122

5 55 5 5 55 5 P Pe en nd du ug ga aa an n

5.1 Pendahuluan
Telah dikemukakan sebelumnya bahwa Statistik Inferensial berkaitan dengan pem-
buatan inferens atau generalisasi atau penarikan kesimpulan terhadap karakteristik
tertentu dari suatu populasi berdasarkan informasi dari sampel yang diambil dari
populasi tersebut. Secara garis besar, penarikan kesimpulan tentang populasi
tersebut dapat dibagi menjadi dua topik utama, yaitu pendugaan dan pengujian
hipothesis tentang parameter populasi. Teori tentang pendugaan parameter popu-
lasi akan di bahas di dalam bab ini, sedangkan teori tentang pengujian hipotesis
akan kita bahas pada bab 6.
Sesuai dengan namanya, pendugaan terhadap suatu parameter populasi bertu-
juan untuk menentukan nilai pendekatan atau nilai dugaan bagi parameter
populasi tersebut dengan menggunakan statistik sampel. Penduga bagi parameter
populasi dapat berupa penduga titik (point estimate) atau penduga selang
(interval estimate). Penduga titik diperoleh dengan menentukan suatu nilai tung-
gal, yang dihitung dari data sampel sebagai penduga bagi parameter populasi ter-
sebut. Misalnya nilai rata-rata sampel x yang dihitung dari suatu sampel beru-
kuran n merupakan suatu penduga titik bagi parameter populasi µ. Demikian juga
n x p =
ˆ
merupakan suatu penduga titik bagi proporsi p dari suatu percobaan
Binomial.
Dalam melakukan pendugaan, kita umumnya hanya mengambil satu sampel dari
sekian banyak kemungkinan sampel, dan nilai dugaan bagi parameter populasi
semata-mata dihitung berdasarkan sampel yang terambil tersebut. Sehingga ke-
salahan dalam melakukan pendugaan akan sangat mungkin untuk terjadi. Oleh
karena itu, suatu nilai dugaan tidak diharapkan akan menduga parameter populasi
secara tepat, akan tetapi nilai dugaan tersebut diharapkan tidak terlalu jauh me-
nyimpang dari nilai yang diduganya. Dengan kata lain, penduga yang kita inginkan
adalah suatu statistik yang distribusi samplingnya mempunyai rata-rata yang sama
dengan nilai parameter populasinya.

Definisi:
Suatu statistik θ
ˆ
dikatakan sebagai penduga tak bias (unbiased estimator)
bagi parameter θ jika ( ) θ θ =
ˆ
E .
123
Andaikan θ
ˆ
adalah suatu penduga tak bias bagi parameter θ, maka θ
ˆ

dikatakan sebagai penduga yang paling efisien jika ( ) θ
ˆ
Var lebih kecil dari
semua penduga tak bias lainnya.

θ
ˆ
θ
1
ˆ
θ
2
ˆ
θ
3
ˆ
θ

Gambar 5.1 Distribusi sampling dari tiga penduga θ θθ θ

Gambar 5.1 menyajikan distribusi sampling dari tiga penduga θ, yaitu
1
ˆ
θ ,
2
ˆ
θ dan
3
ˆ
θ . Dalam gambar tersebut terlihat bahwa
1
ˆ
θ dan
2
ˆ
θ adalah penduga tak bias
bagi θ (perhatikan bahwa distribusi sampling keduanya terpusat di sekitar θ),
sedangkan
3
ˆ
θ bukan merupakan penduga tak bias bagi θ . Diantara kedua pen-
duga tak bias tersebut terlihat bahwa varians dari
2
ˆ
θ lebih kecil daripada
1
ˆ
θ , oleh
karena itu
2
ˆ
θ merupakan penduga θ yang lebih efisien daripada
1
ˆ
θ .
Dalam bab 4, telah kita tunjukkan bahwa rata-rata sampel merupakan penduga tak
bias bagi rata-rata populasi. Selain itu, bagi suatu populasi Normal, dapat juga kita
tunjukkan bahwa rata-rata sampel adalah penduga yang paling efisien bagi rata-
rata populasi dibandingkan penduga tak bias yang lainnya.
Suatu permasalahan yang dihadapi dalam penggunaan penduga titik adalah bah-
wa penduga tersebut tidak mempunyai kapasitas untuk menyajikan tingkat kete-
litian pendugaannya. Hal ini berbeda dengan penduga selang. Penduga selang
bagi suatu parameter populasi dinyatakan dalam bentuk selang atau interval yang
terletak antara dua nilai tertentu, dimana nilai parameter populasi yang sebenarnya
diharapkan terkandung di dalam selang tersebut. Kedua nilai tersebut, yang
masing-masing merupakan batas bawah dan batas atas bagi penduga selang,
ditentukan berdasarkan pada penduga titik dan distribusi sampling dari statistik
sampelnya. Dengan demikian, di dalam suatu penduga selang terkandung
124
konsep-konsep tentang teori peluang yang dapat digunakan untuk menyatakan
tingkat ketelitian pendugaannya.
Perbedaan sampel akan menghasilkan penduga titik yang berbeda, sehingga pen-
duga selang yang dihasilkanpun akan berbeda pula. Oleh karena itu, tidak semua
penduga selang akan mengandung nilai parameter populasi yang sebenarnya.
Sehingga dalam proses pendugaan dengan menggunakan penduga selangpun
kemungkinan untuk membuat kesalahan selalu ada. Akan tetapi, dengan meng-
gunakan penduga selang, peluang untuk membuat kesalahan dalam pendugaan
dapat ditentukan. Oleh karena itu, penduga selang lebih dikenal dengan sebutan
selang kepercayaan (confidence interval) karena di dalamnya terkandung suatu
pengertian bahwa selang tersebut akan mengandung parameter populasi dengan
‘tingkat kepercayaan’ atau nilai peluang tertentu.
5.2 Selang kepercayaan bagi rata-rata populasi (σ diketahui)
Penduga titik yang paling efisien bagi rata-rata populasi µ adalah rata-rata sampel,
X . Oleh karena itu, X dan distribusi sampling bagi X akan digunakan untuk
menentukan selang kepercayaan bagi rata-rata populasi µ. Penentuan selang
kepercayaan didasarkan pada teori tentang distribusi sampling dari populasi
Normal seperti telah kita bahas dalam bab 4. Konsep tentang selang kepercayaan
bagi µ dapat diilustrasikan seperti pada gambar 5.2.

-4.0 -3.0 -2.0 -1.0 0.0 1.0 2.0 3.0 4.0 5.0 6.0 7.0 8.0
0,95
µ
a b
1
x
2
x
3
x

Gambar 5.2 Distribusi sampling bagi X

125
Dalam gambar 5.2 tersebut kita asumsikan bahwa rata-rata populasi µ diketahui
nilainya, dan distribusi sampling yang terdiri atas semua kemungkinan rata-rata
sampel untuk ukuran sampel tertentu telah diketahui. Selang [a; b] dalam gambar
tersebut ditentukan sedemikan rupa sehingga berjarak sama dari µ dan 95% dari
semua rata-rata sampel tercakup di dalamnya. Misalkan dari populasi tersebut
diambil sampel oleh tiga orang yang berbeda dan rata-rata sampel yang mereka
peroleh adalah
1
x ,
2
x dan
3
x . Dari ketiga rata-rata sampel tersebut kemudian
dibuat selang yang lebarnya sama dengan selang [a; b] dengan menggunakan
nilai rata-rata masing-masing sampel sebagai titik tengah selang. Ketiga selang
tersebut digambarkan di bagian bawah gambar 5.2. Perhatikan bahwa nilai
1
x
dan
2
x menghasilkan selang yang mencakup nilai µ. Sedangkan selang yang di-
hasilkan oleh nilai
3
x tidak mencakup nilai µ di dalamnya. Hal ini terjadi bukan
karena kesalahan dalam proses pengambilan sampel, tetapi semata-mata karena
sifat ke-acak-an (randomness) dari hasil sampel. Kejadian seperti ini – selang
yang tidak mencakup nilai µ – sebenarnya hanya mempunyai peluang sebesar 5%,
karena hanya 5% dari nilai rata-rata sampel yang dapat menyebabkan terjadinya
keadaan tersebut.
Misalkan untuk menduga rata-rata populasi µ. sebuah sampel berukuran n diambil
dari suatu populasi yang berdistribusi Normal. Telah kita tunjukkan bahwa distri-
busi sampling bagi X akan berdistribusi Normal dengan rata-rata µ µ =
x
dan
simpangan baku n
x
σ σ = (lihat bagian 4.3). Oleh karena itu variabel acak Z
dimana
n
X
Z
σ
µ −
= ....................................................................................... [5.1]
akan berdistribusi Normal baku. Dengan menggunakan Tabel Normal Baku (Tabel
Lampiran 2) dapat kita tentukan suatu selang dimana Z akan terletak dalam selang
tersebut dengan nilai peluang tertentu. Sebagai contoh, dari Tabel Normal Baku
tersebut dapat kita ketahui bahwa P(Z > 1,96) = 0,025. Selain itu, karena sifat
simetris dari Z, maka P(Z < –1,96) = 0,025 (gambar 5.3).
Sehingga
P(–1,96 < Z < 1,96) = 0,95
Dengan mensubstitusikan nilai
n
X
Z
σ
µ −
= , maka pernyataan peluang tersebut
setara dengan
95 , 0 96 , 1 96 , 1 =
|
|
¹
|

\
|
<

< −
n
X
P
σ
µ

126

0 1,96 z
0,025
- 1,96
0,025
0,95

Gambar 5.3 Ilustrasi tentang P(–1,96 < Z < 1,96) = 0,95

Pernyataan peluang tersebut dapat dimanipulasi lebih jauh sebagai berikut:
kalikan setiap suku pertidaksamaan tersebut dengan n σ , kemudian kurangkan
X dari setiap suku tersebut, lalu kalikan dengan –1. Maka akan kita peroleh
95 , 0 96 , 1 96 , 1 =
|
|
¹
|

\
|
+ < < −
n
X
n
X P
σ
µ
σ
..................................... [5.2]
Dengan pernyataan peluang tersebut kita menyatakan bahwa parameter populasi
µ akan terletak dalam suatu selang antara nilai
|
|
¹
|

\
|

n
x
σ
96 , 1 dan
|
|
¹
|

\
|
+
n
x
σ
96 , 1
dengan peluang 0,95. Dengan demikian selang kepercayaan 95% bagi µ adalah
n
x
n
x
σ
µ
σ
96 , 1 96 , 1 + < < − ........................................................ [5.3]
atau biasa juga dinyatakan dalam bentuk
n
x
σ
96 , 1 ± ..................................................................................... [5.4]
Nilai z = 1,96 disebut sebagai nilai kritis (critical value). Nilai tersebut diperoleh
dari Tabel Normal baku sedemikian rupa sehingga luas daerah di ujung kanan
kurva adalah 0,025 (lihat gambar 5.3). Oleh karena itu, nilai tersebut berkaitan
erat dengan nilai peluang 0,95 (95%) yang disebut sebagai koefisien
kepercayaan (confidence coefficient). Nilai kritis tersebut akan berbeda nilainya
untuk koefisien kepercayaan yang berbeda. Misalnya, jika koefisien kepercayaan
yang diinginkan adalah 99%, maka nilai kritisnya adalah nilai z yang membuat luas
daerah di ujung kanan kurva normal baku sama dengan (1 – 0,99)/2 = 0,005, yaitu
z = 2,58. Secara umum, hubungan antara nilai kritis dengan koefisien keperca-
127
yaan bagi variabel acak yang berdistribusi Normal baku dapat dituliskan sebagai
berikut
( ) α
α α
− = < < − 1
2 2
z Z z P ............................................................ [5.5]
dimana z
α/2
adalah nilai z dari variabel acak normal baku yang membuat luas
daerah diujung kanan kurva sama dengan α/2 (lihat gambar 5.4).

0
z
α/2
z -z
α/2
2
α
2
α
1 - α `

Gambar 5.4 Ilustrasi tentang nilai kritis z
α αα α/2


Aturan 5.1 Selang kepercayaan bagi µ µµ µ, , , , σ σ σ σ diketahui
Jika dari suatu populasi Normal dengan rata-rata populasi µ dan varians σ
2

(diketahui nilainya) diambil suatu sampel berukuran n dan diperoleh nilai rata-
rata sampel x , maka selang kepercayaan (1 – α)100% bagi µ adalah
n
z x
n
z x
σ
µ
σ
α α 2 2
+ < < − ....................................................... [5.6]
atau
n
z x
σ
α 2
± .................................................................................... [5.7]
dimana z
α/2
adalah nilai kritis dari variabel acak normal baku yang membuat
luas daerah di ujung kanan kurva sama dengan α/2

Aturan 5.1 dapat juga diterapkan terhadap populasi normal yang nilai variansnya

2
) tidak diketahui, asalkan ukuran sampelnya lebih besar dari 30. Untuk kasus
ini, σ dapat diganti dengan simpangan baku sampel s.
128
Contoh 5.1
Seorang petugas quality control sebuah perusahaan kayu lapis melakukan
pengukuran terhadap ketebalan veneer yang akan digunakan sebagai lapisan
paling atas dari kayu lapis produksi perusahaan tersebut. Dari 50 sampel yang
diperiksanya diperoleh rata-rata ketebalan veneer 0,85 mm dengan simpangan
baku 0,05 mm. Tentukan selang kepercayaan 90%, 95% dan 99% bagi rata-rata
ketebalan veneer produksi perusahaan tersebut.
Penyelesaian
Karena ukuran sampelnya cukup besar (> 30), maka distribusi sampling bagi X
akan mendekati distribusi Normal dan simpangan baku populasi σ dapat didekati
dengan nilai simpangan baku sampel s = 0,05 mm.
Dengan menggunakan Tabel Normal Baku (Tabel Lampiran 2) kita peroleh bahwa
nilai kritis dari z untuk koefisien kepercayaan 90% adalah z
0,05
= 1,645. Sehingga
selang kepercayaan 90% bagi rata-rata ketebalan veneer (µ) adalah
) 50 05 , 0 )( 645 , 1 ( 85 , 0 ) 50 05 , 0 )( 645 , 1 ( 85 , 0 + < < − µ
atau
0,838 < µ < 0,862
Untuk koefisien kepercayaan 95%, dari Tabel Lampiran 2 kita peroleh z
0,025
= 1,96.
Sehingga selang kepercayaan 95% bagi rata-rata ketebalan veneer (µ ) adalah
) 50 05 , 0 )( 96 , 1 ( 85 , 0 ) 50 05 , 0 )( 96 , 1 ( 85 , 0 + < < − µ
atau
0,836 < µ < 0,864
Sedangkan untuk koefisien kepercayaan 99%, dari Tabel Lampiran 2 kita peroleh
z
0,005
= 2,575. Sehingga selang kepercayaan 99% bagi rata-rata ketebalan veneer
(µ ) adalah
) 50 05 , 0 )( 575 , 2 ( 85 , 0 ) 50 05 , 0 )( 575 , 2 ( 85 , 0 + < < − µ
atau
0,832 < µ < 0,868
Perhatikan bahwa semakin tinggi koefisien kepercayaan maka selang keperca-
yaan yang dihasilkan akan semakin lebar.


129
Dalam MINITAB, pendugaan selang kepercayaan bagi µ dengan nilai σ diketahui
dilakukan dengan perintah
ZINTERVAL [K% confidence], sigma = K for C...C
dimana nilai K dalam ‘[K% confidence]‘ adalah tingkat kepercayaaan; K dalam
‘sigma = K‘ adalah nilai simpangan baku populasi (σ); dan ‘C...C‘ adalah
kolom-kolom dari data yang akan dianalisis (MINITAB dapat menentukan selang
kepercayaan bagi beberapa variabel sekaligus).
Perintah tersebut dapat diketik dalam jendela Session atau dengan memilih menu
Stat Basic Statistics 1-Sample z...


Gambar 5.5 Jendela 1-Sample z untuk selang kepercayaan

Pemilihan menu tersebut akan mengaktif jendela 1-Sample z seperti terlihat
dalam gambar 5.5. Isikan nama kolom dimana data tersebut disimpan ke dalam
kotak Variables, lalu dalam kotak Level: isikan tingkat kepercayaan yang
diinginkan (MINITAB telah secara otomatis mengisinya untuk tingkat kepercayaan
95%), kemudian isikan nilai simpangan baku populasi ke dalam kotak Sigma dan
klik OK.


130
Contoh 5.2
Perhatikan output dari program MINITAB di bawah ini. Output tersebut merupakan
hasil analisis dari data tentang diameter pohon Pinus pinaster Ait. dalam tabel 2.1.
Dalam analisis tersebut simpangan baku populasi diasumsikan sama dengan 5.


MTB > ZInterval 95.0 5 'Diameter'.

Confidence Intervals


The assumed sigma = 5.00

Variable N Mean StDev SE Mean 95.0 % CI
Diameter 90 9.084 2.322 0.527 ( 8.051, 10.117)

MTB >

Interpretasi dari output tersebut adalah sebagai berikut:
Data/variabel yang dianalisis adalah ‘Diameter’ yang simpangan baku
populasinya diketahui, yaitu σ = 5 (The assumed sigma = 5.00). Ukuran
sampelnya adalah 90 (N); rata-rata sampelnya adalah 9,084 (Mean);
simpangan baku sampelnya adalah 2,322 (StDev); galat baku bagi rata-
ratanya adalah 0,527 (SE Mean); dan selang kepercayaan 95% bagi µ adalah
8,051 < µ < 10,117 (95.0 % CI).

5.3 Selang kepercayaan bagi rata-rata populasi (σ tidak diketahui)
Prosedur pendugaan selang kepercayaan bagi rata-rata populasi yang dirumuskan
dalam aturan 5.1 hanya dapat diterapkan jika nilai simpangan baku populasi σ
diketahui besarnya atau ukuran sampelnya cukup besar. Pada prakteknya, sim-
pangan baku populasi σ jarang sekali diketahui nilainya, selain itu, sering kali ter-
jadi ukuran sampel yang dapat diambilpun tidaklah terlalu besar. Pada kasus
demikian maka prosedur dalam aturan 5.1 tidak dapat digunakan untuk menen-
tukan selang kepercayaan bagi rata-rata populasi µ. Akan tetapi, jika distribusi
populasinya mendekati bentuk seperti genta, maka selang kepercayaan bagi rata-
rata populasi µ dapat dihitung dengan menggunakan distribusi sampling T, dimana
n s
X
T
µ −
= ....................................................................................... [5.8]
131
Variabel acak T berdistribusi mengikuti kaidah distribusi t dengan derajat bebas
ν = n – 1. Seperti kita ketahui, distribusi t mempunyai bentuk yang mirip dengan
distribusi Normal baku, yaitu mempunyai distribusi seperti genta, dan simetris
terhadap nilai 0 (lihat gambar 5.6).

0
t
α/2
t -t
α/2
2
α
2
α
1 - α

Gambar 5.6 Ilustrasi tentang nilai kritis t
α/2


Dalam gambar 5.6 nilai kritis t
α/2
adalah nilai t yang membuat luas daerah di ujung
kanan kurva t sama dengan α/2. Nilai-nilai t tersebut dapat ditentukan dengan
menggunakan Tabel distribusi t dalam Tabel Lampiran 3. Hubungan antara nilai
kritis t
α/2
dengan koefisien kepercayaan bagi variabel acak T dapat dinyatakan
sebagai berikut:
( ) α
α α
− = < < − 1
2 2
t T t P ................................................................ [5.9]
atau
α
µ
α α
− =
|
|
¹
|

\
|
<

< − 1
2 2
t
n s
x
t P ..................................................... [5.10]
Dengan menggunakan manipulasi aljabar, dapat ditunjukkan bahwa pernyataan
peluang di atas setara dengan
α µ
α α
− =
|
|
¹
|

\
|
+ < < − 1
2 2
n
s
t x
n
s
t x P ...................................... [5.11]
yang merupakan selang kepercayaan bagi µ dengan tingkat kepercayaan (1 – α).

132
Aturan 5.2 Selang kepercayaan bagi µ, σ tidak diketahui dan n < 30
Jika dari suatu populasi Normal dengan rata-rata populasi µ diambil suatu
sampel berukuran n (n < 30) diperoleh nilai rata-rata sampel x dan
simpangan baku sampel s, maka selang kepercayaan (1 – α)100% bagi µ
adalah
n
s
t x
n
s
t x
2 2 α α
µ + < < − ...................................................... [5.12]
atau
n
s
t x
2 α
± ................................................................................... [5.13]
dimana t
α/2
adalah nilai kritis dari variabel acak T yang berdistribusi t dengan
derajat bebas ν = n –1, yang membuat luas daerah di ujung kanan kurva
distribusi t sama dengan α/2.

Pada prakteknya aturan 5.2 dapat digunakan terhadap populasi yang tidak Normal
asalkan distribusinya tidak terlalu condong (skewed) dan ukuran sampelnya tidak
terlalu kecil.
Contoh 5.3
Sebuah sampel berukuran 10 keping kayu lapis diambil secara acak dari suatu
proses produksi perusahaan kayu lapis. Lebar ke-10 keping kayu lapis tersebut
adalah sebagai berikut (cm): 122, 121, 122, 123, 120, 122, 124, 122, 121, 123.
Dengan asumsi bahwa lebar kayu lapis tersebut berdistribusi mendekati normal,
tentukan selang kepercayaan 95% bagi rata-rata lebar kayu lapis produksi
perusahaan tersebut.
Penyelesaian
Rata-rata sampel ke-10 keping kayu lapis tersebut adalah x = 122 cm dengan
simpangan baku sampel s = 1,15 cm. Dari Tabel Lampiran 3 kita peroleh nilai t
0,025

= 2,2622 untuk derajat bebas ν = 9. Oleh karena itu, selang kepercayaan 95%
bagi rata-rata lebar kayu lapis produksi perusahaan tersebut adalah
) 10 / 15 , 1 )( 2622 , 2 ( 122 ) 10 / 15 , 1 )( 2622 , 2 ( 122 + < < − µ
atau
121,18< µ < 122,82

133

Dalam MINITAB, pendugaan selang kepercayaan bagi µ dengan nilai σ tidak
diketahui dilakukan dengan perintah
TINTERVAL [K% confidence] for C...C
dimana nilai K dalam ‘[K% confidence]‘ adalah tingkat kepercayaaan; dan
‘C...C‘ adalah kolom-kolom dari data yang akan dianalisis.
Perintah tersebut dapat diketik dalam jendela Session atau dengan memilih menu
Stat Basic Statistics 1-Sample t...


Gambar 5.7 Jendela 1-Sample t untuk selang kepercayaan

Pemilihan menu tersebut akan mengaktifkan jendela 1-Sampel t seperti telihat
dalam gambar 5.7. Isikan nama kolom dimana data tersebut disimpan ke dalam
kotak Variables kemudian tentukan tingkat kepercayaan yang diinginkan
dengan mengisi kotak Levels: di bawah tombol Confidence Interval
(MINITAB telah secara otomatis mengisinya untuk tingkat kepercayaan 95%) lalu
klik OK.
Output dari MINITAB untuk contoh 5.3 di atas adalah sebagai berikut:

134

MTB > TInterval 95.0 'Lebar'.

Confidence Intervals


Variable N Mean StDev SE Mean 95.0 % CI
Lebar 10 122.000 1.155 0.365 ( 121.174, 122.826)

MTB >

5.4 Penentuan ukuran sampel untuk menduga nilai rata-rata
Selang kepercayaan (1 – α)100% bagi µ menyajikan suatu perkiraan tingkat kete-
litian bagi penduga titiknya, dalam hal ini adalah x . Jika nilai µ yang sebenarnya
adalah titik tengah dari selang kepercayaan, maka x telah secara tepat menduga
µ (tanpa kesalahan sama sekali). Akan tetapi, x umumnya jarang sekali sama
persis dengan µ., sehingga nilai x akan menyimpang dari nilai µ yang sebe-
narnya. Selisih antara x dengan µ disebut sebagai galat penarikan sampel
(sampling error). Besar galat tersebut akan mencapai nilai maksimum jika nilai µ
yang sebenarnya terletak di salah satu ujung selang kepercayaan, dalam hal
tersebut, besar simpangannya (galat penarikan sampel) adalah n z σ
α

2
(lihat
gambar 5.8).



n z x σ
α
⋅ +
2
n z x σ
α
⋅ −
2
x
µ
Simpangan
(galat penarikan sampel)

Gambar 5.8 Simpangan (kesalahan pendugaan) dalam menduga µ µµ µ dengan x

Untuk contoh 5.1, kita dapat mengatakan bahwa dengan tingkat kepercayaan
90%, galat penarikan sampel yang terjadi karena menduga µ dengan nilai rata-rata
sampel x = 0,85 mm adalah tidak lebih dari 0,012 mm.
135

Aturan 5.3
Dengan tingkat kepercayaan (1 – α)100%, galat penarikan sampel yang
terjadi karena menduga rata-rata populasi dengan rata-rata sampel adalah
tidak lebih dari n z σ
α

2
.

Aturan 5.3 tersebut dapat kita gunakan untuk menentukan besar ukuran sampel
yang dapat menjamin bahwa galat penarikan sampel tersebut tidak lebih dari suatu
nilai tertentu, misalnya e. Hal ini dapat dilakukan dengan menentukan nilai n
sehingga n z σ
α

2
= e.

Aturan 5.4
Galat penarikan sampel yang terjadi karena menduga rata-rata populasi µ
dengan rata-rata sampel x pada tingkat kepercayaan (1 – α)100%, tidak
akan lebih dari e jika ukuran sampelnya adalah
2
2
|
|
¹
|

\
| ⋅
=
e
z
n
σ
α
.............................................................................. [5.14]

Pada prinsipnya, aturan 5.4 hanya dapat digunakan jika kita mengetahui varians
populasi, σ. Akan tetapi, kenyataannya jarang sekali kita dihadapkan pada
keadaan tersebut. Dalam kasus yang demikian, nilai σ biasanya diduga lebih dulu
dengan mengambil suatu sampel pendahuluan dari populasi yang bersangkutan
dengan ukuran sampel n > 30.

Contoh 5.4
Untuk persoalan dalam Contoh 5.1, tentukanlah berapa ukuran sampel yang harus
diambil, agar kesalahan pendugaan pada tingkat kepercayaan 95% tidak lebih dari
0,01 mm.
Penyelesaian
Nilai simpangan baku sampel s = 0.05 mm yang diperoleh dari pengambilan
sampel sebelumnya (berukuran 50) akan kita gunakan sebagai penduga bagi σ.
Dengan menggunakan aturan 5.3, maka
136
( ) ( )
04 , 96
01 , 0
05 , 0 96 , 1
2
=
(
¸
(

¸

= n
Oleh karena itu, agar kesalahan pendugaan pada tingkat kepercayaan 95% tidak
lebih dari 0,01 mm maka ukuran sampel yang sebaiknya diambil adalah 97.

5.5 Selang kepercayaan bagi proporsi p
Dalam bagian 4.5, telah kita bahas bahwa nilai proporsi sampel
n
x
p =
ˆ
dalam
sebuah percobaan Binomial merupakan penduga yang baik bagi proporsi populasi
p. Selain itu, telah pula kita ketahui bahwa
n
p p
p p
z
) 1 (
ˆ
− ⋅

= ............................................................................. [5.15]
merupakan suatu variabel acak yang mempunyai distribusi mendekati distribusi
Normal baku (lihat aturan 4.4). Oleh karena itu, dengan menggunakan sifat
simetris distribusi Normal, untuk nilai kritis z
α/2
berlaku
α
α α
− =
|
|
¹
|

\
|
<
− ⋅

< − 1
) 1 (
ˆ
2 / 2 /
z
n p p
p p
z P .................................... [5.16]
dapat ditunjukkan bahwa pernyataan peluang tersebut setara dengan
( ) α
α α
− = − ⋅ + < < − ⋅ − 1 ) 1 (
ˆ
) 1 (
ˆ
2 / 2 /
n p p z p p n p p z p P .......... [5.17]
Namun demikian, kedua titik ujung selang dalam pernyataan peluang tersebut di
atas masih mengandung nilai p yang tidak diketahui nilainya. Jika nilai n cukup
besar, nilai p pada kedua ujung selang tersebut (di bawah tanda akar) dapat
diganti dengan n x p =
ˆ
. Penggantian tersebut tentu saja akan menghasilkan
suatu galat (error), akan tetapi galat yang dihasilkan sangatlah kecil jika ukuran
sampelnya (n) cukup besar. Oleh karena itu, pernyataan peluang tersebut dapat
dituliskan sebagai berikut:
( ) α
α α
− ≈ − ⋅ + < < − ⋅ − 1 )
ˆ
1 (
ˆ ˆ
)
ˆ
1 (
ˆ ˆ
2 / 2 /
n p p z p p n p p z p P ....... [5.18]
Pernyataan peluang tersebut merupakan suatu pendekatan bagi selang
kepercayaan bagi proporsi.

137
Aturan 5.5 Selang kepercayaan bagi p untuk n>30
Selang kepercayaan (1 – α)100% bagi parameter binomial p didekati dengan
n p p z p p n p p z p )
ˆ
1 (
ˆ ˆ
)
ˆ
1 (
ˆ ˆ
2 / 2 /
− ⋅ + < < − ⋅ −
α α
....................... [5.19]
atau
n p p z p )
ˆ
1 (
ˆ ˆ
2 /
− ⋅ ±
α
.................................................................... [5.20]
dimana
n
x
p =
ˆ
adalah proporsi sampel; n adalah ukuran sampel; dan z
α/2

adalah nilai kritis dari variabel acak normal baku yang membuat luas daerah
di ujung kanan kurva sama dengan α/2.

Contoh 5.5
Hasil suatu survey terhadap 500 keluarga di suatu kota, menunjukkan bahwa 324
keluarga telah mempunyai sambungan telepon di rumahnya. Tentukan selang
kepercayaan 95% bagi proporsi kepemilikan sambungan telepon di kota tersebut.
Penyelesaian
Proporsi sampel untuk kasus ini adalah 648 , 0
500
324
ˆ
= = p . Dari Tabel Normal
baku (Tabel Lampiran 2) kita peroleh nilai kritis z
α/2
= z
0,025
= 1,96, maka dengan
mensubstitusikan nilai-nilai tersebut ke dalam rumus dalam aturan 5.5, selang
kepercayaan 95% bagi p adalah
( ) ( )
500
648 , 0 1 648 , 0
96 , 1 648 , 0
500
648 , 0 1 648 , 0
96 , 1 648 , 0

+ < <

− p
0,606< p < 0,690


Data yang dikumpulkan untuk keperluan pendugaan bagi proporsi merupakan data
dalam skala pengukuran nominal. Misalnya untuk kasus dalam contoh 5.5 di atas
respons yang kita peroleh dari setiap keluarga adalah ‘memiliki sambungan
telepon’ atau ‘tidak memiliki sambungan telepon’. Untuk keperluan analisis data,
data dalam skala nominal biasanya dinyatakan dalam bentuk skor atau kode,
notasi yang biasa digunakan adalah 1 atau 0. Sehingga keluarga yang memiliki
sambungan telepon mendapat skor 1 dan yang tidak memiliki sambungan telepon
mendapat kode 0. Dengan demikian, dari ke 500 keluarga tersebut akan terdapat
324 skor benilai 1 dan 176 skor bernilai 0.
138
Untuk analisis data dengan MINITAB, ke 500 skor tersebut harus disimpan dalam
satu kolom tertentu, misalnya dalam kolom C1 yang diberi nama ‘telepon’.
Prosedur penentuan selang kepercayaan bagi proporsi dilakukan sama seperti
menentukan selang kepercayaan bagi rata-rata populasi dalam bab 5.2, yaitu
dengan memilih menu
Stat Basic Statistics 1-Sample z...
Output MINITAB untuk kasus ini adalah sebagai berikut (nilai sigma = 0.478
diperoleh dari hasil perhitungan ( ) 4776 , 0 648 , 0 1 648 , 0 )
ˆ
1 (
ˆ
= − = − ⋅ p p ):


MTB >
MTB > ZInterval 95.0 .4776 'Telepon'.

Confidence Intervals


The assumed sigma = 0.478

Variable N Mean StDev SE Mean 95.0 % CI
Telepon 500 0.6480 0.4781 0.0214 ( 0.6061, 0.6899)

MTB >

5.6 Penentuan ukuran sampel untuk menduga proporsi
Penentuan ukuran sampel yang diperlukan untuk menduga proporsi suatu populasi
dengan tingkat kesalahan tertentu dapat dilakukan dengan cara yang sama seperti
pada bagian 5.4. Pada tingkat kepercayaan (1 – α)100%, selang kepercayaan
bagi p ditentukan dengan rumus [5.19], yaitu:
n p p z p p n p p z p )
ˆ
1 (
ˆ ˆ
)
ˆ
1 (
ˆ ˆ
2 / 2 /
− ⋅ + < < − ⋅ −
α α

Selang kepercayaan tersebut mempunyai titik pusat di p
ˆ
serta melebar ke kiri dan
ke kanan sejauh
n p p z e )
ˆ
1 (
ˆ
2 /
− ⋅ =
α
................................................................... [5.21]
dari titik pusat tersebut. Nilai e tersebut adalah nilai maksimum bagi galat
penarikan sampel pada tingkat kepercayaan (1 – α)100%. Dengan sedikit
manipulasi aljabar, dapat ditunjukkan bahwa
139
( ) ( )
2
2
2 /
ˆ
1
ˆ
e
p p z
n
− ⋅ ⋅
=
α
................................................................... [5.22]
Namun demikian, persamaan tersebut tidak dapat langsung digunakan untuk
menentukan ukuran sampel n karena masih mengandung nilai p
ˆ
yang nilainya
tidak diketahui. Perhatikan bahwa nilai maksimum bagi ( ) p p
ˆ
1
ˆ
− ⋅ adalah ¼ karena
nilai p
ˆ
selalu terletak antara nol dan satu. Oleh karena itu, nilai maksimum bagi n
adalah
( ) ( )
2
2
2 /
2
4
1
2
2 /
4 e
z
e
z
n

=

=
α α


Aturan 5.6
Galat penarikan sampel yang terjadi karena menduga proporsi populasi p
dengan proporsi sampel p
ˆ
pada tingkat kepercayaan (1 – α)100%, tidak
akan lebih dari e jika ukuran sampelnya adalah
( )
2
2
2 /
4 e
z
n

=
α
................................................................................... [5.23]

Contoh 5.6
Tentukanlah ukuran samplenya agar pada tingkat kepercayaan 90%, kesalahan
pendugaan bagi proporsi kepemilikan sambungan telepon dalam contoh 5.5 tidak
lebih dari 0,05.
Penyelesaian:
Diketahui galat penarikan contoh (kesalahan maksimum) yang diperbolehkan
adalah e = 0,05 dan untuk tingkat kepercayaan 90% nilai kritisnya adalah z
α/2
=
z
0,05
= 1,645. Maka
( ) ( )
6 , 270
) 05 , 0 ( 4
645 , 1
4
2
2
2
2
2 /
=

=

=
e
z
n
α

Dengan demikian pada tingkat kepercayaan 90%, ukuran sampel yang sebaiknya
diambil agar kesalahan pendugaannya tidak lebih dari 0,05 adalah 271 keluarga.

140
5.7 Selang kepercayaan bagi varians populasi
Dalam bagian 5.2 dan 5.3 telah kita bahas bagaimana menduga rata-rata populasi
dengan menentukan selang kepercayaannya. Pada kasus-kasus tersebut kita
tertarik untuk menduga ukuran pemusatan dari populasi. Namun demikian, telah
kita ketahui bahwa ukuran pemusatan saja tidak dapat secara lengkap
menjelaskan karakteristik populasinya. Misalnya, seorang petugas quality control
dalam suatu proses produksi harus dapat memastikan bahwa hasil produksinya
memenuhi spesifikasi tertentu. Dalam hal ini, tidak hanya rata-rata produksinya
yang harus memenuhi persyaratan tertentu, tetapi produk tersebut juga harus
konsisten atau tidak terlalu bervariasi. Konsistensi hasil produksi tersebut dapat
diukur dengan menghitung varians dari ukuran produk tersebut, seperti beratnya,
ketebalannya, volumenya atau ukuran yang lainnya. Sebagai penutup bab ini,
dalam bagian ini akan kita bahas prosedur pendugaan selang kepercayaan bagi
varians populasi, σ
2
.
Varians sampel, s
2
, adalah penduga titik tak bias dari varians populasi, σ
2
. Akan
tetapi, untuk dapat menentukan selang kepercayaan bagi σ
2
kita harus mengetahui
distribusi sampling dari statistik tersebut.
Jika dari suatu populasi Normal dengan varians σ
2
diambil sampel berukuran n
berkali-kali, maka akan kita peroleh berbagai nilai varians sample s
2
. Dari nilai-
nilai varians sampel tersebut dapat dibangkitkan suatu variabel acak baru, yaitu Χ
2
,
yang nilai-nilainya ditentukan dengan rumus
( )
2
2
2
1
σ
χ
s n −
= ............................................................................... [5.24]

0 32
derajat bebas = 4
derajat bebas = 7
derajat bebas = 15
2
χ

Gambar 5.9 Kurva distribusi Chi-kuadrat untuk ν νν ν = 4, 7 dan 15

141
Distribusi dari Χ
2
disebut sebagai distribusi Chi-kuadrat dengan derajat bebas
ν = n – 1. Dari rumus di atas, jelas terlihat bahwa χ
2
tidak pernah negatif dan nilai-
nilainya berkisar antara 0 dan ∞. Oleh karena itu, kurva distribusinya tidak pernah
simetris terhadap nol. Suatu distribusi Chi-kuadrat dibedakan dengan distribusi
Chi-kuadrat yang lainnya dengan derajat bebasnya. Sehingga akan terdapat
banyak sekali distribusi Chi-kuadrat. Gambar 5.9 menyajikan tiga bentuk distribusi
Chi-kuadrat dengan derajat bebas 4, 7 dan 15.
Dalam distribusi Chi-kuadrat, notasi
2
α
χ digunakan untuk melambangkan nilai χ
2

yang membuat luas di ujung kanan distribusinya sama dengan α, sedangkan nilai
χ
2
yang membuat luas di ujung kiri distribusinya sama dengan α dilambangkan
dengan
2
1 α
χ

(gambar 5.10). Tabel Lampiran 4 menyajikan nilai-nilai
2
α
χ yang
membuat luas daerah di ujung kanan distribusinya sama dengan α, untuk
beberapa nilai α tertentu. Dalam tabel tersebut nilai-nilai α dicantumkan pada judul
kolom, sedangkan nilai-nilai
2
α
χ tercantum dalam badan tabel. Kolom paling kiri
dari tabel tersebut menyajikan derajat bebas dari distribusinya.

0
2
χ
α α
χ
2
α
χ
2
1−α

Gambar 5.10 Ilustrasi tentang
2
α
χ dan
2
1 α
χ



Contoh 5.7
Tentukan nilai kritis dari dari suatu variabel χ
2
yang beridistribusi Chi-kuadrat
dengan derajat bebas 8 sehingga
a. luas daerah di ujung kanan kurvanya = 0,05
b. luas daerah di ujung kiri kurvanya = 0,05

142
Penyelesaian:
a. Nilai kritis bagi variabel χ
2
dengan derajat bebas = 8 yang membuat luas di
ujung kanan kurvanya = 0,05 dinotasikan dengan
2
8 ; 05 , 0
χ . Dalam Tabel
Lampiran 4 nilai tersebut adalah sel yang merupakan pertemuan antara
baris ν = 8 dengan kolom α = 0,05, yaitu 15,507. Oleh karena itu, untuk
derajat bebas ν = 8, maka
05 , 0 ) 507 , 15 (
2
= > χ P
b. Nilai kritis bagi variabel χ
2
dengan derajat bebas = 8 yang membuat luas di
ujung kiri kurvanya = 0,05 dinotasikan dengan
2
8 ; 95 , 0
2
8 ); 05 , 0 1 (
χ χ =

. Dalam
Tabel Lampiran 4 nilai tersebut adalah sel yang merupakan pertemuan
antara baris ν = 8 dengan kolom α = 0,95, yaitu 2,733. Oleh karena itu,
untuk derajat bebas ν = 8, maka
05 , 0 ) 733 , 2 (
2
= < χ P


Dengan menggunakan notasi tersebut, maka kita dapat membuat pernyataan
peluang berikut:
( ) α χ χ χ
α α
− = < <

1
2
2
2 2
2 1
P ........................................................ [5.25]
Jika kita substitusikan nilai
( )
2
2
2
1
σ
χ
s n −
= ke dalam pernyataan peluang tersebut
dan lakukan manipulasi aljabar, maka akan kita peroleh pernyataan peluang
berikut:
( ) ( )
α
χ
σ
χ
α α
− =
|
|
¹
|

\
|

< <


1
1 1
2
2 1
2
2
2
2
2
s n s n
P ........................................... [5.26]

Aturan 5.7 Selang kepercayaan bagi σ
2

Selang kepercayaan (1 – α)100% bagi σ
2
adalah
( ) ( )
2
2 1
2
2
2
2
2
1 1
α α
χ
σ
χ


< <
− s n s n
............................................................ [5.27]
143
dimana s
2
adalah varians sampel; n adalah ukuran sampel; χ
2
α/2
dan χ
2
1− α/2

masing-masing adalah nilai kritis dari distribusi Chi-kuadrat dengan derajat
bebas ν = n – 1.

Contoh 5.8
Dari sebuah toko swalayan yang menjual buah-buahan segar diambil sampel 10
buah mangga. Diperoleh data sebagai berikut (gram): 250, 282, 310, 266, 297,
305, 251, 246, 277 dan 320. Tentukan selang kepercayaan 95% bagi varians
berat buah mangga tersebut.
Penyelesaian:
Pertama-tama kita harus menghitung varians sampel buah mangga tersebut:
( )
( ) | | 267 , 724 10 804 . 2 760 . 792
9
1
1
1
2
2
2 2
= − =
(
¸
(

¸



=
∑ ∑
n x x
n
s

Dari tabel Lampiran 4, untuk α = 0,05 dengan derajat bebas = 9 diperoleh
023 , 19
2
9 ; 025 , 0
= χ dan 700 , 2
2
9 ; 975 , 0
= χ . Maka selang kepercayaan 95% bagi σ
2

adalah sebagai berikut:
( ) ( )
2
2 1
2
2
2
2
2
1 1
α α
χ
σ
χ


< <
− s n s n

700 , 2
267 , 724 9
023 , 19
267 , 724 9
2

< <

σ
atau
342,66 < σ
2
< 2414,22

Soal-soal latihan
5.1 Jelaskan perbedaan antara penduga titik dengan penduga selang
5.2 Apakah kelebihan pendugaan selang dibandingkan dengan pendugaan titik?
5.3 Jelaskan bagaimana ukuran sampel mempengaruhi penduga selang?
5.4 Jelaskan apakah akibatnya terhadap selang kepercayan jika tingkat
kepercayaannya diperkecil?
144
5.5 Tentukan nilai-nilai kritis bagi z untuk tingkat-tingkat kepercayaan berikut ini:
a. α = 75% b. α = 85% c. α = 90% d. α = 95% e. α = 99%
5.6 Tentukan selang kepercayaan bagi µ untuk kasus-kasus di bawah ini:
1.1
Ukuran
sampel
Rata-rata
sampel
Varians
sampel
σ Tingkat
kepercayaan
a 75 100 196 15 95%
b 75 100 196 ? 95%
c 15 250 108,58 10 90%
d 30 780 1.764 40 95%
e 20 32,8 20,34 ? 95%
f 12 8 2,89 ? 90%

5.7 Sebuah toko yang khusus menjual ikan segar menerapkan aturan yang ketat
terhadap keseragaman berat ikan bawal putih yang dijualnya. Diketahui
bahwa berat ikan bawal yang dijualnya mendekati suatu distribusi Normal
dengan simpangan baku 0,5 ons. Dari suatu sampel yang terdiri atas 36 ekor
ikan diperoleh rata-rata berat ikan sebesar 7,4 ons per ekor. Tentukan selang
kepercayaan 95% bagi rata-rata populasi berat ikan yang dijual di toko
tersebut.
5.8 Untuk menduga kandungan nikotin yang terkandung dalam rokok merek
tertentu, diambil 12 batang rokok sebagai sampel acak. Dari sampel tersebut
diperoleh data sebagai berikut (mg):
21,0 23,5 24,0 19,1 21,8 23,0 20,7 20,7 20,7 18,7 18,1 16,3
Dengan mengasumsikan bahwa kandungan nikotin dalam setaip batang
rokok berdistribusi mendekati Normal, tentukan selang kepercayaan 90% bagi
rata-rata kandungan nikotin yang terkandung dalam sebatang rokok merek
tersebut
5.9 Dari suatu sampel yang terdiri atas 20 orang mahasiswa suatu fakultas
diperoleh data tinggi badan mereka sebagai berikut (cm):
159 156 164 167 151
161 151 164 161 161
155 157 155 167 156
166 157 165 159 161

145
Jika tinggi badan mahasiswa dapat diasumsikan mendekati distribusi Normal,
tentukan selang kepercayaan 95% bagi rata-rata tinggi badan mahasiswa di
fakultas tersebut.
5.10 Sebuah perusahaan pembuat mainan anak-anak membeli baterai untuk salah
satu produk mereka dari suatu supplier. Untuk menduga rata-rata ketahanan
baterai tersebut perusahaan tersebut mengambil 10 baterai secara acak dan
mengukur daya tahan baterai-baterai tersebut. Diperoleh data sebagai
berikut:
Baterai 1 2 3 4 5 6 7 8 9 10
Daya tahan (jam) 18 18,4 19 20,2 19,6 18,6 19,4 19,2 17 18,5

Tentukan selang kepercayaan 95% bagi rata-rata ketahanan baterai tersebut.
5.11 Dari suatu sampel acak yang terdiri atas 100 pemilik sepeda motor sebagai
responden suatu survey di daerah tertentu, diketahui bahwa secara rata-rata,
ketahanan ban belakang sepeda motor adalah setelah digunakan sejauh
14.500 km dengan simpangan baku 2.400 km.
a. Tentukan selang kepercayaan 99% bagi rata-rata ketahan ban belakang
sepeda motor di daerah tersebut
b. Dengan tingkat kepercayaan 99%, tentukan besar kesalahan pendugaan
yang mungkin terjadi jika kita menduga bahwa rata-rata ketahanan ban
belakang sepeda motor adalah setelah digunakan sejauh 14.500 km
c. Berapakah ukuran sampel yang sebaiknya diambil jika besar kesalahan
pendugaan maksimum pada tingkat kepercayaan 95% adalah sebesar
1000 km?
5.12 Untuk soal 5.7, berapakah ukuran sampel yang sebaiknya diambil jika besar
kesalahan pendugaan maksimum pada tingkat kepercayaan 95% adalah
sebesar 0,3 ons?
5.13 Apakah skala pengukuran data yang dikumpulkan untuk keperluan
pendugaan suatu proporsi?
5.14 Menjelang pemilihan gubernur di suatu propinsi, tim sukses dari salah satu
calon gubernur melakukan survey terhadap 1000 orang penduduk di daerah
tersebut. Dari survey tersebut diketahui bahwa 400 orang penduduk
menyukai calon tersebut. Tentukan selang kepercayaan 90% bagi p.
5.15 Misalkan 55% civitas academika suatu perguruan tinggi dalam suatu sampel
berukuran n menyetujui penerapan sistem otonomi perguruan tinggi di
kampus mereka. Tentukan selang kepercayaan 95% bagi p untuk ukuran-
ukuran sampel berikut:
a. n = 100
b. n = 400
c. n = 1600
146
d. Jelaskan apa yang sebenarnya terjadi terhadap lebar selang
kepercayaan jika ukuran sampelnya dikalikan 4
5.16 Sebuah toko alat tulis mendapat pengiriman sejumlah pulpen yang relatif
murah harganya. Untuk mengetahui proporsi pulpen yang rusak pemilik toko
tersebut mengambil 300 pulpen sebagai sampel acak. Dari sampel tersebut
diperoleh 30 pulpen yang rusak.
a. Tentukan selang kepercayaan 90% bagi proporsi pulpen yang rusak
b. Berdasarkan kesepakatan dengan agen pengirim pulpen tersebut, pemilik
toko boleh mengembalikan kiriman pulpen tersebut jika terdapat lebih dari
5% pulpen yang rusak. Berdasarkan hasil sampel tersebut, bolehkah
pemilik toko mengembalikan kiriman pulpen tersebut?
5.17 Seorang dekan suatu fakultas pertanian ingin mengetahui proporsi
mahasiswanya yang berasal dari keluarga petani. Untuk itu diambil sampel
sebanyak 200 orang mahasiswa fakultas tersebut, dan diketahui 40 orang
mahasiswa tersebut berasal dari keluarga petani. Tentukan selang
kepercayaan 95% bagai proporsi mahasiswa fakultas pertanian yang berasal
dari keluarga petani.
5.18 Sebuah toko swalayan mengambil sampel 400 orang pelanggannya secara
acak untuk mengetahui berapa proporsi pelanggan perempuan. Dari hasil
survey tersebut diketahui bahwa lebar selang kepercayaannya adalah 0,73
sampai 0.87.
a. Tentukan nilai proporsi sampelnya
b. Tentukan tingkat kepercayaan pendugaannya
5.19 Sebuah perusahaan TV swasta ingin mengetahui proporsi pemirsa TV yang
menonton suatu acara tertentu. Tentukan berapakah ukuran sampel yang
sebaiknya diambil agar
a. pada tingkat kepercayaan 95% kesalahan pendugaannya tidak lebih dari
0,01
b. pada tingkat kepercayaan 95% kesalahan pendugaannya tidak lebih dari
0,05
c. pada tingkat kepercayaan 90% kesalahan pendugaannya tidak lebih dari
0,01
d. pada tingkat kepercayaan 90% kesalahan pendugaannya tidak lebih dari
0,05
5.20 Tentukan ukuran sampel yang sebaiknya diambil oleh tim sukses dari calon
gubernur dalam soal 5.12, jika mereka ingin menduga proporsi tersebut pada
tingkat kepercayaan 95% dengan kesalahan pendugaannya tidak lebih dari
4%.
5.21 Sebutkan beberapa sifat dari distribusi Chi kuadrat.
147
5.22 Ukuran apakah yang membedakan suatu distribusi Chi kuadrat dengan
distribusi Chi kuadrat yang lainnya?
5.23 Misalkan χ
2
adalah variabel acak yang mempunyai distribusi Chi kuadrat
dengan derajat bebas = 15. Tentukan nilai-nilai χ
2
sehingga luas di ujung
kanan kurvanya adalah
a. 0,05 b. 0,025 c. 0,01
5.24 Misalkan χ
2
adalah variabel acak yang mempunyai distribusi Chi kuadrat
dengan derajat bebas = 15. Tentukan nilai-nilai χ
2
sehingga luas di ujung kiri
kurvanya adalah
a. 0,05 b. 0,025 c. 0,01
5.25 Suatu peralatan radar baru akan digunakan oleh petugas kepolisian Australia
untuk mengukur kecepatan kendaraan yang melintas secara otomatis. Untuk
menguji kelayakan peralatan tersebut, 61 kendaraan dikemudikan melewati
pos pemeriksaan dengan kecepatan 90 km/jam. Kecepatan setiap kendaraan
diduga dengan peralatan radar tersebut. Dari hasil pendugaan tersebut
diperoleh nilai varians sampel s
2
= 5. Tentukan selang kepercayaan 95%
bagi varians populasi σ
2
.
5.26 Populasi penduduk di suatu daerah diketahui mempunyai nilai IQ rata-rata
sebesar 100, tetapi varians populasi tersebut tidak diketahui. Dari suatu
sampel berukuran 41 orang penduduk di daerah tersebut diketahui bahwa
varians sampelnya adalah 214. Tentukan selang kepercayaan 90% bagi
varians populasi σ
2
.