1

DATA
KUANTITATIF
DATA
NOMINAL


- Paling mudah
- ketepatan yang paling
rendah
- Data nominal - jantina,
ras dan warna
- Cth : Angka 1 untuk
lelaki, 2 untuk
perempuan.



Ciri-ciri:
- setiap ahli hanya boleh
mewakili 1 kategori sahaja
- nombor setiap kategori
tidak mepunyai peringkatan
- pengkelasan data adal -->
data nominal bersifat satu
kepada satu

DATA
ORDINAL
- Nilai pemeringkatan @
pangkatan
- Boleh disusun dari
terendah kepada nilai
tertinggi@ lemah ke
cemerlang
- Cth: Markah,
Ketinggian, gred, berat &
jawatan
Ciri-Ciri:
- kategori pengkelasan
adalah saling eksklusif
- Ukuran menunjukkan
pemeringkatan secara logik
- ukuran mempunyai
pemberat sama ada kurang
atau lebih.
DATA SELA
- Nilai pemeringkatan &
juga mempunyai
perbezaan setiap unit
sela yg sama nilai.
- cth : Ukuran suhu

Ciri-Ciri:
- Kategori pengkelasan salinhg
eksklusif
- ukuran yang digunakan
menggambarkan susunan
pemeringkatan logik
- mempunyai pemberat -
ukuran sama ada lebih kecil
@lebih besar daripada yang
lain.
- skala sela bernilai arbitari
termasuklah nilai 0
perbezaan satu unit ukuran
mempunyai nilai yang sama
bagi semua perbezaan ukuran
DATA NISBAH
- Mempunyai semua ciri
skala sela & nilai mutlak
- Nilai sifar adalah kosng
& mutlak
- Cth: Jarak, berat& wang
5.0 MENGANALISIS DAN MENTERJEMAH DATA
5.1 PENGENALAN
Bab ini menerangkan bagaimana menganalisis data-data yang mudah. Data-data yang
dikumpulkan akan diringkaskan dalam bentuk dalam bentuk jadual dan seterusnya
kepada carta dan graf.
5.2 PEMBAHAGIAN DATA
Data Kuantitatif dibahagikan kepada 4 jenis skala pengukuran yang ditakrifkan dalam
angka untuk mengkelas atau menunjukkan tahap nilai/ukuran.













2


5.3 MENGUMPUL DAN MEWAKILKAN DATA


CONTOH-CONTOH CARTA

CARTA PALANG
DATA
MENGUMPUL
- Kebiasaannya dalam
kuantiti@ julat yang kecil.
- dikumpul dalam sela
mengikut saiz kelasnya
PERWAKILAN DATA
- hasil pengumpulan
digambarkan melalui carta &
graf.
-Cth: piktograf, carta palang,
histogram graf garis, carta
pai dan ogif
3


CARTA PAI

HISTOGRAM

GRAF GARIS
4

5.4 UKURAN KECENDERUNGAN MEMUSAT
Mengira kecenderungan berpusat melalui nilai min, median dan mod.

5.4.1 Mencari Nilai Min, Mod dan Median data tidak terkumpul
CONTOH PENGIRAAN MIN




MIN
Purata
MEDIAN
Nilai di tengah-tengah
MOD
Kekerapan tertinggi
N
N
...
2 1
N
populasi, min
_ _ _
_
+ + +
=

=
n
n
...
2 1
sampel, min
_ _ _
_
_
+ + +
=

=
n
5

Contoh Pengiraan Min

Markah ujian statistik bagi 9 pelajar adalah seperti berikut. Dapatkan min markah ujian
statistik.

44 . 63
9
70 70 69 67 65 61 59 57 53
,
=
+ + + + + + + +
=

=
N
Min
_

Median Susun Data secara menaik atau menurun



- Nilai yang di tengah-tengah adalah 65

Mod Kekerapan tertinggi dalam senarai


- Mod adalah 70
Julat pula adalah beza jumlah terbesar dengan terkecil.


Contoh : 70- 53 =17

53 57 59 61 65 67 69 70 70
53 57 59 61 65 67 69 70 70
53 57 59 61 65 67 69 70 70
53 57 59 61 65 67 69 70 70
6

5.4.2 Mencari Nilai Min, Mod dan Median data terkumpul
Untuk data terkumpul ukuran kecenderungan dilakukan menggunakan formula.

a) Pengiraan Min



w = pemberat
d = data mentah atau tanda kelas data terkumpul

Contoh
Seorang pensyarah statistik ingin mendapatkan purata bagi markah-markah yg
didapati oleh seorg pelajar yang setiapnya mempunyai pemberat atau
peratusan yg tersendiri. Peratusan diberi, tugasan 20%, ujian 30% dan akhir
50%. Markah pelajar berkenaan adalah 85, 74 dan 68.







b) Median





Dimana
w
wd
Min

= _ ,
2 . 73
100
7320
50 30 20
) 68 50 ( ) 74 30 ( ) 85 20 (
=
=
+ +
+ +
=

=
w
wd
_
) 2 ...(
2
1
~
) 1 ...(
2
1
~
R
f
F
n
n
C L
atau
R
f
F
n
C L
m
A
A
m
B
B
|
|
|
|
.
|

\
|

|
.
|

\
| +

=
|
|
|
|
.
|

\
|

+
+ =
_
_
7

L
A
sempadan atas kelas mod
L
B
sempadan bawah kelas mod
n bilangan cerapan
F
A
hasil tambah kekerapan kelas-kelas sesudah kelas median
F
B
hasil tambah kekerapan kelas-kelas sebelum kelas median
C saiz kelas median
f
m
frekuensi kelas median

Contoh





Daripada jadual,
f
1
=2; f
2
=7; f
3
=10; f
4
=8; f
5
=3
Dapatkan kelas median:
f
1
+ f
2
= 9 < 15.5
dan f
1
+ f
2
+ f
3
= 19 > 15.5
Maka,
L
A
= 2.995 L
B
= 2.495

n = 30
F
A
= 11

F
B
= 9 C = 0.5 f
m
= 10

Selang kelas Tanda Kelas, m Kekerapan, f mf
1.50 - 1.99 1.745 2 3.49
2.00 - 2.49 2.245 7 15.72
2.50 - 2.99 2.745 10 27.45
3.00 - 3.49 3.245 8 25.96
3.50 - 3.99 3.745 3 11.24
Jumlah 30 83.85
8

R1 R2


c) Mod






Dimana
L
A
sempadan atas kelas mod
L
B
sempadan bawah kelas mod

B
beza antara kekerapan kelas mod dgn kekerapan kelas sebelumnya

A
beza antara kekerapan kelas mod dgn kekerapan kelas berikutnya
C saiz kelas mod
Contoh





Kelas mod = 2.50-2.99
Maka, L
A
= 2.995

L
B
= 2.495


B
=

A
= 2 C = 0.5

R1 R2
) 2 .......(
) 1 .......(
R C L
atau
R C L
B A
A
A
B A
B
B
|
|
.
|

\
|
A + A
A
=
|
|
.
|

\
|
A + A
A
+ =
_
_
Selang kelas Tanda Kelas, m Kekerapan, f mf
1.50 - 1.99 1.745 2 3.49
2.00 - 2.49 2.245 7 15.72
2.50 - 2.99 2.745 10 27.45
3.00 - 3.49 3.245 8 25.96
3.50 - 3.99 3.745 3 11.24
Jumlah 30 83.85
795 . 2
3 2
3
5 . 0 495 . 2
=
|
.
|

\
|
+
+ = _
795 . 2
3 2
2
5 . 0 995 . 2
=
|
.
|

\
|
+
= _
82 . 2
10
9 5 . 15
5 . 0 495 . 2
~
=
|
.
|

\
|
+ = _
82 . 2
10
11 5 . 15 30
5 . 0 995 . 2
~
=
|
.
|

\
|
= _
9

Hubungan di antara Min, Mod dan Median






10


11

5.5 UKURAN SERAKAN
Ukuran variasi memberi maklumat tentang serakan atau variasi nilai data.



a) Julat
Perbezaan antara nilai terbesar (maksimum) dan terkecil (minimum).
Julat = X
Mak
X
Min


b) Min Sisihan
Min sisihan ialah perbezaan antara markat dengan min dalam sesuatu taburan.
Boleh digunakan untuk membandingkan serakan markat antara satu taburan
dengan taburan yang lain.
Semakin besar nilai min sisihan, semakin tidak seragam markat dalam taburan
berkenaan.
Nilai mutlak min sisihan:


di mana,
X = markat/pengamatan,
M = min taburan
N = bilangan markat.

c) Varians
Min/Purata nilai perbezaan markat daripada min yang dikuasaduakan.
N
M X
MS
N
i

=

=
1
12

Varians populasi =
Varians sampel =
Varians populasi



= min populasi
N = saiz populasi
X
i
= nilai ke i bagi pembolehubah X



Varians sampel


= min arithmetik
N = saiz sampel
X
i
= nilai ke i bagi pembolehubah X



d) Sisihan Piawai

Ukuran variasi yang paling selalu digunakan.
Menunjukkan variasi daripada min.
Merupakan punca kuasadua daripada varians.
Mempunyai unit yang sama dengan data asal.
Populasi



Sampel

2
o
2
s
1 - N
) (X
N
1 i
2
i
2

=

=

o

1 - N
) X (X
S
N
1 i
2
i
2

=

=
X
1 - N
) (X
N
1 i
2
i
=

=

o
1 - N
) X (X
S
N
1 i
2
i
=

=
13








14


















15

5.6 KEBERANGKALIAN

5.6.1 Ujikaji dan Kesudahan
Contoh Ujikaji : melambung Duit Syiling dan Melambung Dadu




16

5.6.2 Ruang Sampel

















Contoh
Ujikaji melambung dadu
S = {1,2,3,4,5,6}
Ujikaji melambung
sekeping duit syiling
S = {A,G}
Ujikaji kelahiran bayi
S = {lelaki, perempuan}
17

Visualisasi Gambarajah Venn


Visualisasi Gambarajah Pokok







18

Visualisasi Gambarajah Pokok
( 2 keping Lambungan Duit Syiling)

S = {GG, GN, NG, NN}



5.6.3 Peristiwa











PERISTIWA

Satu himpunan atau lebih kesudahan-kesudahan
bagi satu ujikaji

PERISTIWA
MUDAH
PERISTIWA
KOMPAUN
19










CONTOH:
Katakan kita memilih secara rawak 2 biji guli daripada sebuah uncang. Cerap sama
ada guli yg terpilih setiap kali pilihan adalah biru atau merah.
Andaikan b = biru dan m = merah


Maka, S = {bb, bm, mb, mm}.
Dari itu, Peristiwa mudah bagi ujikaji ini adalah,
E
1
= (bb), E
2
= (bm), E
3
= (mb) dan E
4
= (mm)
PERISTIWA MUDAH
Peristiwa mudah hanya terdiri daripada
satu dan hanya satu kesudahan.
Peristiwa mudah dilabelkan sebagai E
1
,
E
2
dan seterusnya.

20









CONTOH:
Pilih secara rawak dua pelajar daripada sebuah kelas dan cerap sama ada peserta
yg terpilih setiap kali pilihan adalah lelaki atau perempuan. A adalah peristiwa
dimana bilangan lelaki yg terpilih adalah tidak lebih daripada seorang.
Peristiwa A akan muncul jika tiada lelaki atau hanya seorang lelaki yg terpilih.


A = {LP, PL, PP}.






PERISTIWA KOMPAUN
Satu himpunan yg terdiri lebih drp satu
kesudahan bagi satu ujikaji.

21

5.6.4 Kebarangkalian

Kebarangkalian dilabelkan >> Kb
Kebarangkali bagi:
peristiwa mudah >> Kb(E
i
)
peristiwa kompaun >> Kb(A)
2 panduan yg perlu diikuti:
I) Kebarangkalian satu peristiwa adalah dlm julat 0 hingga 1




II) Perjumlahan kebarangkalian bagi kesemua peristiwa mudah
terhadap satu ujikaji, EKb(E
i
) , mestilah sentiasa 1.

EKb(E
i
) = Kb(E
1
) + Kb(E
2
) + + Kb(E
n
) = 1





KEBARANGKALIAN
KLASIK
KEKERAPAN
RELATIF
22

Kebarangkalian Klasik
Mengira kebarangkalian bagi suatu peristiwa ujikaji di mana ke semua kesudahan
adalah sama. Katakan suatu ujikaji mempunyai n peristiwa mudah yang berbeza, di
mana setiap peristiwa mempunyai peluang yang sama untuk berlaku.
Kb(A) = bilangan peristiwa A akan berlaku
bilangan kesudahan (n)

Kebarangkalian Kekerapan Relatif
Jalankan ujikaji berulang kali dan kira bilangan peristiwa A akan berlaku.
Kb(A) = bilangan peristiwa A berlaku (f)
bilangan ujikaji dijalankan (n)
Akan perolehi anggaran, semakin banyak ujikaji, anggaran akan menghampiri
kebarangkalian yang sebenarnya.


5.6.5 Kebarangkalian Peristiwa Pelengkap
Peristiwa pelengkap, A merupakan kesudahan yang tidak berlaku kepada peristiwa A.
Peristiwa pelengkap dikatakan peristiwa saling eksklusif.


Petua penambahan:
Kb(AA) = Kb(A) + Kb(A) = 1
23

5.6.6 Kebarangkalian Peristiwa Bergabung

Peristiwa yang dihasilkan daripada kesatuan atau persilangan dua peristiwa atau
lebih