi kekuatan bukti dari sampel, dan memberikan dasar untuk membuat keputusan terkait dengan populasinya. Tujuan uji hipotesis adalah untuk memutuskan apakah hipotesis yang diuji ditolak atau diterima . Uji hipotesis merupakan bagian dari statistik inferensial yang bertujuan untuk menarik kesimpulan mengenai suatu populasi berdasarkan data yang diperoleh dari sampel populasi tersebut. Sebelum memahami mengenai uji hipotesis, kita bahas dulu mengenai hipotesis itu sendiri. Apa itu hipotesis? Jika dilihat dari asal katanya dari Bahasa Yunani, hipotesis dapat diartikan sebagai pernyataan yang masih lemah kebenarannya, dan perlu dibuktikan. Hipotesis adalah jawaban sementara terhadap suatu permasalahan, berupa dugaan saintifik (tidak asal-asalan), dan  masih harus dibuktikan terlebih dahulu kebenarannya kemudian melalui sebuah riset atau penelitian. Jadi setidaknya ada tiga kata kunci dalam memahami hipotesis: Dugaan s

Interval Keyakinan untuk Proporsi Populasi   Interval keyakinan dapat digunakan untuk memperkirakan beberapa parameter populasi. Salah satu jenis parameter yang dapat diperkirakan menggunakan statistik inferensial adalah proporsi populasi. Misalnya, kami mungkin ingin mengetahui persentase penduduk AS yang mendukung bagian tertentu dari undang-undang. Untuk jenis pertanyaan ini kita perlu menemukan interval kepercayaan. Dalam artikel ini kita akan melihat bagaimana membangun interval kepercayaan untuk proporsi populasi, dan memeriksa beberapa teori di balik ini. Kerangka Keseluruhan Kita mulai dengan melihat gambaran besar sebelum kita masuk ke spesifik. Jenis interval keyakinan yang akan kita pertimbangkan adalah dari bentuk berikut: Perkirakan +/- Margin of Error Ini berarti ada dua angka yang perlu kita tentukan. Nilai-nilai ini merupakan perkiraan untuk parameter yang diinginkan, bersama dengan margin of error. Kondisi Sebelum melakukan uji atau prosedur statistik, penting untuk me

  Interval Keyakinan dari Standar Deviasi Deviasi Standar adalah perkiraan interval. Tetapi seberapa tepat estimasi Anda terhadap sampel SD (plot yang tersebar atau variabilitas data) dibandingkan dengan populasi? 95% CI SD dapat dihitung menggunakan kalkulator online, misalnya: Nilai input adalah Standar Deviasi dan N ukuran sampel. Misalnya, untuk data merek kami: 95% CI ternyata menjadi 3,81 hingga 6,88 Karena CI ini adalah perkiraan interval yang dihitung untuk perkiraan interval lain yaitu SD, setiap batas awal SD sekarang akan dinyatakan sebagai kisaran. Misalnya, batas atas SD 12,81 + 4,905 sekarang akan menjadi kisaran antara 12,81 + 3,81 hingga 12,81 + 6,99. Demikian pula, batas bawah SD 12.81–4.905 akan menjadi 12.81–6.99 menjadi 12.81–3.81. Rumus Microsoft Excel untuk ini adalah: Batas bawah: = SD * SQRT ((n-1) / CHIINV ((alpha / 2), n-1)) Batas atas: = SD * SQRT ((n-1) / CHIINV (1- (alpha / 2) , n-1)) Misalnya, SD untuk data nilai = 4.67, n = 34 = 4,67 * SQRT ((33) / CHIINV

Pendekatan Distribusi Normal terhadap Distribusi Binomial Distribusi normal memberikan hampiran yang amat baik terhadap distribusi binomial bila n besar dan p dekat ke 0 atau 1. Bahkan bila n kecil tapi p cukup dekat ke ½, hampiran normal untuk distribusi binomial masih cukup baik. Oleh  Tju Ji Long  · Statistisi Berikut ini diberikan satu teorema yang memungkinkan penggunaan luas di bawah kurva normal untuk menghampiri peluang binomial bila  n n  cukup besar. Teorema: Bila  X X  peubah acak binomial dengan rataan μ=np dan variansi  σ 2 = n p q σ 2 = n p q  maka bentuk limit distribusi z = X − n p √ n p q z = X − n p n p q ketika  n → ∞ n → ∞ , ialah distribusi normal baku  n ( z , 0 , 1 ) n ( z , 0 , 1 ) . Ternyata distribusi normal dengan  μ = n p μ = n p  dan  σ 2 = n p ( 1 − p ) σ 2 = n p ( 1 − p )  memberikan hampiran yang amat baik terhadap distribusi binomial bila  n n  besar dan  p p  dekat ke 0 atau 1. Bahkan bila  n n  kecil tapi  p p  cukup dekat ke ½, hampiran normal untuk