Presentasi sedang didownload. Silahkan tunggu

Presentasi sedang didownload. Silahkan tunggu

STATISTIK By : Meiriyama Program Studi Teknik Informatika Sekolah Tinggi Manajemen Informatika dan Komputer Global Informatika Multi Data Palembang Ukuran.

Presentasi serupa


Presentasi berjudul: "STATISTIK By : Meiriyama Program Studi Teknik Informatika Sekolah Tinggi Manajemen Informatika dan Komputer Global Informatika Multi Data Palembang Ukuran."— Transcript presentasi:

1 STATISTIK By : Meiriyama Program Studi Teknik Informatika Sekolah Tinggi Manajemen Informatika dan Komputer Global Informatika Multi Data Palembang Ukuran Dispersi atau Ukuran Variasi

2 Adalah ukuran yang menyatakan seberapa jauh penyimpangan nilai-nilai data dari nilai-nilai pusatnya atau Ukuran yang menyatakan seberapa banyak nilai-nilai data yang berbeda dengan nilai-nilai pusatnya Ukuran Variasi atau Ukuran Dispersi

3

4 3 kelompok nilai : Kelompok nilai homogen (tidak bervariasi) Kelompok nilai relatif homogen (tdk begitu bervariasi) Kelompok nilai heterogen (sangat bervariasi) Perhatikan 3 kelompok data berikut : (1)  Rata-rata hitung = 50 (2)  Rata-rata hitung = 50 (3)  Rata-rata hitung = 50

5 Mengapa mempelajari dispersi ? - mengetahui informasi tentang sebaran nilai pada data - untuk membandingkan sebaran data dari dua informasi distribusi nilai

6 Ukuran variasi atau dispersi  Nilai jarak (range)  Rata-rata simpangan (mean deviation)  Simpangan baku (standard deviation)  Koefisien variasi (coefficient of variation)

7 NJ = Xn – X1 NJ = Nilai Maksimum – Nilai Minimum Nilai jarak

8 Contoh 6.1 Carilah jarak dari data berikut : Penyelesaian : X 1 = 30, X 2 = 40, X 3 = 50, X 4 = 60, X 5 = 70 NJ = X 5 – X 1 NJ = 70 – 30 NJ = 40

9 Apabila dipunyai data X1, X2, ……Xn dan Rata-rata Maka simpangan terhadap rata-rata hitung RS =

10 Contoh 6.2

11 Simpangan baku merupakan salah satu ukuran dispersi yang diperoleh dari akar kuadrat positif varians. Varians adalah rata-rata hitung dan kuadrat simpangan setiap pengamatan terhadap rata-rata hitungnya. Varians populasi : Varians sampel :

12 Populasi (6.8) (6.4)

13 Sampel (6.9) (6.11) (6.6)

14 Perhatikan 3 kelompok data berikut : (1)  Rata-rata hitung = 50 (2)  Rata-rata hitung = 50 (3)  Rata-rata hitung = 50 Contoh 6.4

15 Kelompok 1 XX2X2 (1)(2) X 1 = X 2 = X 3 = X 4 = X 5 = Contoh 6.4

16 Untuk data berkelompok ada 2 (dua) cara : 1.NJ = Nilai tengah kelas terakhir – Nilai tengah kelas pertama 2.NJ = Tepi atas kelas terakhir – Tepi bawah kelas pertama Nilai jarak

17 Berat badan (kg) Banyaknya Mahasiswa (f) 60 – – – – Contoh 6.3 Cara 1 : nilai tengah kelas terakhir nilai tengah kelas pertama NJ = 73 – 61 = 12 Cara 2 : Tepi atas kelas terakhir = 74,5 Tepi bawah kelas pertama =59,5 NJ = 74,5 – 59,5 = 15

18 Untuk kelas interval ( c )yang sama Populasi (6.14)

19 Untuk kelas interval ( c )yang tidak sama Populasi (6.15)

20 Untuk kelas interval ( c )yang sama Sampel (6.16)

21 Contoh 6.5 : Di urutkan menjadi :

22 Upah (ribuan Rp)Sistem Tallyf (1)(2) 118 – 126///3 127 – 135////5 136 – 144//// – 153//// //// // – 162////5 163 – 171////4 172 – 180//2 Jumlah40

23 ModalNilai Tengahf 118 – – – – – – – Jumlah40 Contoh 6.5 : X M

24 Kelasfdd2d2 fdfd – – – – – – – Jumlah40028 (6.14)

25 ModalMf 118 – – – – – – – Jumlah40 Contoh 6.6 : (6.15)

26 Batas Kelas ModalMf (1)(2)(3) 30 – 3934,54 40 – 4944,56 50 – 5954,58 60 – 6964, – 7974,59 80 – 8984,57 90 – 10094,54 Contoh 6.6 (6.15)

27 Untuk keperluan perbandingan 2 (dua) kelompok nilai Misalnya : - berat 10 ekor gajah dengan berat 10 ekor semut X 100%, untuk populasi X 100%, untuk sampel

28

29 Apabila kita mempunyai sekelompok data sebanyak n : X 1, X 2, …..,X n maka yang disebut momen ke-r (Mr) adalah sbb: Untuk data tak berkelompok Untuk data berkelompok

30 Untuk data tak berkelompok Untuk data berkelompok Untuk r = 1, maka M 1  merupakan rata-rata hitung r = 2, maka M 2  varians r = 3, maka M 3  kemencengan (skewness) r = 4, maka M 4  keruncingan (kurtosis)

31 Tingkat Kemencengan menurut Pearson:

32

33 TK berdasarkan Momen ketiga Momen koefisien kemencengan

34 KelasMffMdfdfd 2 fd 3 fd – – – – – – – Jumlah Contoh 6.9

35

36

37 Dilihat dari tingkat keruncingannya : Leptokurtis (puncaknya sangat runcing) Platykurtis (puncaknya agak datar/merata) Mesokurtis (puncaknya tidak begitu runcing) Momen koefisien keruncingan Data berkelompok Data tak berkelompok

38

39 Untuk kelas interval ( c ) sama

40 Contoh 6.10 > 3  kurva leptokurtis (meruncing) = 3  kurva mesokurtis (normal) < 3  kurva platykurtis (mendatar)


Download ppt "STATISTIK By : Meiriyama Program Studi Teknik Informatika Sekolah Tinggi Manajemen Informatika dan Komputer Global Informatika Multi Data Palembang Ukuran."

Presentasi serupa


Iklan oleh Google