Professional Documents
Culture Documents
+
2
1 n
dalam susunan data
Rumus median bagi data terkumpul adalah
Median =
C
k
k
k
L
L
1
1
1
1
]
1
+
+
2
1
Dengan
L = sempadan bawah kelas median
L
k = kekerapan melonggok hingga ke titik L
k = kekerapan kelas median
C = lebar kelas median
3.4.3.3 Mod
Mod ialah ukuran yang mirip kepada median kerana tidak diperolehi melalui
perhitungan. Mod ialah nilai yang paling kerap muncul dalam sesuatu set data. Bagi
data terkumpul pula rumus bagi mendapatkan mod ialah
Mod =
C
b a
a
L
1
]
1
+
+
42
Dengan
L = sempadan bawah kelas mod
a = kekerapan kelas mod kekerapan kelas sebelum kelas mod
b = kekerapan kelas mod kekerapan kelas selepas kelas mod
C = lebar kelas mod
3.4.4 Ukuran Serakan
Min, median dan mod hanya dapat menerangkan sebahagian sahaja daripada ciri
data. Untuk memahami ciri data selain daripada itu kita perlu ukuran serakan.
Ukuran serakan membolehkan kita menentukan kebolehpercayaan ukuran pusat
data. Jika serakan adalah luas maka ukuran pusat tidak dapat mewakili set data dengan
baik. Begitu juga set data yang luas serakannya, biasanya mempunyai masalah yang
perlu diatasi. Sebagai contoh, dalam kawalan mutu, set data yang mempunyai serakan
yang luas menunjukkan proses adalah diluar kawalan. Ukuran serakan yang akan
dibincangkan ialah julat, varians, sisihan piawai dan pekali variasi.
3.4.4.1 Julat
Julat bagi sesuatu set data iaitu selisih diantara nilai paling tinggi dan nilai
paling rendah yang di perolehi untuk setiap set data. Ini adalah satu ukuran bagi luas
atau sempitnya sekumpulan data itu tersebar.
43
Rumus julat adalah
Julat = Skor Paling Besar Skor Paling Kecil
Rumus julat bagi data terkumpul adalah
Julat = Sempadan Atas Sempadan Bawah
Kelas Akhir Kelas Pertama
3.4.4.2 Varians dan Sisihan Piawai
Ukuran varians dan sisihan piawai amat penting dalam menganalisa secara
statistik. Perhitungan varians melibatkan hasiltambah kuasadua sisihan setiap item
daripada min populasi dibahagi jumlah item dalam populasi. Varians populasi
ditandakan dengan
2
.
Nilai sisihan piawai menerangkan bagaimana cerapan-cerapan dalam sesuatu set
data tersebar disekeliling nilai min. Apabila sisihan daripada min dikuasaduakan, setiap
nilai menjadi positif dan sisihan yang lebih besar diberatkan membayangkan serakan
yang lebih luas disekeliling nilai min.
Rumus varians populasi
2
=
( )
N
u x
N
i
i
1
2
Bagi sampel tatatanda varians ialah s
2
.
Rumus varians sampel
44
s
2
=
( )
1
1
2
n
x x
n
i
i
Rumus varians dan sisihan piawai bagi data terkumpul ialah
s
2
=
( )
1
1
2
n
x x k
n
i
i i
3.4.4.3 Pekali Variasi
Untuk membuat perbandingan yang bermakna di antara serakan yang
mempunyai unit yang berbeza, kita perlukan ukuran serakan secara relatif dalam bentuk
peratus dan ukuran yang boleh digunakan ialah ukuran yang dipanggil Pekali Variasi.
Pekali Variasi ialah nisbah sisihan piawai pada min arimetik bagi sesuatu set
data dalam peratus. Pekali Variasi dalam sampel ialah ;
Pekali Variasi =
x
s
x 100
Penyebaran Relatif =
musat derunganMe NilaiKecen
Mutlak Penyebaran
Sekiranya pekali variasi dikira untuk populasi, maka min sampel dan sisihan piawai
sampel digantikan dengan dan .
45
3.4.5 Taburan Kebarangkalian Normal
Taburan Normal adalah satu taburan selanjar berbentuk simetri yang
mempunyai nilai min dan sisihan piawai. Ciri-ciri ini dapat di lihat seperti dalam Rajah
3.1 dibawah.
Rajah 3.1 Ciri-ciri Taburan Normal
Keluk normal ini berguna untuk mengkaji keterangan tentang sifat-sifat data.
Keluk normal dan jadual normal boleh memberikan bahagian pencerapan yang
terkandung di antara dua nilai. Sebarang keluk normal ini ditentukan oleh sisihan
piawai, s dan kedudukannya pada paksi mengufuk ditentukan oleh min, x . Untuk
panduan, selang dalam sisihan piawai,
s
dan peratusan diantaranya diberikan seperti di
Rajah 3.2 dibawah.
46
Rajah 3.2 Selang dalam Sisihan Piawai dalam Lengkung Normal
Nilai-nilai :
-1
s
hingga +1
s
: 68.3% dari cerapan
-2
s
hingga +2
s
: 95.4% dari cerapan
-3
s
hingga +3
s
: 99.7% dari cerapan
Keluk taburan normal diwakili oleh fungsi ketumpatan kebarangkalian normal, iaitu :
( ) x f
=
2
2
1
s
e
2
2
1
,
_
s
x x
Oleh kerana
( ) x f
bergantung kepada nilai x dan
2
s , setiap kebarangkalian yang
dicari memerlukan pengamiran
( ) x f
yang berbeza-beza. Dengan itu, kita
menggunakan taburan normal piawai untuk mencari kebarangkalian sebarang taburan
normal lain.
3.4.6 Taburan Kebarangkalian Normal Piawai
47
Taburan normal piawai ialah suatu taburan normal yang mempunyai min, x =
0 dan varians, s
2
= 1. Ia ditulis sebagai Z~N(0,1) iaitu fungsi ketumpatan bagi Z,
( )
2
2
1
2
1 Z
e z f
+ < < z
dan fungsi taburan kebarangkalian.
( ) ( )dz z f z F
o
z
o
iaitu luas di bawah lengkung
( ) z f
yang berlorek seperti Rajah 3.3
dibawah.
Rajah 3.3 Lengkung Taburan Normal Piawai
Jadual taburan normal piawai memberikan kebarangkalian di sebelah kanan, iaitu
( )
o
z Z P
=
( )dz z f
o
z
= 1-
( )
o
z F
= 1 -
( )
o
z Z P
48
Untuk mencari kebarangkalian suatu taburan normal yang mempunyai min, x dan
varians
2
s , kita perlu mempiawaikannya supaya menjadi taburan normal piawai, iaitu
Jika ( )
2
, ~ s x N x
s
x x
Z
ialah N(0,1)
Penggunaan Lengkung Taburan Normal Piawai dan Jadual Taburan Normal Piawai
boleh memberikan peratus atau kebarangkalian antara dua nilai.
3.4.7 Ujian Hipotesis
3.4.7.1 Ujian Hipotesis bagi Min , Suatu Populasi yang Tertabur Normal
Dengan Varian
2
Diketahui dan n 30.
Jadual 3.1 Ujian Hipotesis untuk n 30
H
o
H
i
Ujian Statistik Tolak H
o
, jika
H
o :
=
o
H
i
: >
o
n
X
Z
test
test
Z
>
Z
H
o :
=
o
H
i
: <
o
n
X
Z
test
test
Z
< -
Z
H
o :
=
o
H
i
:
o
n
X
Z
test
test
Z
> 2
Z
or
test
Z
> - 2
Z
49
50
3.4.7.2 Ujian Hipotesis bagi Min , Suatu Populasi yang Tertabur Normal
Dengan Varian
2
Tidak Diketahui dan n 30.
Jadual 3.2 Ujian Hipotesis untuk n 30
H
o
H
i
Ujian Statistik Tolak H
o
, jika
H
o :
=
o
H
i
: >
o
n
s
X
t
test
test
t
> 1 , n
t
H
o :
=
o
H
i
: <
o
n
s
X
t
test
test
t
< - 1 , n
t
H
o :
=
o
H
i
:
o
n
s
X
t
test
test
t
> 1 , 2 n
t
or
test
t
> - 1 , 2 n
t
51