Soal 36 Soal 37 Soal 38 Soal 39 Soal 40
Code Show All Code Hide All Code
Download Rmd Kuis PADK Rio Akbar Adzakie 2025-09-25
Soal 36 Menteri Pertanian mengambil 30 sampel padi di dataran rendah & 30 padi di dataran tinggi. Menteri tersebut mengatakan bahwa produktivitas padi di dataran rendah lebih besar dibandingkan dengan dataran tinggi. Ujilah dengan uji Mann-Whitney pernyataan menteri tersebut pada taraf nyata 5% \(H_0\): \(M_x\) \(\le\) \(M_y\) \(H_1\): \(M_x\) \(>\) \(M_y\) rendah <- c(1196,1119,1160,1075,1137,1026,1177,1032,1101,1094,1089,1192,1167,1040,999,1161,1071,1035,1176,971,1107,1159,1161,1042,1169,1113,1008,925,1089,905)
tinggi <- c(956,1020,1019,1007,961,1250,1183,910,968,1150,1137,997,1031,905,1116,1134,1257,1267,1105,1247,1078,1270,1201,1006,1020,1010,1005,1277,1112,1144)
wilcox.test(rendah, tinggi, alternative = “greater”) ## ## Wilcoxon rank sum test with continuity correction ## ## data: rendah and tinggi ## W = 472, p-value = 0.3753 ## alternative hypothesis: true location shift is greater than 0
Soal 37 Berikut ini adalah data jumlah kehadiran dalam kuliah dan nilai ujian akhir. Hitung korelasi peringkat Spearman antara jumlah kehadiran dalam kuliah dan nilai ujian akhir. Uji apakah kedua peubah tersebut saling bebas \(H_0\): \(\rho\) = 0 (X dan Y saling bebas) \(H_1\): \(\rho\) \(\neq\) 0 (X dan Y tidak saling bebas) kehadiran <- c(11,10,12,11,15,16,12,13,12,11)
nilai <- c(70,77,72,65,80,68,72,66,65,79)
cor.test(kehadiran, nilai, method = “spearman”) ## ## Spearman’s rank correlation rho ## ## data: kehadiran and nilai ## S = 179.44, p-value = 0.81 ## alternative hypothesis: true rho is not equal to 0 ## sample estimates: ## rho ## -0.08751538
Soal 38 Berikut merupakan tabel jumlah penduduk berdasarkan jenjang pendidikan dan jenis kelamin. Jika diasumsikan saling bebas, ujilah apakah keenam jenjang pendidikan homogen menurut jenis kelamin \(H_0\): Sebaran Proporsi untuk keenam jenjang pendidikan adalah sama (homogen) di semua jenis kelamin. \(H_1\): Sebaran Proporsi untuk keenam jenjang pendidikan adalah berbeda untuk setidaknya satu jenis kelamin. data3 <- matrix(c(120,90, 96,90, 110,120, 120,105, 112,125, 70,85 ), nrow = 6, byrow = TRUE)
rownames(data3) <- c(“SD”,“SMP”,“SMA”,“S1”,“S2”,“S3”)
colnames(data3) <- c(“Wanita”, “Pria”)
chisq.test(data3) ## ## Pearson’s Chi-squared test ## ## data: data3 ## X-squared = 7.9436, df = 5, p-value = 0.1594
Soal 39 Sebuah survei dilakukan terhadap preferensi masyarakat dalam menggunakan tiga jenis layanan transportasi online: ojek online, taksi online, dan mobil sewa. Berdasarkan data sebelumnya, diketahui bahwa 50% pengguna lebih memilih ojek online, 35% memilih taksi online, dan 15% memilih mobil sewa. Jika diambil sampel acak sebanyak 20 orang, berapa probabilitas bahwa akan diperoleh 10 orang memilih ojek online, 7 orang memilih taksi online, dan 3 orang memilih mobil sewa n <- 20 prob <- c(0.5,0.35,0.15) k <- c(10,7,3)
dmultinom(k, size=n, prob=prob) ## [1] 0.0470143
Soal 40 Sebuah penelitian ingin mengetahui apakah terdapat perbedaan proporsi kepuasan pelanggan antara pria dan wanita terhadap layanan transportasi umum. Data hasil survei terhadap 200 responden disajikan dalam tabel berikut: gunakan uji χ² (α = 5%) untuk menguji apakah proporsi “Puas” sama antara pria dan wanita \(H_0\): Sebaran Proporsi untuk “puas” adalah sama (homogen) di semua jenis kelamin. \(H_1\): Sebaran Proporsi untuk “puas” adalah berbeda untuk setidaknya satu jenis kelamin. data5 <- matrix(c(60,40, 75,25 ),nrow = 2, byrow = TRUE)
rownames(data5) <- c(“Pria”,“Wanita”) colnames(data5) <- c(“Puas”, “Tidak Puas”)
chisq.test(data5, correct = FALSE) ## ## Pearson’s Chi-squared test ## ## data: data5 ## X-squared = 5.1282, df = 1, p-value = 0.02354 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