Estimasi dalam statistika adalah proses untuk menentukan rentang nilai yang mungkin dari parameter populasi berdasarkan data sampel. Estimasi ini memberikan informasi tentang tingkat kepercayaan terhadap parameter tersebut.
Selang kepercayaan (confidence interval) adalah rentang nilai yang digunakan untuk mengestimasi parameter populasi dengan tingkat kepercayaan tertentu. Selang ini memberikan informasi mengenai seberapa percaya diri kita bahwa parameter populasi berada dalam rentang yang telah ditentukan.
Selang kepercayaan dibentuk oleh tiga komponen utama:
Untuk menghitung estimasi interval dari rata-rata populasi (\(\mu\)) berdasarkan sampel, digunakan rumus berikut:
Ketika standar deviasi populasi (\(\sigma\)) diketahui: \[\bar{X} \pm Z_{\alpha/2} \times \frac{\sigma}{\sqrt{n}}\]
Ketika standar deviasi populasi (\(\sigma\)) tidak diketahui: \[\bar{X} \pm t_{\alpha/2, df} \times \frac{s}{\sqrt{n}}\]
Situasi: Sebuah perusahaan ingin mengestimasi rata-rata waktu yang dihabiskan oleh pelanggan di situs web mereka dengan dua ukuran sampel yang berbeda.
Data:
Survei 1: \(n = 30\), \(\bar{X} = 5\), \(s = 2\)
Survei 2: \(n = 100\), \(\bar{X} = 5\), \(s = 2\)
Soal:
1. Hitung interval kepercayaan 95% untuk kedua survei.
2. Bandingkan lebar interval kepercayaan dari kedua survei.
3. Jelaskan bagaimana ukuran sampel mempengaruhi selang kepercayaan.
# Perhitungan Survei 1
n1 <- 30
mean1 <- 5
sd1 <- 2
alpha <- 0.05
t_value1 <- qt(1 - alpha/2, df = n1 - 1)
error_margin1 <- t_value1 * sd1 / sqrt(n1)
interval1 <- c(mean1 - error_margin1, mean1 + error_margin1)
print(paste("Survei 1 Interval:", round(interval1[1], 3), "-", round(interval1[2], 3)))## [1] "Survei 1 Interval: 4.253 - 5.747"# Perhitungan Survei 2
n2 <- 100
mean2 <- 5
sd2 <- 2
t_value2 <- qt(1 - alpha/2, df = n2 - 1)
error_margin2 <- t_value2 * sd2 / sqrt(n2)
interval2 <- c(mean2 - error_margin2, mean2 + error_margin2)
print(paste("Survei 2 Interval:", round(interval2[1], 3), "-", round(interval2[2], 3)))## [1] "Survei 2 Interval: 4.603 - 5.397"Interpretasi dan Analisis:
Survei 1 (\(n=30\)): Memiliki interval kepercayaan (4.252, 5.748) menit. Rentang ini relatif lebih lebar karena ukuran sampel yang terbatas.
Survei 2 (\(n=100\)): Memiliki interval kepercayaan (4.602, 5.398) menit. Rentang ini lebih sempit dan memberikan cakupan nilai yang lebih fokus.
Kesimpulan Hubungan: Ukuran sampel yang lebih besar (100 vs 30) secara konsisten menghasilkan selang kepercayaan yang lebih sempit. Hal ini membuktikan bahwa penambahan jumlah data secara signifikan meningkatkan presisi estimasi dan mengurangi tingkat ketidakpastian.
Situasi: Sebuah sekolah ingin mengestimasi rata-rata nilai ujian matematika siswa. Mereka memiliki dua kelas dengan variabilitas nilai yang berbeda (standar deviasi yang berbeda).
Data:
Kelas A: \(n = 40\), \(\bar{X} = 75\), \(s = 10\)
Kelas B: \(n = 40\), \(\bar{X} = 75\), \(s = 20\)
Soal:
1. Hitung interval kepercayaan 95% untuk kedua kelas.
2. Bandingkan lebar interval kepercayaan dari kedua kelas.
3. Jelaskan bagaimana variabilitas data mempengaruhi selang
kepercayaan.
# Perhitungan Kelas A
# Kelas A
nA <- 40
meanA <- 75
sdA <- 10
alpha <- 0.05
t_valueA <- qt(1 - alpha/2, df = nA-1)
error_marginA <- t_valueA * sdA / sqrt(nA)
intervalA <- c(meanA - error_marginA, meanA + error_marginA)
intervalA## [1] 71.80184 78.19816# Perhitungan Kelas B
nB <- 40
meanB <- 75
sdB <- 20
t_valueB <- qt(1 - alpha/2, df = nB-1)
error_marginB <- t_valueB * sdB / sqrt(nB)
intervalB <- c(meanB - error_marginB, meanB + error_marginB)
intervalB## [1] 68.60369 81.39631Interpretasi:
- Kelas A memiliki interval kepercayaan (71.802, 78.198).
- Kelas B memiliki interval kepercayaan (68.604, 81.396).
- Variabilitas data yang lebih tinggi (standar deviasi 20 vs 10)
menghasilkan selang kepercayaan yang lebih lebar.
- Hal ini menunjukkan bahwa tingkat variabilitas yang tinggi
mengakibatkan estimasi menjadi kurang presisi.
Situasi:Sebuah perusahaan ingin mengestimasi rata-rata jumlah produk yang terjual per hari. Mereka menggunakan dua tingkat kepercayaan yang berbeda.
Data:
Sampel: 50 hari, rata-rata penjualan = 100 produk, standar deviasi = 15
produk
Tingkat kepercayaan: 90% dan 99%
Soal:
1. Hitung interval kepercayaan untuk kedua tingkat kepercayaan.
2. Bandingkan lebar interval kepercayaan dari kedua tingkat
kepercayaan.
3. Jelaskan bagaimana tingkat kepercayaan mempengaruhi selang
kepercayaan.
# Tingkat Kepercayaan 90%
alpha90 <- 0.20
t_value90 <- qt(1 - alpha90/2, df = 49)
error_margin90 <- t_value90 * 15 / sqrt(50)
interval90 <- c(100 - error_margin90, 100 + error_margin90)
interval90## [1] 97.24426 102.75574# Tingkat Kepercayaan 99%
alpha99 <- 0.01
t_value99 <- qt(1 - alpha99/2, df = 49)
error_margin99 <- t_value99 * 15 / sqrt(50)
interval99 <- c(100 - error_margin99, 100 + error_margin99)
interval99## [1] 94.31496 105.68504Interpretasi:
- Interval kepercayaan 90% adalah (96.464, 103.536).
- Interval kepercayaan 99% adalah (94.394, 105.606).
- Tingkat kepercayaan yang lebih tinggi (99% vs 90%) menghasilkan selang
kepercayaan yang lebih lebar, menunjukkan rentang yang lebih luas untuk
mencakup parameter populasi dengan keyakinan yang lebih tinggi.
Situasi:
Sebuah universitas ingin mengestimasi rata-rata tinggi badan mahasiswa
di fakultas teknik. Berdasarkan data historis, standar deviasi tinggi
badan populasi mahasiswa teknik adalah 5 cm. Sebuah sampel acak dari 36
mahasiswa diambil, dan rata-rata tinggi badan sampel adalah 170 cm.
Soal:
1. Hitung interval kepercayaan 95% untuk rata-rata tinggi badan
mahasiswa. 2. Interpretasikan hasilnya.
Penyelesaian:
Karena standar deviasi populasi diketahui, kita menggunakan distribusi
z.
mean_tinggi <- 170 # dalam cm
sd_tinggi <- 5 # dalam cm (diketahui)
n <- 36
alpha <- 0.05
# Menghitung nilai z untuk tingkat kepercayaan 95%
z_value <- qnorm(1 - alpha/2)
# Menghitung margin of error
error_margin <- z_value * sd_tinggi / sqrt(n)
# Menghitung interval kepercayaan
interval <- c(mean_tinggi - error_margin, mean_tinggi + error_margin)
interval## [1] 168.3667 171.6333Interpretasi:
Interval kepercayaan 95% untuk rata-rata tinggi badan mahasiswa teknik
adalah (168.37 cm, 171.63 cm). Artinya, kita dapat yakin 95% bahwa
rata-rata tinggi badan seluruh mahasiswa teknik di universitas tersebut
berada dalam rentang ini. Karena standar deviasi populasi diketahui,
estimasi ini lebih presisi.
Situasi:
Universitas yang sama ingin mengestimasi rata-rata tinggi badan
mahasiswa di fakultas seni. Namun, standar deviasi populasi tidak
diketahui. Sebuah sampel acak dari 25 mahasiswa diambil, dan hasilnya
adalah sebagai berikut (dalam cm):
tinggi_badan <- c(165, 168, 170, 172, 169, 167, 171, 166, 173, 174, 170, 168, 169, 167, 172, 171, 170, 169, 168, 173, 172, 170, 169, 167, 171)Soal:
1. Hitung interval kepercayaan 95% untuk rata-rata tinggi badan
mahasiswa. 2. Interpretasikan hasilnya.
Penyelesaian:
Karena standar deviasi populasi tidak diketahui, kita menggunakan
distribusi t.
mean_tinggi <- mean(tinggi_badan)
sd_tinggi <- sd(tinggi_badan)
n <- length(tinggi_badan)
alpha <- 0.05
# Menghitung nilai t untuk tingkat kepercayaan 95% dan df = n-1
t_value <- qt(1 - alpha/2, df = n-1)
# Menghitung margin of error
error_margin <- t_value * sd_tinggi / sqrt(n)
# Menghitung interval kepercayaan
interval <- c(mean_tinggi - error_margin, mean_tinggi + error_margin)
interval## [1] 168.6802 170.5998Interpretasi:
Interval kepercayaan 95% untuk rata-rata tinggi badan mahasiswa seni
adalah (168.67 cm, 170.73 cm). Artinya, kita dapat yakin 95% bahwa
rata-rata tinggi badan seluruh mahasiswa seni di universitas tersebut
berada dalam rentang ini. Karena standar deviasi populasi tidak
diketahui, kita menggunakan distribusi t, yang menghasilkan interval
yang sedikit lebih lebar dibandingkan jika standar deviasi populasi
diketahui.
Laporan ini melakukan simulasi untuk mempelajari pengaruh tiga faktor
utama terhadap lebar interval kepercayaan 95%:
Faktor 1: Ukuran Sampel (\(n\)) dengan
level 5, 30, dan 100.
Faktor 2: Variabilitas Data (\(SD\))
dengan level 10, 50, dan 90.
Faktor 3: Status Standar Deviasi (Diketahui menggunakan Distribusi Z vs
Tidak Diketahui menggunakan Distribusi T).
# Inisialisasi Level Faktor
n_lvls <- c(5, 30, 100)
sd_lvls <- c(10, 50, 90)
tipe_sd <- c("Diketahui (Z)", "Tidak Diketahui (T)")
# Membuat Tabel Kombinasi Simulasi
simulasi_tugas <- expand.grid(n = n_lvls, SD = sd_lvls, Status = tipe_sd)
# Fungsi untuk menghitung lebar interval (2 \* Margin of Error)
hitung_lebar <- function(n, sd, status) {
if (status == "Diketahui (Z)") {
me <- qnorm(1 - 0.05/2) * (sd / sqrt(n))
} else {
me <- qt(1 - 0.05/2, df = n - 1) * (sd / sqrt(n))
}
return(round(2 * me, 4))
}
# Menerapkan fungsi ke tabel
simulasi_tugas$Lebar_Interval <- mapply(hitung_lebar,
simulasi_tugas$n, simulasi_tugas$SD,
simulasi_tugas$Status)
# Menampilkan tabel hasil simulasi
print(simulasi_tugas)## n SD Status Lebar_Interval
## 1 5 10 Diketahui (Z) 17.5305
## 2 30 10 Diketahui (Z) 7.1568
## 3 100 10 Diketahui (Z) 3.9199
## 4 5 50 Diketahui (Z) 87.6523
## 5 30 50 Diketahui (Z) 35.7839
## 6 100 50 Diketahui (Z) 19.5996
## 7 5 90 Diketahui (Z) 157.7741
## 8 30 90 Diketahui (Z) 64.4110
## 9 100 90 Diketahui (Z) 35.2794
## 10 5 10 Tidak Diketahui (T) 24.8333
## 11 30 10 Tidak Diketahui (T) 7.4681
## 12 100 10 Tidak Diketahui (T) 3.9684
## 13 5 50 Tidak Diketahui (T) 124.1664
## 14 30 50 Tidak Diketahui (T) 37.3406
## 15 100 50 Tidak Diketahui (T) 19.8422
## 16 5 90 Tidak Diketahui (T) 223.4995
## 17 30 90 Tidak Diketahui (T) 67.2131
## 18 100 90 Tidak Diketahui (T) 35.7159Interpretasi Hasil Simulasi: