Modul Statistik Asas

Unduh sebagai docx, pdf, atau txt
Unduh sebagai docx, pdf, atau txt
Anda di halaman 1dari 165

MODUL PENDIDIKAN JARAK JAUH

UNIVERSITI PENDIDIKAN SULTAN IDRIS

SMU3063

STATISTIK ASAS

FAKULTI SAINS DAN MATEMATIK


SMU3063

Statistik Asas

Zulkifley Mohamed
Sazelli Ab. Ghani

2013

II
PRAKATA

Modul ini dibina untuk membantu pelajar dalam proses pembelajaran dan
pembelajaran bagi kursus statistik asas. Modul ini bukan sahaja dapat
melengkapkan pelajar tentang pengetahuan berkait dengan statistik asas,
ianya juga mampu membantu pelajar untuk mengarap pengetahuan statistik
untuk digunakan di peringkat yang lebih tinggi.
ISI KANDUNGAN

1. Sifat-sifat statistik 5

2. Taburan kekerapan dan graf 15

3. Statistik pemerihalan 35

4. Konsep kebarangkalian 61

5. Pembolehubah rawak diskret dan selanjar 84

6. Teknik pensampelan 97

7. Penganggaran parameter populasi 111

8. Analisis korelasi dan regresi 128


Sifat-sifat
Statistik

UNIT PELAJARAN 1
SIFAT-SIFAT
STATISTIK

HASIL PEMBELAJARAN

Pada penghujung unit ini, pelajar diharap dapat:


1. Menerangkan maksud statistik, jenis-jenis statistik dan istilah-istilah
asas statistik.
2. Menerangkan dan mentakrifkan semula istilah asas statistik seperti
populasi, sampel, parameter populasi dan statistik sampel.
3. Mengenalpasti beberapa jenis pembolehubah dan sumber data.

PENGENALAN

Statistik digunakan sangat meluas bukan sahaja dalam menganalisis data


tetapi bersangkut dengan memberi makna kepada data yang dianalisis.
Statistik digunakan untuk mengumpul, mengatur, meringkaskan,
menganalisis, dan membuat kesimpulan menarik atau memberi pengertian
kepada data secara saintifik. Statistik pada masa kini bukan hanya berdiri
sendiri tetapi ia juga digabungkan dengan bidang ilmu lain seperti ekonomi
yang menjadi ekonometrik. Gabungan antara biologi dan statistik menjadi
biostatistik manakala gabungan antara psikologi dan statistik menjadi
psikometrik.

5
ISI KANDUNGAN

Jenis-jenis statistik

Statistik pada umumnya boleh dibahagikan kepada dua, iaitu statistik


deskriptif dan statistik inferensi.

Statistik deskriptif adalah teknik statistik digunakan bagi merumus dan


menerangkan tentang sesuatu set data. Penjadualan dan persembahan data
adalah contoh statistik deskriptif. Begitu juga perumusan dan penerangan
tentang ukuran kecenderungan memusat dan ukuran serakan termasuk
dalam statistik deskriptif.

Statistik inferensi atau statistik induktif adalah penggunaan statistik dalam


memperihalkan beberapa aspek yang tidak diketahui dalam populasi
berdasarkan sampel. Statistik inferensi digunakan dalam penganggaran,
mengukur selang keyakinan, pengujian hipotesis, analisis regresi dan korelasi
dan lain-lain lagi.

Peranan statistik ditunjukkan pada rajah di bawah:

Kumpul data Persembah Data Analisis Data Interpretasi

Istilah asas dalam statistik

Pembolehubah

Pembolehubah adalah satu sifat yang menggambarkan orang, tempat, benda,


atau idea. Nilai pembolehubah boleh berbeza dari satu entiti kepada yang
lain. Dengan kata lain, apa sahaja yang berubah-ubah dikenali sebagai
pembolehubah. Ciri-ciri ahli populasi atau sampel yang dikaji dinamakan
pembolehubah. Pembolehubah adalah sesuatu tatatanda yang diberikan
kepada nilai, bilangan, kategori dan ciri-ciri. Antara contoh pembolehubah
adalah ketinggian seseorang dalam meter, berat dalam kilogram, taburan
hujan di sesebuah negeri, kelajuan kenderaan, jantina pelajar dalam
sesebuah kelas, kelulusan akademik, warna bunga dan sebagainya.
Pembolehubah pula boleh dibahagikan mengikut sifatnya, iaitu
pembolehubah kuantitatif dan kualitatif.

Pembolehubah yang dinyatakan dalam bentuk berangka dikenali sebagai


pembolehubah kuantitatif. Manakala pembolehubah yang dinyatakan dalam
kategori yang berbeza mengikut ciri-ciri atau atributnya dikenali sebagai
pembolehubah kualitatif. Antara contoh pembolehubah kuantitatif adalah
ketinggian seseorang dalam meter, berat dalam kilogram, taburan hujan di
sesebuah negeri, kelajuan kenderaan berat dan ketinggian seseorang, jarak
perjalanan, bilangan kesalahan menaip yang dilakukan oleh seorang jurutaip.

Pembolehubah-pembolehubah seperti jantina (sama ada lelaki atau


perempuan), warna (hitam, putih, kuning, merah dan sebagainya), taraf
pendidikan, status perkahwinan dan sebagainya dikenali sebagai
pembolehubah kualitatif.

Pembolehubah kuantitatif diskret dan delanjar

Pembolehubah kuantitatif seterusnya boleh diklasifikasikan kepada


pembolehubah kuantitatif diskret dan pembolehubah kuantitatif selanjar. Jika
sesuatu pembolehubah boleh mengambil sebarang nilai antara nilai minimum
dan nilai maksimum, ia dikenali sebagai pembolehubah kuantitatif selanjar;
sebaliknya, ia dikenali sebagai pembolehubah kuantitatif diskret. Dengan kata
lain pembolehubah yang boleh diukur secara tepat dikenali sebagai
pembolehubah diskret. Manakala pembolehubah selanjar pula ialah
pembolehubah yang diambil dari nilai-nilai sahih. Pembolehubah selanjar
diperoleh dengan cara mengukur dan mungkin terdiri dari nombor pecahan
dan nombor perpuluhan.

Rajah di bawah adalah ringkasan berkenaan dengan kategori pembolehubah


yang boleh membantu anda untuk memahami lebih lanjut tentang
pembolehubah kualitatif, pembolehubah kuantitatif diskret dan pembolehubah
kuantitatif selanjar.

Pembolehubah

Kuantitatif Kualitatif

Diskret Selanjar

Contoh-contoh berikut dapat membantu anda memahami perbezaan antara


pembolehubah selanjar dan diskret:

Contoh Pembolehubah
kuantitatif
Diskret Selanjar
Berat pelajar √
Ketinggian bangunan di Kuala Lumpur √
Kelajuan kenderaan di litar perlumbaan √
Bilangan peserta di sebuah seminar √
Bilangan kesalahan menaip yang dilakukan √
oleh jurutaip
Bilangan aduan yang diterima oleh √
sesebuah organisasi

Populasi dan sampel

Populasi adalah keseluruhan unit-unit lengkap yang hendak dikaji, ia


mengandungi kesemua subjek berdasarkan kepentingan sesuatu kajian.
Kajian yang melibatkan kesemua unit-unit dalam populasi lazimnya besar. Ini
berkemungkinan akan menyebabkan kita gagal untuk mendapatkan data
untuk setiap objek yang dikaji. Semakin banyak unit-unit populasi yang
hendak dikaji, semakin besarlah kos yang perlu ditanggung. Untuk mengatasi
masalah ini, sampel digunakan. Perbezaan utama di antara populasi dan
sampel mempunyai kaitan dengan bagaimana pemerhatian diberikan kepada
sesuatu set data. Populasi merangkumi setiap unsur daripada set
pemerhatian yang boleh dibuat. Manakala sampel terdiri daripada
pemerhatian yang diambil daripada sebahagian populasi.

Populasi

Sampel

Parameter dan statistik

Parameter adalah ciri-ciri yang menerangkan populasi. Ukuran pemerihalan


berangka yang dihitung daripada sesebuah populasi dinamakan parameter.
Manakala statistik adalah ciri-ciri yang menerangkan sampel. Ukuran
pemerihalan yang dihitung daripada sesebuah sampel dinamakan statistik.
Perbezaan antara parameter dan statistik adalah statistik menggambarkan
sampel, manakala parameter menggambarkan keseluruhan populasi.
Sebagai contoh min bagi populasi ditanda sebagai µ dan varians bagi
populasi ditanda sebagai 2. Kedua-dua ukuran ini dinamakan parameter
populasi. Manakala min bagi sampel pula ditanda sebagai x dan varians bagi
sampel ditanda sebagai s2. Kedua-dua ukuran ini dinamakan statistik sampel.

Sebagai contoh, rajah di bawah menerangkan tentang parameter dan statistik


min yang dihitung daripada populasi dan sampel.
Populasi
Sampel

Sampel Rawak

Parameter Statistik sampel,


populasi, min µ. min x .

Sumber-sumber data

Sumber-sumber data boleh dibahagikan kepada dua, iaitu sumber primer


(peringkat pertama) dan sumber sekunder (peringkat kedua). Data mungkin
boleh diperoleh daripada penyelidikan, laporan penyelidikan, laporan tahunan
statistik, laporan tahunan syarikat, laporan terbitan kerajaan, jurnal dan lain-
lain.

Data sumber primer

Data sumber primer adalah data yang belum pernah diterbitkan, iaitu data
yang diperolehi daripada kajian penyelidikan yang baru dan dipungut dari
sumber asalnya, contohnya, dalam pemasaran, ia adalah maklumat yang
diperolehi secara langsung daripada sumber asalnya iaitu melalui kaji selidik,
pemerhatian atau eksperimen. Data yang dipungut oleh penyelidik, badan-
badan kerajaan atau organisasi yang memerlukan data dinamai data primer
atau data peringkat pertama. Data primer belum pernah dikumpul oleh
sesiapa sebelum ini. Kaedah pemerhatian, temuduga berdepan atau melalui
pos boleh digunakan untuk memunggut data primer.
Data sumber sekunder

Data sekunder atau data peringkat kedua adalah data yang telah pun
dikumpulkan sebelum ini dan mudah didapati daripada sumber-sumber lain.
Data sekunder lebih murah dan lebih cepat diperolehi daripada data primer.
Data sekunder kemungkinan boleh didapati apabila data primer tidak boleh
diperolehi. Data sekunder adalah data yang telah diterbitkan bertujuan untuk
kegunaan orang perseorangan atau sesebuah organisasi. Data sekunder
boleh didapati daripada laporan statistik, laporan penyelidikan, laporan
daripada terbitan kerajaan, jurnal, laporan syarikat dan seumpamanya.
PENILAIAN KENDIRI

1. Terdapat dua jenis pembolehubah yang dikenali sebagai:

A. Sampel dan populasi


B. Kualitatif dan kategori
C. Kuantitatif dan kualitatif

2. Antara yang berikut, yang mana merupakan pembolehubah kualitatif?

A. Siaran TV kegemaran remaja


B. Markah ujian IQ
C. Bilangan ternakan di sebuah ladang

3. Subset bagi satu populasi dikenali sebagai:

A. Statistik
B. Sampel
C. Populasi

4. Satu set unit (cth: pelajar) yang berpotensi untuk dikaji dikenali sebagai:

A. Statistik
B. Sampel
C. Populasi

5. Antara berikut, yang manakah pembolehubah kuantitatif selanjar?

A. Jantina seseorang
B. Jarak (KM) antara Tanjong Malim dan Kuala Lumpur
C. Bilangan pemilikan kenderaan sesebuah keluarga
6. Satu kajian telah dilakukan terhadap 200 orang pelajar yang dipilih secara
rawak daripada pelajar fakulti Sains dan Matematik, UPSI. Apakah
populasi bagi kajian ini?

A. 200 pelajar yang terpilih


B. Pelajar fakulti Sains dan Matematik
C. Pelajar UPSI

7. Satu kajian telah dilakukan terhadap 50 pelajar yang dipilih secara rawak
daripada fakulti Sains dan Matematik UPSI. Apakah sampel bagi kajian
ini?

A. 50 pelajar yang terpilih


B. Pelajar fakulti Sains dan Matematik
C. Pelajar UPSI

8. 100 batang pen telah dipilih secara rawak daripada simpanan pen yang
dikeluarkan oleh sebuah syarikat pengeluar pen. 100 batang pen ini
dikenali sebagai:

A. Parameter
B. Statistik
C. Sampel

9. 100 batang pen telah dipilih secara rawak daripada simpanan pen yang
dikeluarkan oleh sebuah syarikat pengeluar pen. Simpanan pen yang
dikeluarkan oleh sebuah syarikat pengeluar pen dikenali sebagai:

A. Parameter
B. Populasi
C. Sampel
10. Min dan sisihan piawai dikenali sebagai statistik jika ia dihitung daripada:

A. Sampel
B. Populasi
C. Parameter

11. Min berkemungkinan adalah:

A. Parameter sahaja
B. Statistik sahaja
C. Parameter dan statistik

RUJUKAN
Bluman, A.G.(2009). Elementary Statistics: A Step by Step Approach (7th ed). New
York: McGraw Hill.

Johnson, R. & Kuby, P. (2004). Elementary Statistics (9th ed). Boston: Duxbury
Press.
Taburan Kekerapan dan
Graf

UNIT PELAJARAN 2
TABURAN KEKERAPAN DAN GRAF

HASIL PEMBELAJARAN

Pada penghujung unit ini, pelajar diharap dapat:

1. Menentukan taburan kekerapan dan membina taburan kekerapan.


2. Membina dan mempersembahkan data dalam bentuk bergraf yang
melibatkan histogram dan graf ogif, carta bulatan dan carta bar;
3. Membezakan antara persembahan data berbentuk kuantitatif dan
kualitatif.

PENGENALAN

Topik ini mendedahkan kepada pelajar tentang teknik-teknik bagi merekod


dan mempersembahkan data pembolehubah kuantitatif dan kualitatif dalam
bentuk yang sistematik dan tersusun. Topik-topik yang akan dibincangkan
merangkumi jadual taburan kekerapan, jadual taburan kekerapan selanjar,
jadual taburan kekerapan melonggok, jadual taburan kekerapan relatif,
histogram, poligon kekerapan, graf kekerapan melonggok (ogif), carta
bulatan, carta palang ringkas, carta palang berganda, carta palang
berkomponen dan carta palang berkomponen berperatusan.
ISI KANDUNGAN

Jadual taburan kekerapan

Pelajar boleh menggunakan beberapa kaedah dalam menghimpunkan data


supaya mudah difahami. Antara kaedah yang sering digunakan adalah
taburan kekerapan. Taburan kekerapan boleh dibentuk menjadi jadual. Ini
dikenali sebagai jadual taburan kekerapan. Jadual yang menghimpunkan
data dengan nilai yang sama atau hampir-hampir sama ke dalam satu
kumpulan dinamai jadual taburan kekerapan.

Berikut adalah contoh bagaimana kita boleh membina jadual taburan


kekerapan berdasarkan maklumat yang diberikan.

Contoh 1
Satu kajian telah dilakukan di sebuah kawasan perumahan untuk mengetahui
pemilikan telefon bimbit bagi setiap keluarga. Data pemilikan telefon bimbit
bagi 20 keluarga yang dikaji adalah seperti berikut:

2, 3, 2, 1, 4, 5, 1, 2, 2, 2, 3, 3, 4, 3, 4, 3, 2, 5, 1, 1

Data di atas boleh dipersembahkan dalam jadual taburan frekuensi dengan


menggunakan langkah-langkah berikut:

(i) Bahagikan nilai pembolehubah (x) kepada selang, kemudian hitung


bilangan nilai bagi setiap selang. Bagi contoh ini, selang diwakili oleh
bilangan keluarga dengan 1, 2, 3, 4, dan 5 telefon bimbit.

(ii) Bina jadual dengan tiga jalur, iaitu nombor bagi selang (x), tally
(bilangan yang dihitung) dan frekuensi.
Jadual Taburan Frekuensi
Bilangan Telefon Bimbit (x) Tally Frekuensi (f)
1 |||| 4
2 |||| | 6
3 |||| 5
4 ||| 3
5 || 2
Jumlah 20

Jadual di atas juga dikenali sebagai jadual taburan diskret kerana


pembolehubah bilangan telefon bimbit mengambil nilai diskret. Satu lagi
contoh jadual taburan frekuensi yang mengambil nilai diskret adalah seperti
berikut.

Contoh 2
Markah ujian statistik Frekuensi (f) /Bilangan pelajar
60 5
65 11
70 20
75 25
80 15
85 10
90 4
Jumlah 90

Jadual taburan frekuensi selanjar

Jika kita menghimpunkan data berdasarkan pembolehubah selanjar dengan


nilai yang sama atau hampir-hampir sama ke dalam satu kumpulan, maka
jadual ini dikenali sebagai jadual taburan frekuensi selanjar.

Langkah-langkah berikut boleh digunakan bagi membina jadual taburan


frekuensi selanjar jika kita dihidangkan dengan data mentah:
(i) Tentukan selang kelas, kebiasaannya dalam gandaan 5, 10, 15,…
NT  NR
(ii) Kirakan bilangan selang kelas, iaitu BSK 
SK
(iii) Hitungkan “tally” dan frekuensi (f).

Contoh 3
Markah yang diperoleh oleh 40 pelajar yang menduduki peperiksan kursus
statistik asas adalah seperti berikut:

51 62 72 80 87 66 73 83 74 65
78 88 53 75 92 76 82 93 77 84
89 65 81 68 75 58 94 79 67 86
69 71 77 98 81 79 64 70 85 71

Data di atas boleh dipersembahkan dalam jadual taburan frekuensi dengan


menggunakan langkah-langkah berikut:

(i) Katakan kita mengambil selang kelas 10.


98  51
(ii) Kirakan bilangan selang kelas, iaitu BSK  5
10
(iii) Hitungkan tally dan frekuensi (f).

Markah (y) Tally Frekuensi (f)


50-59 ||| 3
60-69 |||| ||| 8
70-79 |||| |||| |||| 14
80-89 |||| |||| | 11
90-99 |||| 4
Jumlah 40
Jadual taburan frekuensi melonggok

Jadual taburan frekuensi melonggok boleh dibentuk dengan mengumpulkan


(menjumlahkan) frekuensi pada setiap selang dengan selang sebelumnya.
Jadual taburan frekuensi melonggok dibina bertujuan untuk memperlihatkan
jumlah yang telah terkumpul pada sesuatu selang tertentu. Cuba kita rujuk
contoh 2 dan 3 di atas, dengan kedua-dua contoh ini kita cuba membina
jadual taburan kekerapan melonggok.

Contoh 4

Markah ujian Frekuensi (f)/ Frekuensi


statistik Bilangan pelajar Melonggok
60 5 5
65 11 5  1116
70 20 16  2036
75 25 36  2561
80 15 61  1576
85 10 76  1086
90 4 86  490

Contoh 5

Markah (y) Tally Frekuensi (f) Frekuensi


Melonggok
50-59 ||| 3 3
60-69 |||| ||| 8 3  811
70-79 |||| |||| |||| 14 11  1425
80-89 |||| |||| | 11 25  1136
90-99 |||| 4 36  440
Jadual taburan frekuensi relatif

Jadual taburan frekuensi yang dinyatakan dalam nilai nisbah atau peratus
dinamakan jadual taburan frekuensi relatif. Sila rujuk Contoh 2 dan 3 bagi
jadual frekuensi diskret dan jadual frekuensi selanjar di atas. Jadual-jadual
tersebut boleh ditokok menjadi jadual frekuensi relatif seperti berikut:

Contoh 6
Markah Ujian Frekuensi (f) /Bilangan Frekuensi Relatif
Statistik Pelajar
60 5 5
100  5.56
90
65 11 11
100  12.22
90
70 20 20
100  22.22
90
75 25 25
100  27.78
90
80 15 15
100  16.67
90
85 10 10
100  11.11
90
90 4 4
100  4.44
90
Jumlah 90 90
100  100.00
90

Histogram

Maklumat-maklumat daripada jadual yang telah dibina sebelum ini boleh kita
persembahkan dalam bentuk graf. Histogram boleh dilukis dengan
menggunakan maklumat yang diperoleh daripada jadual frekuensi dan
frekuensi relatif. Histogram juga boleh digunakan untuk menunjukkan bentuk
taburan sesuatu data kuantitatif. Selain daripada itu mod boleh dianggar
daripada histogram. Di dalam Contoh 7, kita ditunjukkan bagaimana melukis
histogram daripada jadual taburan frekuensi.

Contoh 7
Kelajuan kenderaan yang dicatatkan di sebuah lebuh raya adalah seperti
berikut:
Kelajuan kenderaan 95- 100- 105- 110- 115- 120- 125-
(KM/Jam) 99 104 109 114 119 124 129
Bil. Kenderaan/ Frekuensi 2 5 7 11 6 3 1

Histogram:
Bilangan Kenderaan Mengikut Kelajuan (KM/Jam)

12

10
BilanganKenderaan

0
94.599.5 104.5 109.5 114.5 119.5 124.5 129.5
Kelajuan (KM/Jam)

Poligon Frekuensi

Graf poligon frekuensi diperolehi dengan melakarkan garis yang


menyambungkan titik tengah setiap palang histogram. Bentuk taburan
sesuatu data dapat dilihat dengan lebih jelas apabila terbinanya poligon
frekuensi. Contoh di bawah dipetik daripada Contoh 7 yang menunjukkan
bagaimana graf poligon frekuensi dibentuk daripada histogram.
Contoh 8
Kelajuan kenderaan yang dicatatkan di sebuah lebuh raya adalah seperti
berikut:
Kelajuan kenderaan 95- 100- 105- 110- 115- 120- 125-
(KM/Jam) 99 104 109 114 119 124 129
Bil. Kenderaan/ Frekuensi 2 5 7 11 6 3 1

Poligon:
Bilangan Kenderaan Mengikut Kelajuan (KM/Jam)

12

10
BilanganKenderaan

0
94.5 99.5 104.5 109.5 114.5 119.5 124.5 129.5
Kelajuan (KM/Jam)

Graf frekuensi melonggok (ogif)

Jika pelajar melakar graf daripada jadual frekuensi melonggok, graf yang
diperolehi dinamakan ogif. Terdapat dua bentuk ogif yang boleh dibentuk,
iaitu ogif “kurang daripada” dan ogif “lebih daripada”. Bagi ogif “kurang
daripada” paksi-x diwakili oleh had bawah data dan paksi-y mewakili frekuensi
melonggok. Manakala bagi ogif “lebih daripada” paksi-x diwakili oleh had atas
data dan paksi-y mewakili frekuensi melonggok. Daripada ogif yang diperoleh,
pelajar boleh menganggar nilai median. Perhatikan contoh di bawah, iaitu
data berkenaan taburan hujan di bandar Tanjong Malim yang dicatatkan pada
bulan Disember 2012.
Contoh 9

Taburan hujan (mm) Bilangan Hari/ Frekuensi Frekuensi


Melonggok
300 3 3
400 6 3+6=9
500 7 9+7=16
600 8 16+8=24
700 3 24+3=27
800 2 27+2=29
900 1 29+1=30
Jumlah 30

Ogif Kurang Daripada

35
Kekerapan Melonggok

30

25

20

15

10

0
300 400 500 600 700 800 900

Taburan hujan (mm)

Satu lagi ogif yang boleh dibina adalah Ogif “lebih daripada”. Iaitu ogif yang
menggunakan frekuensi melonggok “lebih daripada” sebagai paksi-y. Contoh
10 menunjukkan bagaimana Ogif “lebih daripada” dibina.
Contoh 10
Taburan Hujan (mm) Bilangan Hari/ Frekuensi Frekuensi Melonggok
300 3 27+3=30
400 6 21+6=27
500 7 14+7=21
600 8 6+8=14
700 3 3+3=6
800 2 1+2=3
900 1 1
Jumlah 30

Ogif Lebih Daripada

35

30
Kekerapan Melonggok

25

20

15

10

0
300 400 500 600 700 800 900

Taburan hujan (mm)

Carta bulatan

Sebelum ini kita telah mempelajari bagaimana mempersembahkan data


kuantitatif dalam bentuk bergraf. Seterusnya kita akan mempelajari
bagaimana untuk mempersembahkan data kualitatif dalam bentuk bergraf.
Data kualitatif boleh dipersembahkan dalam bentuk carta bulatan dan carta
palang.

Carta bulatan sesuai digunakan jika kita ingin membuat perbandingan


beberapa sektor yang dibentuk. dalam sesuatu bulatan, maka carta yang
paling sesuai digunakan adalah carta bulatan. Sebagai contoh jika kita ingin
membanding penduduk bagi negara-negara Malaysia, Thailand dan Filipina.
Ini boleh dilakukan dengan mempersembahkan data penduduk dalam bentuk
carta bulatan. Perbandingan penduduk bagi negara-negara ini dilakukan
dengan membahagikan sektor-sektor mengikut Negara.

Contoh 12
Bilangan program yang ditawarkan di sebuah universiti tempatan.

Negara Bilangan penduduk Sudut sector


Malaysia 29 29 o o
 360  53.6
195
Thailand 70 70 o o
 360  129.2
195
Filipina 96 96 o o
 360  177.2
445
Jumlah 195

Setiap sudut sektor dalam carta bulatan dihitung seperti berikut:


Sudut sektor = (Jumlah item / jumlah keseluruhan)
Carta Bulatan:
Penduduk di Negara Asean
Terpilih

Malaysia 29

Filipina 96

Thailand 70

Carta Palang

Carta yang sering digunakan untuk mempersembahkan data kualitatif adalah


carta palang. Terdapat beberapa jenis carta palang yang boleh digunakan.
Antaranya carta palang ringkas; carta palang berganda; carta palang
berkomponen; dan carta palang berkomponen berperatusan. Carta-carta
palang yang dinyatakan digunakan untuk mempersembahkan data begantung
kepada kesesuaiannya.

Carta palang ringkas digunakan untuk membanding beberapa perkara atau


pembolehubah secara serentak. Setiap komponen diwakili oleh hanya satu
pembolehubah atau perkara sahaja.
Contoh 13
Jadual di bawah menunjukkan bilangan pelajar Ijazah Sarjana Muda yang
mendaftar di Fakulti Sains dan Matematik, UPSI mengikut program pada
Semester 1 Sesi 2012/2013.

Program Bilangan
Pelajar
Sarjana Muda Pendidikan (Biologi) 150
Sarjana Muda Pendidikan (Fizik) 70
Sarjana Muda Pendidikan (Kimia) 80
Sarjana Muda Pendidikan 200
(Matematik)
Sarjana Muda Sains (Matematik) 150
Jumlah 650

Pelajar boleh menggunakan carta palang ringkas untuk membentangkan


maklumat seperti Rajah di bawah.

Carta Palang:
Pendaftaran Pelajar Mengikut Program di FSM, UPSI
250

200
Bilangan Pelajar

150

100

50

0
Sarjana Muda Sarjana Muda Sarjana Muda Sarjana Muda Sarjana Muda
Pendidikan Pendidikan Pendidikan Pendidikan Sains
(Biologi) (Fizik) (Kimia) (Matematik) (Matematik)
Program

Carta palang berganda pula digunakan untuk membanding beberapa perkara


atau pembolehubah dalam sesuatu kelompok. Setiap kelompok diwakili oleh
perkara atau pembolehubah yang sama.
Contoh 14
Jadual di bawah menunjukkan jualan minyak di dua buah stesyen minyak di
sebuah bandar dalam masa sehari.
Minyak Jualan (Liter)
Stesyen Stesyen
Minyak A Minyak B
Ron 95 7000 6000
Ron 97 8000 7000
Diesel 4000 7000
Jumlah 19000 20000

Carta palang berganda boleh digunakan untuk mempersembahkan data di


atas. Carta palang berganda yang dihasilkan daripada maklumat di atas
adalah seperti berikut:

Carta Palang Berganda:


Jualan Minyak di Stesyen Minyak A dan Stesyen Minyak B

9000
8000
7000
6000
Jualan (Liter)

5000
4000
3000
Stesyen Minyak
2000
1000 Stesyen Minyak

0
Ron 95 Ron 97 Diesel
Jenis Minyak

Carta palang berkomponen mempunyai cara yang sama pembinaannya


seperti carta palang berganda. Perbezaannya hanyalah dari segi bentuk.
Carta palang berkomponen berbentuk bertingkat.
Contoh 15
Dengan menggunakan data daripada Contoh 14, lakarkan carta palang
berkomponen.

Minyak Jualan (Liter)


Stesyen Stesyen
Minyak A Minyak B
Ron 95 7000 6000
Ron 97 8000 7000
Diesel 4000 7000
Jumlah 19000 20000

Carta Palang Berkomponen:


Jualan Minyak di Stesyen Minyak A dan Stesyen Minyak B

16000

14000

12000
Jualan (Liter)

10000

8000

6000

4000 Stesyen Minyak

2000
Stesyen Minyak
0
Ron 95 Ron 97 Diesel

Jenis Minyak
Carta
palang berkomponen berperatusan mempunyai bentuk yang sama dengan
carta palang berkomponen. Walau bagaimanapun nilai palang bagi setiap
komponen dihitung dalam bentuk peratus.
Contoh 16
Cuba kita perhatikan contoh di bawah. Untuk melakarkan carta palang
berkomponen berperatusan kita perlu menukarkan setiap nilai komponen
kepada nilai peratus.

Minyak Hasil Jualan


Stesyen Peratus Stesyen Peratus
Minyak A Minyak B
Ron 95 7000 7000 6000 6000
 100  36.8  100  30
19000 20000

Ron 97 8000 8000 7000 7000


 100  42.1  100  35
19000 20000

Diesel 4000 4000 7000 7000


 100  21.1  100  35
19000 20000
Jumlah 19000 100 20000 100

Carta Palang Berkomponen Berperatusan:


Jualan Minyak di Stesyen Minyak A dan Stesyen Minyak B

100%
90%
80%
70%
Jualan (Peratus)

60%
50%
40%
30% Stesyen Minyak

20%
10% Stesyen Minyak

0%
Ron 95 Ron 97 Diesel

Jenis Minyak
PENILAIAN KENDIRI
1. Senaraikan graf dan carta yang sesuai digunakan bagi
mempersembahkan data kuantitatif dan data kualitatif, mengikut jenis data
masing-masing.

2. Bayaran bil letrik (RM) yang dicatatkan oleh sebuah keluarga setiap bulan
dalam tempoh 36 bulan adalah seperti berikut:

191 162 143 150 175 154 167 146 129


170 133 122 185 135 151 108 111 169
148 152 115 102 183 168 124 149 155
198 125 131 174 144 112 157 166 137

Bina jadual taburan frekuensi dengan mengambil nilai 10 sebagai selang


kelas.

3. Sekumpulan pelajar ditanya tentang minuman kegemaran mereka.


Maklum balas adalah seperti di bawah:

Minuman Kegemaran “Tally” Frekuensi


Kopi |||| ||||
Teh |||| |||| ||
Coklat |||| ||||
Bijirin |||| ||
Berkarbonat |||| |||| |||| ||||

(a) Lengkapkan jadual di atas.

(b) Lakarkan carta palang.

(c) Lakarkan carta bulatan.

4. Lakarkan carta yang sesuai bagi data di bawah untuk mengambarkan


rancangan TV kegemaran remaja.
Rancangan TV Remaja lelaki Remaja perempuan
Komedi |||| |||| |||| |||| |||| |||| ||
Nyayian |||| |||| ||| |||| |||| ||||
Drama |||| |||| |||| |||| ||
Berita |||| ||| |||| |
Dokumentari |||| |||| |||| |

5. Bilangan pinjaman buku yang dibuat oleh pelajar yang mengikuti program
PhD di sebuah IPTA dalam masa satu semester dicatatkan seperti di
bawah:

Bil. Pinjaman Buku 1 2 3 4 5 6 7


Bil. Pelajar 6 10 12 15 13 11 5

Bina jadual frekuensi melonggok.

6. Pendaftaran pelajar tempatan dan luar negara di sebuah IPTA adalah


seperti di bawah:

Program Bilangan
Tempatan Luar negara
BSc 3000 1000
BEd 5000 1500
MSc 400 200
MEd 600 200
PhD 200 100
Jumlah 9200 3000

Lakarkan carta yang sesuai bagi mempersembahkan maklumat di atas.

7. Jumlah masa yang dihabiskan oleh pelajar bagi menganalisis data projek
tahun akhir adalah seperti berikut:
Masa (Jam) 1-3 3-5 5-7 7-9 9-11 11-13 13-15
Bil. Pelajar 5 10 13 25 8 6 4

Lakar histogram dan poligon frekuensi.


8. Pinjaman peribadi yang diluluskan oleh sebuah bank komersial setiap
bulan adalah seperti berikut:

Nilai Pinjaman (RM) Bilangan


20,000-39,999 3
40,000-59,999 5
60,000-79,999 7
80,000-99,999 9
100,000-119,999 11
120,000-139,999 8
140,000-159,999 6
160,000-179,999 4
Jumlah 53

Lakarkan ogif kurang daripada bagi maklumat di atas.

9. Pecahan bajet bagi perbelanjaan operasi bagi sebuah negara


dicatatkan seperti berikut:

Perbelanjaan Operasi Bilangan


(‘000,000,000)
Emolumen 50
Perkhidmatan dan 30
bekalan
Pemberian dan kenaan 100
bayaran tetap
Pembelian asset 10

Lakar carta yang sesuai bagi maklumat di atas.


10. Paparan carta di bawah menunjukan bilangan pekerja tempatan
dan asing bagi sebuah negeri.

Carta Palang Berkomponen:


Bilangan Pekerja Tempatan dan Asing Mengikut Sektor

80000
70000
60000
50000
Bilangan

40000
30000
Asing
20000 Tempatan

10000
0
Pertanian Pengilangan Pembinaan Perkhidmatan

(a) Berapa ramaikah pekerja tempatan yang bekerja di sektor


perkhidmatan?

(b) Berapa ramaikah pekerja asing yang bekerja di sektor pengilangan


dan pembinaan?

(c) Dalam sektor apakah pekerja tempatan banyak bekerja?

(d) Berapakah nisbah pekerja tempatan dan asing dalam semua


sektor?

RUJUKAN
Bluman, A.G.(2009). Elementary Statistics: A Step by Step Approach (7th ed).
New York: McGraw Hill.

Johnson, R. & Kuby, P. (2004). Elementary Statistics (9th ed). Boston:


Duxbury Press.
Statistik
Pemerihalan

UNIT PELAJARAN 3
STATISTIK PEMERIHALAN

HASIL PEMBELAJARAN
Pada penghujung unit ini, pelajar diharap dapat:

1. Menguasai konsep kecenderungan memusat iaitu min, median dan


mod.
2. Mengaplikasikan min, median dan mod.
3. Menguasai konsep ukuran serakan iaitu julat, sisihan kuartil, sisihan
piawai dan sukatan kepencongan bagi menerangkan sesuatu data.

PENGENALAN
Ukuran kecenderungan memusat banyak digunakan dalam kehidupan harian.
Purata taburan hujan, purata kelajuan kenderaan di sebuah lebuhraya, purata
perbelanjaan isi rumah dalam sebulan, purata markah kursus statistik yang
diperolehi oleh sekumpulan pelajar dan sebagainya adalah antara contoh
ukuran kecenderungan memusat yang melibatkan min. Purata atau min
merupakan salah satu ukuran kecenderungan memusat. Selain daripada min
kita juga akan mempelajari median dan mod yang juga merupakan ukuran
kecenderungan memusat yang terkandung dalam ukuran memusat yang
akan diterangkan.

Ukuran kecenderungan memusat hanya mengukur satu nilai yang mewakili


sekumpulan data. Jika kita ingin mengetahui lebih lanjut mengenai sesuatu
data, kita bolehlah menghitung sisihan atau serakan data tersebut. Selain
daripada ukuran kecenderungan memusat, pelajar juga akan diterangkan
mengenai ukuran serakan yang melibatkan julat, sisihan kuartil dan sisihan
piawai. Seterusnya daripada nilai-nilai ukuran kencenderungan memusat dan
ukuran serakan pelajar akan didedahkan kaitan antara kedua-dua ukuran ini.

ISI KANDUNGAN

Min aritmetik

Satu nilai yang mewakili sekumpulan data dinamakan ukuran memusat. Min
aritmetik adalah salah satu ukuran memusat. Min diperoleh dengan
menjumlahkan keseluruhan data, kemudian dibahagikan dengan bilangan
data yang dijumlahkan tadi. Sebagai contoh, katakan markah yang diperoleh
oleh sepuluh (10) orang pelajar dalam ujian statistik adalah seperti berikut:

5, 5, 6, 6, 6, 7, 7, 8, 8, 9.

Nilai min dihitung seperti berikut:

5  5  6  6  6  7  7  8  8  9 67
10 
10  6.7

Bagi menghitung min, pelajar terlebih dahulu perlu mengenal pasti jenis data
kuantitatif. Jenis data yang dimaksudkan adalah data tak terkumpul dan data
terkumpul. Kaedah menghitung min bagi data tak terkumpul dan data
terkumpul ditunjukkan seperti di bawah:

Menghitung min aritmetik daripada data tak terkumpul


Rumus bagi menghitung min aritmetik bagi data tak terkumpul adalah seperti berikut:
n
 xi
x  i 1
n
Dengan xi ialah cerapan ke-i; dan n ialah bilangan data.
Contoh 1
Markah matematik bagi ujian percubaan PMR yang diperoleh oleh tujuh (7) orang
pelajar di sebuah sekolah adalah seperti berikut:
50, 65, 78, 73, 75, 84, 90

Min dihitung seperti berikut.


n
 xi
i 1 50  65  73  75  78  82  90 513
x n  7  7  73.3

Menghitung min aritmetik daripada data terkumpul


Bagi menghitung min yang melibatkan data terkumpul, rumus berikut digunakan:
n
fi xi
x  i n1
fi
i 1

Dengan xi ialah nilai tengah; dan fi ialah frekuensi.

Contoh 2
Sekumpulan pelajar diberi ujian matematik. Markah yang diperoleh dikumpulkan
dalam bentuk jadual seperti di bawah:

Markah Matematik 55 65 75 80 85 90 95
Bilangan pelajar 5 10 15 20 14 12 6

Nilai min bagi taburan data di atas dihitung dengan menggunakan rumus:
n
fi xi
x  i n1
fi
i 1

37
xi 55 65 75 80 85 90 95
fi 5 10 15 20 14 12 6
fi xi 275 650 1125 1600 1190 1080 570
7
fi xi
i 1 275  650  1125  1600  1190  1080  570 6490
x 7  5  10  15  20  14  12  6  82  79.1
fi
i 1

Nilai di atas juga dikenali sebagai min berpemberat. Dengan fi sebagai


pemberat. Seterusnya Contoh 3 dan Contoh 4 dapat memahirkan pelajar
dalam menghitung min bagi data terkumpul.

Contoh 3
Taburan hujan yang dicatatkan pada bulan tertentu di sebuah daerah di
Malaysia adalah seperti berikut:
Taburan Hujan (mm) Bilangan Hari
300 – 349 3
350 – 399 5
400 – 449 7
450 – 499 9
500 – 549 3
550 – 599 2
600 – 649 1
Jumlah 30

Nilai min taburan hujan (mm) dihitung menggunakan rumus yang berikut:
n
fi xi
x  i n1
fi
i 1

Taburan Hujan (mm) fi xi fi xf


300 – 349 3 324.5 973.5
350 – 399 5 374.5 1872.5
400 – 449 7 424.5 2971.5
450 – 499 9 474.5 4270.5
500 – 549 3 524.5 1573.5
550 – 599 2 574.5 1149.0
600 – 649 1 624.5 624.5
Jumlah 30 13435

n
fi xi
i 1 13435
x   447.8
n 30
 fi
i 1

Contoh 4
Seorang pegawai statistik ingin menghitung min pendapatan isi rumah bagi
sebuah bandar. Maklumat yang telah dikumpul adalah seperti berikut:

Pendapatan Isi rumah (RM’000) Frekuensi


10 dan kurang daripada 20 5
20 dan kurang daripada 30 10
30 dan kurang daripada 40 15
40 dan kurang daripada 50 30
50 dan kurang daripada 60 40
60 dan kurang daripada 70 20
70 dan kurang daripada 80 16
80 dan kurang daripada 90 14
90 dan kurang daripada 100 12

Rumus yang digunakan ialah:


n
fi xi
x  i n1
fi
i 1

Pendapatan Isi rumah (RM’000) fi xi fi xf


10 dan kurang daripada 20 5 15 75
20 dan kurang daripada 30 10 25 250
30 dan kurang daripada 40 15 35 525
40 dan kurang daripada 50 30 45 1350
50 dan kurang daripada 60 40 55 2200
60 dan kurang daripada 70 20 65 1300
70 dan kurang daripada 80 16 75 1200
80 dan kurang daripada 90 14 85 1190
90 dan kurang daripada 100 12 95 1140
Jumlah 162 9230
n
fi xi
i 1 9230
x   57 (RM’000)
n 162
fi
i 1

Median
Selain daripada min, ukuran kecenderungan memusat yang sering digunakan
ialah median. Nilai yang berada di kedudukan tengah bagi sekumpulan data
dinamakan median dengan syarat data tersebut telah disusun sama ada
mengikuti turutan menaik atau menurun.

Menghitung median daripada data tak terkumpul

Bagi menghitung nilai median bagi data tak terkumpul, kita hanya perlu
menyusun data sama ada mengikut turutan menaik atau menurun. Dengan
kata lain tiada rumus khusus bagi menghitung median bagi data tak
terkumpul.

Contoh 5
Wang saku (RM) yang dibawa oleh tujuh (7) pelajar ke sekolah setiap hari
adalah seperti berikut:

4.00, 2.00, 2.50, 1.50, 3.50, 3.00, 4.50

Bagi menghitung nilai median, pelajar perlu menyusun mengikut turutan


menaik, diberikan seperti berikut:

1.50, 2.00, 2.50, 3.00, 3.50, 4.00, 4.50 (susunan menaik)


Maka median ~x  3.00
ialah

Contoh 6
Katakan wang saku (RM) yang dibawa oleh lapan (8) pelajar semasa ke
sekolah adalah seperti berikut:
4.00, 2.00, 2.50, 1.50, 3.50, 3.00, 4.50, 3.50

1.50, 2.00, 2.50, 3.00, 3.50, 3.50, 4.00, 4.50 (susunan menaik)

Maka median ~x 3.00  3.50 6.50 3.25


ialah   
2 2

Menghitung median daripada data terkumpul

Bagi menghitung median untuk data terkumpul, kita memerlukan maklumat


tentang kekerapan dan kekerapan melonggok. Rumus yang boleh digunakan
bagi menghitung median bagi data terkumpul adalah seperti berikut:
 f 
n

i 
i 1
 Fm1 
x~  Lm   2
c
 fm 
 
 

Dengan:
Lm
had bawah kelas median;
Fm1
kekerapan melonggok kelas sebelum kelas median;
fm kekerapan kelas median;
c selang kelas.
Contoh 7
Bayaran penggunaan air bagi sebuah keluarga besar di bandar Kuala Lumpur
untuk tempoh dua (2) tahun dicatatkan seperti berikut:

Bayaran 100-149 150-199 200-249 250-299 300-349


Penggunaan Air (RM)
Bilangan Bulan 2 4 8 6 4

Median bayaran penggunaan air (RM) dihitung dengan menggunakan rumus


seperti berikut:
 f 
n

i 
i 1
 Fm1 
x~  Lm   2
c
 fm 
 
 

Had bawah 99.5 149.5 199.5 249.5 299.5


fi 2 4 8 fm 6 4
Fi 2 6 14 20 24
Fm1

Kelas median


 
n fi

i 1
F 12  6 
x ~  Lm   fmm1    c  199.5 
2
 50  237
  8 





Contoh 8
Markah yang diperoleh oleh tiga puluh (30) pelajar Program Matematik yang
mengambil kursus Fizik adalah seperti berikut:

Markah Fizik Bilangan Pelajar


30 dan kurang daripada 40 3
40 dan kurang daripada 50 4
50 dan kurang daripada 60 5
60 dan kurang daripada 70 7
70 dan kurang daripada 80 5
80 dan kurang daripada 90 4
90 dan kurang daripada 100 2
Jumlah 30

Median markah Fizik dihitung dengan menggunakan rumus seperti berikut:


 f 
n

i 
i 1
 Fm1 
x~  Lm   2
c
 fm 
 
 

Had bawah fi Fi

30 3 3
40 4 7
50 5 12 Fm1

60 Lm 7 fm 19 Kelas median

70 5 24
80 4 28
90 2 30
Jumlah 30


 ni fi1 
2 F
15  12 
x ~  Lm   fm m1   c  60   10  64.3
   7 
 

Menganggar median dengan menggunakan ogif


Salah satu cara untuk mengganggar median adalah dengan menggunakan
Ogif. Median boleh dianggar sama ada dengan menggunakan ogif “kurang
daripada” atau “lebih daripada”.

Contoh 9
Dengan merujuk pada Contoh 8, data adalah seperti berikut:
Markah Fizik Bilangan Pelajar
30 dan kurang daripada 40 3
40 dan kurang daripada 50 4
50 dan kurang daripada 60 5
60 dan kurang daripada 70 7
70 dan kurang daripada 80 5
80 dan kurang daripada 90 4
90 dan kurang daripada 100 2
Jumlah 30

Anggaran median markah Fizik dengan menggunakan ogif “kurang daripada”


dilakukan seperti berikut:
Had atas fi Fi

40 3 3
50 4 7
60 5 12
70 7 19
80 5 24
90 4 28
100 2 30
Jumlah 30

Ogif "Kurang daripada"

35

30
Kekerapan Melonggok

25

20

15
Anggaran nilai median
10

0
0 40 50 60 70 80 90 100

Markah Fizik (Had Atas)

Nilai median bagi contoh di atas ialah 64.


Mod
Mod ialah nilai yang paling kerap berlaku dalam sesuatu kumpulan data. Mod
juga boleh diperolehi jika data tersebut adalah data kualitatif.

Menghitung mod daripada data tak terkumpul


Bagi data tak terkumpul mod diperoleh dengan memilih cerapan yang paling
kerap berlaku.

Contoh 10
Harga tiket yang dibeli oleh sepuluh orang pengunjung bagi satu perlumbaan
kereta adalah seperti berikut:
200, 150, 100, 50, 100, 300, 100, 50, 300, 200
Nilai yang paling kerap berlaku bagi contoh ini ialah 100. Ini bermaksud nilai
mod bagi harga tiket ialah 100.

Contoh 11
Program yang diminati oleh sepuluh orang pelajar untuk kemasukan ke
universiti adalah seperti berikut:

Matematik, Pengurusan, Perakaunan, Perakaunan, Matematik, Kejuruteraan,


Sains, Matematik, Pengurusan

Maka mod bagi program yang diminati pelajar ialah Matematik.

Contoh 12
Jumlah bulan yang dihabiskan oleh penyelidik-penyelidik di sebuah universiti
untuk melengkapkan projek mereka adalah seperti berikut:
Jumlah Bulan 6 7 8 9 10 11 12
Bilangan Projek 2 5 7 13 4 3 1

Daripada jadual di atas didapati nilai yang mempunyai kekerapan tertinggi


ialah 9 dengan kekerapan sebanyak 13. Maka nilai mod ialah 9 bulan.
Menghitung mod daripada data terkumpul
Pelajar boleh menggunakan rumus seperti di bawah dalam menghitung mod
daripada data terkumpul.
 1   c
xˆ  Lm  
 1   2 

Dengan
Lm had bawah kelas mod;

1  f m  fm1 ;

 2  f m  fm1 ;

c selang kelas;
fm kekerapan kelas mod;
fm1
kekerapan sebelum kelas mod;
fm1
kekerapan selepas kelas mod.

Contoh 13
Jangka masa menunggu pelanggan yang dicatatkan di sebuah bank
komersial sebelum mendapat perkhidmatan di kaunter bank adalah pada hari
Isnin minggu pertama adalah seperti berikut:
Jangka Masa 0-4 5-9 10-14 15-19 20-24 25-29
Menunggu (Minit)
Bilangan Pelanggan 10 15 20 7 6 2

Kelas mod
Nilai mod dihitung seperti berikut:
 
xˆ  Lm   1 c
 1   2 
 5 
 9.5  5
 5  13 
 
 9.5  1.39
 10.89
Mod bagi jangka masa menunggu ialah 10.89 minit.
Menganggar mod daripada histogram

Pelajar juga boleh memperoleh mod dengan menganggar daripada


histogram. Bagi menganggar mod dari histogram, pelajar boleh menggunakan
contoh seperti di bawah.

Contoh 14
Jangka masa menunggu pelanggan yang dicatatkan di sebuah bank
komersial sebelum mendapat perkhidmatan di kaunter bank adalah pada hari
Isnin minggu pertama adalah seperti berikut:
Jangka Masa 0-4 5-9 10-14 15-19 20-24 25-29
Menunggu (Minit)
Bilangan Pelanggan 10 15 20 7 6 2

Kelas mod

Anggaran mod daripada histogram dilakukan seperti berikut:

Histogram

25

20
Bilangan Pelanggan

15

Anggaran nilai mod


10

4.59.514.519.524.529.5
0

Jangka Masa Menunggu


Nilai mod yang dianggarkan daripada histogram di atas ialah 11 minit.
Kebaikan dan kelemahan min, median dan mod

Kebaikan dan kelemahan min, median dan mod boleh disenaraikan seperti
berikut:

Kebaikan min
1. Min merupakan pengukur yang sesuai digunakan jika kesemua
cerapan perlu diambil kira dalam menghitung ukuran kecenderungan
memusat
2. Min merupakan pengukuran yang baik jika terdapat bilangan data yang
besar
3. Min memberi pemberat yang seragam secara relatif mengikut saiz data
4. Min sering digunakan dalam analisis lanjutan

Kelemahan min
1. Min tidak dapat dianggarkan secara bergraf
2. Min tidak boleh digunakan bagi mengukur data kualitatif
3. Min dipengaruhi oleh nilai melampau

Kebaikan median
1. Median tidak dipengaruhi oleh nilai melampau
2. Median sesuai digunakan dalam ukuran kecenderungan memusat
yang melibatkan data yang berkelas terbuka
3. Median boleh dianggarkan daripada ogif

Kelemahan median
1. Median tidak seuai digunakan sebagai ukuran kecenderungan
memusat jika kesemua nilai termasuk yang terkecil dan terbesar dalam
sesuatu kumpulan data perlu diambil kira
2. Median tidak mengambil kira kesemua cerapan dalam kumpulan data

Kebaikan mod
1. Mod tidak dipengaruhi oleh nilai melampau
2. Mod boleh diperolehi jika data melibatkan dalam selang terbuka
3. Mod boleh dianggarkan dari histogram

Kelemahan Mod
1. Mod tidak boleh dihitung jika melibatkan data berbentuk bi-modal
2. Mod tidak mengambil kira kesemua cerapan dalam kumpulan data

Serakan berasaskan julat

Julat merupakan salah satu ukuran serakan yang mengambil perbezaan


antara nilai kecil dan nilai terbesar bagi sesuatu data.

Contoh 15
Markah matematik yang diperoleh oleh sekumpulan sepuluh orang pelajar
adalah seperti berikut:
85, 92, 70, 68, 60, 65, 75, 62, 73, 64

Julat = 92 – 62=30

Serakan berasaskan sisihan kuartil


Dalam penghitungan julat, pelajar akan berhadapan dengan masalah nilai
ekstrim. Sebagai contoh jika kita diberi data seperti di bawah :
2, 2, 4, 5, 6, 100

Nilai julat bagi data in ialah julat=100-2=98 walaupun kebanyakan data


berada dalam lingkungan 2 dan 6. Untuk mengatasi masalah ini kita gunakan
sisihan kuartil. Sebelum pelajar dapat mengira nilai sisihan kuartil, pelajar
perlu terlebih dahulu mengira kuartil atau penyuku bagi sesuatu data.

Kuartil bagi data tak terkumpul


Untuk mengira kuartil, perhatikan bentuk data yang telah disusun mengikut
jujukan menaik seperti di bawah
. . . k1 . . . k2 . . . k3 . . .

25% 25% 25% 25%

k1, k2 dan k3 mewakili kuartil pertama kuratil kedua (median) dan kuartil
ketiga.
Kuartil pertama boleh dihitung dengan mula-mula mencari kedudukan kuartil
tersebut. Rumus yang digunakan adalah seperti berikut:

Kedudukan (n  1)
k1  4

Kedudukan k3  3(n  1)
4

Seterusnya dapatkan nilai kuartil pertama dan ketiga pada kedudukan


tersebut.

Contoh 16
Markah diperolehi oleh 9 orang pelajar dalam satu ujian matematik adalah
seperti berikut:
55, 57,70, 73,74, 77,81, 84,85

Kedudukan (n  1) (9  1)
k
1
   2.5
4 4

Maka nilai k1  57  0.5(70  57)  57  6.5  63.5

Kedudukan 3(n  1) 3(9  1)


k
3
   7.5
4 4

Maka nilai k3  81 0.5(84  81)  81 1.5  82.5

Sisihan kuartil kita boleh menggunakan rumus seperti berikut:

k3  k1 82.5  63.5
sk  2  2  9.5.
Kuartil bagi data terkumpul
Pelajar boleh menggunakan rumus berikut bagi menghitung nilai kuartil
pertama dan kuartil ketiga bagi data terkumpul:

Rumus kuartil pertama



  i
n f

  4  Fk11  c
i 1
k1  Lk1
 
fk1
 
 

dengan
Lk1 had bawah kelas kuartil pertama; Fk11 kekerapan melonggok

kelas sebelum kelas kuartil pertama;


fk kekerapan kelas kuartil pertama; c
selang kelas. 1

Rumus kuartil ketiga


 
n

 i
3fi

k 3  Lk3  
1
4  Fk3 1  c
 fk3

 
 

Dengan
Lk3 had bawah kelas kuartil ketiga; Fk3 1 kekerapan melonggok kelas
sebelum kelas kuartil ketiga;
fk kekerapan kelas kuartil ketiga; c selang
kelas. 3
Contoh 17
Bayaran bulanan sewa premis perniagaan di sebuah kompleks membeli
belah adalah seperti berikut:
Bayaran Bulanan (RM) Bilangan Premis
1000 dan kurang daripada 1999 2
2000 dan kurang daripada 2999 4
3000 dan kurang daripada 3999 8
4000 dan kurang daripada 4999 12
5000 dan kurang daripada 5999 14
6000 dan kurang daripada 6999 8
7000 dan kurang daripada 7999 2
Jumlah 50

Kuartil pertama, kuartil ketiga dan sisihan kuartil dihitung seperti berikut:

(1) Dapatkan kedudukan kelas k1 


f
4

(2) Dapatkan kedudukan kelas k 3 


3 
f
4

(3) Seterusnya pelajar dikehendaki membina jadual kekerapan bagi


menentukan nilai-nilai yang akan digunakan dalam rumus kuartil.
Jadual kerapan adalah seperti berikut:

Had Bawah fi Fi

999.5 2 2
1999.5 4 6 Fk11
Lk1 2999.5 8 fk1 14 Kelas k1

3999.5 12 26 Fk3 1

Lk3 4999.5 14 fk3 40 Kelas k3

5999.5 8 48
6999.5 2 50
Jumlah 50
 f 
n

 i 
12.5  6 
k 1  Lk1   4  Fk11   c  2999.5 
i 1
1000  3812
 f k1   8 
 
 
 
n


3  fi  37.5  26 
k 3  Lk3   4  Fk3 1   c  4999.5 
i1

 fk3   14  1000  5821


 
 
k3  k1 5821 3812
Maka sisihan kuartil ialah   1004.5
2 2

Sisihan piawai
Antara ukuran serakan yang kerap digunakan dalam statistik adalah sisihan
piawai. Pelajar boleh mendapatkan sisihan piawai dengan mengira punca
kuasa dua min perbezaan kuasa dua antara nilai sesuatu cerapan dan min.

Sisihan piawai bagi data tak terkumpul


Rumus berikut digunakan bagi menghitung nilai sisihan piawai data tak
terkumpul.

Sisihan piawai berdasarkan data populasi:

n n  n 2
 x i  μ 2

xi 2

x 
 
 i1  i1  i1 
N N 
N


Dengan
xi cerapan ke-i;
N ialah bilangan data.

Sisihan piawai berdasarkan data sampel:


 n 2
n n 
 x 
2 i1 
 x i  x 2  x
i
i1 n
s i1 
n-1 n-1

Dengan
xi cerapan ke-i;
n ialah bilangan data.

Contoh 18
Berat badan (kg) yang diperoleh daripada sampel yang terdiri daripada enam
orang pelajar adalah seperti berikut:
50, 55, 60, 70, 80, 85
Sisihan piawai boleh dihitung seperti berikut:

 n 2
n 
  x 
2 i 1 

s
 x
i
i 1 n
n1
50
 50  55  60  70  80  85
2 2
 552  602  702  802  85 2
6
5
 14.02

Sisihan piawai bagi data terkumpul

Sisihan piawai bagi data terkumpul daripada populasi dihitung dengan


menggunakan rumus berikut:

 f x i i x
2
 n f ixi 2   n f ixi 2
i1   i1
i1
  N   N
N
 

Dengan xi titik tengah ke-i; dan fi ialah kekerapan ke-i.


Contoh 19
Catatan masa yang dibuat oleh 20 orang atlet dalam saringan larian 100
meter adalah seperti berikut:
Catatan Masa (Minit) 8 8.5 9.0 9.5 10
Bilangan Atlet 2 5 6 4 3

Sisihan piawai dihitung seperti berikut:


xi 8 8.5 9.0 9.5 10 
fi 2 5 6 4 3 20
fi xi 16 42.5 54 38 30 180.5
fi x 2
i
128 361.25 486 361 300 1636.25

 6 f ixi 2   6 f ixi 2
 i1   
i1
  1636.25 180.5 2  0.3619  0.6016
N   N  
   20   20 

Jika data yang diperoleh adalah daripada sampel, rumus sisihan piawai di
atas menjadi

 2
n
fi xi 
2 i1 
n n

 f xi i
x 2
 i f x
i
n
s i1
 i1
n 1 n 1

Contoh 20
Masa (saat) yang diambil oleh seorang telefonis di sebuah syarikat untuk
menjawab panggilan telefon dicatatkan seperti berikut:
Masa(saat) Bilangan Panggilan
10 – 14 3
15 – 19 6
20 – 24 8
25 – 29 7
30 – 34 4
35 – 39 2
Jumlah 30
Maklumat di atas diambil daripada sampel 30 panggilan telefon. Sisihan
piawai dihitung seperti berikut:

xi 12 17 22 27 32 37 
fi 3 6 8 7 4 2 30
fi x i 36 102 176 189 128 74 705
fi x 2
i 432 1734 3872 5103 4096 2738 17975

n 2
  fi xi 
 i 1 
n

 i f x
2
n 
i 2
i 1
σ 17975   6.97
n1 30
 29
PENILAIAN KENDIRI

1. Dalam ukuran kecenderungan memusat, nyatakan perbezaan antara min,


median dan mod.

2. Dapatkan min, median bagi cerapan berikut:


10, 13, 35, 17, 10, 15, 32.

3. Bilangan komputer riba yang dimiliki penduduk di sebuah bandar


dicatatkan seperti berikut:

Bilangan Komputer Riba 1 2 3 4


Bilangan Keluarga 60 150 50 5

Kira nilai min, median dan mod bilangan komputer riba.

4. Seorang pegawai pemasaran syarikat minyak telah mengumpul maklumat


tentang pembelian petrol di sebuah pinggir bandar dalam masa sehari.
Maklumat yang diperoleh adalah seperti berikut:
Pembelian Petrol (RM) Bilangan Kenderaan
30-<50 20
50-<70 25
70-<90 35
90-<110 40
110-<130 50
130-<150 70
150-<170 50
170-<190 40
190-<210 30
210-<230 50
Kira min, median dan mod pembelian petrol.

5. Anggarkan nilai median dan mod dengan menggunakan graf yang sesuai
daripada soalan 4.
6. Ketua sebuah kesatuan kakitangan menjangkakan nilai median dapat membantu
bagi menentukan tuntutan kenaikan gaji bulanan yang dicadangkan terhadap
organisasinya. Maklumat gaji bulanan yang diperoleh adalah seperti berikut:
Gaji Bulanan (RM) Bilangan Kakitangan
1000 dan kurang daripada 1250 5
1250 dan kurang daripada 1500 7
1500 dan kurang daripada 1750 12
1750 dan kurang daripada 2000 8
2000 dan kurang daripada 2250 7
2250 dan kurang daripada 2500 6
Jumlah 45
Kira nilai median gaji bulanan (RM) kakitangan.

7. Harga jualan ikan bawal yang dicatatkan oleh pegawai LKIM di sebuah pasar
runcit dalam masa sebulan adalah seperti berikut:

Harga (RM) Bilangan Hari


10-<12 2
12-<14 4
14-<16 7
16-<18 8
18-<20 6
20-<22 3
Jumlah 30

Kira nilai median jualan ikan kembong.

8. Lebihan potongan besi yang dilakukan oleh sebuah syarikat kejuruteraan dalam
penghasilan cerucuk besi bagi tujuan pembinaan dicatatkan seperti berikut:
Lebihan Potongan Besi (cm) Bilangan Batang Besi
0.95-<1.45 210
1.45-<1.95 160
1.95-<2.45 240
2.45-<2.95 120
2.95-<3.45 50
Jumlah 780

Kira nilai min lebihan potongan besi.

9. Hitung nilai julat dan sisihan kuartil bagi data di bawah:

22, 15, 47, 19, 22, 17, 35

10. Bilangan motosikal yang dimiliki penduduk di sebuah bandar dicatatkan seperti
berikut:
Bilangan Motosikal 1 2 3 4 5
Bilangan keluarga 10 150 50 7 3
Kira sisihan piawai.

11. Seorang pegawai pemasaran syarikat minyak telah mengumpul maklumat


tentang pembelian petrol di sebuah pinggir bandar dalam masa sehari. Maklumat
yang diperoleh adalah seperti berikut:

Pembelian Petrol (RM) Bilangan Kenderaan


30-<50 20
50-<70 25
70-<90 35
90-<110 40
110-<130 50
130-<150 70
150-<170 50
170-<190 40
190-<210 30
210-<230 50
Jumlah 410

Kira nilai sisihan kuartil.


12. Perbelanjaan bulanan daripada sampel 40 keluarga di sebuah taman perumahan
adalah seperti berikut:

Perbelanjaan 1000- 1100- 1200- 1300- 1400- 1500-


bulanan(RM) 1099 1199 1299 1399 1499 1599
Bilangan Keluarga 1 4 12 7 6 10

Hitung min, mod, sisihan piawai dan tentukan bentuk taburan data ini.

13. Maklumat tentang gaji bulanan yang diperoleh oleh kakitangan awam di sebuah
organisasi adalah seperti berikut:

Gaji Bulanan (RM) Bilangan Kakitangan


1000-<1250 5
1250-<1500 7
1500-<1750 12
1750-<2000 8
2000-<2250 7
2250-<2500 6
Jumlah 45

Tentukan bentuk taburan data di atas.

RUJUKAN
Bluman, A.G.(2009). Elementary Statistics: A Step by Step Approach (7th ed). New
York: McGraw Hill.

Johnson, R. & Kuby, P. (2004). Elementary Statistics (9th ed). Boston: Duxbury
Press.
Konsep
Kebarangkalian

UNIT PELAJARAN 4
KONSEP KEBARANGKALIAN

HASIL PEMBELAJARAN
Pada akhir unit ini, anda diharap dapat:

1. Memahami dan menerangkan konsep asas kebarangkalian.


2. Memahami aksiom kebarangkalian, petua-petua kebarangkalian,
ruang kebarangkalian terhingga dan tak terhingga.
3. Memahami dan mengaplikasi kebarangkalian bersyarat.

PENGENALAN
Peluang, kemungkinan dan kebarangkalian terjadinya sesuatu perkara dan
peristiwa sering kita dengar dalam kehidupan harian. Kadangkala kita lebih
lebih suka menyebutnya sebagai kebarangkalian. Kebarangkalian terjadinya
sesuatu perkara amat menarik untuk kita ketahui kerana dengan berbuat
demikian kita mampu membuat perancangan. Umpamanya jika kita
mengetahui bahawa kemungkinan hari ini akan berlaku kesesakan disebuah
lebuhraya, sudah pasti kita akan mengelak daripada melalui lebuhraya seperti
berikut. Begitu juga, jika seorang penganalisis pemasaran merasakan
sesuatu produk tidak lagi diterima oleh penggunaan, sudah pasti beliau akan
memikirkan produk yang disukai oleh pelanggan.

Contoh yang diberikan ialah beberapa keadaan yang melibatkan


kemungkinan atau dengan istilah matematiknya ia disebut sebagai
kebarangkalian.
Kebarangkalian boleh ditakrifkan sebagai kajian secara rawak atau
kemungkinan berlakunya sesuatu peristiwa yang dikaitkan dengan
ujikaji.

Jika kita ambil contoh mudah iaitu melambung duit syiling (ujikaji), kesudahan
ujikaji ini adalah sama ada mendapat bunga (X) atau sen (Y). Ini dikenali
sebagai ruang sampel S{X, Y}.
Maka kebarangkalian untuk mendapatkan bunga, K(X) pada lambungan itu
adalah:

[(Bilangan bunga pada lambungan n(X)]/ [(Jumlah keseluruhan n(S)] atau ia

boleh ditulis sebagai:

n( X )1
K(X)  .
n(S ) 2

Perlu diingat lambungan dilakukan secara adil, di mana peluang untuk


berlakunya sesuatu peristiwa sama ada bunga (X) atau sen (Y) adalah
saksama.

Sebelum ini kita telah ditunjukkan peristiwa dan ujikaji dalam sesuatu
kebarangkalian, seterusnya kita akan diterangkan mengenai ruang sampel.

ISI KANDUNGAN

Ruang sampel

Ruang sampel ialah set yang mengandungi kesudahan yang mungkin dari
sesuatu ujikaji. Simbol yang biasa digunakan bagi ruang sampel ialah S.
Setiap kesudahan dalam sesuatu ruang sampel dikenali sebagai unsur atau
elemen atau titik sampel. Sebagai contoh dalam lambungan sebiji buah dadu,
ruang sampel bagi kesudahan lambungan ini boleh ditulis sebagai:
S {1, 2,3, 4,5,6}.

Ruang sampel juga boleh dinyatakan dalam bentuk pernyataan. Sebagai


contoh:

S  { x | x ialah kesudahan mendapat nombor ganjil dalam lambungan sebiji


buah dadu}.

Ruang sampel juga boleh ditulis seperti berikut:

S  x 1x  0,2,4

ialah set nombor ganjil dalam lambungan sebiji buah dadu.

Aksiom kebarangkalian

Ukuran kebarangkalian atau taburan kebarangkalian K bagi ujikaji rawak


adalah nilai nyata ditakrifkan ke atas himpunan peristiwa yang mematuhi
aksiom berikut:

a) Bagi setiap peristiwa X , 0  K(X )  1.

b) K (S )  1 di mana S ialah ruang sampel.

c) Jika peristiwa X dan Y adalah saling eksklusif maka,


K(X Y )  K(X )  K(Y ).

d) Jika X , X , X ,...adalah jujukan terhingga atau tak terhingga peristiwa


1 2 3

saling eksklusif maka,


K(X 1  X 2  X 3 ...)  K(X 1 )  K(X 2 )  K(X 3 ) ...
Hukum asas kebarangkalian

Jika X dan Y ialah dua peristiwa dari satu ujikaji rawak dengan ruang sampel
S, maka hukum asas kebarangkaliannya
adalah: a) K(Xc )  1 – K(X).

Pembuktian
S= X  Xc dan X  Xc  ,
maka dari aksiom (b) dan (d),
1 K(X) + K(Xc), maka
K(Xc)  1 – K(X)

b) K() 0.

Pembuktian
Jika X   maka Kc  S. Maka
K()  1 - K(S)  1 - 1 0.

c) K(Y  Xc)  K(Y) – K(X  Y).

Pembuktian
X  Y = X  (Y  Xc ), dan dari aksiom (d)
K(X  Y) = K(X) + K(Y  Xc ), walaubagaimanapun
Y = (X  Y)  (Y  Xc ), dan
K(Y) = K(X  Y) + K(Y  Xc ), maka
K(Y  Xc)  K(Y) – K(X  Y).

d) Jika X  Y, maka K(Y  X c)  K(Y) – K(X).


Pembuktian
Y = X  (Y  Xc ), daripada aksiom (d),
K(Y) = K(X) + K(Y  X c ), maka
K(Y  X c)  K(Y) – K(X).

e) Jika X  Y, maka K(X)  K(Y).

Pembuktian
Y = X  (Y  X c ) dan X  (Y  X c ) ,
daripada aksiom (d),
K(Y) = K(X) + K(Y  X c )  K(X),
disebabkan aksiom (a) maka,
K(Y  X c )  0.

f) Jika X dan Y ialah dua peristiwa, maka

K(X Y) = K(X) + K(Y) – K(X  Y )

Pembuktian
(X Y) boleh diwaklili oleh kesatuan bagi peristiwa saling eksklusif,
iaitu,
X  Y = X  (X c  Y), dan dari aksiom (d),

(1)
K(X  Y) = K(X) + K(X c  Y),
walaubagaimanapun,
Y = (X  Y)  (X c  Y) iaitu kesatuan bagi peristiwa saling eksklusif.
Maka
K(Y) = K(X  Y) + K(X c  Y), dan
K(X c  Y)  K(Y) – K(X  Y). Jika ini digantikan ke dalam (1),
memberikan hasil
K(X  Y) = K(X) + K(Y) – K(X  Y ).
g) Jika X, Y dan Z ialah tiga peristiwa, maka

K(X  Y  Z) = K(X) + K(Y) + K(Z) – K(X  Y )


- K(X  Z ) - K(Y  Z ) + K(X  Y  Z )

secara umumnya untuk sebarang peristiwa


X1 , X2 , X3 , …, Xn petua berikut boleh digunakan:

K  X 1 ... X n    K  X i    K  X i  X J    K X i  X j  X k  ...K  X i ... X n 


i i j i jk

Pembuktian

K(X  Y  Z) = K(X) + K(Y)+ K(Z) – K(X  Y )


- K(X Z ) - K(Y Z ) + K(X  Y Z )

Biar WY  Z, maka X  W X  (Y  Z)  (X  Y)  (X  Z) dan

K(X  W)  K(X Y)  K(X Z) - K(X Y X Z)


= K(X Y) + K(X  Z) - K(X Y Z) maka,

K(X  Y  Z ) K(X W)
=K(X) + K(W) - K(X W)
=K(X) + K(Y) + K(Z) - K(Y Z)
-[K(X Y) + K(X Z) - K(XY Z)]
K(X  Y  Z) = K(X) + K(Y)+ K(Z) – K(X  Y )
- K(X Z ) - K(Y Z ) + K(X Y Z ).
Ruang kebarangkalian terhingga dan tak terhingga

Ruang kebarangkalian diperolehi dengan menguntukkan kebarangkalian


nombor nyata ki bagi setiap titik xi  S di mana ruang sampel S { x1, x2 ,…,
xn } yang memenuhi syarat:
a) ki  0

b) k1  k2  k3 ... kn  1

Jika ruang sampel S { x1, x2 ,…, xn }, maka ia dikenali sebagai ruang sampel
terhingga dan akan menghasilkan ruang kebarangkalian terhingga. Manakala,
jika ruang sampel S { x1, x2 ,…, ∞} maka ia dikenali sebagai ruang sampel
tak terhingga dan akan menghasilkan ruang kebarangkalian tak terhingga.

Ruang kebarangkalian sama terhingga

Ruang kebarangkalian sama terhingga adalah ruang kebarangkalian


terhingga dengan setiap titik sampel mempunyai kebarangkalian yang sama.
Jika ruang S mengandungi N titik (unsur), maka setiap titik mempunyai
kebarangkalian 1
N
.

Seterusnya jika peristiwa X mengandungi n titik, maka kebarangkaliannya


adalah:
n. 1  n atau
N N

bil. unsur dalam n


K ( X ) bil. unsur dalam N
 n
 .
N

Pembuktian
Katakan
X 1 , X 2 ,..., X mewakili kesudahan dari ruang sampel S dengan
n

kebarangkalian setiap satu ialah 1 . Jika peristiwa X ialah kesatuan bagi


N
kesudahan saling eksklusif perist iwa
X 1 , X 2 ,..., X n
maka,
K ( X )  K ( X1  X 2 ... Xn )
 K ( X1 )  K ( X 2 ) ... K ( Xn )
 1  1 ... 1
N N N

 Nn .
Contoh 1
Jika X dan Y ialah dua peristiwa dengan
K(X )  1 , K(Y )  1 dan K(X Y )  1 .
2 3 4

Kira nilai bagi:

c
a) K(X ) e) K(X Y )
c

c
b) K (Y ) f)
c
K(X Y )
c

c) K(XY c c
g) K(X Y )
)
c
d) K(X Y )

Penyelesaian:

c
a) K(X )  1 K(X )  1 1  1
2 2
c
b) K(Y )  1 K(Y)  1  2 1
3 3

c)
K ( X  Y )  K ( X )  K (Y )  K ( X  Y )
 12  13  41
 127

d)
c
K ( X  Y )  K (Y )  K ( X  Y )
 13  14
 121

e)
c
K(XY )K(X)K(XY)
 21  41
 1
4
f)
K ( X  Y )  K ( X  Y ) 
c c c

1K(X Y)
 1 127
 125

g)
K ( X  Y )  K ( X  Y ) 
c c c

1K(X Y)
 1  41
 3
4

Contoh 2
Katakan ruang sampel S terdiri daripada 3 unsur iaitu S{x,y,z}. Bagi setiap
yang berikut tentukan sama ada ia merupakan fungsi bagi ruang
kebarangkalian S.
a) K(x)  1 , K( y)  1 , K(z)  3
5 2 10

b) K(x)  , K( y)  , K(z)  2
1 1
3 7 7

c) K(x)   , K( y)  , K(z) 
1 2 6
7 7 7

d) K(x)  1 , K( y)  7 , K(z)  0
8 8

Penyelesaian:
Dengan menggunakan aksiom (a) dan (b), fungsi bagi ruang kebarangkalian
S adalah seperti berikut:

a) K(x)  K( y)  K(z)  1  1  3  1
5 2 10

Merupakan fungsi bagi ruang kebarangkalian S.

b) K(x)  K( y)  K(z)  1  1  2  16
3 7 7 21

Ia bukan fungsi bagi ruang kebarangkalian S.

c) Disebabkan K(x)   1
7

Ia bukan fungsi bagi ruang kebarangkalian S.


d) K(x)  K( y)  K(z)  1  7  0  1
8 8

Merupakan fungsi bagi ruang kebarangkalian S.


PENILAIAN KENDIRI

1. Ruang sampel S mengandungi 4 unsur iaitu S{w,x,y,z}. Fungsi berikut


yang manakah merupakan ruang kebarangkalian S.

a) K(w)  1 ,K(x)  1 ,K(y)  1 , K(z)  1


4 4 4 4

b) K(w)   2 ,K(x)  1 ,K(y)  0, K(z)  0


3 3

c) K(w)  ,K(x)  ,K(y) 


1 5 1
, K(z)  1
6 12 12 3

d) K(w)  ,K(x)  ,K(y)  , K(z) 


3 1 3 2
7 7 7 7

2. Diberi
K(Y )  45 , K(X Y )  17dan K(X Y )  235 , kira
c

5
a) K (Y )
b) K ( X )
c c
c) K(X Y )
c c
d) K(X Y )
c
e) K(X Y )

3. Jika X dan Y ialah dua peristiwa dengan K(X )  1 , K(Y ) dan


 1
5 7

K(X Y )  91 .

Kira nilai bagi:


c
a) K(X )
c
b) K (Y )
c) K ( X  Y )
c
d) K(X Y )
c
e) K(X Y )
c c
f) K(X Y )
c c
g) K(X Y )
4. Diber K(X )  13 , 5 7 9
K(Y )  4 , K(X Y )  1 dan K(X Y  Z)  1
c

i kira
c c
a) K( X Y )
c c c
b) K(X Y  Z )
c
c) K(X Y )

5. Kirakan K(X  Y  Z) jika K(X)  0.3, K(Y)  0.4, K(Z) 0.5 dan ruang
sampel S X  Y  Z.

6. Senaraikan ruang sampel S bagi ujikaji melambung dadu adil sebanyak


dua kali.

7. Satu ujikaji melambung syilling adil sebanyak tiga kali telah dilakukan.
Katakan X adalah kesudahan mendapat bunga pada lambungan pertama,
Y mendapat sekurang-kurangnya satu bunga dan Z mendapat bunga
pada lambungan terakhir. Dapatkan K(Xc), K(X  Y) dan K(X  Z).

8. Lokman, Mizah dan Hanim menyertai satu pertandingan berpidato.


Kebarangkalian Lokman memenangi pertandingan berpidato adalah tiga
kali berbanding Hanim. Kebarangkalian Mizah memenangi pertandingan
berpidato adalah dua kali berbanding Lokman. Kira kebarangkalian:

a) Lokman memenangi pertanding berpidato.


b) Mizah atau Hanim memenangi pertandingan berpidato.

Kebarangkalian bersyarat

Dalam situasi tertentu, kebarangkalian terjadinya sesuatu peristiwa berkait


atau bergantung kepada sesuatu peristiwa yang lain. Umpamanya
kemampuan menjawab soalan peperiksaan bergantung kepada persediaan
sebelum peperiksaan. Serangan jantung berkait dengan amalan hidup.
Kebarangkalian bersyarat akan dihasilkan apabila kebarangkalian bagi
peristiwa-peristiwa di atas dihitung.

Katakan X Berlaku kemalangan jalanraya , dan Y Berlakunya kehilangan


jiwa

Kebarangkalian bersyarat K(Y | X) bermaksud “berlakunya kehilangan jiwa


diberi berlakunya kemalangan jalanraya”. K(Y | X) boleh ditulis seperti
berikut:

K(Y n(Y  X ) n(S) K(Y  X )


X) n(X ) n(S)  K(X )

K ( X Y )
Daripada kebarangkalian K X) , kita akan perolehi:
bersyarat (Y K(X)

K(X  Y)  K(X )  K(Y | X).

K(Y  X)
begitu juga jika K( X Y) 
K(Y)
maka:
K(X  Y)  K(Y )  K(X | Y).

Dalam teorem pendaraban, untuk setiap peristiwa X1, X2 ,…, Xn

K(X1  X2  X3 … Xn)K(X1) K(X2 | X1) P(X3) K(X3 | X1  X2)…


K(Xn | X1  X2 …  Xn-1 )

Kebarangkalian bersyarat juga membabitkan beberapa aksiom, iaitu:

a) K(X | Y)  0.
b) K(Y | Y)  1.
c) Jika X1, X2, X3,…, Xr adalah peristiwa saling eksklusif, maka:
K(X1  X2  X3  … X v | Y)K(X1 | Y)+ K(X2 | Y) +…+ K(Xr | Y),
untuk semua integer positif r, dan

K(X1  X2  X3  … | Y )  K(X1 | Y) + K(X2 | Y)+…

untuk peristiwa tak terhingga.

Pembuktian

K( X  X2  ...Y)  K (X 1  X 2  ...) Y 


1
K(Y)
K (X 1 Y )  (X 2 Y ) 

... K(Y)

disebabkan (X1Y ), (X2  Y),… ialah peristiwa saling eksklusif, maka:

K( X  X  ... Y)  K(X1 Y )  K(X 2 Y )  ...


1 2
K(Y)
K(X Y ) K(X 2
Y 1
   ...
K(Y) K(Y)
 K( X1 Y)  K( X 2 Y)  ...

Contoh 3
Jika kebarangkalian untuk dua peristiwa X dan Y adalah seperti berikut:
2
K(X)  1 1
K(Y)  dan K(X Y)  .
, 2
5 ,
4
Kira

a) K(X  Y)
b) K(X | Y)
c) K(Y | X)
d) K(Xc | Y c)
e) K(Yc | Xc)
Penyelesaian:

a) K(X Y)  K(X)  K(Y)  K(X Y), maka:

K(X Y)  K(X)  K(Y)  K(X Y)


2 1 1
5 4 2

3
 20

K(X Y) 3 / 20 3
b) K(X Y )  K(Y)  1/ 4 5 .

K(X Y) 3 / 20 3
c) K(Y X )  K(X)  2 / 5  8 .
d)
c c
K(X | Y c ) K(X Y )
c
c
 K(Y )
c
K(X Y)
 1 K(Y)

1 K(X Y)
 1 K(Y)
1/ 2
3/4
2
3

e)
c c
K(Y | X c ) K(X Y )
c
c
 K(X )
c
K(X Y)
 1 K(X)

1 K(X Y)
 1 K(X)
1/ 6
3/5
5
 18
Persitiwa merdeka

Dua peristiwa X dan Y dikatakan merdeka jika kebarangkalian terjadinya


peristiwa X tidak mempengaruhi kebarangkalian terjadinya peristiwa Y. Ia
ditulis sebagai:

K(X  Y)  K(X) K(Y|X)


 K(X) K(Y)

Peristiwa-peristiwa,

a) Xc dan Y
b) X dan Yc
c) Xc dan Yc

merupakan peristiwa merdeka jika X dan Y ialah peristiwa merdeka.

Pembuktian

a)
c c
K(X Y)  K(Y  X )
c
 K(Y) K(X Y )
 K(Y)[1  K( X Y)]
c
 K(Y)K(X )

maka Xc dan Y ialah peristiwa merdeka.


b)
c c
K(X Y )  K(X)K(Y X )
 K(X)[1  K(Y X)]
c
 K(X)K(Y )

maka X dan Yc ialah peristiwa merdeka.


c)
c c c
K(X  Y )  K(X  Y)
 1  K (X  Y)
 1  K(X)  K(Y)  K(X  Y)
 1  K(X)1  K(Y)
c c
K(X )K(Y )

maka Xc dan Yc ialah peristiwa merdeka.

Jika terdapat tiga peristiwa X, Y dan Z. Peristiwa-peristiwa ini ialah peristiwa


saling merdeka jika dan hanya jika memenuhi dua syarat berikut:

a) K(X  Y)  K(X) K(Y)


K(X  Z)  K(X) K(Z)
K(Y  Z) K(Y) K(Z)

b) K(X  Y  Z)  K(X) K(Y) K(Z).

Jika terdapat X1, X2, … , Xn peristiwa merdeka, maka:

K(X1  X2  … Xn)  K(X1)K(X2) … K(Xn).

Contoh 4
1
Katakan X dan Y ialah dua peristiwa merdeka dengan K(X) dan
4
1
K(Y ) 
kira
,
5

a) K(X  Y)
b) K(X  Y)
c) K(Xc  Yc)
d) K(Xc  Yc)
e) K(Xc  Y)
f) K(Xc  Y)

Penyelesaian:

1 1 1
a) K(X Y)  K(X)K(Y)   
4 5 20
1 1 1 1 8
b) K(X Y)  K(X)  K(Y)  K(X)K(Y)     
4 5 4 5 20
8
c c
K(X Y )  K(X  1 K(X Y)  1 12
20  20
c)
c
Y)
1
 1 K(X Y)  1 19
c c

20 20
d) K(X Y )  K(X
c
Y)
3 1 3
K(X Y)  K(X )K(Y)  1  K(X) K(Y)   
c c
e)
4 5 20
c c c 3 1 3 1 16
f) K(X Y)  K(X )  K(Y)  K(X )K(Y)     
4 5 4 5 20

Gambarajah pokok

Gambarajah pokok amat sesuai digunakan dalam menyelesaikan masalah


kebarangkalian bersyarat. Untuk memahami pengunaan gambarajah pokok
dalam menyelesaikan masalah kebarangkalian, cuba kita perhatikan contoh
berikut.

Contoh 5
Katakan kebarangkalian berlaku kemalangan di sebuah lebuh raya pada hari
tertentu ialah 0.30. Jika kemalangan berlaku, kebarangkalian akan
menyebabkan lebuh raya sesak adalah 0.50. Manakala jika kemalangan tidak
berlaku, kebarangkalian akan lebuh raya sesak 0.05.
Lukiskan gambarajah pokok bagi situasi di atas dan kira kebarangkalian
kemalangan tidak berlaku.

Penyelesaian:
Katakan X = peristiwa berlaku kemalangan.
Y = peristiwa berlakunya kesesakan lebuh raya.

K(Y |X)=0.50

K(X)= 0.30 K(Yc | X)=0.50

K(Y | Xc)=0.05
K(Xc)= 0.70

K(Yc | Xc)=0.95

Daripada gambarajah pokok, kita telah diperlihatkan dua peristiwa saling


eksklusif iaitu berlaku kemalangan dan tidak berlaku kemalangan.
Kebarangkalian berlakunya kesesakan lebuh raya boleh dihitung seperti
berikut:

c c
K(Y)  K(X)  K(Y X )  K(X )  K(Y X )
 0.30  0.50  0.70  0.05
 0.185

Manakala kebarangkalian tidak berlaku kemalangan adalah seperti berikut

c c c c c
K(Y )  K(X)  K(Y | X)  K(X )  K(Y | X )
 0.30  0.50  0.70  0.95
 0.815

atau
c
K(Y )  1 K(Y)  1 0.185  0.815
Contoh 6
Kebarangkalian seorang perlumba kereta memenangi perlumbaan dalam
setiap perlumbaan ialah 0.20. Perlumba berkenaan telah berlumba dalam tiga
perlumbaan.
a) Lukiskan gambarajah pokok bagi situasi di atas.
b) Kira kebarangkalian perlumba tersebut memenangi dalam kesemua
perlumbaan.
c) Kira kebarangkalian perlumba memenangi dalam perlumbaan kedua
sahaja.
d) Kira kebarangkalian perlumba memenangi dalam perlumbaan dalam
sekurang-kurang dua perlumbaan.

Penyelesaian:
Katakan X = peristiwa perlumba memenangi perlumbaan.

a)

b) K(X  X  X )  K(X)× K(X) × K(X)  (0.20)3  0.008


c) K(Xc  X  Xc )  K(Xc)×K(X)×K(Xc)
=0.80  0.20  0.80=0.128

d) Katakan

K(0)  kebarangkalian tiada menangi perlumbaan.


K(1)  kebarangkalian menang dalam satu perlumbaan.
K(2)  kebarangkalian menang dalam dua perlumbaan.
K(3)  kebarangkalian menang dalam tiga perlumbaan.

Di mana berdasarkan hukum kebarangkalian:


K(0)+ K(1) + K(2) + K(3)  1
maka kebarangkalian perlumba memenangi dalam sekurang-kurang dua
perlumbaan adalah seperti berikut:

K(2) + K(3)  1 - K(0) - K(1)


 1 - K(Xc  Xc  Xc ) -
[ K(X  Xc  Xc )+ K(Xc X  Xc )+ K(Xc  Xc  X )]
 1 - (0.80)3 - 3(0.2) (0.80)2
 1- 0.896
 0.104.
PENILAIAN KENDIRI

1. X dan Y ialah dua peristiwa dengan


K(X)  0.35 , K(Y)  0.55 dan K[(X  Y)c]  0.15. Kira

a) K(X  Y)
b) K(X | Y)
c) K( Xc | Y)

2. X dan Y ialah dua peristiwa dengan


K(X)  2
5
, K(Y)  32 dan K[(X  Y)]  15
. Kira

a) K(X  Y)
b) K(Y | X)
c) K( Yc | X)

3. Kebarangkalian pelajar di sebuah universiti dapat menamatkan pengajian


peringkat doktor falsafah ialah 0.55. Jika pelajar berjaya menamatkan
pengajian, kebarangkalian pelajar dapat menamatkan pengajian dalam
masa yang ditetapkan ialah 0.6.

a) Lukis gambarajah pokok bagi situasi ini.


b) Kira kebarangkalian pelajar berjaya menamatkan pengajian dalam
masa yang ditetapkan.
c) Jika pelajar tidak berjaya menamatkan pengajian dalam masa yang
ditetapkan, kira kebarangkalian ia dapat menamatkan pengajian.

4. Seorang calon guru dikehendaki menduduki tiga ujian dan perlu lulus
sekurang-kurangnya dua ujian sebelum boleh menjadi guru. Ujian-ujian
tersebut adalah ujian emosi, ujian ketrampilan diri dan ujian pengucapan
awam. Kebarangkalain calon guru berjaya dalam setiap ujian ialah 0.80.
a) Lukis gambarajah pokok bagi situasi ini.
b) Kira kebarangkalian calon guru layak menjadi guru.

5. X dan Y ialah dua peristiwa merdeka dengan


K(X )  0.2 dan K(Y)  0.5. Kira
a) K(X  Y)
b) K(Xc  Y)
c) K(X  Yc)
d) K(Xc  Yc)
e) K[(X  Y)c]

6. K(X)  0.2, K(Y)  0.5 dan K(Z)  0.7 ialah kebarangkalian bagi ujikaji
peristiwa-peristiwa merdeka X, Y dan Z. Kira kebarangkalian:

a) Satu peristiwa berlaku.


b) Sekurang-kurangnya dua peristiwa berlaku.
c) Kesemua peristiwa tidak berlaku.

7. X dan Y ialah dua peristiwa merdeka dengan


K(X) = 1 dan K(X  Y) =
3
4
5
. Kira
a) K(Y)
b) K(X|Y)
c) K(Y|X)
d) K(Yc|X)

RUJUKAN

Seymour, L. & Schiller, J. (1998). Introduction to Probability and Statistics. San


Francisco: McGraw-Hill.

Jusoh, M. (1986). Kebarangkalian dan Statistik. Kuala Lumpur: Dewan Bahasa dan
Pustaka.
Pembolehubah Rawak Diskret dan
Selanjar

UNIT PELAJARAN 5
PEMBOLEHUBAH RAWAK DISKRET DAN SELANJAR

HASIL PEMBELAJARAN
Di akhir topik ini, anda diharap dapat:
1. Memahami apakah yang dikatakan pembolehubah rawak diskret dan
selanjar.
2. Mendapatkan fungsi kebarangkalian sesuatu pembolehubah rawak diskret
dan selanjar.

PENGENALAN
Bahagian ini akan membincangkan fungsi kebarangkalian pembolehubah
rawak diskret dan selanjar. Selain daripada itu fungsi taburan kebarangkalian
pembolehubah rawak diskret dan selanjar turut dibincangkan.

ISI KANDUNGAN

Pembolehubah rawak diskret

Pembolehubah rawak ialah kesudahan bagi ruang sampel S dari satu ujikaji
rawak dengan fungsi X yang memetakan setiap unsur s dalam S bagi
nombor nyata X(s) x. Ia ditulis sebagai {x: X(s) x, s S} yang mana sS
bermaksud unsur s dipunyai oleh set S. Bagi pembolehubah rawak diskret X,
kebarangkalian K(Xx) kebiasaanya ditulis sebagai f(x). f(x) dikenali sebagai
fungsi kebarangkalian.
Teorem 1

Sifat-sifat bagi fungsi kebarangkalian f(x) pembolehubah rawak diskret adalah


seperti berikut:

a) f(x)  0, x  R.
b) xR f(x)  1.
c) K(XA)  xA f(x) , yang mana A  R.

Contoh 1
x
Katakan f (x)  untuk x1,2,3,4, 5 merupakan fungsi pembolehubah rawak
15
diskret X. Ia dikatakan fungsi kebarangkalian kerana memenuhi Sifat-sifat
bagi fungsi kebarangkalian f(x) pembolehubah rawak diskret seperti berikut:

(i) f(x)  0, x  R iaitu:


1
f (1)  , f (2)  2 3 4 5
15 , f (3)  , f (4)  , f (5)   0
15 15 15 15
(ii) xR f(x)  1 iaitu:

f (1)  f (2)  f (3)  f (4)  f (5)  1.

(iii) K(XA)  xA f(x) , yang mana A  R.

Contoh 2
Sebiji buah dadu adil dilambung. Ruang sampel yang terbentuk dalam
lambungan dadu ini adalah seperti berikut:

S{1,2,3,4,5,6}

Kebarangkalian bagi setiap titik sampel pula adalah seperti berikut:


1
K(1)  ; 1
6 K(2)  ;
6 1
K(3) 
;
6
1 1 1
K(4)  K(5)  K(6)  .
; ; 6
6 6

Contoh 3
Katakan X ialah pembolehubah rawak dalam ruang sampel S mendapat
nombor ganjil dalam lambungan dadu. Maka

Jika sekeping siling dilambung sebanyak dua kali. Ruang sampel yang
terbentuk daripada dua lambungan ini ialah:

S{KK, KB,BB, BK}.

Manakala kebarangkalian bagi setiap titik sampel ialah:

K(KK) 1 1 1 1
; K(KB) ; K(BB) ; K(BK)  .
4 4 4 4

Katakan X ialah pembolehubah rawak dalam ruang sampel S mendapat


kepala dalam lambungan siling. Maka

X(BB)0, tiada kepala,


X(KB)1, X(BK)1 mendapat satu kepala,
X(KK)2, mendapat dua kepala.

Set imej bagi X ialah X(S){0,1,2}. Maka fungsi kebarangkalian bagi X ialah:

1
f(0) K(BB)
4

f(1)  K(KB,BK) 1 1 2
4 + 4 4
1
f(2)  K(KK)
4
Dalam bentuk jadual, fungsi kebarangkalian bagi X dipersembahkan seperti
berikut:
xi 0 1 2
f(xi) 1
2
4 1
4 4

Dengan menggunakan sifat-sifat yang terdapat dalam fungsi kebarangkalian


kita boleh mendapat nilai pekali atau konstan yang tidak diketahui dalam
dalam sesuatu fungsi kebarangkalian. Cuba kita lihat contoh di bawah:

Contoh 4
Katakan beberapa fungsi kebarangkalian pembolehubah rawak X adalah
seperti berikut:

a) f(x)  qx x1, 2, 3.
2
b) f (x)  q(x  2) x 1, 2, 3.
x 1
c)  3 
f (x)  q x0, 1, 2.
4

Penyelesaian:

Dengan menggunakan syarat fungsi kebarangkalian pembolehubah rawak X,


xR f(x)  1. Nilai-nilai q di atas diperoleh seperti berikut:

a) f(1)  f(2)  f(3)  1


q  2q  3q  1
6q  1
1
q .
6

b) f(1)  f(2)  f(3)  1


2 2 2
q(1 2)  q(2  2)  q(3  2)  1
9q  16q  25q  1
50q  1
1
q .
50

c) f(1)  f(2)  f(3)  1


q( 3 )0  q( 3 )1  q( 3 )2  1
4 4 4
q  3q  9q  1
4 16
37
1 q1
6 16
q .
37

Fungsi taburan atau taburan melonggok pembolehubah rawak diskret

Fungsi taburan atau taburan melonggok bagi pembolehubah rawak X dengan


F: R R ditakrifkan seperti berikut:

F x   K  X  x    f x i - x 

xi x

Teorem 2

Jika F(x) ialah fungsi taburan pembolehubah rawak X, maka ia perlu


memenuhi syarat-syarat seperti di bawah:

1. F(-)0;
2. F()1;
3. Jika v  w, maka F(v)  F(w) untuk sebarang nombor nyata v dan w.

Contoh 6
Jika fungsi kebarangkalian pembolehubah rawak X diberi seperti berikut:
X 1 2 3 4
f(x) 1
10
2
10
3
10
4
10

Maka fungsi kebarangkalian melonggok pembolehubah rawak X yang


dihasilkan adalah seperti berikut:
X 1 2 3 4
F(x) 1
10
3
10
6
10
10
10

Contoh 7
2
Tunjukkan fungsi F(x) x untuk x1, 2, 3, 4 memenuhi syarat fungsi
 4
20
taburan pembolehubah rawak diskret X.

Penyelesaian:

5 8 13
F(1)  F(2) , F(3)  F(4)  1.
,  ,
20 20 20
F(-)0;

F()1;

F(1) F(2) F(3) F(4).

Teorem 3

Bagi pembolehubah rawak diskret X dengan fungsi kebarangkalian dan fungsi


taburan masing-masing f(x) dan F(x), begitu
juga x1  x2  x3  ...  xn , maka

f(x1 )  F(x 1 ) f x i 1   F x i 1   F x i  untuk i  1, 2, 3, …, n.


dan
Contoh 8
Katakan fungsi taburan pembolehubah rawak X diberi seperti berikut:

 0
x1
 1
 1 x  3
 37
F (x)  
3x5
 7
 6
 7 5x7
 1 7  x  10

Dapatkan fungsi kebarangkalian X, K(X=5) dan K(3 X  5)

Penyelesaian:

Fungsi kebarangkalian X adalah seperti berikut:

X 1 3 5 7
f(x) 1 2 3 1
7 7 7 7

5 3
K ( X  5)  f (x)  .
7
 x 5

2 3 5
K (3  X  5)  5f (x)  f (3)  f (4)  f (5)  0  .
x 3
7 7 7

Fungsi ketumpatan kebarangkalian pembolehubah rawak selanjar

Fungsi pembolehubah rawak selanjar f(x) bagi set nombor nyata R dikenali
sebagai fungsi ketumpatan kebarangkalian bagi pembolehubah rawak
selanjar X jika dan hanya jika
K (a  X  b)  b f (x)dx.
a
yang mana a  b.

Sifat-sifat bagi fungsi ketumpatan kebarangkalian f(x) pembolehubah rawak


selanjar adalah seperti berikut:

a) f(x)  0, x  R.

b)  
f(x)dx  1.

Contoh 9
Tunjukkan fungsi kebarangkalian yang berikut merupakan fungsi ketumpatan
kebarangkalian pembolehubah rawak selanjar X.

1
3  x  10
7

f (x)  
0 sebaliknya

Penyelesaian:
Fungsi ketumpatan kebarangkalian f(x) pembolehubah rawak selanjar di atas
mempunyai sifat-sifat berikut:
a) f(x)  0, x  R.

b)  
10
f(x)dx  1 iaitu:
10 1
dx  1 x
 1.
 3 7 7 3

maka pembolehubah rawak selanjar X merupakan fungsi ketumpatan


kebarangkalian.

Contoh 10
Fungsi ketumpatan kebarangkalian f(x) pembolehubah rawak selanjar X
diberi sebagai:
f (x)  1x3
qx  sebaliknya
0

dapatkan nilai q dan K(X2)

Penyelesaian:

q
3 qx dx 
23
x 9q q 8q
 2  2 2  1
1 2 1

1
maka q  .
4
K( X  2)
 3 1
x dx  x2 3  9  4  5 .
 2 4 8 2 8 8 8

Fungsi taburan kebarangkalian pembolehubah rawak selanjar

Bagi pembolehubah rawak selanjar X, fungsi taburan kebarangkalian atau


taburan melonggok F(x) ditakrifkan sebagai:

F(x)  x
 - x 
f(x)dx

Syarat-syarat bagi fungsi taburan kebarangkalian pembolehubah rawak X


adalah seperti di bawah:

a) F(-)0;
b) F()1;
c) Jika v  w, maka F(v)  F(w) untuk sebarang nombor nyata v dan w.

Contoh 11
Fungsi ketumpatan kebarangkalian pembolehubah rawak selanjar X diberi
seperti berikut:
x  7 0x 3
 6
f (x)  
 0 sebaliknya

Fungsi taburan kebarangkalian F(x) diperolehi dengan mengkamilkan fungsi


ketumpatan kebarangkalian f(x).

Untuk x  0,
x
x  7
x2 x x2
7 7
F(x)   f(x)dx  x  6 dx  6x   6 x.
2
 0
- 0 2

Fungsi taburan kebarangkalian F(x) ditulis sebagai:

x2

2  0x3
7

F(x)   x
6

 sebaliknya
 0

Teorem 4

Bagi pembolehubah rawak selanjar X dengan fungsi ketumpatan


kebarangkalian f(x) dan fungsi taburan kebarangkalian F(x), nilai
kebarangkalian di antara x1 dan x2 ialah:

K x1  X  x2   F x1   F x2 

untuk nilai x1 dan x2 dengan x1  x2 ,


sahih

dan perlu wujudnya pembezaan dF(x)


f(x)  dx
bagi
PENILAIAN KENDIRI

1. Tunjukkan bahawa f (x) 


x  22 untuk x1,2,3 merupakan fungsi
50
kebarangkalian pembolehubah rawak diskret dengan menggunakan
syarat-syarat fungsi kebarangkalian pembolehubah rawak diskret.

12
2. Tunjukkan bahawa f (x)  untuk x1,2,3,4 merupakan fungsi
25
x
kebarangkalian pembolehubah rawak diskret dengan menggunakan
syarat-syarat fungsi kebarangkalian pembolehubah rawak diskret.

3. Fungsi kebarangkalian pembolehubah rawak diskret X diberi sebagai


x2
f (x)  untuk x1,2,3. Dapatkan fungsi taburan kebarangkalian
14
fungsi kebarangkalian ini.

4. Dapatkan nilai k yang memenuhi syarat fungsi kebarangkalian


pembolehubah rawak X.

a) f (x)  kx x 1, 2, 3, 4, 5.
 1
b) f (x)  k x 
x  2, 3, 4.
 
 2
 3 3
c) f (x)  k  x  1, 2, 3.
x

5. Fungsi taburan pembolehubah rawak X diberi seperti berikut:


 01 x3
3x5

5
 5x7
F(x)   3
 5 7x9
4
 5 9  x  11
1

Dapatkan fungsi kebarangkalian X, K(X=3) dan K(5 X  9)

6. Fungsi ketumpatan kebarangkalian pembolehubah rawak selanjar X


ialah seperti berikut:

qx
f (x)  1 x  5
 sebaliknya
0
Dapatkan:
a) Nilai
q,

b) K(X<3).

7. Fungsi ketumpatan kebarangkalian pembolehubah rawak selanjar X


ialah seperti berikut:

q2x 
7 0x5
f (x)  
 0 sebaliknya
Dapatkan:
a) Nilai q,
b) Fungsi taburan kebarangkalian,
c) K(X < 3).

8. Fungsi ketumpatan kebarangkalian pembolehubah rawak selanjar X


ialah seperti berikut:

274 x2 (3  x)
f (x)   0  x 3
 0 sebaliknya
Dapatkan:
a) Fungsi taburan kebarangkalian,
b) K(1<X<2).

9. Fungsi ketumpatan kebarangkalian pembolehubah rawak selanjar X


ialah seperti berikut:

23(x - 2)
f (x)   1  x 4
 0 sebaliknya
Dapatkan:
a) Fungsi taburan kebarangkalian,
b) F(x=2).

RUJUKAN

Bluman, A.G.(2009). Elementary Statistics: A Step by Step Approach (7th ed). New
York: McGraw Hill.

Johnson, R. & Kuby, P. (2004). Elementary Statistics (9th ed). Boston: Duxbury
Press.
Teknik
Pensampelan

UNIT PELAJARAN 6
TEKNIK PENSAMPELAN

HASIL PEMBELAJARAN

Pada penghujung unit ini, pelajar diharap dapat:

1. Menerangkan maksud pensampelan dan mengapa pensampelan


diperlukan
2. Menerangkan teknik-teknik pensampelan rawak dan teknik-teknik
pensampelan bukan rawak dalam pengambilan sampel
3. Menerangkan maksud ralat pensampelan dan ralat bukan
pensampelan atau ralat sistematik

PENGENALAN
Dalam Unit Pelajaran 1, telah dibincang tentang populasi dan sampel. Dalam
melakukan sesuatu kajian atau penyelidikan, proses mendapatkan data yang
tepat daripada populasi atau sampel adalah penting bagi menerbitkan hasil
yang boleh dipercayai serta boleh membuat keputusan yang jitu. Daripada
manakah data ini diperolehi? Data bagi sesuatu penyelidikan itu boleh
diperolehi melalui tinjauan, melakukan eksperimen, meneliti dokumen atau
cara-cara yang lain.

Dalam tinjauan dan melakukan eksperimen, data diperolehi daripada sampel


sesuatu populasi itu atau keseluruhan populasi. Jika tinjauan itu melibatkan
keseluruhan populasi, proses pengumpulan data itu dipanggil banci. Tinjauan
sampel pula melibatkan satu sampel yang dipilih secara rawak atau atidak
rawak. Pemilihan sampel ini melibatkan teknik-teknik pensampelan tertentu.
Ada tiga sebab utama mengapa teknik pensampelan digunakan dalam
memilih sampel dan bukannya banci apabila melakukan sesuatu kajian
terutamanya yang berkenaan dengan tinjauan dan kajian eksperimen:

a) Dalam kebanyakan kes, saiz populasi adalah agak besar. Oleh itu
penglibatan keseluruhan populasi mungkin mengambil masa yang lama.
Sebaliknya, jika sampel digunakan akan mengambil masa yang lebih singkat.
Menemubual atau menghubungi ratusan atau ribuan orang sudah tentu
memerlukan masa yang panjang. Di akhir proses yang panjang ini, mungkin
hasil dapatan kajian yang diperolehi tidak berguna lagi bagi penyelidik
tersebut.

b) Kos untuk mengumpul maklumat bagi semua ahli dalam sesuatu


populasi itu mungkin melebihi bajet yang terhad bagi kebanyakan kajian. Oleh
sebab ltu, maka mengambil sampel adalah opsyen yang paling sesuatu
dalam menangani masalah bajet yang terhad ini

c) Adakalanya amat mustahil sekali untuk melakukan sesuatu banci atas


sebab-sebab berikut: (1) seseorang penyelidik itu mungkin tidak boleh
mengenal pasti atau mendekati setiap ahli bagi sesuatu populasi. Sebagai
contoh seorang penyelidik itu ingin mengkaji tentang orang-orang yang
merempat di bandaraya Kuala Lumpur mungkin tidak tahu lokasi setiap ahli
bagi golongan tersebut. (2) Kadang-kadang dalam melakukan sesuatu kajian
atau tinjauan mungkin terpaksa menghapuskan item-item yang berharga.
Sebagai contoh untuk mengkaji tentang purata hayat mentol lampu
terpaksalah pengkaji menyalakan mentol-mentol tersebut sehingga malap.

Bolehkah anda fikirkan sebab-sebab lain mengapa teknik pensampelan perlu


digunakan?
ISI KANDUNGAN

Jenis-jenis sampel

Bergantung kepada cara sampel diambil, sampel-sampel itu mungkin sampel


rawak atau tidak rawak. Sampel rawak adalah sampel di mana
pengambilannya adalah dengan cara setiap ahli dalam populasi mempunyai
peluang yang sama untuk dipilih dalam sampel itu. Sebaliknya sampel bukan
rawak adalah sampel di mana pengambilannya mungkin tidak melibatkan
peluang yang sama bagi setiap ahli dalam populasi itu.

Katakan kita mempunyai satu senarai nama 100 orang pelajar dan kita
berhasrat memilih 10 orang pelajar sahaja. Jika kita menulis setiap satu nama
itu di atas secebis kertas dan kemudian memasukkannya ke dalam satu
kotak, goncangkan kotak itu dan seterusnya mengambil 10 nama daripada
kotak itu, maka ini dipanggil pengambilan sampel secara rawak. Sebaliknya,
jika kita menyenaraikan 100 nama mengikut abjad dan kemudian memilih 10
nama teratas, maka pengambilan sampel ini bukan secara rawak kerana 90
nama yang lain di bawah senarai itu langsung tidak berpeluang untuk dipilih.

Bolehkah anda memberi contoh yang lain bagi pengambilan secara rawak
dan bukan rawak?

Tujuan pengambilan sampel secara rawak adalah untuk membuat kesimpulan


umum bagi sesuatu populasi itu berdasarkan kepada maklumat yang
diperolehi daripada data sampel. Persoalannya sekarang adalah sampel
hanya merupakan sebahagian kecil sampel daripada populasi. Jadi,
bagaimanakah sampel itu boleh dibebankan sebagai asas untuk membuat
satu kesimpulan umum bagi populasi tersebut?

Bagi menjawab soalan di atas, seseorang penyelidik itu mestilah memastikan


dua perkara berikut apabila mengambil secara rawak sesuatu sampel
daripada sesuatu populasi:
i) Sampel yang dipilih mestilah mewakili ciri-ciri populasi asalnya dengan
jelas. Dalam erti kata yang lain, sampel mestilah semirip mungkin dengan
populasi asal.

ii) Sampel yang dipilih mestilah saksama. Sebagai contoh, jika kita ingin
meninjau pilihan rakyat tentang parti politik mana yang sesuai untuk
mentadbir Malaysia dan kita hanya memilih rakyat yang tinggal di bandar-
bandar besar sahaja, maka ini tidak mencerminkan keseluruhan rakyat
Malaysia kerana tidak ada penglibatan rakyat di luar bandar. Sudah tentu
data yang dperolehi itu pincang dan tidak saksama.

Untuk pengambilan sampel secara rawak, ada empat teknik pensampelan


yang boleh kita gunakan berdasarkan kepada kehendak kajian kita dan
populasi itu sendiri. Empat teknik pensampelan rawak itu adalah

i) Pensampelan rawak mudah

ii) Pensampelan rawak sistematik

iii) Pensampelan rawak berstrata

iv) Pensampelan rawak berkelompok (kluster)

Pensampelan rawak mudah

Pensampelan rawak mudah adalah satu teknik pengambilan sampel yang


dipilih dengan cara setiap ahli dalam sesuatu populasi mempunyai peluang
yang sama untuk dipilih sebagai ahli sampel. Begitu juga bagi setiap
gabungan sampel rawak yang mungkin wujud mempunyai peluang yang
sama untuk dipilih.

Untuk mendapatkan sampel rawak mudah, biasanya kesukaran dihadapi bagi


mencapai keadaan untuk memenuhi syarat bagi mewujudkan peluang yang
sama. Ahli statistik selalunya menggunakan jadual sifir nombor rawak bagi
mengatasi kesukaran ini. Jadual sifir nombor rawak adalah adalah satu jadual
dengan senarai digit dari 0 sehingga 9 yang diperolehi dengan syarat setiap
digit wujud dengan peluang yang sama. Jadual sifir ini amat berguna apabila
kita hendak membentuk suatu sampel rawak daripada suatu populasi.

Cara yang biasa digunakan dalam menggunakan jadual sifir ini ialah setiap
ahli dalam satu populasi itu diberi satu nombor. Nombor-nombor ini mestilah
berbeza di antara satu sama lain dn digit-digitnya mestilah berturutan.
Kemudian kita pilih nombor daripada jadual sifir nombor rawak.

Ada banyak langkah memilih nombor daripada jadual sifir rawak. Di antaranya
adalah:

a) Memilih baris mana yang perlu dilihat dahulu.

b) Memilih lajur mana untuk mula-mula dibaca.

c) Memilih digit dan padankannya dengan nombor yang diberi kepada ahli
-ahli populasi.

Contoh 1
Katakan kita hendak memdapatkan satu sampel rawak mudah seramai 50
orang pelajar daripada 1000 orang pelajar di sebuah fakulti di UPSI untuk
meninjau sama ada mereka memiliki komputer riba atau sebaliknya.

Mula-mula setiap 1000 orang pelajar dari fakulti itu diberi satu nombor yang
berlainan dari 000 sehingga 999. Kemudian kita pilih mana-mana baris
katakan baris ke-10, dan lajur pertama untuk memulakan bacaan.

Jadi, nombor yang didapati daripada jadual sifir adalah seperti berikut:

32 70 17 72 03 61 66 26 24 71 22 77 88 33 17 78 08 92 73 49…
Didapati, sampel kita terdiri daripada pelajar-pelajar dengan nombor-nombor
berikut:

327 017 720 361 662 624 712 277 883 317 780 892 734 ...

Nombor-nombor yang wujud lebih daripada sekali, misalnya nombor 327,


akan digunakan sekali sahaja. Nombor-nombor di luar julat ini tidak akan
dipertimbangkan. Proses ini diteruskan sehingga diperolehi saiz sampel yang
dikehendaki (dalam contoh di atas seramai 50 orang pelajar).Kaedah ini
dianggap mudah oleh kerana berpandukan jadual sifir nombor rawak sahaja.

Pensampelan rawak sistematik

Pensampelan rawak sistematik adalah satu teknik pengambilan sampel di


mana ahli-ahli sampel dipilih daripada populasi pada jarak selang yang
teratur. Jika satu populasi bersaiz N dan kita bertujuan untuk memilih satu
sampel bersaiz n, maka saiz jarak selangnya k = N/n. Dengan demikian ada n
selang yang masing-masing mempunyai k ahli dan daripada setiap selang
diambil satu ahli.Pemilihan ahli yang pertama dari selang pertama dilakukan
secara rawak manakala ahli-ahli selanjutnya dipilih pada setiap jarak selang
k.

Satu kelebihan menggunakan teknik pensampelan sistematik adalah kosnya


yang rendah dan tidak memerlukan usaha yang berat untuk mengendalikan
teknik ini. Namun demikian terdapat satu kelemahan dalam menggunakan
teknik ini di mana hanya k ahli populasi yang pertama sahaja yang
mempunyai yang sama untuk dipilih. Selepas pemilihan k ahli populasi yang
pertama ini, ahli-ahli yang lain tidak mempunyai peluang untuk dipilih lagi.
Contoh 2
Katakan kita hendak menguji kualiti bateri kecil yang dikeluarkan oleh sebuah
kilang. Jadi kita mengambil satu sampel bersaiz 100 daripada 3000 bateri
kecil yang dikeluarkan oleh kilang tersebut setiap hari.

Oleh itu N = 3000 dan n = 100. Maka k = 3000/100 = 30.

Pada mulanya, kita pilih sebiji bateri kecil secara rawak daripada 30 biji bateri
kecil yang pertama dihasilkan. Jika bateri kecil yang terpilih adalah bateri ke-
7, bateri yang seterusnya ialah bateri yang mempunyai selang 30, iaitu ke-37,
ke-67, ke-97, ke-127 dan seterusnya sehinggalah 100 bateri kecil diperolehi.

Pensampelan rawak berstrata

Pensampelan rawak berstrata adalah satu teknik pengambilan sampel di


mana populasi dibahagikan kepada beberapa strata atau lapisan mengikut
syarat-syarat yang ditetapkan oleh penyelidik seperti umur, etnik, pekerjaan
dan sebagainya. Jika sampel rawak dipilh daripada setiap stratum ini, maka
sampel yang terkumpul adalah sampel yang berstrata. Untuk mendapatkan
sampel rawak daripada setiap stratum menggunakan jadual sifir nombor
rawak atau dengan cara lain.

Hasil keputusan yang diperolehi daripada sampel satu stratum akan


digabungkan dan dihitungkan bersama dengan hasil keputusan sampel strata
yang lain untuk mendapatkan hasil keputusan keseluruhan.
Kelebihan pensampelan rawak berstrata adalah ahli daripada setiap stratum
akan diwakili dalam sampel yang diambil. Seterusnya ini akan memberi satu
gambaran yang lebih bersifat realiti. Kelemahan bagi teknik pensampelan ini
adalah ianya melibatkan kos yang agak tinggi dan perlu usaha yang gigih dari
pihak penyelidik untuk mengendalikan teknik pensampelan ini.
Contoh 3

Jadual menunjukkan pendapatan bulanan 1000 orang pekerja di dalam satu


zon industri bebas.

Strata Pendapatan Bilangan pekerja


1 < RM 1000 600
2 RM 1000 – RM 3000 300
3 > RM 3000 100
Jumlah 1000

Katakan seorang penyelidik ingin mengkaji mengenai pendapatan minimum


bagi pekerja-pekerja di zon industri bebas itu. Diketahui pendapatan
meningkat dari golongan kolar biru ke golongan staf sokongan dan golongan
eksekutif. Setiap golongan mempunyai bilangan pekerja yang berlainan. Oleh
itu, setiap golongan pekerja membentuk satu strata yang berlainan dan
populasi pekerja di zon industri bebas ini dikatakan terdiri daripada 3 strata.

Jika kita ingin mengambil satu sampel rawak bersaiz 50 orang daripada
populasi keseluruhan pekerja di zon industri bebas ini, maka saiz sampel
daripada setiap strata adalah seperti berikut:

Strata Pendapatan Populasi Saiz sampel


setiap strata
1 < RM 1000 600 600 × 50/1000 = 30
2 RM 1000 – RM 3000 300 300 × 50/1000 = 15
3 > RM 3000 100 100 × 50/1000 = 5
Jumlah 1000 50

Pensampelan rawak berkelompok

Kadang-kadang populasi yang ingin diselidiki adalah bertaburan pada satu


kawasan geografi yang luas.Akibatnya, jika digunakan pensampelan rawak
mudah mungkin melibatkan kos yang tinggi untuk mendapatkan setiap ahli
bagi sampel tersebut. Dalam situasi sebegini, kita bahagikan populasi kepada
kumpulan-kumpulan geografi yang berbeza. Kumpulan-kumpulan ini dipanggil
kelompok atau kluster. Sebagai langkah pertama, pilih secara rawak
beberapa kelompok. Kemudian kita pilih secara rawak satu sampel yang
terdiri daripada ahli-ahli tertentu bagi setiap kelompok yang terpilih itu.

Contoh 4
Katakan kita ingin meninjau tentang keberkesanan metodologi pengajaran
yang baru di sekolah-sekolah dalam satu negeri yang besar. Mula-mula kita
bahagikan negeri itu kepada katakan 20 buah daerah yang kita rujukkan
sebagai kelompok-kelompok. Pastikan kesemua 20 daerah ini adalah hampir
serupa dan oleh itu adalah mewakili ciri-ciri populasi. Kemudian kita pilih
secara rawak katakan 4 daerah daripada 20 daerah tersebut. Selepas itu kita
pilih pula beberapa sekolah secara rawak daripada setiap kelompok untuk
meninjau tentang keberkesanan kaedah pengajaran yang baru itu.
Keseluruhan sekolah yang dipilih daripada kelompok yang terpilih itu
dipanggil sampel kelompok.

Ralat pensampelan dan ralat bukan pensampelan

Hasil dapatan kajian daripada tinjauan atau melakukan eksperimen mungkin


mengandungi dua jenis ralat: ralat-ralat pensampelan atau bukan
pensampelan. Ralat pensampelan juga dikenali sebagai ralat peluang dan
ralat bukan pensampelan dipanggil juga ralat sistematik.

Ralat pensampelan adalah perbezaan antara hasil kajian yang diperolehi


dengan hasil kajian yang mungkin diperolehi jika keseluruhan populasi
digunakan. Misalnya perbezaan antara min sampel dan min populasi. Apabila
kita membuat tinjauan atau sebagainya, ralat ini tidak dapat dielakkan.

Ralat bukan pensampelan atau ralat sistematik berlaku disebabkan oleh


penyelidik sendiri semasa melakukan pengumpulan dan penganalisisan data.
Sebagai contoh, soalan-soalan yang dikemukakan oleh penyelidik dalam soal
selidik atau dalam temubual mungkin tidak difahami oleh reponden,
responden mungkin memberi maklumat palsu atau penyelidik membuat
kesilapan apabila memasuki data ke dalam komputer dan sebagainya.

Teknik pensampelan bukan rawak

Dalam menjalankan sesuatu tinjauan atau kajian, bukan semua sampel boleh
diperolehi secara rawak oleh sebab-sebab tertentu. Dalam sesuatu populasi
itu, tidak semua ahli mempunyai peluang untuk dipilih menganggotai ssesuatu
sampel. Jadi, pengambilan sampel tidak dapat dilakukan secara rawak.
Misalnya seorang penyelidik ingin mengkaji sikap pelajar tingkatan 4 terhadap
pembelajaran statistik dan pengetua hanya membenarkan kajian dijalankan
ke atas sebuah kelas sahaja. Penyelidik tidak dapat mendapatkan sampel
secara rawak.

Antara teknik-teknik pensampelan bukan rawak adalah seperti berikut:

(a) Teknik pensampelan keselesaan (convenience)

(b) Teknik pensampelan pertimbangan (judgment)

(c) Teknik pensampelan kuota

Teknik pensampelan keselesaan

Dalam teknik pensampelan keselesaan, pengambilan sampel dilakukan


terhadap ahli-ahli yang senang didekati atau dicapai dalam sesuatu populasi
itu bagi mendapatkan hasil kajian dengan cepat. Misalnya satu tinjauan
pendapat umum (opinion poll) boleh dilakukan dalam masa yang singkat
dengan mendapatkan maklumat daripada pengunjung-pengunjung di sebuah
kompleks membeli-belah.
Teknik pensampelan pertimbangan

Dalam teknik pensampelan pertimbangan, pengambilan sampel di kalangan


ahli-ahli dalam sesuatu populasi dibuat berdasarkan pertimbangan penyelidik
atau pengetahuan awalannya tentang populasi berkenaan. Sebagai contoh,
seorang penyelidik ingin mengkaji tentang kelemahan pelajar dalam
matematik dan dia pergi mengumpul maklumat dari satu sekolah yang
memang diketahui mempunyai prestasi yang rendah dalam matematik.

Teknik pensampelan kuota

Dalam teknik pensampelan kuota penyelidik menentukan terlebih dahulu


kuota atau bilangan untuk setiap kumpulan yang ada dalam sesuatu populasi
itu untuk dimasukkan ke dalam sampelnya. Penentuan ini dilakukan sendiri
oleh penyelidik dan tidak berdasarkan kepada ciri-ciri setiap kumpulan yang
ada. Kelebihan teknik ini adalah ia memerlukan kos yang lebih rendah dan
usaha yang lebih senang jika dibandingkan dengan teknik pensampelan
rawak berstrata. Kekurangan teknik jika dibandingkan dengan pensampelan
rawak berstrata adalah teknik ini kurang diyakini hasil kajiannya oleh kerana
bukan semua ahli dalam seeuatu kumpulan itu mempunyai peluang yang
sama untuk dipilih.

Sebagai contoh, katakan seorang pengkaji itu ingin memilih satu sampel
bersaiz 1000 orang daripada satu bandaraya dengan populasinya terdiri
daripada 52% lelaki dan 48% perempuan. Untuk memilih atu sampel kuota,
pengkaji itu akan memilih 520 orang lelaki dan 480 orang perempuan yang
pertama didekatinya. Dengan ini sampel itu memgandungi dengan tepat 52%
lelaki dan 48% perempuan.
PENILAIAN KENDIRI

1. Nyatakan dengan ringkas sebab-sebab sampel-sampel diambil


apabila menjalankan kajian.

2. Terangkan kelebihan mengambil satu sampel rawak berstrata berbanding


dengan sampel rawak mudah.

3. Sebuah ladang mempunyai 6 baris pokok kelapa sawit di mana setiap baris
mengandungi 15 pokok kelapa sawit. Nyatakan secara ringkas sama ada
sampel-sampel yang diperolehi dengan cara-cara berikut adalah adil.

(a) 10 keping kad dipilih secara rawak daripada sebuah kotak yang
mengandungi 90 keping kad bernombor di mana setiap kad sepadan
dengan sepohon pokok kelapa sawit.
(b) Pokok yang kelapan dalam setiap baris dipilih.
(c) Pokok yang ketujuh dipilih daripada pokok-pokok yang telah
dinomborkan daripada 1 hingga 90.

4. Dengan menggunakan jadual sifir nombor rawak, dapatkan suatu sampel


rawak yang mengandungi 10 nombor daripada integer-integer berikut:

(a) daripada 000 hingga 999


(b) daripada 100 hingga 999

5. Seorang professor ingin memilih 20 orang pelajar daripada kelas kuliahnya


seramai 300 orang di mana maklumat terperinci mengenai pelajar yang
terpilih diambil. Professor itu menggunakan pengetahuannya yang ada
mengenai pelajar-pelajarnya dan juga kepakarannya untuk memilih 20
orang pelajar itu.
(a) Adakah sampel yang diambil itu sampel rawak atau sampel bukan
rawak?
(b) Apakah teknik pensampelan yang digunakan dan terangkan?
(c) Apakah ralat sistematik yang mungkin telah dilakukan?

6. Rujuk soalan 5. Katakan professor tersebut memasukkan semua 300 nama


pelajar yang mengikuti kelas kuliahnya ke dalam komputer. Kemudian
beliau memilih secara rawak 20 orang pelajar dengan menggunakan
nombor rawak yang terdapat dalam perisian statistik seperti MINITAB.

(a) Adakah sampel yang diambil itu sampel rawak atau sampel bukan
rawak?
(b) Jika sampel rawak, apakah teknik pensampelan yang digunakan?
(c) Apakah ralat sistematik yang mungkin telah dillakukan?

7. Untuk mengetahui reaksi pengundi di sebuah kawasan parlimen, seorang


pengundi ditemubual. Dua kaedah pengambilan sampel dicadangkan:

(a) memilih secara rawak nama-nama dari buku panduan telefon.


(b)memilih pengundi dari kalangan pengunjung di beberapa pusat
membeli belah di kawasan parlimen tersebut.

Terangkan mengapa kedua-dua kaedah ini kurang memuaskan.


Cadangkan satu kaedah yang lebih berkesan.

8. Sebuah syarikat mempunyai 100 orang pekerja di mana 58% adalah lelaki
dan 48% adalah perempuan. Jabatan sumber manusia syarikat itu ingin
meninjau pendapat para pekerja mengenai satu isu dengan mengambil
satu sampel seramai 50 orang pekerja. Untuk menjalankan tinjauan ini,
para pekerja dibahagikan kepada dua kumpulan iaitu lelaki dan
perempuan.dan kemudian dipilih secara rawak 29 orang lelaki dan 21
orang perempuan daripada kumpulan-kumpulan itu. Apakah teknik
pensampelan yang digunakan untuk mengambil sampel? Terangkan.
RUJUKAN
Bluman, A.G.(2009). Elementary Statistics: A Step by Step Approach (7th ed). New
York: McGraw Hill.

Johnson, R. & Kuby, P. (2004). Elementary Statistics (9th ed). Boston: Duxbury
Press.

Mann, P.S.(2005). Introductory Statistics Using Technology (5th ed). Hoboken,NJ:


Wiley.
Penganggaran Parameter
Populasi

UNIT PELAJARAN 7
PENGANGGARAN PARAMETER POPULASI

HASIL PEMBELAJARAN
Pada penghujung unit ini, pelajar diharap dapat:

1. Menerangkan maksud anggaran titik dan anggaran selang


keyakinan
2. Menyelesaikan masalah untuk menentukan anggaran titik bagi min
populasi
3. Menyelesaikan masalah untuk menentukan selang keyakinan bagi
min populasi menggunakan taburan z dan juga taburan t

PENGENALAN
Satu masalah statistik yang biasa dihadapi oleh para penyelidik adalah untuk
mendapatkan maklumat mengenai parameter sesuatu populasi, misalnya min
populasi µ. Jika saiz populasi adalah besar, kita boleh mendapatkan
maklumat yang secukupnya dengan mengambil satu sampel daripada
populasi berkenaan. Dengan pengambilan sampel ini melalui teknik-teknik
pensampelan yang telah dipelajari dalam Unit Pelajaran 6, seseorang
penyelidik itu dapat membuat penganggaran tentang nilai parameter populasi
yang sedang dikaji.

Penganggaran adalah satu prosedur di mana satu nilai berangka atau nilai-
nilai berangka diberikan kepada satu parameter populasi berdasarkan
maklumat yang diperolehi daripada sampel yang diambil. Parameter populasi
ini boleh jadi min populasi, perkadaran populasi, sisihan piawai dan lain-lain.
Dalam unit ini, kita hanya akan mencari penganggaran bagi min populasi.
Nilai atau nilai-nilai yang diberikan kepada parameter populasi ini adalnh
berasaskan kepada nilai satu statistik sampel yang dipanggil anggaran bagi
parameter populasi tersebut. Statistik sampel itu pula dipanggil penganggar.
Sebagai contoh, min sampel x adalah penganggar bagi min populasi µ. Ada
dua jenis penganggaran yang akan dibincangkan iaitu penganggaran titik dan
penganggaran selang.

Prosedur bagi mendapatkan penganggaran itu melibatkan langkah-langkah


berikut:

a) Pilih satu sampel

b) Kumpul maklumat yang dikehendaki daripada sampel itu

c) Hitungkan nilai statistik sampel yang dihajati

d) Berikan nilai atau nilai-nilai yang diperolehi kepada parameter populasi


yang sepadan.

ISI KANDUNGAN

Penganggaran titik

Penganggaran titik adalah satu prosedur untuk mendapatkan nilai satu


statistik sampel (contoh: min sampel) untuk menganggarkan parameter
populasi (contoh: min populasi). Nilai ini di panggil anggaran titik. Sebagai
contoh, nilai yang dihitungkan untuk min sampel x , daripada satu sampel
adalah anggaran titik bagi min populasi µ.

Contoh 1
Dewan Bandaraya Kuala Lumpur mengisytiharkan harga-harga semasa bagi
rumah-rumah kos rendah di bandaraya tersebut dalam satu laporan yang
diwartakan. Angka-angka yang dinyatakan adalah diperolehi daripada
pensampelan. Satu sampel mengandungi data harga bagi 36 buah rumah kos
rendah adalah diberikan di bawah. Gunakan data tersebut untuk
menganggarkan min populasi harga bagi semua rumah kos rendah di
bandaraya itu. (Angka dalam ribu RM)

53.8 54.4 45.2 42.9 49.9 48.2 41.6 58.9 48.6 53.1 59.4 49.7 43.7 52.7
47.7 41.5 35.3 58.9 35.9 42.5 57.2 45.1 50.3 50.0 41.9 37.3 39.7 42.0
62.7 62.8 46.6 60.5 43.9 56.4 49.8 63.9

Penyelesaian:

Kita anggarkan min populasi harga bagi semua rumah kos rendah di Kuala

Lumpur dengan menggunakan nilai min sampel harga , bagi sampel


sebanyak 36 buah rumah kos rendah.

 x  1774.0  49.28
Maka x 
,
n 36

Oleh itu, min populasi harga bagi semua rumah kos rendah adalah
dianggarkan sebanyak RM 49,280.

Perlu diingatkan bahawa anggaran titik ini mungkin berlainan jika kita ambil
sampel yang lain daripada populasi yang sama. Jadi, nilai yang diberikan
kepada sesuatu min populasi itu bergantung kepada anggaran titik daripada
mana sampel itu diambil.

Contoh 2
Satu sampel seramai 32 orang murid daripada sebuah sekolah mengambil
bahagian dalam satu kajian di mana mereka diminta menyatakan jarak rumah
mereka ke sekolah. Dapatan kajian adalah seperti berikut (dalam kilometer).
12 9 7 2 8 7 3 27 21 10 13 3 7 2 30 7

6 13 6 14 4 1 10 3 13 6 2 9 2 12 16 18

Cari anggaran titik bagi min populasi.

Penyelesaian:

Cari min sampel sebagai anggaran titik bagi min populasi

 x  303  9.47 km
Min sampel x 
n 32

Jadi anggaran titik bagi min populasi adalah 9.47 km.

Penganggaran selang

Penganggaran selang adalah satu prosedur untuk mendapatkan satu selang


atau julat nilai-nilai sesuatu sampel statistik (contoh: min sampel) untuk
menganggarkan parameter populasi (contoh: min populasi). Anggaran yang
diperolehi dipanggil anggaran selang.

Perlu ditegaskan di sini bahawa anggaran selang ini mungkin mengandungi


nilai parameter populasi yang dianggarkan dan kemungkinan juga tidak.
Walau bagaimanapun, adalah dijangkakan bahawa nilai parameter populasi
itu terletak di antara dua nilai. Sebagai contoh, jika anggaran titik bagi purata
umur bagi semua mahasiswa di sebuah universiti ialah 20.9 tahun dengan
ralat margin (margin of error) 0.4 tahun, maka anggaran selang bagi purata
umur itu boleh dituls sebagai 20.9 ± 0.4 tahun atau 20.5 < µ < 21.3 (µ adalah
purata umur populasi).
Nilai kebarangkalian yang kita yakin betul yang nilai parameter populasi
berada dalam anggaran selang adalah ditetapkan sebelum anggaran selang
ditentukan. Sebagai contoh, kita mungkin berkehendakkan 90%, 95% atau
99% keyakinan bahawa anggaran selang yang akan ditentukan mengandungi
nilai parameter populasi itu. Nilai kebarangkalian ini (90%, 95% atau 99%)
dipanggil aras keyakinan bagi anggaran selang. Oleh itu, selang keyakinan
bagi sesuatu parameter populasi adalah satu anggaran selang yang spesifik
yang ditentukan dengan menggunakan data yang diperolehi daripada sampel
dan aras keyakinan yang spesifik bagi anggaran itu.

Mencari anggaran selang bagi min populasi µ

Rumus untuk mendapatkan anggaran keyakinan bagi min populasi µ adalah


seperti berikut:

x  zα/2 (σ / n)< µ < x  zα/2 (σ / n)ataux  zα/2 (σ / n)

di mana x adalah anggaran titik (iaitu min sampel)

(σ / n ) adalah sisihan piawai bagi min sampel atau ralat piawai bagi min

α adalah jumlah luas bagi kedua-dua hujung bagi satu lengkongan taburan
normal piawai.
σ/ mewakili luas bagi setiap hujung.
2

α/2 α/2
Aras keyakinan yang diperlukan adalah bersamaan dengan (1 – α)100%.

Sebagai contoh, apabila α=0.05, maka anggaran selang mempunyai aras


keyakinan 95%; apabila α=0.01, maka anggaran selang mempunyai aras
keyakinan 99% dan seterusnya.

Bagi selang keyakinan 95%, zα/2 = 1.96 dan


selang keyakinan 99%, zα/2 = 2.58 (diperolehi daripada jadual sifir taburan
normal)

Sebutan zα/2 .(σ/√n) dikenali sebagai ralat margin atau ralat maksimum
anggaran.

Rumus bagi selang keyakinan di atas boleh digunakan jika diandaikan


populasi bertaburan normal tidak kira apa saiz bagi sampel, n. Jika n > 30,
taburan bagi min sampel dianggap lebih kurang normal walaupiu populasi
asal tidak bertaburan normal. Bagi populasi yang bertaburan normal atau
dianggap bertaburan normal, sisihan piawai sampel, s boleh digunakan jika
sisihan piawai populasi, σ tidak diketahui.

Peraturan pembundaran

Apabila menghitung sesuatu selang keyakinan bagi min populasi yang


menggunakan data mentah, bundarkan kepada lebih satu titik perpuluhan
berbanding dengan data asal. Jika min sampel diberi di dalam masalah itu,
bundarkan selang keyakinan kepada bilangan titik perpuluhan yang sama
seperti yang diberikan kepada min sampel
Contoh 3
Timbalan Naib Canselor (HEP) sebuah universiti ingin menganggarkan purata
umur bagi semua pelajar-pelajar yang berdaftar dengan universiti tersebut.
Daripada data yang lepas, diketahui sisihan piawai adalah 2 tahun. Satu
sampel seramai 50 orang pelajar dipilih dan didapati bahawa purata umur
bagi sampel itu adalah 23.2 tahun. Cari selang keyakinan 95% bagi purata
umur populasi.

Penyelesaian:

Diberi = 23.2, σ = 2, n = 50,

Juga, zα/2 = 1.96 (untuk selang keyakinan 95%)

Masukkan nilai-nilai di atas ke dalam rumus:

– zα/2 .(σ/√n) < µ < + zα/2 .(σ/√n)

Kita perolehi:

23.2 – (1.96) (2/√50) < µ < 23.2 + (1.96) (2/√50)

23.2 – 0.55 < µ < 23.2 + 0.55

22.65 < µ < 23.75

22.7 < µ < 23.8

atau 23.2 + 0.55

Oleh itu Timbalan Naib Canselor (HEP) itu boleh menyatakan dengan
keyakinan 95% bahawa purata umur bagi pelajar-pelajar yang berdaftar
dengan universiti tersebut adalah di antara 22.7 tahun dan 23.8 tahun
berdasarkan kepada sampel bersaiz 50 orang pelajar.
Contoh 4
Suatu ubat tertentu diketahui boleh meningkatkan kadar denyutan nadi
penggunanya. Diketahui juga yang sisihan piawai bagi kadar denyutan nadi
itu adalah 5 denyutan setiap minit. Satu sampel seramai 30 orang pengguna
diambil datanya dan didapati min kadar denyutan nadi mereka adalah 104
denyutan setiap minit. Cari selang keyakinan 99% bagi min populasi.

Penyelesaian:

Diberi = 104, σ = 5, n = 30, µ = 104,

Juga, zα/2 = 2.58 (bagi selang keyakinan 99%)

Masukkan nilai-nilai di atas ke dalam rumus

– zα/2 .( σ/√n) < µ < + zα/2 .( σ/√n)

Diperolehi:

104 – (2.58) (5/√30) < µ < 104 + (2.58) (5/√30)

104 – 2.4 < µ < 104 + 2.4

101.6 < µ < 106.4

(bundarkan kepada titik perpuluhan yang sama dengan min

sampel) 102 < µ < 106

atau 104 + 2

Oleh itu kita boleh nyatakan dengan keyakinan 99% bahawa min bagi kadar
denyutan nadi adalah di antara 102 dan 106 denyutan setiap minit.
Contoh 5
Satu sampel sebanyak 50 hari menunjukkan yang sebuah restoran makanan
segera melayani seramai 182 orang pelanggan waktu makan tengahari.
Diberi sisihan piawai bagi sampel itu adalah 8 orang pelanggan. Cari selang
keyakinan 90% bagi min populasi.

Penyelesaian:

Diberi = 182, s = 8, n = 50,

Juga, zα/2 = 1.65 (untuk selang keyakinan 90%)

Masukkan nilai-nilai di atas ke dalam rumus

– zα/2 .(s/√n) < µ < + zα/2 .( s/√n),

Diperolehi,

182 – 1.65(8/√50) < µ < 182 + 1.65(8/√50)

180.1 < µ < 18.3.9

180 < µ < 184 (bundarkan)

atau 182 ± 2

Oleh itu, kita boleh nyatakan dengan keyakinan 90% bahawa pada sesuatu
waktu makan tengahari, restoran itu melayani antara 180 dan 184 pelanggan

Contoh 6
Satu sampel seramai 32 orang murid daripada sebuah sekolah mengambil
bahagian dalam satu kajian di mana mereka diminta menyatakan jarak rumah
mereka ke sekolah. Dapatan kajian adalah seperti berikut (dalam kilometer).

12 9 7 2 8 7 3 27 21 10 13 3 7 2 30 7

6 13 6 14 4 1 10 3 13 6 2 9 2 12 16 18

Bentukkan satu selang keyakinan 95% bagi min populasi.

Penyelesaian:

Sebelum dibentuk selang keyakinan itu, perlu di cari anggaran titik iaitu min
sampel terlebih dahulu

Didapati anggaran titik x 


 x  303  9.5 km
n 32
dan sisihan piawai = s = 7.1 km

Juga diketahui zα/2 = 1.96 (untuk selang keyakinan 95%)

Masukkan nilai-nilai di atas ke dalam rumus

– zα/2 ( s/√n) < µ < + zα/2 ( s/√n),

Maka diperolehi:

9.5 – 1.96 (7.1/√32) < µ < 9.5 + 1.96 (7.1/√32)

7.0 < µ < 11.0


Oleh itu, kita boleh nyatakan dengan keyakinan 95% bahawa min populasi
bagi jarak rumah ke sekolah ialah di antara 7.0 dan 11.0 km

Mencari selang keyakinan bagi min populasi apabila σ tidak


diketahui dan n < 30

Dalam banyak situasi, sisihan piawai populasi σ tidak diketahui dan saiz
sampel mungkin kurang daripada 30. Dalam situasi begini, sisihan piawai
sampel boleh digunakan dalam membentuk selang keyakinan. Walau
bagaimanapun, taburan z tidak boleh digunakan oleh kerana tidak memenuhi
syarat-syarat yang ditetapkan. Sebaliknya, pakar statistik mengesyorkan
supaya digunakan taburan t apabila sisihan piawai populasi tidak diketahui
dan saiz sampel kurang daripada 30.

Taburan t mempunyai ciri-ciri berikut:

a) Berbentuk loceng (serupa dengan taburan normal z)


b) Bersimetri pad nilai min
c) Nilai min, median dan mod semuanya adalah sifar dan terletak ditengah-
tengah taburan
d) Lengkongan tidak akan menyentuh paksi mengufuk tetapi akan berlanutan
tak terhingga di kedua-dua hujung lengkongan
e) Nilai varians adalah besar dari 1
f) Taburan t sebenarnya adalah terdiri daripada sekelompok lengkongan-
lengkongan berdasarkan kepada konsep darjah kebebasan (d.k.) yang
berkaitan dengan saiz sampel (n) Juga diberi d.k. = n – 1.

g) Apabila saiz sampel bertambah besar (n > 100), taburan t menhampiri


taburan normal piawai z.

Untuk menentukan selang keyakinan bagi min populasi apabila σ tidak


diketahui dan n < 30, rumus berikut boleh digunakan:
Untuk mencari nilai bagi tα/2 , lihat mana-mana jadual taburan t dan rujuk
kepada lajur “selang keyakinan’ dan kemudian lajur ‘darjah kebebasan’.

Untuk mencari nilai tα/2 bagi selang keyakinan 95% dan 21 darjah kebebasan
adalah bersamaan dengan 2.080.

Untuk mencari nilai tα/2 bagi selang keyakinan 99% dan 13 darjah kebebasan
adalah bersamaan dengan 3.012

Sebutan tα/2 (s/√n) juga dikenali sebagai ralat margin.

Contoh 7
Dalam satu pemeriksaan kenderaan oleh pihak JPJ di sebuah lebuhraya, 10
buah kenderaan telah dipilih secara rawak oleh pegawai-pengawai
penguatkuasa berkenaan. Pihak JPJ telah mengukur tahap kehausan tayar
sebelah kanan setiap kenderaan yang diarahkan berhenti untuk pemeriksaan.
Min kehausan tayar itu adalah 0.32 cm dengan sisihan piawai 0.08 cm. cari
selang keyakinan 95% bagi min kehausan tayar kanan yang diukur.

Penyelesaian:

Oleh kerana σ tidak diketahui dan mesti menggunakan sisihan piawai


sampel, s = 0.08 dan n = 10 < 30, maka taburan wajar digunakan.

Juga diberi,
= 0.32, s = 0.08, d.f. = 10 -1 = 9. Jadi, tα/2 = 2.262
Oleh itu, selang keyakinan 95% bagi min populasi adalah seperti berikut:

0.32 – (2.262).(0.08/√10) < µ < 0.32 + 2.262 .(0.08/√10)

0.32 – 0.057 < µ < 0.32 + 0.057

0.263 < µ < 0.377

0.26 < µ < 0.38 (bundarkan)

atau 0.32 + 0.06

Oleh itu, kita boleh nyatakan dengan keyakinan 95% bahawa min populasi
bagi kehausan tayar sebelah kanan adalah di antara 0.26 cm dan 0.38 cm.

Contoh 8
Min bacaan hemoglobin bagi satu sampel tediri daripada 20 orang guru
adalah 16 g / 100 ml, dengan sisihan piawai sampel ialah 2 g. Cari selang
keyakinan 99% bagi min populasi
Penyelesaian:

Diberi n = 20, jadi d.f. = 20 – 1 = 19. Juga = 16 dan s = 2

Bagi selang keyakinan 99% dengan d.f. = 19, tα/2 = 2.861.

Oleh itu, selang keyakinan 99% bagi min populasi adalah seperti berikut:

16 – (2.861)(2/√20) < µ < 16 + (2.861)(2/√20)

14.7 < µ < 17.3


15 < µ < 17 (bundarkan)

atau 16 ± 1

Oleh itu, kita boleh nyatakan dengan keyakinan 99% bahawa min populasi
bagi bacaan hemoglobin adalah di antara 15g / 100ml dan 17g / 100ml.

Contoh 9
Satu sampel rawak yang terdiri daripada 20 meter parker di sebuah
bandaraya menunjukkan hasil kutipan untuk sehari seperti berikut (dalam RM)

2.60 1.05 2.45 2.90 1.30 3.10 2.35 2.00 2.40 2.35 2.40 1.95
2.80 2.50 2.10 1.75 1.00 2.75 1.80 1.95

a) Cari min sampel dan sisihan piawai sampel

b) Tentukan ralat margin bagi selang keyakinan 95%

c) Bentukkan selang keyakinan 95% bagi min populasi.

Penyelesaian:

a) = 2.175, s = 0.585

b) n = 20, d.k, = 19. Juga, bagi selang keyakinan 95%, tα/2 = 2.093

Maka, ralat margin = 2.093 (0.585/√20) = 0.274

c) Selang keyakinan 95% bgi min populasi

adalah: 2.175 – 0.274 < µ < 2.175 +


0.274
1.901 < µ < 2.449

Maka, kita boleh nyatakan dengan keyakinan 95% bahawa hasil kutipan
sehari adalah antara RM1.901 dan RM2.449

PENILAIAN KENDIRI

1. Apabila mencari selang keyakinan bagi min sesuatu populasi, nyatakan


bila anda akan menggunakan taburan z atau taburan t.

2. Bagi sesuatu set data yang diperolehi daripada satu sampel, didapati
n = 64, = 24.5 dan s = 3.1

(a) Cari anggaran titik bagi µ


(b) Bentuk selang keyakinan 99% bagi µ.

3. Sisihan piawai bagi satu populasi diketahui sebagai σ=15.3. Satu sampel

yang mempunyai 36 cerapan dipilih daripada populasi ini dan didapati =


74.8.

(a) Bentuk selang keyakinan 90% bagi min populasi.


(b) Cari selang keyakinan 95% bagi min populasi.
(c) Tentukan selang keyakinan 99% bagi min populasi.
(d) Adakah julat bagi selang keyakinan yang dibentuk dari (a) ke
(c) bertambah apabila aras keyakinan bertambah? Terangkan.

4. Penerbit UPSI telah menerbitkan sebuah statistik khusus untuk peringkat


Sarjana. Sebelum menetapkan harga untuk buku tersebut, pihak penerbit
telah cuba mendapatkan maklumat tentang harga buku-buku yang serupa
yang ada di pasaran. Satu sampel sebanyak 36 buah buku diambil purata
harga adalah RM70.50 dengan sisihan piawai RM4.50.

(a) Cari anggaran titik bgi purata harga buku. Bentukkan selang keyakinan
95% bagi purata harga semua buku .

(b) Dapatkan selang keyakinan 90% bagi purata harga semua buku.

5. Seorang penyelidik ingin mengkaji tentang ciri-ciri jutawan di Malaysia.


Di antara makumat yang hendak dianggarkan adalah purata umur para
jutawan itu. Katakan 36 orang jutawan dipilih secara rawak dan umur-
umur mereka adalah seperti berikut:

31 45 79 64 38 48 39 68 52 59 68 79 42 79 53 74 66 66

71 61 52 47 39 54 67 55 71 77 64 60 75 42 69 48 57 48

Tentukan selang keyakinan 95% bagi purata umur semua jutawan.

6. Katakan suatu sampel dipilih secara rawak daripada satu populasi dengan

= 68.50 dan s = 8.9

(a) Bina satu selang keyakinan 95% bagi µ dengan n = 16.

(b) Bina satu selang keyakinan 90% bagi µ dengan n = 16

(c) Adakah julat bagi selang keyakinan 90% dalam (a) lebih kecil dari
selang keyakinan 95%? Jika ya, terangkan mengapa.

(d) Cari selang keyakinan 95% bagi µ dengan n = 25.


(e) Adakah julat bagi selang keyakinan bagi 95% bagi µ dengan n = 25
seperti dalam (d) lebih kecil dari selang keyakinan 95% bagi µ dengan
n=16 seperti dalam (a)? Jika ya, terangkan mengapa.

7. Lapan orang siswa telah dipilih secara rawak daripada sebuah universiti
dan didapati dalam satu minggu secara purata, mereka telah berjalan
sejauh 39.2 km di dalam kampus untuk ke bilik kuliah dengan sisihan
piawainya adalah 3.2 km. Bentukkan satu selang keyakinan 95% untuk
min populasi.

8. Satu sampel rawak sebanyak 16 akaun bank pelajar yang diambil daripada
sebuah bank tempatan di kampus sebuah universiti untuk meninjau jumlah
wang yang dikeluarkan daripada akaun mereka dalam sebulan telah
menghasilkan data berikut (dalam RM):

302 512 97 316 69 16 133 701 107 156 401 14 465 72


128 68

Bentukkan satu selang keyakinan 90% bagi min jumlah wang yang
dikeluarkan oleh semua pelajar universiti tersebut yang ada akaun dalam
bank itu.

RUJUKAN

Bluman, A.G. (2009). Elementary Statistics: A Step by Step Approach (7th ed). New
York: McGraw Hill.

Johnson, R. & Kuby, P. (2004). Elementary Statistics (9th ed). Boston: Duxbury
Press.

Mann, P.S.(2005). Introductory Statistics Using Technology (5th ed). Hoboken,NJ:


Wiley.
Analsis Korelasi dan
Regresi

UNIT PELAJARAN 8
ANALISIS KORELASI DAN REGRESI

HASIL PEMBELAJARAN

Pada penghujung unit ini, pelajar diharap dapat:

1. Menerangkan maksud analisis korelasi dan regresi.


2. Menguji kesignifikanan hubungan antara dua pembolehubah dengan
pekali kolerasi.
3. Menganggar parameter dalam garis regresi ringkas.

.
PENGENALAN

Kadangkala seseorang penyelidik ingin melihat hubungan antara dua perkara


yang selidik. Umpamanya seorang pegawai pendidikan ingin mengetahui
hubungan antara jumlah jam belajar dengan pencapaian akademik pelajar.
Untuk tujuan ini analisis statistik yang dikenali sebagai analisis korelasi boleh
dilakukan. Tujuan melakukan analisis korelasi bukan sahaja untuk
menentukan hubungan antara dua pembolehubah tetapi ia juga digunakan
bagi menentukan kekuatan hubungan antara dua pembolehubah. Kedua-dua
pembolehubah yang ingin ditentukan kekuatan hubungannya dikenali sebagai
pembolehubah bersandar dan pembolehubah tak bersandar. Setelah kita
dapati terdapat hubungan antara dua pembolehubah, seterusnya kita
mungkin ingin menjelaskan hubungan antara dua pembolehubah. Ini boleh
dilakukan dengan menyesuaikan data kepada satu garis lurus yang dikenali
sebagai garis regresi ringkas. Analisis yang dilakukan terhadap penyuaian ini
disebut analisis regresi.

ISI KANDUNGAN

Analisis korelasi

Analisis korelasi digunakan bagi menentukan hubungan dan kekuatan


hubungan antara dua pembolehubah. Ini dilakukan dengan menghitung
pekali korelasi. Pekali korelasi Pearson dihitung seperti berikut:

n xy -  x y
r  
n   x  n  y   y 
x2
2
2
2

   

Nilai r melambangkan kekuatan hubungan antara dua pembolehubah. Jika


nilai r menghampiri +1, menunjukkan hubungan positif yang kuat. Manakala
jika nilai r menghampiri -1, menunjukkan hubungan negatif yang kuat. Dengan
kata lain hubungan positif bermaksud hubungan terus, manakala hubungan
negatif bermaksud hubungan arah songsang. Sekiranya nilai r menghampiri
0, maka kita katakan tiada hubungan antara dua pembolehubah. Kekuatan
hubungan, iaitu nilai r boleh digambarkan seperti berikut:

-1 0 +1
Hubungan negatif yang kuat Tiada hubungan Hubungan positif yang kuat

Contoh 1
Seorang guru ingin menentukan adakah terdapat hubungan antara jumlah
jam belajar dan pencapaian matematik pelajar. Jika terdapat hubungan
berapa kuatkah hubungan tersebut? Data mengenai jumlah jam belajar dan
markah matematik pelajar adalah seperti berikut:

Pelajar Jumlah jam belajar (x) Markah matematik (y)


Ali 1 60
Badariah 1 65
Chin 2 70
Daud 2 70
Erma 2 75
Faridah 3 80
Ganesan 3 85
Habibah 3 85
Idris 3 90
Jasmin 4 90

Penyelesaian:

X Y Xy x2 y2
1 60 60 1 3600
1 65 65 1 4225
2 70 140 4 4900
2 70 140 4 4900
2 75 150 4 5625
3 80 240 9 6400
3 85 255 9 7225
3 85 255 9 7225
3 90 270 9 8100
4 90 360 16 8100
x  24 y  770 xy  1935 x 2
 66 y 2
 60300

n xy -  x y

 x  n y  
2


r  n2 x 2  2 (10)(60300)-(24)(770)
y
 
 
10(66)-(24)2 10(60300)-(770)2  0.945
   

Nilai r=0.945 menunjukkan hubungan positif yang kuat antara jumlah jam
belajar dengan markah matematik pelajar.

Menguji kesignifikanan hubungan

Dalam analsis korelasi, kita bukan sekadar menghitung nilai pekali korealsi
bagi menentukan kekuatan hubungan antara dua pembolehubah. Kita juga
harus menentukan kesignifikan hubungan antara kedua-dua pembolehubah.
Perkara ini dilakukan supaya kita mempunyai asas yang kukuh dalam
memperkatakan tentang kekuatan hubungan tersebut. Ujian kesignifikan
hubungan antara dua pembolehubah dilakukan seperti berikut:
(i) H0: ρ = 0 (tiada hubungan antara pembolehubah)
H1: ρ ≠ 0 (terdapat hubungan yang signifikan antara pembolehubah)

(ii) H0: ρ ≥ 0 (tiada hubungan negatif antara pembolehubah)


H1: ρ < 0 (terdapat hubungan negatif yang signifikan antara
pembolehubah)

(iii) H0: ρ ≤ 0 ( tiada hubungan positif antara pembolehubah)


H1: ρ < 0 (terdapat hubungan positif yang signifikan antara
pembolehubah)

Rumus ujian t bagi pekali kolerasi Pearson adalah seperti berikut:

n2
tujian= 1r2 dengan darjah kebebasan n-2.
r

Contoh 2
Dengan menggunakan Contoh 1, pada aras keertian =0.01, tunjukkan terdapat
hubungan antara jumlah jam belajar dengan markah matematik pelajar.

Penyelesaian:

LANGKAH 1: Menyatakan hipotesis


H0:  = 0 (tidak terdapat hubungan korelasi)
H1:  ≠ 0 (terdapat hubungan korelasi)

LANGKAH 2: Mencari nilai kritikal


=0.01
Darjah kebebasan = n – 2 = 8

Nilai kritikal, t2α , 8  3.3554


LANGKAH 3: Menghitung nilai ujian

tujian  r n  2 10  2
 0.945  8.172
1 r 2 1 0.9452

LANGKAH 4 : Membuat keputusan

Menolak H0

-3.3554 3.3554 8.172

LANGKAH 5 : Membuat kesimpulan

Terdapat hubungan kolerasi yang signifikan antara jumlah jam belajar dengan
markah matematik.

Persamaan garis regresi ringkas

Setelah kita mendapati bahawa terdapat hubungan korelasi yang signifikan


barulah kita melanjutkan kepada satu lagi analisis yang dikaitkan dengan
analisis korelasi. Analisis ini dikenali sebagai analisis regresi. Di dalam
analisis regresi ringkas, kita cuba menyuaikan data pada satu garis lurus
yang dikenali sebagai garis regresi. Penyuaian data pada satu garis lurus
melibatkan pembolehubah bersandar dan pembolehubah tak bersandar. Garis
regresi juga dikenali sebagai garis penyuaian terbaik di mana jumlah jarak
mencancang daripada setiap titik adalah paling minimum. Dengan membina garis
regresi kita boleh melakukan peramalan. Pembolehubah yang diramalkan dikenali
sebagai pembolehubah bersandar manakala pembolehubah yang digunakan
untuk meramal nilai pembolehubah bersandar dikenali sebagai
pembolehubah tak bersandar. Sebagai contoh, kita boleh meramalkan
markah matematik pelajar jika pelajar tersebut belajar dengan jumlah jam
tertentu. Seringkali pembolehubah bersandar ditandakan sebagai y manakala
pembolehubah tak bersandar ditandakan sebagai x.

Persamaan garis regresi ringkas ditulis sebagai:

y  a  bx  e

dengan

y adalah pembolehubah bersandar


x adalah pembolehubah tak bersandar
e adalah ralat

Penganggaran pembolehubah bersandar y ditulis sebagai

yˆ  a  bx

dengan

b n  xy - 
x y n x 2

 x  2

a  y  bx

Contoh 3
Dengan menggunakan Contoh 1, dapatkan garis regresi dengan menyuaikan
data tersebut. Seterusnya anggarkan markah matematik yang akan diperoleh
oleh pelajar jika jumlah masa yang dihabiskan untuk belajar adalah 3.5 jam.
Penyelesaian:

x y xy x2
1 60 60 1
1 65 65 1
2 70 140 4
2 70 140 4
2 75 150 4
3 80 240 9
3 85 255 9
3 85 255 9
3 90 270 9
4 90 360 16
x  24 y  770 xy  1935 x 2
 66

Bagi mendapatkan persamaan garis regresi, penghitungan seperti berikut


boleh dilakukan:

b
n  xy -  x y  10(1935)  (24)(770)  10.36
10(66)  (24)2
n  x2 
x 
2

a  y  bx 
 y  b  x  770  (10.36) 24  52.14
n n 10 10

Maka persamaan garis regresi mudah boleh ditulis sebagai:

y  52.14  10.36x  e

Manakala anggaran bagi y adalah

yˆ  52.14  10.36x

Bagi contoh ini, katakan kita ingin meramal markah yang bakal diperoleh oleh
pelajar apabila beliau menghabiskan masa belajar selama 3.5 jam. Nilai
anggaran markah adalah seperti berikut:

yˆ  52.14  10.36x  52.14  (10.36)(3.5)  88.4


Huraian persamaan regresi

Setiap pertambahan satu unit dalam x (jumlah jam belajar) akan


menyebabkan y (markah) berubah/bertambah sebanyak 10.36.

yˆ  52.14  10.36x
y

x
PENILAIAN KENDIRI

1. Seorang pensyarah ingin mengetahui kaitan antara ketidakhadiran kuliah


pelajarnya dengan pencapaian bagi kursus statistik asas yang diajar.
Data yang dikumpul ditunjukkan seperti berikut:

Nama Pelajar Ahmad Badrul Chin Daim Elias Faridah Gobalan


Bilangan hari 1 1 2 3 3 3 4
tidak hadir
kuliah
Markah 80 80 78 75 74 74 65
statistik asas

a. Adakah terdapat hubungan yang signifikan antara ketidakhadiran


kuliah dengan markah statistik asas? Uji pada aras keertian =0.05.

b. Suaikan garis regresi linear bagi data di atas.

2. Taburan hujan (mm) dan harga cili bagi bulan tertentu di sebuah kawasan
adalah seperti berikut:

Taburan 2 4 6 8 10 12 14 16 18 20
hujan (mm)
Harga cili 4.50 5.00 5.00 5.50 6.00 6.00 6.00 6.50 6.50 7.00
per kg

a. Adakah terdapat hubungan yang signifikan antara taburan hujan


dengan harga cili? Uji pada aras keertian =0.01.

b. Suaikan garis regresi linear bagi data di atas.


3. Peratus kerosakan bahan yang dihasilkan oleh sebuah mesin
mengikut jangka hayat mesin adalah seperti berikut:

Jangka hayat 1 2 3 8 10 12 14 16 18 20
mesin (tahun)
Peratus 4 5 7 10 12 15 15 18 18 20
kerosakan

Pada aras keertian α=0.05, uji sama ada terdapat hubungan antara jangka
hayat mesin (tahun) dengan peratus kerosakan.

4. Sebuah pertubuhan sosial mengatakan bahawa terdapat hubungan antara


kadar jenayah dengan kepadatan penduduk di sesuatu kawasan. Bagi
menguji kenyataan ini, pegawai di pertubuhan sosial tersebut telah
mengumpul data bagi jangka masa 6 bulan seperti berikut:

Kawasan Bilangan penduduk (‘000) Bilangan jenayah


A 1.0 7
B 2.0 6
C 2.5 5
D 3.0 7
E 3.3 4
F 4.5 6
G 5.0 5

Berdasarkan data di atas, pada aras keertian α=0.05, adakah kenyataan


pertubuhan sosial tersebut benar?

5. Seorang pegawai pendidikan ingin mengetahui adakah terdapat hubungan


antara bilangan pelajar di dalam sesebuah bilik darjah dengan peratus
pencapaian gred A pelajar bagi matapelajaran matematik. Sepuluh buah
bilik darjah dipilih secara rawak disebuah daerah untuk kajian ini. Data
yang diperoleh adalah seperti berikut.
Bilik darjah Bilangan pelajar Peratus pencapaian
gred A matematik
1 15 70
2 20 65
3 22 60
4 25 60
5 28 58
6 39 55
7 32 50
8 33 50
9 34 48
10 35 45

a. Pada paras keertian α = 0.05, uji sama ada terdapat hubungan antara
bilangan pelajar dengan peratus pencapaian gred A matematik.

b. Jika terdapat hubungan yang signifikan, anggarkan peratus


pencapaian gred A matematik bagi bilik darjah yang mengandungi 30
pelajar.

RUJUKAN
Bluman, A.G. (2009). Elementary Statistics: A Step by Step Approach (7th ed). New
York: McGraw Hill.

Johnson, R. & Kuby, P. (2004). Elementary Statistics (9th ed). Boston: Duxbury
Press.

Mann, P.S.(2005). Introductory Statistics Using Technology (5th ed). Hoboken,NJ:


Wiley.
Appendiks: Jadual
Statistik

APPENDIKS
JADUAL STATISTIK

Jadual Binomial

Jadual Poisson

Jadual Normal Piawai

Jadual Songsang Normal Piawai

Jadual Taburan t

Jadual Khi Kuasadua

Jadual Taburan F

i
Jadual Binomial

Bagi pembolehubah rawak binomial (n, p), nilai dalam jadual adalah Kb{X  x} untuk
setiap x, n dan p.
Contoh: Kb{X  3} = 0.8125 bagi n=5 dan p=0.50,
Kb{X  6} = 0.3504 bagi n=10 dan p=0.70.

Nilai
n x p

0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9


5 0 0.5905 0.3277 0.1681 0.0778 0.0313 0.0102 0.0024 0.0003 0.0000
1 0.9185 0.7373 0.5282 0.3370 0.1875 0.0870 0.0308 0.0067 0.0005
2 0.9914 0.9421 0.8369 0.6826 0.5000 0.3174 0.1631 0.0579 0.0086
3 0.9995 0.9933 0.9692 0.9130 0.8125 0.6630 0.4718 0.2627 0.0815
4 1.0000 0.9997 0.9976 0.9898 0.9688 0.9222 0.8319 0.6723 0.4095
5 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000

7 0 0.4783 0.2097 0.0824 0.0280 0.0078 0.0016 0.0002 0.0000 0.0000


1 0.8503 0.5767 0.3294 0.1586 0.0625 0.0188 0.0038 0.0004 0.0000
2 0.9743 0.8520 0.6471 0.4199 0.2266 0.0963 0.0288 0.0047 0.0002
3 0.9973 0.9667 0.8740 0.7102 0.5000 0.2898 0.1260 0.0333 0.0027
4 0.9998 0.9953 0.9712 0.9037 0.7734 0.5801 0.3529 0.1480 0.0257
5 1.0000 0.9996 0.9962 0.9812 0.9375 0.8414 0.6706 0.4233 0.1497
6 1.0000 1.0000 0.9998 0.9984 0.9922 0.9720 0.9176 0.7903 0.5217
7 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000

10 0 0.3487 0.1074 0.0282 0.0060 0.0010 0.0001 0.0000 0.0000 0.0000


1 0.7361 0.3758 0.1493 0.0464 0.0107 0.0017 0.0001 0.0000 0.0000
2 0.9298 0.6778 0.3828 0.1673 0.0547 0.0123 0.0016 0.0001 0.0000
3 0.9872 0.8791 0.6496 0.3823 0.1719 0.0548 0.0106 0.0009 0.0000
4 0.9984 0.9672 0.8497 0.6331 0.3770 0.1662 0.0473 0.0064 0.0001
5 0.9999 0.9936 0.9527 0.8338 0.6230 0.3669 0.1503 0.0328 0.0016
6 1.0000 0.9991 0.9894 0.9452 0.8281 0.6177 0.3504 0.1209 0.0128
7 1.0000 0.9999 0.9984 0.9877 0.9453 0.8327 0.6172 0.3222 0.0702
8 1.0000 1.0000 0.9999 0.9983 0.9893 0.9536 0.8507 0.6242 0.2639
9 1.0000 1.0000 1.0000 0.9999 0.9990 0.9940 0.9718 0.8926 0.6513
10 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000
Jadual Binomial (samb.)

n x Nilai p

0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9


15 0 0.2059 0.0352 0.0047 0.0005 0.0000 0.0000 0.0000 0.0000 0.0000
1 0.5490 0.1671 0.0353 0.0052 0.0005 0.0000 0.0000 0.0000 0.0000
2 0.8159 0.3980 0.1268 0.0271 0.0037 0.0003 0.0000 0.0000 0.0000
3 0.9444 0.6482 0.2969 0.0905 0.0176 0.0019 0.0001 0.0000 0.0000
4 0.9873 0.8358 0.5155 0.2173 0.0592 0.0093 0.0007 0.0000 0.0000
5 0.9978 0.9389 0.7216 0.4032 0.1509 0.0338 0.0037 0.0001 0.0000
6 0.9997 0.9819 0.8689 0.6098 0.3036 0.0950 0.0152 0.0008 0.0000
7 1.0000 0.9958 0.9500 0.7869 0.5000 0.2131 0.0500 0.0042 0.0000
8 1.0000 0.9992 0.9848 0.9050 0.6964 0.3902 0.1311 0.0181 0.0003
9 1.0000 0.9999 0.9963 0.9662 0.8491 0.5968 0.2784 0.0611 0.0022
10 1.0000 1.0000 0.9993 0.9907 0.9408 0.7827 0.4845 0.1642 0.0127
11 1.0000 1.0000 0.9999 0.9981 0.9824 0.9095 0.7031 0.3518 0.0556
12 1.0000 1.0000 1.0000 0.9997 0.9963 0.9729 0.8732 0.6020 0.1841
13 1.0000 1.0000 1.0000 1.0000 0.9995 0.9948 0.9647 0.8329 0.4510
14 1.0000 1.0000 1.0000 1.0000 1.0000 0.9995 0.9953 0.9648 0.7941
15 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000

20 0 0.1216 0.0115 0.0008 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000


1 0.3917 0.0692 0.0076 0.0005 0.0000 0.0000 0.0000 0.0000 0.0000
2 0.6769 0.2061 0.0355 0.0036 0.0002 0.0000 0.0000 0.0000 0.0000
3 0.8670 0.4114 0.1071 0.0160 0.0013 0.0000 0.0000 0.0000 0.0000
4 0.9568 0.6296 0.2375 0.0510 0.0059 0.0003 0.0000 0.0000 0.0000
5 0.9887 0.8042 0.4164 0.1256 0.0207 0.0016 0.0000 0.0000 0.0000
6 0.9976 0.9133 0.6080 0.2500 0.0577 0.0065 0.0003 0.0000 0.0000
7 0.9996 0.9679 0.7723 0.4159 0.1316 0.0210 0.0013 0.0000 0.0000
8 0.9999 0.9900 0.8867 0.5956 0.2517 0.0565 0.0051 0.0001 0.0000
9 1.0000 0.9974 0.9520 0.7553 0.4119 0.1275 0.0171 0.0006 0.0000
10 1.0000 0.9994 0.9829 0.8725 0.5881 0.2447 0.0480 0.0026 0.0000
11 1.0000 0.9999 0.9949 0.9435 0.7483 0.4044 0.1133 0.0100 0.0001
12 1.0000 1.0000 0.9987 0.9790 0.8684 0.5841 0.2277 0.0321 0.0004
13 1.0000 1.0000 0.9997 0.9935 0.9423 0.7500 0.3920 0.0867 0.0024
14 1.0000 1.0000 1.0000 0.9984 0.9793 0.8744 0.5836 0.1958 0.0113
15 1.0000 1.0000 1.0000 0.9997 0.9941 0.9490 0.7625 0.3704 0.0432
16 1.0000 1.0000 1.0000 1.0000 0.9987 0.9840 0.8929 0.5886 0.1330
17 1.0000 1.0000 1.0000 1.0000 0.9998 0.9964 0.9645 0.7939 0.3231
18 1.0000 1.0000 1.0000 1.0000 1.0000 0.9995 0.9924 0.9308 0.6083
19 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9992 0.9885 0.8784
20 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000
Jadual Poisson

Jadual memberikan Kb{X  x} bagi taburan Poisson ().


Contoh:
Kb{X  2} = 0.9921 bagi  = 0.4, Kb{X  7} = 0.9858 bagi  = 2.5, dan Kb{X  5} =
0.1912 bagi  = 8.

X Nilai 
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
0 0.9048 0.8187 0.7408 0.6703 0.6065 0.5488 0.5488 0.4493 0.4066
1 0.9953 0.9825 0.9631 0.9384 0.9098 0.8781 0.8442 0.8088 0.7725
2 0.9998 0.9989 0.9964 0.9921 0.9856 0.9769 0.9659 0.9526 0.9371
3 1.0000 0.9999 0.9997 0.9992 0.9982 0.9966 0.9942 0.9909 0.9865
4 1.0000 1.0000 1.0000 0.9999 0.9998 0.9996 0.9992 0.9986 0.9977
5 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999 0.9998 0.9997
6 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000

X Nilai 
1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0
0 0.3679 0.2231 0.1353 0.0821 0.0498 0.0302 0.0183 0.0111 0.0067
1 0.7358 0.5578 0.4060 0.2873 0.1991 0.1359 0.0916 0.0611 0.0404
2 0.9197 0.8088 0.6767 0.5438 0.4232 0.3208 0.2381 0.1736 0.1247
3 0.9810 0.9344 0.8571 0.7576 0.6472 0.5366 0.4335 0.3423 0.2650
4 0.9963 0.9814 0.9473 0.8912 0.8153 0.7254 0.6288 0.5321 0.4405
5 0.9994 0.9955 0.9834 0.9580 0.9161 0.8576 0.7851 0.7029 0.6160
6 0.9999 0.9991 0.9955 0.9858 0.9665 0.9347 0.8893 0.8311 0.7622
7 1.0000 0.9998 0.9989 0.9958 0.9881 0.9733 0.9489 0.9134 0.8666
8 1.0000 1.0000 0.9998 0.9989 0.9962 0.9901 0.9786 0.9597 0.9319
9 1.0000 1.0000 1.0000 0.9997 0.9989 0.9967 0.9919 0.9829 0.9682
10 1.0000 1.0000 1.0000 0.9999 0.9997 0.9990 0.9972 0.9933 0.9863
11 1.0000 1.0000 1.0000 1.0000 0.9999 0.9997 0.9991 0.9976 0.9945
12 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999 0.9997 0.9992 0.9980
13 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999 0.9997 0.9993
14 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999 0.9998
15 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999
16 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000
Jadual Poisson (samb.)

X Nilai 
5.5 6 6.5 7 7.5 8 8.5 9 9.5
0 0.0041 0.0025 0.0015 0.0009 0.0006 0.0003 0.0002 0.0001 0.0001
1 0.0266 0.0174 0.0113 0.0073 0.0047 0.0030 0.0019 0.0012 0.0008
2 0.0884 0.0620 0.0430 0.0296 0.0203 0.0138 0.0093 0.0062 0.0042
3 0.2017 0.1512 0.1118 0.0818 0.0591 0.0424 0.0301 0.0212 0.0149
4 0.3575 0.2851 0.2237 0.1730 0.1321 0.0996 0.0744 0.0550 0.0403
5 0.5289 0.4457 0.3690 0.3007 0.2414 0.1912 0.1496 0.1157 0.0885
6 0.6860 0.6063 0.5265 0.4497 0.3782 0.3134 0.2562 0.2068 0.1649
7 0.8095 0.7440 0.6728 0.5987 0.5246 0.4530 0.3856 0.3239 0.2687
8 0.8944 0.8472 0.7916 0.7291 0.6620 0.5925 0.5231 0.4557 0.3918
9 0.9462 0.9161 0.8774 0.8305 0.7764 0.7166 0.6530 0.5874 0.5218
10 0.9747 0.9574 0.9332 0.9015 0.8622 0.8159 0.7634 0.7060 0.6453
11 0.9890 0.9799 0.9661 0.9467 0.9208 0.8881 0.8487 0.8030 0.7520
12 0.9955 0.9912 0.9840 0.9730 0.9573 0.9362 0.9091 0.8758 0.8364
13 0.9983 0.9964 0.9929 0.9872 0.9784 0.9658 0.9486 0.9261 0.8981
14 0.9994 0.9986 0.9970 0.9943 0.9897 0.9827 0.9726 0.9585 0.9400
15 0.9998 0.9995 0.9988 0.9976 0.9954 0.9918 0.9862 0.9780 0.9665
16 0.9999 0.9998 0.9996 0.9990 0.9980 0.9963 0.9934 0.9889 0.9823
17 1.0000 0.9999 0.9998 0.9996 0.9992 0.9984 0.9970 0.9947 0.9911
18 1.0000 1.0000 0.9999 0.9999 0.9997 0.9993 0.9987 0.9976 0.9957
19 1.0000 1.0000 1.0000 1.0000 0.9999 0.9997 0.9995 0.9989 0.9980
20 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999 0.9998 0.9996 0.9991
21 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999 0.9998 0.9996
22 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999 0.9999
23 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999
24 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000
Jadual Poisson (samb.)

x Nilai 
10 11 12 13 14 15 16 17 18
0 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
1 0.0005 0.0002 0.0001 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
2 0.0028 0.0012 0.0005 0.0002 0.0001 0.0000 0.0000 0.0000 0.0000
3 0.0103 0.0049 0.0023 0.0011 0.0005 0.0002 0.0001 0.0000 0.0000
4 0.0293 0.0151 0.0076 0.0037 0.0018 0.0009 0.0004 0.0002 0.0001
5 0.0671 0.0375 0.0203 0.0107 0.0055 0.0028 0.0014 0.0007 0.0003
6 0.1301 0.0786 0.0458 0.0259 0.0142 0.0076 0.0040 0.0021 0.0010
7 0.2202 0.1432 0.0895 0.0540 0.0316 0.0180 0.0100 0.0054 0.0029
8 0.3328 0.2320 0.1550 0.0998 0.0621 0.0374 0.0220 0.0126 0.0071
9 0.4579 0.3405 0.2424 0.1658 0.1094 0.0699 0.0433 0.0261 0.0154
10 0.5830 0.4599 0.3472 0.2517 0.1757 0.1185 0.0774 0.0491 0.0304
11 0.6968 0.5793 0.4616 0.3532 0.2600 0.1848 0.1270 0.0847 0.0549
12 0.7916 0.6887 0.5760 0.4631 0.3585 0.2676 0.1931 0.1350 0.0917
13 0.8645 0.7813 0.6815 0.5730 0.4644 0.3632 0.2745 0.2009 0.1426
14 0.9165 0.8540 0.7720 0.6751 0.5704 0.4657 0.3675 0.2808 0.2081
15 0.9513 0.9074 0.8444 0.7636 0.6694 0.5681 0.4667 0.3715 0.2867
16 0.9730 0.9441 0.8987 0.8355 0.7559 0.6641 0.5660 0.4677 0.3751
17 0.9857 0.9678 0.9370 0.8905 0.8272 0.7489 0.6593 0.5640 0.4686
18 0.9928 0.9823 0.9626 0.9302 0.8826 0.8195 0.7423 0.6550 0.5622
19 0.9965 0.9907 0.9787 0.9573 0.9235 0.8752 0.8122 0.7363 0.6509
20 0.9984 0.9953 0.9884 0.9750 0.9521 0.9170 0.8682 0.8055 0.7307
21 0.9993 0.9977 0.9939 0.9859 0.9712 0.9469 0.9108 0.8615 0.7991
22 0.9997 0.9990 0.9970 0.9924 0.9833 0.9673 0.9418 0.9047 0.8551
23 0.9999 0.9995 0.9985 0.9960 0.9907 0.9805 0.9633 0.9367 0.8989
24 1.0000 0.9998 0.9993 0.9980 0.9950 0.9888 0.9777 0.9594 0.9317
25 1.0000 0.9999 0.9997 0.9990 0.9974 0.9938 0.9869 0.9748 0.9554
26 1.0000 1.0000 0.9999 0.9995 0.9987 0.9967 0.9925 0.9848 0.9718
27 1.0000 1.0000 0.9999 0.9998 0.9994 0.9983 0.9959 0.9912 0.9827
28 1.0000 1.0000 1.0000 0.9999 0.9997 0.9991 0.9978 0.9950 0.9897
29 1.0000 1.0000 1.0000 1.0000 0.9999 0.9996 0.9989 0.9973 0.9941
30 1.0000 1.0000 1.0000 1.0000 0.9999 0.9998 0.9994 0.9986 0.9967
31 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999 0.9997 0.9993 0.9982
32 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999 0.9996 0.9990
33 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999 0.9998 0.9995
34 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999 0.9998
35 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999
36 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999
37 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000
Jadual Normal Piawai

Luas berlorek adalah, F(z),

atau Kb{Z<z} z
 x2 /
= 1 dx , z
e
2
2
pada seluruh papahan taburan normal (- ,).

Z -0.00 -0.01 -0.02 -0.03 -0.04 -0.05 -0.06 -0.07 -0.08 -0.09
-3.70 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001
-3.60 0.0002 0.0002 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001
-3.50 0.0002 0.0002 0.0002 0.0002 0.0002 0.0002 0.0002 0.0002 0.0002 0.0002
-3.40 0.0003 0.0003 0.0003 0.0003 0.0003 0.0003 0.0003 0.0003 0.0003 0.0002
-3.30 0.0005 0.0005 0.0005 0.0004 0.0004 0.0004 0.0004 0.0004 0.0004 0.0003
-3.20 0.0007 0.0007 0.0006 0.0006 0.0006 0.0006 0.0006 0.0005 0.0005 0.0005
-3.10 0.0010 0.0009 0.0009 0.0009 0.0008 0.0008 0.0008 0.0008 0.0007 0.0007
-3.00 0.0013 0.0013 0.0013 0.0012 0.0012 0.0011 0.0011 0.0011 0.0010 0.0010
-2.90 0.0019 0.0018 0.0018 0.0017 0.0016 0.0016 0.0015 0.0015 0.0014 0.0014
-2.80 0.0026 0.0025 0.0024 0.0023 0.0023 0.0022 0.0021 0.0021 0.0020 0.0019
-2.70 0.0035 0.0034 0.0033 0.0032 0.0031 0.0030 0.0029 0.0028 0.0027 0.0026
-2.60 0.0047 0.0045 0.0044 0.0043 0.0041 0.0040 0.0039 0.0038 0.0037 0.0036
-2.50 0.0062 0.0060 0.0059 0.0057 0.0055 0.0054 0.0052 0.0051 0.0049 0.0048
-2.40 0.0082 0.0080 0.0078 0.0075 0.0073 0.0071 0.0069 0.0068 0.0066 0.0064
-2.30 0.0107 0.0104 0.0102 0.0099 0.0096 0.0094 0.0091 0.0089 0.0087 0.0084
-2.20 0.0139 0.0136 0.0132 0.0129 0.0125 0.0122 0.0119 0.0116 0.0113 0.0110
-2.10 0.0179 0.0174 0.0170 0.0166 0.0162 0.0158 0.0154 0.0150 0.0146 0.0143
-2.00 0.0228 0.0222 0.0217 0.0212 0.0207 0.0202 0.0197 0.0192 0.0188 0.0183
-1.90 0.0287 0.0281 0.0274 0.0268 0.0262 0.0256 0.0250 0.0244 0.0239 0.0233
-1.80 0.0359 0.0351 0.0344 0.0336 0.0329 0.0322 0.0314 0.0307 0.0301 0.0294
-1.70 0.0446 0.0436 0.0427 0.0418 0.0409 0.0401 0.0392 0.0384 0.0375 0.0367
-1.60 0.0548 0.0537 0.0526 0.0516 0.0505 0.0495 0.0485 0.0475 0.0465 0.0455
-1.50 0.0668 0.0655 0.0643 0.0630 0.0618 0.0606 0.0594 0.0582 0.0571 0.0559
-1.40 0.0808 0.0793 0.0778 0.0764 0.0749 0.0735 0.0721 0.0708 0.0694 0.0681
-1.30 0.0968 0.0951 0.0934 0.0918 0.0901 0.0885 0.0869 0.0853 0.0838 0.0823
-1.20 0.1151 0.1131 0.1112 0.1093 0.1075 0.1056 0.1038 0.1020 0.1003 0.0985
-1.10 0.1357 0.1335 0.1314 0.1292 0.1271 0.1251 0.1230 0.1210 0.1190 0.1170
-1.00 0.1587 0.1562 0.1539 0.1515 0.1492 0.1469 0.1446 0.1423 0.1401 0.1379
-0.90 0.1841 0.1814 0.1788 0.1762 0.1736 0.1711 0.1685 0.1660 0.1635 0.1611
-0.80 0.2119 0.2090 0.2061 0.2033 0.2005 0.1977 0.1949 0.1922 0.1894 0.1867
-0.70 0.2420 0.2389 0.2358 0.2327 0.2296 0.2266 0.2236 0.2206 0.2177 0.2148
-0.60 0.2743 0.2709 0.2676 0.2643 0.2611 0.2578 0.2546 0.2514 0.2483 0.2451
-0.50 0.3085 0.3050 0.3015 0.2981 0.2946 0.2912 0.2877 0.2843 0.2810 0.2776
-0.40 0.3446 0.3409 0.3372 0.3336 0.3300 0.3264 0.3228 0.3192 0.3156 0.3121
-0.30 0.3821 0.3783 0.3745 0.3707 0.3669 0.3632 0.3594 0.3557 0.3520 0.3483
-0.20 0.4207 0.4168 0.4129 0.4090 0.4052 0.4013 0.3974 0.3936 0.3897 0.3859
-0.10 0.4602 0.4562 0.4522 0.4483 0.4443 0.4404 0.4364 0.4325 0.4286 0.4247
-0.00 0.5000 0.4960 0.4920 0.4880 0.4840 0.4801 0.4761 0.4721 0.4681 0.4641

Baca: Mendapat luas sehingga z = -1.25, lihat nilai –1.20 di lajur pertama dan
nilai –0.05 di baris pertama, nilai F(z) yang dikehendaki adalah tempat
pertemuan baris dan lajur berkenaan. Bagi luas sehingga +1.96, lihat 1.90 di
lajur pertama dan nilai +0.06 di baris pertama, nilai F(z) diperolehi begitu juga.

Di sini, F(-1.25) = 0.1056, dan F(1.96) = 0.9750.


Jadual Normal (samb.)

z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.00 0.5000 0.5040 0.5080 0.5120 0.5160 0.5199 0.5239 0.5279 0.5319 0.5359
0.10 0.5398 0.5438 0.5478 0.5517 0.5557 0.5596 0.5636 0.5675 0.5714 0.5753
0.20 0.5793 0.5832 0.5871 0.5910 0.5948 0.5987 0.6026 0.6064 0.6103 0.6141
0.30 0.6179 0.6217 0.6255 0.6293 0.6331 0.6368 0.6406 0.6443 0.6480 0.6517
0.40 0.6554 0.6591 0.6628 0.6664 0.6700 0.6736 0.6772 0.6808 0.6844 0.6879
0.50 0.6915 0.6950 0.6985 0.7019 0.7054 0.7088 0.7123 0.7157 0.7190 0.7224
0.60 0.7257 0.7291 0.7324 0.7357 0.7389 0.7422 0.7454 0.7486 0.7517 0.7549
0.70 0.7580 0.7611 0.7642 0.7673 0.7704 0.7734 0.7764 0.7794 0.7823 0.7852
0.80 0.7881 0.7910 0.7939 0.7967 0.7995 0.8023 0.8051 0.8078 0.8106 0.8133
0.90 0.8159 0.8186 0.8212 0.8238 0.8264 0.8289 0.8315 0.8340 0.8365 0.8389
1.00 0.8413 0.8438 0.8461 0.8485 0.8508 0.8531 0.8554 0.8577 0.8599 0.8621
1.10 0.8643 0.8665 0.8686 0.8708 0.8729 0.8749 0.8770 0.8790 0.8810 0.8830
1.20 0.8849 0.8869 0.8888 0.8907 0.8925 0.8944 0.8962 0.8980 0.8997 0.9015
1.30 0.9032 0.9049 0.9066 0.9082 0.9099 0.9115 0.9131 0.9147 0.9162 0.9177
1.40 0.9192 0.9207 0.9222 0.9236 0.9251 0.9265 0.9279 0.9292 0.9306 0.9319
1.50 0.9332 0.9345 0.9357 0.9370 0.9382 0.9394 0.9406 0.9418 0.9429 0.9441
1.60 0.9452 0.9463 0.9474 0.9484 0.9495 0.9505 0.9515 0.9525 0.9535 0.9545
1.70 0.9554 0.9564 0.9573 0.9582 0.9591 0.9599 0.9608 0.9616 0.9625 0.9633
1.80 0.9641 0.9649 0.9656 0.9664 0.9671 0.9678 0.9686 0.9693 0.9699 0.9706
1.90 0.9713 0.9719 0.9726 0.9732 0.9738 0.9744 0.9750 0.9756 0.9761 0.9767
2.00 0.9772 0.9778 0.9783 0.9788 0.9793 0.9798 0.9803 0.9808 0.9812 0.9817
2.10 0.9821 0.9826 0.9830 0.9834 0.9838 0.9842 0.9846 0.9850 0.9854 0.9857
2.20 0.9861 0.9864 0.9868 0.9871 0.9875 0.9878 0.9881 0.9884 0.9887 0.9890
2.30 0.9893 0.9896 0.9898 0.9901 0.9904 0.9906 0.9909 0.9911 0.9913 0.9916
2.40 0.9918 0.9920 0.9922 0.9925 0.9927 0.9929 0.9931 0.9932 0.9934 0.9936
2.50 0.9938 0.9940 0.9941 0.9943 0.9945 0.9946 0.9948 0.9949 0.9951 0.9952
2.60 0.9953 0.9955 0.9956 0.9957 0.9959 0.9960 0.9961 0.9962 0.9963 0.9964
2.70 0.9965 0.9966 0.9967 0.9968 0.9969 0.9970 0.9971 0.9972 0.9973 0.9974
2.80 0.9974 0.9975 0.9976 0.9977 0.9977 0.9978 0.9979 0.9979 0.9980 0.9981
2.90 0.9981 0.9982 0.9982 0.9983 0.9984 0.9984 0.9985 0.9985 0.9986 0.9986
3.00 0.9987 0.9987 0.9987 0.9988 0.9988 0.9989 0.9989 0.9989 0.9990 0.9990
3.10 0.9990 0.9991 0.9991 0.9991 0.9992 0.9992 0.9992 0.9992 0.9993 0.9993
3.20 0.9993 0.9993 0.9994 0.9994 0.9994 0.9994 0.9994 0.9995 0.9995 0.9995
3.30 0.9995 0.9995 0.9995 0.9996 0.9996 0.9996 0.9996 0.9996 0.9996 0.9997
3.40 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9998
3.50 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998
3.60 0.9998 0.9998 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999
3.70 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999
3.80 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999
Jadual Songsang Normal Piawai

Nilai z bila luas sebelah kiri bersamaan  , atau z


1 x2 / 2
 

2
e dx

 0.000 0.001 0.002 0.003 0.004 0.005 0.006 0.007 0.008 0.009
0.00 -3.090 -2.878 -2.748 -2.652 -2.576 -2.512 -2.457 -2.409 -2.366
0.01 -2.326 -2.290 -2.257 -2.226 -2.197 -2.170 -2.144 -2.120 -2.097 -2.075
0.02 -2.054 -2.034 -2.014 -1.995 -1.977 -1.960 -1.943 -1.927 -1.911 -1.896
0.03 -1.881 -1.866 -1.852 -1.838 -1.825 -1.812 -1.799 -1.787 -1.774 -1.762
0.04 -1.751 -1.739 -1.728 -1.717 -1.706 -1.695 -1.685 -1.675 -1.665 -1.655
0.05 -1.645 -1.635 -1.626 -1.616 -1.607 -1.598 -1.589 -1.580 -1.572 -1.563
0.06 -1.555 -1.546 -1.538 -1.530 -1.522 -1.514 -1.506 -1.499 -1.491 -1.483
0.07 -1.476 -1.468 -1.461 -1.454 -1.447 -1.440 -1.433 -1.426 -1.419 -1.412
0.08 -1.405 -1.398 -1.392 -1.385 -1.379 -1.372 -1.366 -1.359 -1.353 -1.347
0.09 -1.341 -1.335 -1.329 -1.323 -1.317 -1.311 -1.305 -1.299 -1.293 -1.287
0.10 -1.282 -1.276 -1.270 -1.265 -1.259 -1.254 -1.248 -1.243 -1.237 -1.232
0.11 -1.227 -1.221 -1.216 -1.211 -1.206 -1.200 -1.195 -1.190 -1.185 -1.180
0.12 -1.175 -1.170 -1.165 -1.160 -1.155 -1.150 -1.146 -1.141 -1.136 -1.131
0.13 -1.126 -1.122 -1.117 -1.112 -1.108 -1.103 -1.098 -1.094 -1.089 -1.085
0.14 -1.080 -1.076 -1.071 -1.067 -1.063 -1.058 -1.054 -1.049 -1.045 -1.041
0.15 -1.036 -1.032 -1.028 -1.024 -1.019 -1.015 -1.011 -1.007 -1.003 -0.999
0.16 -0.994 -0.990 -0.986 -0.982 -0.978 -0.974 -0.970 -0.966 -0.962 -0.958
0.17 -0.954 -0.950 -0.946 -0.942 -0.938 -0.935 -0.931 -0.927 -0.923 -0.919
0.18 -0.915 -0.912 -0.908 -0.904 -0.900 -0.896 -0.893 -0.889 -0.885 -0.882
0.19 -0.878 -0.874 -0.871 -0.867 -0.863 -0.860 -0.856 -0.852 -0.849 -0.845
0.20 -0.842 -0.838 -0.834 -0.831 -0.827 -0.824 -0.820 -0.817 -0.813 -0.810
0.21 -0.806 -0.803 -0.800 -0.796 -0.793 -0.789 -0.786 -0.782 -0.779 -0.776
0.22 -0.772 -0.769 -0.765 -0.762 -0.759 -0.755 -0.752 -0.749 -0.745 -0.742
0.23 -0.739 -0.736 -0.732 -0.729 -0.726 -0.722 -0.719 -0.716 -0.713 -0.710
0.24 -0.706 -0.703 -0.700 -0.697 -0.693 -0.690 -0.687 -0.684 -0.681 -0.678
0.25 -0.674 -0.671 -0.668 -0.665 -0.662 -0.659 -0.656 -0.653 -0.650 -0.646
0.26 -0.643 -0.640 -0.637 -0.634 -0.631 -0.628 -0.625 -0.622 -0.619 -0.616
0.27 -0.613 -0.610 -0.607 -0.604 -0.601 -0.598 -0.595 -0.592 -0.589 -0.586
0.28 -0.583 -0.580 -0.577 -0.574 -0.571 -0.568 -0.565 -0.562 -0.559 -0.556
0.29 -0.553 -0.550 -0.548 -0.545 -0.542 -0.539 -0.536 -0.533 -0.530 -0.527
0.30 -0.524 -0.522 -0.519 -0.516 -0.513 -0.510 -0.507 -0.504 -0.502 -0.499
0.31 -0.496 -0.493 -0.490 -0.487 -0.485 -0.482 -0.479 -0.476 -0.473 -0.470
0.32 -0.468 -0.465 -0.462 -0.459 -0.457 -0.454 -0.451 -0.448 -0.445 -0.443
0.33 -0.440 -0.437 -0.434 -0.432 -0.429 -0.426 -0.423 -0.421 -0.418 -0.415
0.34 -0.412 -0.410 -0.407 -0.404 -0.402 -0.399 -0.396 -0.393 -0.391 -0.388
0.35 -0.385 -0.383 -0.380 -0.377 -0.375 -0.372 -0.369 -0.366 -0.364 -0.361
0.36 -0.358 -0.356 -0.353 -0.350 -0.348 -0.345 -0.342 -0.340 -0.337 -0.335
0.37 -0.332 -0.329 -0.327 -0.324 -0.321 -0.319 -0.316 -0.313 -0.311 -0.308
0.38 -0.305 -0.303 -0.300 -0.298 -0.295 -0.292 -0.290 -0.287 -0.285 -0.282
0.39 -0.279 -0.277 -0.274 -0.272 -0.269 -0.266 -0.264 -0.261 -0.259 -0.256
0.40 -0.253 -0.251 -0.248 -0.246 -0.243 -0.240 -0.238 -0.235 -0.233 -0.230
0.41 -0.228 -0.225 -0.222 -0.220 -0.217 -0.215 -0.212 -0.210 -0.207 -0.204
0.42 -0.202 -0.199 -0.197 -0.194 -0.192 -0.189 -0.187 -0.184 -0.181 -0.179
0.43 -0.176 -0.174 -0.171 -0.169 -0.166 -0.164 -0.161 -0.159 -0.156 -0.154
0.44 -0.151 -0.148 -0.146 -0.143 -0.141 -0.138 -0.136 -0.133 -0.131 -0.128
0.45 -0.126 -0.123 -0.121 -0.118 -0.116 -0.113 -0.111 -0.108 -0.105 -0.103
0.46 -0.100 -0.098 -0.095 -0.093 -0.090 -0.088 -0.085 -0.083 -0.080 -0.078
0.47 -0.075 -0.073 -0.070 -0.068 -0.065 -0.063 -0.060 -0.058 -0.055 -0.053
0.48 -0.050 -0.048 -0.045 -0.043 -0.040 -0.038 -0.035 -0.033 -0.030 -0.028
0.49 -0.025 -0.023 -0.020 -0.018 -0.015 -0.013 -0.010 -0.008 -0.005 -0.003
0.50 0.000 0.003 0.005 0.008 0.010 0.013 0.015 0.018 0.020 0.023

ix
Jadual Songsang Normal Piawai (samb.)

 0.000 0.001 0.002 0.003 0.004 0.005 0.006 0.007 0.008 0.009
0.51 0.025 0.028 0.030 0.033 0.035 0.038 0.040 0.043 0.045 0.048
0.52 0.050 0.053 0.055 0.058 0.060 0.063 0.065 0.068 0.070 0.073
0.53 0.075 0.078 0.080 0.083 0.085 0.088 0.090 0.093 0.095 0.098
0.54 0.100 0.103 0.105 0.108 0.111 0.113 0.116 0.118 0.121 0.123
0.55 0.126 0.128 0.131 0.133 0.136 0.138 0.141 0.143 0.146 0.148
0.56 0.151 0.154 0.156 0.159 0.161 0.164 0.166 0.169 0.171 0.174
0.57 0.176 0.179 0.181 0.184 0.187 0.189 0.192 0.194 0.197 0.199
0.58 0.202 0.204 0.207 0.210 0.212 0.215 0.217 0.220 0.222 0.225
0.59 0.228 0.230 0.233 0.235 0.238 0.240 0.243 0.246 0.248 0.251
0.60 0.001 0.256 0.259 0.261 0.264 0.266 0.269 0.272 0.274 0.277
0.61 0.279 0.282 0.285 0.287 0.290 0.292 0.295 0.298 0.300 0.303
0.62 0.305 0.308 0.311 0.313 0.316 0.319 0.321 0.324 0.327 0.329
0.63 0.332 0.335 0.337 0.340 0.342 0.345 0.348 0.350 0.353 0.356
0.64 0.358 0.361 0.364 0.366 0.369 0.372 0.375 0.377 0.380 0.383
0.65 0.385 0.388 0.391 0.393 0.396 0.399 0.402 0.404 0.407 0.410
0.66 0.412 0.415 0.418 0.421 0.423 0.426 0.429 0.432 0.434 0.437
0.67 0.440 0.443 0.445 0.448 0.451 0.454 0.457 0.459 0.462 0.465
0.68 0.468 0.470 0.473 0.476 0.479 0.482 0.485 0.487 0.490 0.493
0.69 0.496 0.499 0.502 0.504 0.507 0.510 0.513 0.516 0.519 0.522
0.70 0.524 0.527 0.530 0.533 0.536 0.539 0.542 0.545 0.548 0.550
0.71 0.553 0.556 0.559 0.562 0.565 0.568 0.571 0.574 0.577 0.580
0.72 0.583 0.586 0.589 0.592 0.595 0.598 0.601 0.604 0.607 0.610
0.73 0.613 0.616 0.619 0.622 0.625 0.628 0.631 0.634 0.637 0.640
0.74 0.643 0.646 0.650 0.653 0.656 0.659 0.662 0.665 0.668 0.671
0.75 0.674 0.678 0.681 0.684 0.687 0.690 0.693 0.697 0.700 0.703
0.76 0.706 0.710 0.713 0.716 0.719 0.722 0.726 0.729 0.732 0.736
0.77 0.739 0.742 0.745 0.749 0.752 0.755 0.759 0.762 0.765 0.769
0.78 0.772 0.776 0.779 0.782 0.786 0.789 0.793 0.796 0.800 0.803
0.79 0.806 0.810 0.813 0.817 0.820 0.824 0.827 0.831 0.834 0.838
0.80 0.842 0.845 0.849 0.852 0.856 0.860 0.863 0.867 0.871 0.874
0.81 0.878 0.882 0.885 0.889 0.893 0.896 0.900 0.904 0.908 0.912
0.82 0.915 0.919 0.923 0.927 0.931 0.935 0.938 0.942 0.946 0.950
0.83 0.954 0.958 0.962 0.966 0.970 0.974 0.978 0.982 0.986 0.990
0.84 0.994 0.999 1.003 1.007 1.011 1.015 1.019 1.024 1.028 1.032
0.85 1.036 1.041 1.045 1.049 1.054 1.058 1.063 1.067 1.071 1.076
0.86 1.080 1.085 1.089 1.094 1.098 1.103 1.108 1.112 1.117 1.122
0.87 1.126 1.131 1.136 1.141 1.146 1.150 1.155 1.160 1.165 1.170
0.88 1.175 1.180 1.185 1.190 1.195 1.200 1.206 1.211 1.216 1.221
0.89 1.227 1.232 1.237 1.243 1.248 1.254 1.259 1.265 1.270 1.276
0.90 1.282 1.287 1.293 1.299 1.305 1.311 1.317 1.323 1.329 1.335
0.91 1.341 1.347 1.353 1.359 1.366 1.372 1.379 1.385 1.392 1.398
0.92 1.405 1.412 1.419 1.426 1.433 1.440 1.447 1.454 1.461 1.468
0.93 1.476 1.483 1.491 1.499 1.506 1.514 1.522 1.530 1.538 1.546
0.94 1.555 1.563 1.572 1.580 1.589 1.598 1.607 1.616 1.626 1.635
0.95 1.645 1.655 1.665 1.675 1.685 1.695 1.706 1.717 1.728 1.739
0.96 1.751 1.762 1.774 1.787 1.799 1.812 1.825 1.838 1.852 1.866
0.97 1.881 1.896 1.911 1.927 1.943 1.960 1.977 1.995 2.014 2.034
0.98 2.054 2.075 2.097 2.120 2.144 2.170 2.197 2.226 2.257 2.290
0.99 2.326 2.366 2.409 2.457 2.512 2.576 2.652 2.748 2.878 3.090
Jadual Taburan t

Nilai dalam jadual adalah nilai t supaya luas sebelah kanan, Kb{T>t}= ,bagi d.k. 
tertentu.
Contoh: Kb{T>2.0150}= 0.05,  =5,
Kb{T>2.7181}= 0.01,  =11.

Darjah Luas pada hujung kanan, α


kebebasan
 0.25 0.10 0.05 0.025 0.01 0.005 0.001
1 1.0000 3.0777 6.3137 12.7062 31.8210 63.6559 318.2888
2 0.8165 1.8856 2.9200 4.3027 6.9645 9.9250 22.3285
3 0.7649 1.6377 2.3534 3.1824 4.5407 5.8408 10.2143
4 0.7407 1.5332 2.1318 2.7765 3.7469 4.6041 7.1729
5 0.7267 1.4759 2.0150 2.5706 3.3649 4.0321 5.8935
6 0.7176 1.4398 1.9432 2.4469 3.1427 3.7074 5.2075
7 0.7111 1.4149 1.8946 2.3646 2.9979 3.4995 4.7853
8 0.7064 1.3968 1.8595 2.3060 2.8965 3.3554 4.5008
9 0.7027 1.3830 1.8331 2.2622 2.8214 3.2498 4.2969
10 0.6998 1.3722 1.8125 2.2281 2.7638 3.1693 4.1437
11 0.6974 1.3634 1.7959 2.2010 2.7181 3.1058 4.0248
12 0.6955 1.3562 1.7823 2.1788 2.6810 3.0545 3.9296
13 0.6938 1.3502 1.7709 2.1604 2.6503 3.0123 3.8520
14 0.6924 1.3450 1.7613 2.1448 2.6245 2.9768 3.7874
15 0.6912 1.3406 1.7531 2.1315 2.6025 2.9467 3.7329
16 0.6901 1.3368 1.7459 2.1199 2.5835 2.9208 3.6861
17 0.6892 1.3334 1.7396 2.1098 2.5669 2.8982 3.6458
18 0.6884 1.3304 1.7341 2.1009 2.5524 2.8784 3.6105
19 0.6876 1.3277 1.7291 2.0930 2.5395 2.8609 3.5793
20 0.6870 1.3253 1.7247 2.0860 2.5280 2.8453 3.5518
21 0.6864 1.3232 1.7207 2.0796 2.5176 2.8314 3.5271
22 0.6858 1.3212 1.7171 2.0739 2.5083 2.8188 3.5050
23 0.6853 1.3195 1.7139 2.0687 2.4999 2.8073 3.4850
24 0.6848 1.3178 1.7109 2.0639 2.4922 2.7970 3.4668
25 0.6844 1.3163 1.7081 2.0595 2.4851 2.7874 3.4502
26 0.6840 1.3150 1.7056 2.0555 2.4786 2.7787 3.4350
27 0.6837 1.3137 1.7033 2.0518 2.4727 2.7707 3.4210
28 0.6834 1.3125 1.7011 2.0484 2.4671 2.7633 3.4082
29 0.6830 1.3114 1.6991 2.0452 2.4620 2.7564 3.3963
30 0.6828 1.3104 1.6973 2.0423 2.4573 2.7500 3.3852
35 0.6816 1.3062 1.6896 2.0301 2.4377 2.7238 3.3400
40 0.6807 1.3031 1.6839 2.0211 2.4233 2.7045 3.3069
50 0.6794 1.2987 1.6759 2.0086 2.4033 2.6778 3.2614
60 0.6786 1.2958 1.6706 2.0003 2.3901 2.6603 3.2317
80 0.6776 1.2922 1.6641 1.9901 2.3739 2.6387 3.1952
100 0.6770 1.2901 1.6602 1.9840 2.3642 2.6259 3.1738
Jadual Khi Kuasadua

Luas sebelah kanan Kb{2() > x} = , dan x tercatat dalam jadual untuk
beberapa x dan , darjah kebebasan.
Contoh: Kb{2(4) > 0.297} = 0.99,
Kb{2(9) > 11.07} = 0.05,
dan Kb{2(23) > 41.638} = 0.01.

Darjah Luas sebelah kanan, α


kebebasan

 0.995 0.990 0.975 0.950 0.050 0.025 0.010 0.005

1 0.000 0.000 0.001 0.004 3.841 5.024 6.635 7.879


2 0.010 0.020 0.051 0.103 5.991 7.378 9.210 10.597
3 0.072 0.115 0.216 0.352 7.815 9.348 11.345 12.838
4 0.207 0.297 0.484 0.711 9.488 11.143 13.277 14.860

5 0.412 0.554 0.831 1.145 11.070 12.832 15.086 16.750


6 0.676 0.872 1.237 1.635 12.592 14.449 16.812 18.548
7 0.989 1.239 1.690 2.167 14.067 16.013 18.475 20.278
8 1.344 1.647 2.180 2.733 15.507 17.535 20.090 21.955

9 1.735 2.088 2.700 3.325 16.919 19.023 21.666 23.589


10 2.156 2.558 3.247 3.940 18.307 20.483 23.209 25.188
11 2.603 3.053 3.816 4.575 19.675 21.920 24.725 26.757
12 3.074 3.571 4.404 5.226 21.026 23.337 26.217 28.300

13 3.565 4.107 5.009 5.892 22.362 24.736 27.688 29.819


14 4.075 4.660 5.629 6.571 23.685 26.119 29.141 31.319
15 4.601 5.229 6.262 7.261 24.996 27.488 30.578 32.801
16 5.142 5.812 6.908 7.962 26.296 28.845 32.000 34.267

17 5.697 6.408 7.564 8.672 27.587 30.191 33.409 35.718


18 6.265 7.015 8.231 9.390 28.869 31.526 34.805 37.156
19 6.844 7.633 8.907 10.117 30.144 32.852 36.191 38.582
20 7.434 8.260 9.591 10.851 31.410 34.170 37.566 39.997

21 8.034 8.897 10.283 11.591 32.671 35.479 38.932 41.401


22 8.643 9.542 10.982 12.338 33.924 36.781 40.289 42.796
23 9.260 10.196 11.689 13.091 35.172 38.076 41.638 44.181
24 9.886 10.856 12.401 13.848 36.415 39.364 42.980 45.558

25 10.520 11.524 13.120 14.611 37.652 40.646 44.314 46.928


26 11.160 12.198 13.844 15.379 38.885 41.923 45.642 48.290
27 11.808 12.878 14.573 16.151 40.113 43.195 46.963 49.645
28 12.461 13.565 15.308 16.928 41.337 44.461 48.278 50.994
29 13.121 14.256 16.047 17.708 42.557 45.722 49.588 52.335
30 13.787 14.953 16.791 18.493 43.773 46.979 50.892 53.672
Jadual Taburan F

Menunjukkan nilai genting bagi luas sebelah kanan  = 0.10,


pada darjah kebebasan tertentu.

1
2 1 2 3 4 5 6 7 8 9 10

1 39.86 49.50 53.59 55.83 57.24 58.20 58.91 59.44 59.86 60.19
2 8.53 9.00 9.16 9.24 9.29 9.33 9.35 9.37 9.38 9.39
3 5.54 5.46 5.39 5.34 5.31 5.28 5.27 5.25 5.24 5.23
4 4.54 4.32 4.19 4.11 4.05 4.01 3.98 3.95 3.94 3.92
5 4.06 3.78 3.62 3.52 3.45 3.40 3.37 3.34 3.32 3.30
6 3.78 3.46 3.29 3.18 3.11 3.05 3.01 2.98 2.96 2.94
7 3.59 3.26 3.07 2.96 2.88 2.83 2.78 2.75 2.72 2.70
8 3.46 3.11 2.92 2.81 2.73 2.67 2.62 2.59 2.56 2.54
9 3.36 3.01 2.81 2.69 2.61 2.55 2.51 2.47 2.44 2.42
10 3.29 2.92 2.73 2.61 2.52 2.46 2.41 2.38 2.35 2.32
11 3.23 2.86 2.66 2.54 2.45 2.39 2.34 2.30 2.27 2.25
12 3.18 2.81 2.61 2.48 2.39 2.33 2.28 2.24 2.21 2.19
13 3.14 2.76 2.56 2.43 2.35 2.28 2.23 2.20 2.16 2.14
14 3.10 2.73 2.52 2.39 2.31 2.24 2.19 2.15 2.12 2.10
15 3.07 2.70 2.49 2.36 2.27 2.21 2.16 2.12 2.09 2.06
16 3.05 2.67 2.46 2.33 2.24 2.18 2.13 2.09 2.06 2.03
17 3.03 2.64 2.44 2.31 2.22 2.15 2.10 2.06 2.03 2.00
18 3.01 2.62 2.42 2.29 2.20 2.13 2.08 2.04 2.00 1.98
19 2.99 2.61 2.40 2.27 2.18 2.11 2.06 2.02 1.98 1.96
20 2.97 2.59 2.38 2.25 2.16 2.09 2.04 2.00 1.96 1.94
21 2.96 2.57 2.36 2.23 2.14 2.08 2.02 1.98 1.95 1.92
22 2.95 2.56 2.35 2.22 2.13 2.06 2.01 1.97 1.93 1.90
23 2.94 2.55 2.34 2.21 2.11 2.05 1.99 1.95 1.92 1.89
24 2.93 2.54 2.33 2.19 2.10 2.04 1.98 1.94 1.91 1.88
25 2.92 2.53 2.32 2.18 2.09 2.02 1.97 1.93 1.89 1.87
26 2.91 2.52 2.31 2.17 2.08 2.01 1.96 1.92 1.88 1.86
27 2.90 2.51 2.30 2.17 2.07 2.00 1.95 1.91 1.87 1.85
28 2.89 2.50 2.29 2.16 2.06 2.00 1.94 1.90 1.87 1.84
29 2.89 2.50 2.28 2.15 2.06 1.99 1.93 1.89 1.86 1.83
30 2.88 2.49 2.28 2.14 2.05 1.98 1.93 1.88 1.85 1.82
40 2.84 2.44 2.23 2.09 2.00 1.93 1.87 1.83 1.79 1.76
45 2.82 2.42 2.21 2.07 1.98 1.91 1.85 1.81 1.77 1.74
50 2.81 2.41 2.20 2.06 1.97 1.90 1.84 1.80 1.76 1.73
60 2.79 2.39 2.18 2.04 1.95 1.87 1.82 1.77 1.74 1.71
70 2.78 2.38 2.16 2.03 1.93 1.86 1.80 1.76 1.72 1.69
80 2.77 2.37 2.15 2.02 1.92 1.85 1.79 1.75 1.71 1.68
90 2.76 2.36 2.15 2.01 1.91 1.84 1.78 1.74 1.70 1.67
100 2.76 2.36 2.14 2.00 1.91 1.83 1.78 1.73 1.69 1.66
120 2.75 2.35 2.13 1.99 1.90 1.82 1.77 1.72 1.68 1.65
Jadual Taburan F (samb.),  = 0.10.

1
2 12 15 20 25 30 40 60 90 120

1 60.71 61.22 61.74 62.05 62.26 62.53 62.79 62.97 63.06


2 9.41 9.42 9.44 9.45 9.46 9.47 9.47 9.48 9.48
3 5.22 5.20 5.18 5.17 5.17 5.16 5.15 5.15 5.14
4 3.90 3.87 3.84 3.83 3.82 3.80 3.79 3.78 3.78
5 3.27 3.24 3.21 3.19 3.17 3.16 3.14 3.13 3.12
6 2.90 2.87 2.84 2.81 2.80 2.78 2.76 2.75 2.74
7 2.67 2.63 2.59 2.57 2.56 2.54 2.51 2.50 2.49
8 2.50 2.46 2.42 2.40 2.38 2.36 2.34 2.32 2.32
9 2.38 2.34 2.30 2.27 2.25 2.23 2.21 2.19 2.18
10 2.28 2.24 2.20 2.17 2.16 2.13 2.11 2.09 2.08
11 2.21 2.17 2.12 2.10 2.08 2.05 2.03 2.01 2.00
12 2.15 2.10 2.06 2.03 2.01 1.99 1.96 1.94 1.93
13 2.10 2.05 2.01 1.98 1.96 1.93 1.90 1.89 1.88
14 2.05 2.01 1.96 1.93 1.91 1.89 1.86 1.84 1.83
15 2.02 1.97 1.92 1.89 1.87 1.85 1.82 1.80 1.79
16 1.99 1.94 1.89 1.86 1.84 1.81 1.78 1.76 1.75
17 1.96 1.91 1.86 1.83 1.81 1.78 1.75 1.73 1.72
18 1.93 1.89 1.84 1.80 1.78 1.75 1.72 1.70 1.69
19 1.91 1.86 1.81 1.78 1.76 1.73 1.70 1.68 1.67
20 1.89 1.84 1.79 1.76 1.74 1.71 1.68 1.65 1.64
21 1.87 1.83 1.78 1.74 1.72 1.69 1.66 1.63 1.62
22 1.86 1.81 1.76 1.73 1.70 1.67 1.64 1.62 1.60
23 1.84 1.80 1.74 1.71 1.69 1.66 1.62 1.60 1.59
24 1.83 1.78 1.73 1.70 1.67 1.64 1.61 1.58 1.57
25 1.82 1.77 1.72 1.68 1.66 1.63 1.59 1.57 1.56
26 1.81 1.76 1.71 1.67 1.65 1.61 1.58 1.56 1.54
27 1.80 1.75 1.70 1.66 1.64 1.60 1.57 1.54 1.53
28 1.79 1.74 1.69 1.65 1.63 1.59 1.56 1.53 1.52
29 1.78 1.73 1.68 1.64 1.62 1.58 1.55 1.52 1.51
30 1.77 1.72 1.67 1.63 1.61 1.57 1.54 1.51 1.50
40 1.71 1.66 1.61 1.57 1.54 1.51 1.47 1.44 1.42
45 1.70 1.64 1.58 1.55 1.52 1.48 1.44 1.41 1.40
50 1.68 1.63 1.57 1.53 1.50 1.46 1.42 1.39 1.38
60 1.66 1.60 1.54 1.50 1.48 1.44 1.40 1.36 1.35
70 1.64 1.59 1.53 1.49 1.46 1.42 1.37 1.34 1.32
80 1.63 1.57 1.51 1.47 1.44 1.40 1.36 1.33 1.31
90 1.62 1.56 1.50 1.46 1.43 1.39 1.35 1.31 1.29
100 1.61 1.56 1.49 1.45 1.42 1.38 1.34 1.30 1.28
120 1.60 1.55 1.48 1.44 1.41 1.37 1.32 1.28 1.26

xiv
Jadual Taburan F

Menunjukkan nilai genting bagi luas sebelah kanan  = 0.05,


pada darjah kebebasan tertentu.

1
2 1 2 3 4 5 6 7 8 9 10

1 161.4 199.5 215.7 224.6 230.2 234.0 236.8 238.9 240.5 241.9
2 18.51 19.00 19.16 19.25 19.30 19.33 19.35 19.37 19.38 19.40
3 10.13 9.55 9.28 9.12 9.01 8.94 8.89 8.85 8.81 8.79
4 7.71 6.94 6.59 6.39 6.26 6.16 6.09 6.04 6.00 5.96
5 6.61 5.79 5.41 5.19 5.05 4.95 4.88 4.82 4.77 4.74
6 5.99 5.14 4.76 4.53 4.39 4.28 4.21 4.15 4.10 4.06
7 5.59 4.74 4.35 4.12 3.97 3.87 3.79 3.73 3.68 3.64
8 5.32 4.46 4.07 3.84 3.69 3.58 3.50 3.44 3.39 3.35
9 5.12 4.26 3.86 3.63 3.48 3.37 3.29 3.23 3.18 3.14
10 4.96 4.10 3.71 3.48 3.33 3.22 3.14 3.07 3.02 2.98
11 4.84 3.98 3.59 3.36 3.20 3.09 3.01 2.95 2.90 2.85
12 4.75 3.89 3.49 3.26 3.11 3.00 2.91 2.85 2.80 2.75
13 4.67 3.81 3.41 3.18 3.03 2.92 2.83 2.77 2.71 2.67
14 4.60 3.74 3.34 3.11 2.96 2.85 2.76 2.70 2.65 2.60
15 4.54 3.68 3.29 3.06 2.90 2.79 2.71 2.64 2.59 2.54
16 4.49 3.63 3.24 3.01 2.85 2.74 2.66 2.59 2.54 2.49
17 4.45 3.59 3.20 2.96 2.81 2.70 2.61 2.55 2.49 2.45
18 4.41 3.55 3.16 2.93 2.77 2.66 2.58 2.51 2.46 2.41
19 4.38 3.52 3.13 2.90 2.74 2.63 2.54 2.48 2.42 2.38
20 4.35 3.49 3.10 2.87 2.71 2.60 2.51 2.45 2.39 2.35
21 4.32 3.47 3.07 2.84 2.68 2.57 2.49 2.42 2.37 2.32
22 4.30 3.44 3.05 2.82 2.66 2.55 2.46 2.40 2.34 2.30
23 4.28 3.42 3.03 2.80 2.64 2.53 2.44 2.37 2.32 2.27
24 4.26 3.40 3.01 2.78 2.62 2.51 2.42 2.36 2.30 2.25
25 4.24 3.39 2.99 2.76 2.60 2.49 2.40 2.34 2.28 2.24
26 4.23 3.37 2.98 2.74 2.59 2.47 2.39 2.32 2.27 2.22
27 4.21 3.35 2.96 2.73 2.57 2.46 2.37 2.31 2.25 2.20
28 4.20 3.34 2.95 2.71 2.56 2.45 2.36 2.29 2.24 2.19
29 4.18 3.33 2.93 2.70 2.55 2.43 2.35 2.28 2.22 2.18
30 4.17 3.32 2.92 2.69 2.53 2.42 2.33 2.27 2.21 2.16
40 4.08 3.23 2.84 2.61 2.45 2.34 2.25 2.18 2.12 2.08
45 4.06 3.20 2.81 2.58 2.42 2.31 2.22 2.15 2.10 2.05
50 4.03 3.18 2.79 2.56 2.40 2.29 2.20 2.13 2.07 2.03
60 4.00 3.15 2.76 2.53 2.37 2.25 2.17 2.10 2.04 1.99
70 3.98 3.13 2.74 2.50 2.35 2.23 2.14 2.07 2.02 1.97
80 3.96 3.11 2.72 2.49 2.33 2.21 2.13 2.06 2.00 1.95
90 3.95 3.10 2.71 2.47 2.32 2.20 2.11 2.04 1.99 1.94
100 3.94 3.09 2.70 2.46 2.31 2.19 2.10 2.03 1.97 1.93
120 3.92 3.07 2.68 2.45 2.29 2.18 2.09 2.02 1.96 1.91

xv
Jadual Taburan F (samb.),  = 0.05.

1
2 12 15 20 25 30 40 60 90 120

1 243.9 245.9 248.0 249.3 250.1 251.1 252.2 252.9 253.3


2 19.41 19.43 19.45 19.46 19.46 19.47 19.48 19.48 19.49
3 8.74 8.70 8.66 8.63 8.62 8.59 8.57 8.56 8.55
4 5.91 5.86 5.80 5.77 5.75 5.72 5.69 5.67 5.66
5 4.68 4.62 4.56 4.52 4.50 4.46 4.43 4.41 4.40
6 4.00 3.94 3.87 3.83 3.81 3.77 3.74 3.72 3.70
7 3.57 3.51 3.44 3.40 3.38 3.34 3.30 3.28 3.27
8 3.28 3.22 3.15 3.11 3.08 3.04 3.01 2.98 2.97
9 3.07 3.01 2.94 2.89 2.86 2.83 2.79 2.76 2.75
10 2.91 2.85 2.77 2.73 2.70 2.66 2.62 2.59 2.58
11 2.79 2.72 2.65 2.60 2.57 2.53 2.49 2.46 2.45
12 2.69 2.62 2.54 2.50 2.47 2.43 2.38 2.36 2.34
13 2.60 2.53 2.46 2.41 2.38 2.34 2.30 2.27 2.25
14 2.53 2.46 2.39 2.34 2.31 2.27 2.22 2.19 2.18
15 2.48 2.40 2.33 2.28 2.25 2.20 2.16 2.13 2.11
16 2.42 2.35 2.28 2.23 2.19 2.15 2.11 2.07 2.06
17 2.38 2.31 2.23 2.18 2.15 2.10 2.06 2.03 2.01
18 2.34 2.27 2.19 2.14 2.11 2.06 2.02 1.98 1.97
19 2.31 2.23 2.16 2.11 2.07 2.03 1.98 1.95 1.93
20 2.28 2.20 2.12 2.07 2.04 1.99 1.95 1.91 1.90
21 2.25 2.18 2.10 2.05 2.01 1.96 1.92 1.88 1.87
22 2.23 2.15 2.07 2.02 1.98 1.94 1.89 1.86 1.84
23 2.20 2.13 2.05 2.00 1.96 1.91 1.86 1.83 1.81
24 2.18 2.11 2.03 1.97 1.94 1.89 1.84 1.81 1.79
25 2.16 2.09 2.01 1.96 1.92 1.87 1.82 1.79 1.77
26 2.15 2.07 1.99 1.94 1.90 1.85 1.80 1.77 1.75
27 2.13 2.06 1.97 1.92 1.88 1.84 1.79 1.75 1.73
28 2.12 2.04 1.96 1.91 1.87 1.82 1.77 1.73 1.71
29 2.10 2.03 1.94 1.89 1.85 1.81 1.75 1.72 1.70
30 2.09 2.01 1.93 1.88 1.84 1.79 1.74 1.70 1.68
40 2.00 1.92 1.84 1.78 1.74 1.69 1.64 1.60 1.58
45 1.97 1.89 1.81 1.75 1.71 1.66 1.60 1.56 1.54
50 1.95 1.87 1.78 1.73 1.69 1.63 1.58 1.53 1.51
60 1.92 1.84 1.75 1.69 1.65 1.59 1.53 1.49 1.47
70 1.89 1.81 1.72 1.66 1.62 1.57 1.50 1.46 1.44
80 1.88 1.79 1.70 1.64 1.60 1.54 1.48 1.44 1.41
90 1.86 1.78 1.69 1.63 1.59 1.53 1.46 1.42 1.39
100 1.85 1.77 1.68 1.62 1.57 1.52 1.45 1.40 1.38
120 1.83 1.75 1.66 1.60 1.55 1.50 1.43 1.38 1.35
Jadual Taburan F
Menunjukkan nilai genting bagi luas sebelah kanan  = 0.01,
pada darjah kebebasan tertentu.

1
1 2 3 4 5 6 7 8 9 10
2

1 4052 4999 5404 5624 5764 5859 5928 5981 6022 6056
2 98.50 99.00 99.16 99.25 99.30 99.33 99.36 99.38 99.39 99.40
3 34.12 30.82 29.46 28.71 28.24 27.91 27.67 27.49 27.34 27.23
4 21.20 18.00 16.69 15.98 15.52 15.21 14.98 14.80 14.66 14.55
5 16.26 13.27 12.06 11.39 10.97 10.67 10.46 10.29 10.16 10.05
6 13.75 10.92 9.78 9.15 8.75 8.47 8.26 8.10 7.98 7.87
7 12.25 9.55 8.45 7.85 7.46 7.19 6.99 6.84 6.72 6.62
8 11.26 8.65 7.59 7.01 6.63 6.37 6.18 6.03 5.91 5.81
9 10.56 8.02 6.99 6.42 6.06 5.80 5.61 5.47 5.35 5.26
10 10.04 7.56 6.55 5.99 5.64 5.39 5.20 5.06 4.94 4.85
11 9.65 7.21 6.22 5.67 5.32 5.07 4.89 4.74 4.63 4.54
12 9.33 6.93 5.95 5.41 5.06 4.82 4.64 4.50 4.39 4.30
13 9.07 6.70 5.74 5.21 4.86 4.62 4.44 4.30 4.19 4.10
14 8.86 6.51 5.56 5.04 4.69 4.46 4.28 4.14 4.03 3.94
15 8.68 6.36 5.42 4.89 4.56 4.32 4.14 4.00 3.89 3.80
16 8.53 6.23 5.29 4.77 4.44 4.20 4.03 3.89 3.78 3.69
17 8.40 6.11 5.19 4.67 4.34 4.10 3.93 3.79 3.68 3.59
18 8.29 6.01 5.09 4.58 4.25 4.01 3.84 3.71 3.60 3.51
19 8.18 5.93 5.01 4.50 4.17 3.94 3.77 3.63 3.52 3.43
20 8.10 5.85 4.94 4.43 4.10 3.87 3.70 3.56 3.46 3.37
21 8.02 5.78 4.87 4.37 4.04 3.81 3.64 3.51 3.40 3.31
22 7.95 5.72 4.82 4.31 3.99 3.76 3.59 3.45 3.35 3.26
23 7.88 5.66 4.76 4.26 3.94 3.71 3.54 3.41 3.30 3.21
24 7.82 5.61 4.72 4.22 3.90 3.67 3.50 3.36 3.26 3.17
25 7.77 5.57 4.68 4.18 3.85 3.63 3.46 3.32 3.22 3.13
26 7.72 5.53 4.64 4.14 3.82 3.59 3.42 3.29 3.18 3.09
27 7.68 5.49 4.60 4.11 3.78 3.56 3.39 3.26 3.15 3.06
28 7.64 5.45 4.57 4.07 3.75 3.53 3.36 3.23 3.12 3.03
29 7.60 5.42 4.54 4.04 3.73 3.50 3.33 3.20 3.09 3.00
30 7.56 5.39 4.51 4.02 3.70 3.47 3.30 3.17 3.07 2.98
40 7.31 5.18 4.31 3.83 3.51 3.29 3.12 2.99 2.89 2.80
45 7.23 5.11 4.25 3.77 3.45 3.23 3.07 2.94 2.83 2.74
50 7.17 5.06 4.20 3.72 3.41 3.19 3.02 2.89 2.78 2.70
60 7.08 4.98 4.13 3.65 3.34 3.12 2.95 2.82 2.72 2.63
70 7.01 4.92 4.07 3.60 3.29 3.07 2.91 2.78 2.67 2.59
80 6.96 4.88 4.04 3.56 3.26 3.04 2.87 2.74 2.64 2.55
90 6.93 4.85 4.01 3.53 3.23 3.01 2.84 2.72 2.61 2.52
100 6.90 4.82 3.98 3.51 3.21 2.99 2.82 2.69 2.59 2.50
120 6.85 4.79 3.95 3.48 3.17 2.96 2.79 2.66 2.56 2.47
Jadual Taburan F (samb.),  = 0.01.

1
2 12 15 20 25 30 40 60 90 120

1 6107 6157 6209 6240 6260 6286 6313 6331 6340


2 99.42 99.43 99.45 99.46 99.47 99.48 99.48 99.49 99.49
3 27.05 26.87 26.69 26.58 26.50 26.41 26.32 26.25 26.22
4 14.37 14.20 14.02 13.91 13.84 13.75 13.65 13.59 13.56
5 9.89 9.72 9.55 9.45 9.38 9.29 9.20 9.14 9.11
6 7.72 7.56 7.40 7.30 7.23 7.14 7.06 7.00 6.97
7 6.47 6.31 6.16 6.06 5.99 5.91 5.82 5.77 5.74
8 5.67 5.52 5.36 5.26 5.20 5.12 5.03 4.97 4.95
9 5.11 4.96 4.81 4.71 4.65 4.57 4.48 4.43 4.40
10 4.71 4.56 4.41 4.31 4.25 4.17 4.08 4.03 4.00
11 4.40 4.25 4.10 4.01 3.94 3.86 3.78 3.72 3.69
12 4.16 4.01 3.86 3.76 3.70 3.62 3.54 3.48 3.45
13 3.96 3.82 3.66 3.57 3.51 3.43 3.34 3.28 3.25
14 3.80 3.66 3.51 3.41 3.35 3.27 3.18 3.12 3.09
15 3.67 3.52 3.37 3.28 3.21 3.13 3.05 2.99 2.96
16 3.55 3.41 3.26 3.16 3.10 3.02 2.93 2.87 2.84
17 3.46 3.31 3.16 3.07 3.00 2.92 2.83 2.78 2.75
18 3.37 3.23 3.08 2.98 2.92 2.84 2.75 2.69 2.66
19 3.30 3.15 3.00 2.91 2.84 2.76 2.67 2.61 2.58
20 3.23 3.09 2.94 2.84 2.78 2.69 2.61 2.55 2.52
21 3.17 3.03 2.88 2.79 2.72 2.64 2.55 2.49 2.46
22 3.12 2.98 2.83 2.73 2.67 2.58 2.50 2.43 2.40
23 3.07 2.93 2.78 2.69 2.62 2.54 2.45 2.39 2.35
24 3.03 2.89 2.74 2.64 2.58 2.49 2.40 2.34 2.31
25 2.99 2.85 2.70 2.60 2.54 2.45 2.36 2.30 2.27
26 2.96 2.81 2.66 2.57 2.50 2.42 2.33 2.26 2.23
27 2.93 2.78 2.63 2.54 2.47 2.38 2.29 2.23 2.20
28 2.90 2.75 2.60 2.51 2.44 2.35 2.26 2.20 2.17
29 2.87 2.73 2.57 2.48 2.41 2.33 2.23 2.17 2.14
30 2.84 2.70 2.55 2.45 2.39 2.30 2.21 2.14 2.11
40 2.66 2.52 2.37 2.27 2.20 2.11 2.02 1.95 1.92
45 2.61 2.46 2.31 2.21 2.14 2.05 1.96 1.89 1.85
50 2.56 2.42 2.27 2.17 2.10 2.01 1.91 1.84 1.80
60 2.50 2.35 2.20 2.10 2.03 1.94 1.84 1.76 1.73
70 2.45 2.31 2.15 2.05 1.98 1.89 1.78 1.71 1.67
80 2.42 2.27 2.12 2.01 1.94 1.85 1.75 1.67 1.63
90 2.39 2.24 2.09 1.99 1.92 1.82 1.72 1.64 1.60
100 2.37 2.22 2.07 1.97 1.89 1.80 1.69 1.61 1.57
120 2.34 2.19 2.03 1.93 1.86 1.76 1.66 1.58 1.53

Sumber keseluruhan jadual dalam appendiks:

Mohd Nawi Ab Rahman, (2000). Teras Penyelidikan. Serdang: Penerbit Universiti


Putra Malaysia, ms: 159-179.
xix

Anda mungkin juga menyukai