SILABUS MATA KULIAH PENGANTAR STATISTIKA SOSIAL · 2019-05-15 · Distribusi Frekuensi 4 Bab IV...
Transcript of SILABUS MATA KULIAH PENGANTAR STATISTIKA SOSIAL · 2019-05-15 · Distribusi Frekuensi 4 Bab IV...
SILABUS MATA KULIAH PENGANTAR STATISTIKA SOSIAL
Pertemuan Ke Materi Referensi 1 Bab I
Pendahuluan tentang Statistika
Gravetter F. J. dan Larry. Pengantar Statistika Sosial.2014. Penerbit Salemba Empat, Jakarta Supranto, J. The Power of Statistics untuk Pemecahan Masalah. 2009. Penerbit Salemba Empat, Jakarta. Riduwan. Pengantar Statistika Sosial. 2014. Penerbit Alfabeta, Bandung.
Hasan, M. Iqbal.1999. Pokok-pokok Materi Statistik 1 (Statistik Deskriptif).Penerbit Bumi Aksara, Jakarta
2 Bab II Data (Pengumpulan dan Penyajian)
3 Bab III Distribusi Frekuensi
4 Bab IV Ukuran Nilai Pusat
5 Bab V Ukuran Nilai Pusat (lanjutan)
6 Bab VI Ukuran Dispersi
7 Bab VII Ukuran Dispersi (lanjutan)
8. U T S- UJIAN TENGAH SEMESTER 9 Bab IX
Probabilitas dan Distribusi Probabilitas
Gravetter F. J. dan Larry. Pengantar Statistika Sosial.2014. Penerbit Salemba Empat, Jakarta Supranto, J. The Power of Statistics untuk Pemecahan Masalah. 2009. Penerbit Salemba Empat, Jakarta.
Hasan, M. Iqbal.1999. Pokok-pokok Materi Statistik 1 (Statistik Deskriptif).Penerbit Bumi Aksara, Jakarta
10 Bab X Regresi Linier
11 Bab XI Koefisien Korelasi dan Determinasi
12 Bab XII Uji Hipotesis t, Uji Hipotesis F dan Uji Beda
13 Bab XIII Pengenalal Regresi Linier Berganda Lain: Regresi Linier Berganda, Regresi Logistik Regresi dengan Variabel Intervening dan Moderator
14 Bab XIV Estimasi dan Anova
15 Bab XV Uji Non Parametrik seperti: Chi Square, Kruskal Wallis, Mann Whitney, Wilcoxon Uji Non Parametrik: Chi Square, Kruskal Wallis, Mann Whitney, Wilcoxon
16. U A S- UJIAN AKHIR SEMESTER
BAB 6
PROBABILITAS DAN
DISTRIBUSI PROBABILITAS
TUJUAN PEMBELAJARAN UMUM
Setelah mengikuti perkuliahan ini, mahasiswa dapat
mengetahui distribusi data, khususnya distribusi normal
baku.
TUJUAN PEMBELAJARAN KHUSUS
Setelah membaca dan mengikuti perkuliahan,
mahasiswa dapat memahami pengertian-pengertian
pokok dan dasar-dasar kerja statistika seperti pada
pembahasan
PEMBAHASAN
PENGANTAR PROBABILITAS
PROBABILITAS DAN DISTRIBUSI NORMAL
ILUSTRASI KASUS
Sebuah Toko Retail Fashion terkenal
menawarkan kartu anggota yang
berfungsi untuk mendapatkan diskon
pada setiap transaksi pembelanjaan.
Pada saat aplikasi kartu tersebut di
kasir, kasir menyampaikan bahwa waktu
yang dibutuhkan untuk mengisi formulir
adalah 5-10 menit.
Waktu pengisian tersebut mengikuti
sebuah distribusi seragam berkisar 5-10
menit.
Sumber Gambar:
https://www.google.com/search?q=gambar+toko+retail+fas
hion&client=firefox-
b&tbm=isch&source=iu&ictx=1&fir=kyTGg3cESglpqM%253A
%252CcSQcy8aedzPdQM%252C_&usg=__L6SbbMZ3LhjaTXE
CMVayRmm_G7A%3D&sa=X&ved=0ahUKEwi3hsmeoI_bAh
UYbo8KHT8mApMQ9QEIODAH#imgrc=usdLYyU48hInjM:
PROBABILITAS DAN DISTRIBUSI PROBABILITAS
A. DEFINISI PROBABILITAS
Contoh: P(A) = 80%
Artinya : peluang bahwa kejadian A akan terjadi sebesar 80%.
Sehingga peluang kejadian A tidak terjadi adalah 1-80% = 20%.
Kejadian Majemuk
Peluang Suatu kejadian
untuk mengukur tingkat kemungkinan
terjadinya suatu kejadian yang tidak pasti.
Rumus :o P(XUY) = P(X) + P(Y) jika kejadian saling bebaso P(XUY) = P(X) + P(Y) – P(X∩Y) jika kejadian tidak saling
bebaso P(X∩Y) = P(Y) x P(X/Y) jika kejadian tidak saling bebas, atau
P(X∩Y) atau P(XY) = P(X/Y)
P(Y)
Probabilitas Bersyarat
Prior dan Posterior
Kejadian prior peluang kejadian tanpa syarat
Kejadian posterior peluang kejadian bersyarat
Probabilitas Bersyarat Dalam Data
Distribusi Binomial
Merupakan Distribusi Diskrit
Setiap percobaan menghasilkan dua kemungkinan peristiwa terjadi
Probabilitas satu peristiwa adalah tetap atau konstan, tidak berubah untuk setiap
percobaan
Semua percobaan bersifat bebas
Jumlah atau banyaknya percobaan yang merupakan komponen percobaan binomial
harus tertentu
DISTRIBUSI PROBABILITAS
DISTRIBUSI PROBA BALITAS
DISKRIT
Distribusi Binomial/ Bernoulli
Distribusi Hipergeometrik
Distribusi Poisson
DISTRIBUSI DATA KONTINU
Distribusi Seragam
Distribusi Normal/ Gauss
Menghitung kemungkinan pesawat
tidak terlambat datang, bila diketahui
probabilitas yang terlambat. Dari
misalnya 7 penerbangan tiap hari rute
Jakarta-Mataram
Distribusi Hipergeometrik
Merupakan Distribusi Diskrit
Distribusi yang menggunakan variabel diskrit dengan dua kejadian yang
berkomplemen.
Perbedaan dengan distribusi binomial adalah pada cara pengambilan sampel
Distribusi hipergeometrik pengambilan sampel tanpa pengembalian
https://www.google.com/search?q=gambar+distribusi+hipergeometrik&client=firefox-
b&tbm=isch&source=iu&ictx=1&fir=cmhgmwclxsLSFM%253A%252CDZojwCoGhfiApM%252C_&usg=__y6CQRMFusPwI5KtVRgn
pKaL_HQg%3D&sa=X&ved=0ahUKEwjTqeb3oY_bAhUFTY8KHWPyCTsQ9QEILjAC&biw=1366&bih=650#imgrc=cmhgmwclxsLSF
Ada 50 orang pekerja pada sebuah divisi suatu
perusahaan multinasional. Apabila akan dibentuk
serikat pekerja, yang diwakili 7 orang pekerja secara
acak, maka kemungkinan terpilihnya seorang pekerja
menjadi perwakilan adalah hanya sekali, dengan
pengambilan sampel dilakukan tanpa pengembalian
Distribusi Poisson
Merupakan Distribusi Diskrit
Ditemukan oleh S.D. Poisson (1781-1841), ahli Matematika Perancis.
Distribusi yang memakai distribusi nilai-nilai suatu variabel random X (X= diskrit),
yaitu banyaknya hasil percobaan yang terjadi dalam suatu interval waktu atau di
suatu area tertentu.
Digunakan bila probabilitas suatu peristiwa yang jarang terjadi, misal seorang petani
meninggal tersambar petir dalam setahun.
Ciri-ciri:
Distribusi variabel diskrit
Banyaknya hasil percobaan yang terjadi dalam suatu interval waktu atau area
tertentu
Digunakan bila probabilitas suatu peristiwa sangat kecil
Sumber:
https://www.google.com/search?q=gambar+distribusi+poisson&client=firefox-
b&tbm=isch&source=iu&ictx=1&fir=_VE4s8riBGMKYM%253A%252CndZLpwwO9CwvUM%252C_&usg=__VP0dT4uyDdjKNS_6G3Jq__dXJYk%3D
&sa=X&ved=0ahUKEwjP2JKKoY_bAhWHLY8KHZFLAVMQ9QEIKjAA#imgrc=_VE4s8riBGMKYM:
Distribusi Seragam
Distribusi Kontinu
Bentuk segi empat, dengan nilai minimal dan maksimal
Contoh: waktu untuk mengakses sebuah halaman web tertentu terdistribusi secara seragam
dengan waktu minimal 25 milidetik dan waktu maksimal 75 milidetik.
Distribusi Normal
Merupakan Distribusi Kontinu
KURVA NORMAL
Asumsi data variabel membentuk distribusinormal
Bila data tidak normal, teknik statistik parametris tidak dapat digunakan untuk
analisis
Suatu data membentuk distribusi normal bila jumlah data di atas dan di bawah rata-
rata adalah sama, demikian juga simpangan bakunya
Penjelasan
Secara teoritis, kurva tidak akan pernah menyentuh garis dasar, sehingga luasnyapun
tidak sampai 100 %, tetapi hanya mendekati (99,999 %) -asimtotik
Berbentuk lonceng dan simetris: luas rata-rata mean ke kiri dan ke kanan masing-
masing mendekati 50 %, tetapi dalam prakteknya dinyatakan dalam 50 %
Di samping kurva normal umum, terdapat kurva normal standar, karena nilai rata-
ratanya / µ= 0, dan simpangan bakunya/ σ = 1,2,3,4 dst
Distribusi Probabilitas Normal Baku/ Z
X: nilai beberapa pengamatan
µ: rata-rata distribusi
σ: standar deviasi distribusi
xx
x
xz
PENGUJIAN NORMALITAS DATA
Statistik parametris didasarkan atas asumsi bahwa data setiap variabel dianalisis
berdasakan distribusi normal
Sebelum menggunakan teknik statistik parametris, maka kenormalan data harus diuji
terlebih dahulu
Bila data tidak normal, maka statistik parametris tidak dapat digunakan, sehingga
digunakan statistik non parametris
Penyebab ketidak normalan data : kesalahan alat dan pengumulan data
Pengujian normalitas data menggunakan Chi Square/ Kai Kuadrat (Χ2), dilakukan
dengan cara membandingkan kurva normal yang terbentuk dari data yang telah
terkumpul (B) dengan kurva normal baku/standar (A) atau (B : A)
Bila B tidak berbeda secara signifikan dengan A, maka B merupakan data yang
berdistribusi normal
DISTRIBUSI SAMPLING
Alasan Sampling/ teknik penarikan sampel – memilih sampel
1. Mempelajari seluruh populasi akan memakan waktu dan terkadang mustahil (misal
meneliti seluruh bakteri dalam satu sungai)
2. Biaya yang besar untuk meneliti seluruh populasi
3. Sebagian pengujian bersifat destruktif (uji kualitas dalam sebuah proses produksi di
pabrik menggunakan sampel)
4. Hasil-hasil dari sampel sudah memadai (menentukan indeks harga konsumen dengan
sampel beberapa pasar induk)
Co
nto
h T
ekn
ik S
amp
ling
Teknik Sampel Acak Sederhana
Teknik Sampel Acak Sistematis
Teknik Sampel Stratifikasi
Teknik Sampel Cluster
Teknik sampel acak sederhana Setiap unit dalam populasi memiliki kesempatan yang sama terambil Setiap ukuran sampel n mempunyai kesempatan yang sama terambil Populasi bersifat uniform atau seragam Sesuai untuk populasi yang kecil Menggunakan tabel bilangan acak
Teknik sampel acak sistematik
Unsur yang pertama diambil secara acak Mengambil setiap unsur ke-k dalam populasi
Teknik sampel stratifikasi Membagi populasi atas beberapa kelompok (strata) sehingga
setiap kelompok menjadi uniform Alokasi sebanding: mengambil sampel pada masing-masing
kelompok populasi yang sebanding dengan ukuran populasi
Teknik sampel cluster Mengambil beberapa cluster Sebagian atau seluruh unit dalam cluster sebagai sampel diambil
secara acak
DISTRIBUSI T
DISTRIBUSI F
Referensi
Gravetter F. J. dan Larry. Pengantar Statistika Sosial. Edisi 8. 2014. Penerbit Salemba Empat,
Jakarta – terjemahan Cengage Learning Singapore(2014)
Lind, Douglas A. ; William G. Marchal, dan Samuel A. Wathen. Teknik-teknis Statistika dalam
Bisnis dan Ekonomi: Menggunakan Kelompok Data Global Buku 1. Edisi 13. 2007. Penerbit
Salemba Empat, Jakarta- terjemahan Mc Graw Hills (2007)
Supranto, J. The Power of Statistics untuk Pemecahan Masalah. 2009. Penerbit Salemba
Empat, Jakarta.