Pengertian Statistika Statistika (Status: Latin; Statizien: Yunani; State: Inggris) secara harfiah berarti Negara atau kesatuan politik. Hal ini dilatar belakangi oleh sejarah statistika yang dulunya digunakan untuk kepentingan administrarif Negara Mesir, Babylonia, dan Roma, misalnya dalam perhitungan pajak, atau untuk mobilasasi penduduk dalam angkatan perang, motede statistika saat itu adalah metode sensus (populasi), karena penduduk yang masih sedikit. Kini statistika sudah berubah jauh, statistika diartikan sebagai seperangkat metode yang membahas tentang bagaimana cara: (1) mengumpulkan data; (2) meringkas data; (3) menganalisis data; (4) menyajikan data; dan (5) melakukan interpretasi atau menarik kesimpulan dari data yang ada. Manfaat Statistika Untuk Penelitian Telah dijelaskan pada artikel sebelumnya bahwa penelitian adalah penyelidikan secara sistematis terhadap objek dan sumber kajian untuk membangun fakta dan mencapai kesimpulan. Pelaksanaan sebuah penelitian akan melalui sejumlah tahapan yang membutuhkan alat bernama statistika, terutama dalam tahap penentuan sampel, pengumpulan dan penyajian data, serta dalam tahap analisis data. Gambar (1) memperlihatkan manfaat statistika dalam tahapan/proses penelitian.Menentukan sampel berarti menentukan jumlah sampel, sehingga sampel yang digunakan dapat dianggap representative terhadap populasi.
Mengumpulkan data mengharuskan peneliti menggunakan instrumen penelitian, yaitu semacam alat bantu yang digunakan oleh si peneliti dalam proses pengumpulan data, seperti angket, lembar pengamatan, soal tes, dan sebagainya. Sebelum instrumen penelitian digunakan, maka terlebih dahulu harus diuji validitas (ketepatan) dan reabilitasnya (keterandalan). Dalam statistika, terdapat uji yang sering digunakan untuk mengukur derajat validitas instrumen penelitian (misalnya: Karl Pearson atau Koefisien Korelasi Product Moment) dan derajat reabilitas instrumen (misalnya: rumus Flanagan, rumus Rulon). Penyajian data dengan metode statistika ditujukan agar data yang disajikan lebih komunikatif, teknik penyajian data tersebut berupa: tabel, grafik, diagram, pictogram, dan lain sebagainya.
Menganalisa data adalah kegiatan mengolah data menjadi sebuah kesimpulan. Dalam hal ini, statistika yang sering digunakan antara lain: korelasi, regresi, t-test, anova, dan sebagainya.
Jenis-jenis Statistika Metode statistika dapat digolongkam menjadi 2 metode, yaitu Statistika Deskriptif dan Statistika Inferensia.
Statistika deskriptif adalah metode statistika yang digunakan untuk menggambarkan atau menganalisis suatu data hasil penelitian namun tanpa adanya generalisasi atau membuat kesimpulan yang lebih luas.
Ciri dari penelitian deskriptif adalah tidak menggunakan sampel, atau kalaupun menggunakan sampel, maka peneliti tidak bermaksud membuat kesimpulan terhadap keseluruhan populasi.
Secara umum, kegiatan dalam statistika deskriptif meliputi 2 hal, yaitu menyajikan data dan meringkas data.
Menyajikan data bertujuan agar data yang ditampilkan terlihat lebih informatif, untuk tujuan tersebut maka data umumnya direpresentasikan dalam bentuk tabel, atau grafik seperti: batang (bar), lingkaran (pie), garis (line), poligon, histogram, ogive dan sebagainya.
Meringkas data bertujuan untuk membuat sebuah ukuran kuantitatif yang dapat mewakili sekian banyak data.
Ada 2 hal yang sering dipertimbangkan dalam penentuan data pewakil: (1) letak data, seperti: rata-rata (means), titik tengah dari sekumpulan data (median), data yang paling sering muncul (modus), kuartil, desil, persentil; (2) variasi atau penyebaran data, seperti: koefisien variasi, standar deviasi, dan sebagainya. Statistika inferensi adalah metode statistika yang membahas mengenai cara menganalisis data serta mengambil kesimpulan (berkaitan dengan estimasi parameter dan pengujian hipotesis), metode ini sering disebut statistika induktif karena kesimpulan yang ditarik didasarkan pada informasi dari sebagian populasi saja (sampel).
Statistika invernsi, berdasarkan normal atau tidaknya distribusi data, dapat dibagi menjadi statistika parametris dan nonparametris.Statistika parametris digunakan untuk menganalisis data interval atau rasio yang diambil dari populasi yang berdistribusi normal, contoh analisis statistika parametris adalah Uji-t, ANOVA, Regresi, dan sebagainya. Sedang statistika nonparametris digunakan untuk menganalisis data ordinal dan nominal dari populasi yang distribusinya tidak mesti diasumsikan normal, contoh uji nonparametris adalah Khi-kuadrat, koefisien korelasi Spearmen, Uji Mann-Whitney, Uji Friedman. Berikut kami tampilkan gambar 3 yang menyajikan informasi tentang perbedaan alur kegiatan antara statistika deskriptif dan statistika inferensial.Kegiatan (a) sampai dengan (c) dikenal sebagai statistika deskriptif, yang berkaitan dengan pengumpulan, pengolahan serta penyajian data.Sedangkan kegiatan (d) dan (e) dikenal dengan istilah statistik inferensi, yaitu yang berkaitan dengan kegiatan menyimpulkan dan menarik kesimpulan.
KOMENTAR :
Menurut saya, artikel atau materi diatas sangat bagus untuk pemahaman kita tentang statistika.Apalagi untuk kita mahasiswa yang saat ini sedang mengambil mata kuliah statistka. Karena didalam artikel ini sangat jelas dibeberkan mengenai detail statistika.
Detail defenisi statistika juga disajikan berbeda dalam artikel ini yaitu dengan memberikan defeni statistika dari jaman yang berbeda dan itu sangat menarik dan membuat kita lebih mudah dalam memahami defenisi dari statistika itu sendiri.
Manfaat Statistika Untuk Penelitian Telah dijelaskan pada artikel sebelumnya bahwa penelitian adalah penyelidikan secara sistematis terhadap objek dan sumber kajian untuk membangun fakta dan mencapai kesimpulan. Pelaksanaan sebuah penelitian akan melalui sejumlah tahapan yang membutuhkan alat bernama statistika, terutama dalam tahap penentuan sampel, pengumpulan dan penyajian data, serta dalam tahap analisis data.
Mengumpulkan data mengharuskan peneliti menggunakan instrumen penelitian, yaitu semacam alat bantu yang digunakan oleh si peneliti dalam proses pengumpulan data, seperti angket, lembar pengamatan, soal tes, dan sebagainya. Sebelum instrumen penelitian digunakan, maka terlebih dahulu harus diuji validitas (ketepatan) dan reabilitasnya (keterandalan). Dalam statistika, terdapat uji yang sering digunakan untuk mengukur derajat validitas instrumen penelitian (misalnya: Karl Pearson atau Koefisien Korelasi Product Moment) dan derajat reabilitas instrumen (misalnya: rumus Flanagan, rumus Rulon).
Penyajian data dengan metode statistika ditujukan agar data yang disajikan lebih komunikatif, teknik penyajian data tersebut berupa: tabel, grafik, diagram, pictogram, dan lain sebagainya.
Ada 2 hal yang sering dipertimbangkan dalam penentuan data pewakil: (1) letak data, seperti: rata-rata (means), titik tengah dari sekumpulan data (median), data yang paling sering muncul (modus), kuartil, desil, persentil; (2) variasi atau penyebaran data, seperti: koefisien variasi, standar deviasi, dan sebagainya. Statistika inferensi adalah metode statistika yang membahas mengenai cara menganalisis data serta mengambil kesimpulan (berkaitan dengan estimasi parameter dan pengujian hipotesis), metode ini sering disebut statistika induktif karena kesimpulan yang ditarik didasarkan pada informasi dari sebagian populasi saja (sampel).
Secara umum, kegiatan dalam statistika deskriptif meliputi 2 hal, yaitu menyajikan data dan meringkas data.
Menyajikan data bertujuan agar data yang ditampilkan terlihat lebih informatif, untuk tujuan tersebut maka data umumnya direpresentasikan dalam bentuk tabel, atau grafik seperti: batang (bar), lingkaran (pie), garis (line), poligon, histogram, ogive dan sebagainya.
Meringkas data bertujuan untuk membuat sebuah ukuran kuantitatif yang dapat mewakili sekian banyak data.
2. Data
The information obtained from observations / data collection with a particular method produces what is called with the data, the data can be quantitative and qualitative nature. Quantitative information in the form of numbers, while qualitative information form other than numbers. Analysis of the type of information is not the same as both demand-carayang manner appropriate to the circumstances bersangkutan.Statistik information needed to analyze and process quantitative information. Statistics are needed for quantitative data alone, it is, and still growing, regardless of amount, in general, not provide meaningful information and communicative as required by decision-makers.
The usefulness of data is essentially to make a decision by the decision makers (decision makers). Anyone who makes a decision referred to decision makers. However, in practice, which is usually referred to as decision makers is leadership. Data can be useful, when associated with management problems.
Troubleshooting Methodology In Statistics
1. Identify the problem or opportunity
2. Gather the facts available
3. Collect data on new original
4. Classify and summarize the data
5. Presenting Data
6. Analyze the data
Data Requirements Good
1. Objective. Objective data means that the data must be in accordance with the actual situation (as it is).
2. Representative (represents). The data must represent the observed object
3. The standard error (standard error) is small. An estimate (estimate) is quite good (have a high level of accuracy) if the small raw error
4. Timely.
5. Relevant. Data collected must be something to do with the problems that will dipeca
Types of Data
-Data Can be grouped, among others, according to the nature, source, how to obtain, and the time of collection.
Data according to its nature.
Data by their nature can be divided into two, namely quantitative and qualitative data
Qualitative data is data that is not shaped figure (nonnumeric) which is usually a verbal data obtained from observations, interviews, or written material
Quantitative data can be divided into four kinds of data that have a certain scale, namely (1) the nominal data (nominal data), (2) data is ordinal (ordinal data), (3) the data interval (interval data), and data (4 ) Data ratio (ratio data).
nominal data
is a number that serves only as a substitute for the name or designation of a symptom.
ordinal data
is a number that is in addition to functioning as a substitute for the name or designation of a phenomenon also shows that each has different symptoms or high-intensity and low.
Data interval
is data that has the characteristics of an ordinal scale, but the distance between each number was unknown
Data by source.
Data by source refers to the source of data acquisition, ie, external and internal. Internal data is sourced from the state or activities of an organization or group. For example, sales data and production data of a company. External data is data that comes from outside an organization or group. For example, a persuahaan search for data on consumer purchasing power to the central office of the local statistics.
Data by to get it.
Based on how to obtain it, the data the data distinguished between primary data and secondary data. Primary data is data that is collected and processed solely by an organization or individual directly from the object. For example, a company wants to know the average consumption of dairy population in an area by conducting interviews to the locals. Secondary data is data that is obtained in the form of finished and has been processed by the other party, which is usually in the form of publications.
Data according to the time of collection.
By the time it was collected, the data is distinguished as a cross section data and periodic (times series).
COMMENT :
In my opinion, the statistics said in the era of technology today is not foreign to the good of all students, faculty, even though agriculture is in need of statistical science.
For example, in doing poll, at the time of the general election, when we are curious to something we could use statistical science we have to poll procedure.
However, we need to know that the data is that we will use in research should be NAMAs to use, true existence, in accordance with the existence of the relevant information and the terms and conditions should have a decent data is used as the research data. in the data selection can also be done with a variety of way as it has been the will above.In obtaining the data it can also be used as a secondary or through an intermediary may also be primary or directly from the source of the information.
If the object to be examined has a large amount or do not allow for in the data as a whole it can be in the form of representative sample of the entire population to be examined.
The data that we obtained can be shaped figure or qualitative data, this data into two the same, just have a different shape, but, how to obtain and pengeraanya same.
In one such study in saying well if the data obtained has a fairly high level of accuracy and have the most minimal error rate.
In this article is quite clear in the mentioned regarding matters most in need in the data collection.
The usefulness of data is essentially to make a decision by the decision makers (decision makers). Anyone who makes a decision referred to decision makers. However, in practice, which is usually referred to as decision makers is leadership. Data can be useful, when associated with management problems.
Based on how to obtain it, the data the data distinguished between primary data and secondary data. Primary data is data that is collected and processed solely by an organization or individual directly from the object. For example, a company wants to know the average consumption of dairy population in an area by conducting interviews to the locals. Secondary data is data that is obtained in the form of finished and has been processed by the other party, which is usually in the form of publications.
3. Metode Statistika
Terdapat dua jenis utama penelitian: eksperimen dan survei. Keduanya sama-sama mendalami pengaruh perubahan pada peubah penjelas dan perilaku peubah respon akibat perubahan itu.
Beda keduanya terletak pada bagaimana kajiannya dilakukan.Suatu eksperimen melibatkan pengukuran terhadap sistem yang dikaji, memberi perlakuan terhadap sistem, dan kemudian melakukan pengukuran (lagi) dengan cara yang sama terhadap sistem yang telah diperlakukan untuk mengetahui apakah perlakuan mengubah nilai pengukuran. Bisa juga perlakuan diberikan secara simultan dan pengaruhnya diukur dalam waktu yang bersamaan pula.
Metode statistika yang berkaitan dengan pelaksanaan suatu eksperimen dipelajari dalam rancangan percobaan (desain eksperimen).Dalam survey, di sisi lain, tidak dilakukan manipulasi terhadap sistem yang dikaji.Data dikumpulkan dan hubungan (korelasi) antara berbagai peubah diselidiki untuk memberi gambaran terhadap objek penelitian. Teknik-teknik survai dipelajari dalam metode survei.Penelitian tipe eksperimen banyak dilakukan pada ilmu-ilmu rekayasa, misalnya teknik, ilmu pangan, agronomi, farmasi, pemasaran (marketing), dan psikologi eksperimen.Penelitian tipe observasi paling sering dilakukan di bidang ilmu-ilmu sosial atau berkaitan dengan perilaku sehari-hari, misalnya ekonomi, psikologi dan pedagogi, kedokteran masyarakat, dan industri.
Tipe pengukuran
Ada empat tipe skala pengukuran yang digunakan di dalam statistika, yaitu nominal, ordinal, interval, dan rasio.Keempat skala pengukuran tersebut memiliki tingkat penggunaan yang berbeda dalam pengolahan statistiknya.
•Skala nominal hanya bisa membedakan sesuatu yang bersifat kualitatif atau kategoris, misalnya jenis kelamin, agama, dan warna kulit.
•Skala ordinal selain membedakan sesuatu juga menunjukkan tingkatan, misalnya pendidikan dan tingkat kepuasan pengguna.
•Skala interval berupa angka kuantitatif namun tidak memiliki nilai nol mutlak sehingga titik nol dapat digeser sesuka orang yang mengukur, misalnya tahun dan suhu dalam Celcius.
•Skala rasio berupa angka kuantitatif yang memiliki nilai nol mutlak dan tidak dapat digeser sesukanya, misalnya adalah suhu dalam Kelvin, panjang, dan massa.
Teknik-teknik statistika
Beberapa pengujian dan prosedur yang banyak digunakan dalam penelitian antara lain:
•Analisis regresi dan korelasi
•Analisis varians (ANOVA)
•khi-kuadrat
•Uji t-Student
Statistika Terapan
Bebebarapa ilmu pengetahuan menggunakan statistika terapan sehingga mereka memiliki terminologi yang khusus. Disiplin ilmu tersebut antara lain:
•Aktuaria (penerapan statistika dalam bidang asuransi)
•Biostatistika atau biometrika (penerapan statistika dalam ilmu biologi)
•Statistika bisnis
•Ekonometrika
•Psikometrika
•Statistika sosial
•Statistika teknik atau teknometrika
•Fisika statistik
•Demografi
•Eksplorasi data (pengenalan pola)
•Literasi statistik
•Analisis proses dan kemometrika (untuk analisis data kimia analis dan teknik kimia)
Statistika memberikan alat analisis data bagi berbagai bidang ilmu. Kegunaannya bermacam-macam: mempelajari keragaman akibat pengukuran, mengendalikan proses, merumuskan informasi dari data, dan membantu pengambilan keputusan berdasarkan data. Statistika, karena sifatnya yang objektif, sering kali merupakan satu-satunya alat yang bisa diandalkan untuk keperluan-keperluan di atas.
KOMENTAR :
Menurut saya, artikel ini sangat rinci dalam hal menjelaskan apa-apa saja metode statistika.
Metode statistika yang berkaitan dengan pelaksanaan suatu eksperimen dipelajari dalam rancangan percobaan (desain eksperimen).Dalam survey, di sisi lain, tidak dilakukan manipulasi terhadap sistem yang dikaji.Data dikumpulkan dan hubungan (korelasi) antara berbagai peubah diselidiki untuk memberi gambaran terhadap objek penelitian.
Artikel ini sangat bagus juga untuk menjadi referensi dalam mempelajari statistika walaupun tidak berkontribusi besar dalam seluruh topic statistika namun sangat berguna untuk mengetahui dan memahaminya.
Metode statistika ini sangat memudahkan untuk mengkoordinasikan kita dalam belajar statistika dengan aturan-aturan didalamnya.
4. Central tendency and spread of data
Examining the raw data is an essential first step before proceeding to statistical analysis. Thereafter, two key sample statistics that may be calculated from a dataset are a measure of the central tendency of the sample distribution and of the spread of the data about this central tendency. Inferential statistical analysis is dependent on a knowledge of these descriptive statistics. In the first article of this series, types of data and correlations were discussed.1
Different measures of central tendency attempt to determine what might variously be termed the typical, normal, expected or average value of a dataset. Three of them are in general use for most types of data: the mode, median, and mean.
The mode
Literally, the mode is strictly a measure of the most popular (frequent) value in a dataset and is often not a particularly good indicator of central tendency. Despite its limitations, the mode is the only means of measuring central tendency in a dataset containing nominal categorical values. For example, in a survey of 10 senior house officers (SHOs) asked which form of continual professional development (CPD) activity they preferred in preparation for a forthcoming examination, the following responses were obtained: viva practice 5, tutorial 3, in-theatre teaching 2, lecture 0. The mode of this dataset is viva practice as it is the largest (most popular) category. We might say that a ‘typical’ SHO prefers viva practice and plan the CPD time accordingly.
The mode may also be used for ordinal categorical data and for interval data, although the median or mean are more useful in these circumstances. For example, suppose a pilot study is undertaken to determine the severity of pain on injection of propofol in 10 patients and an ordinal verbal pain score system between 0–3 is used. The pain scores observed are: 0, 1, 1, 2, 2, 2, 2, 3, 3, 3. The mode of this dataset is a pain score of 2.
The median
The median is defined as the central datum when all of the data are arranged (ranked) in numerical order. As such, it is a literal measure of central tendency. When there are an even number of data, the mean (see below) of the two central data points is taken as the median. For the distribution of pain scores described above, the median pain score is again 2.
The median may be used for ordinal categorical data and for interval data. When analysing interval data, the median is preferred to the mean when the data are not normally (symmetrically) distributed, as it is less sensitive to the influence of outliers.
The mean
The mean is used to summarize interval data. As the mean may be influenced by outlying data points, it is best used as a measure of central tendency when the data is normally (symmetrically) distributed. Although several different means are defined, the arithmetic mean is most commonly used. The arithmetic mean is calculated by adding all the individual datum values in a dataset (x1 + x2 + … + xn) and dividing by the number of values (n) in the dataset.
The mean of ordinal categorical data is often reported in the literature (together with its associated measure of data spread, sd). For example, in the sample of verbal pain scores above, the mean score is 1.9. The use of mean and sd for ordinal data is controversial. For example, what does a pain score of 1.9 actually mean when using a categorical scale?
COMMENT :
In my opinion, the statistics said in the era of technology today is not foreign to the good of all students, faculty, even though agriculture is in need of statistical science.
Different measures of central tendency attempt to determine what might variously be termed the typical, normal, expected or average value of a dataset. Three of them are in general use for most types of data: the mode, median, and mean.
The median may be used for ordinal categorical data and for interval data. When analysing interval data, the median is preferred to the mean when the data are not normally (symmetrically) distributed, as it is less sensitive to the influence of outliers.
From the definition, it is clear that the samples we take are used to describe the characteristics of a population, or in other words, the sample is used to generalize a population. Thus, the sample should really be representative in order to represent and reflect the characteristics of the population from which the sample was taken.
When we talk about something related to the depositors of a bank's customers who are members of the population are all customers of the bank depositors without exception. When we talk of monthly household consumption expenditure in Jetis then become family members are all located in the district area Djetis, whereas if we talk anything related to the Indonesian population, each resident is a member of the population. Thus, it is clear that the size of the population can also be finite or infinite (too big in the count).
For example, in a survey of 10 senior house officers (SHOs) asked which form of continual professional development (CPD) activity they preferred in preparation for a forthcoming examination, the following responses were obtained: viva practice 5, tutorial 3, in-theatre teaching 2, lecture 0.
5. Populations in cohort studies
Basically, cohort studies compare two groups of people (cohorts) and demonstrate whether or not there are more cases of the disease among the cohort exposed to the suspected cause than among the cohort not exposed. To determine whether an association exists between positive family history of schizophrenia and subsequent schizophrenia in persons having such a history, two cohorts would be required: first, the exposed group, that is, people with a family history of mental disorders (the suspected cause) and second, the unexposed group, that is, people without a family history of mental disorders. These two cohorts would need to be followed up for a number of years and cases of schizophrenia in either group would be recorded. If a positive family history is associated with development of schizophrenia, then more cases would occur in the first group than in the second group.
The crucial challenges in a cohort study are that it should include participants exposed to a particular cause being investigated and that it should consist of persons who can be followed up for the period of time between exposure (cause) and development of the disorder. It is vital that the follow-up of a cohort should be complete as far as possible. If more than a small proportion of persons in the cohort cannot be traced (loss to follow-up or attrition), the findings will be biased, in case these persons differ significantly from those remaining in the study.
Depending on the type of exposure being studied, there may or may not be a range of choice of cohort populations exposed to it who may form a larger population from which one has to select a study sample. For instance, if one is exploring association between occupational hazard such as job stress in health care workers in intensive care units (ICUs) and subsequent development of drug addiction, one has to, by the very nature of the research question, select health care workers working in ICUs. On the other hand, cause effect study for association between head injury and epilepsy offers a much wider range of possible cohorts.
Difficulties in making repeated observations on cohorts depend on the length of time of the study. In correlating maternal factors (pregnancy cohort) with birth weight, the period of observation is limited to 9 months. However, if in a study it is tried to find the association between maternal nutrition during pregnancy and subsequent school performance of the child, the study will extend to years. For such long duration investigations, it is wise to select study cohorts that are firstly, not likely to migrate, cooperative and likely to be so throughout the duration of the study, and most importantly, easily accessible to the investigator so that the expense and efforts are kept within reasonable limits. Occupational groups such as the armed forces, railways, police, and industrial workers are ideal for cohort studies. Future developments facilitating record linkage such as the Unique Identification Number Scheme may give a boost to cohort studies in the wider community.
COMMENT :
In my opinion, this article is closely related to statistics and our daily lives.Depending on the type of exposure being studied, there may or may not be a range of choice of cohort populations exposed to it who may form a larger population from which one has to select a study sample.
To determine whether an association exists between positive family history of schizophrenia and subsequent schizophrenia in persons having such a history, two cohorts would be required: first, the exposed group, that is, people with a family history of mental disorders (the suspected cause) and second, the unexposed group, that is, people without a family history of mental disorders. These two cohorts would need to be followed up for a number of years and cases of schizophrenia in either group would be recorded.
However, if in a study it is tried to find the association between maternal nutrition during pregnancy and subsequent school performance of the child, the study will extend to years.
For such long duration investigations, it is wise to select study cohorts that are firstly, not likely to migrate, cooperative and likely to be so throughout the duration of the study, and most importantly, easily accessible to the investigator so that the expense and efforts are kept within reasonable limits.
When we talk about something related to the depositors of a bank's customers who are members of the population are all customers of the bank depositors without exception. When we talk of monthly household consumption expenditure in Jetis then become family members are all located in the district area Djetis, whereas if we talk anything related to the Indonesian population, each resident is a member of the population. Thus, it is clear that the size of the population can also be finite or infinite (too big in the count).
For instance, if one is exploring association between occupational hazard such as job stress in health care workers in intensive care units (ICUs) and subsequent development of drug addiction, one has to, by the very nature of the research question, select health care workers working in ICUs.
Occupational groups such as the armed forces, railways, police, and industrial workers are ideal for cohort studies.
Future developments facilitating record linkage such as the Unique Identification Number Scheme may give a boost to cohort studies in the wider community.
A lot of information that can be absorbed from this article that we have not known before her on another matter.
The examples given in this article is also very easy to understand. Through language, how to write, how penyampain and very close to the application of our daily lives.
This article was very helpful to us who is currently studying the subject of statistics.
6. Range (Statistik)
Dalam statistik, rentang didefinisikan hanya sebagai perbedaan antara maksimum dan minimum observasi. Hal ini secara intuitif jelas mengapa kita mendefinisikan rentang statistik dengan cara ini - kisaran harus menyarankan bagaimana diversely menyebar nilai-nilai yang, dan dengan menghitung selisih antara nilai maksimum dan minimum, kita bisa mendapatkan perkiraan penyebaran contoh data.Untuk , misalkan percobaan melibatkan mengetahui berat tikus laboratorium dan nilai-nilai dalam gram adalah 320, 367, 423, 471 dan 480. Dalam hal ini, kisaran hanya dihitung sebagai 480-320 = 160 gram.
Beberapa Keterbatasan Range, Rentang cukup indikasi yang berguna tentang bagaimana menyebar data, tapi memiliki beberapa keterbatasan yang serius.Hal ini karena kadang-kadang data yang dapat memiliki outlier yang banyak poin-poin data lainnya.Dalam kasus ini, kisaran mungkin tidak memberikan indikasi yang benar dari penyebaran data.Untuk contoh, dalam kasus kami sebelumnya, pertimbangkan tikus bayi kecil ditambahkan ke kumpulan data yang beratnya hanya 50 gram.Sekarang kisaran dihitung sebagai 480-50 = 430 gram, yang terlihat seperti indikasi palsu penyebaran data.Ini keterbatasan jangkauan yang diharapkan terutama karena rentang dihitung hanya mengambil dua titik data menjadi pertimbangan.Sehingga tidak bisa memberikan perkiraan yang sangat baik tentang bagaimana data keseluruhan berperilaku.
Utilitas Praktis Rentang
Dalam banyak kasus, bagaimanapun, data erat berkerumun dan jika jumlah pengamatan sangat besar, maka dapat memberikan rasa yang baik dari distribusi data.Sebagai contoh, perhatikan survei besar tingkat IQ mahasiswa yang terdiri dari 10.000 siswa dari latar belakang yang berbeda.Dalam hal ini, jangkauan bisa menjadi alat yang berguna untuk mengukur dispersi dari nilai IQ antara students.Sometimes universitas, kita mendefinisikan berbagai sedemikian rupa sehingga dapat menghilangkan outlier dan titik ekstrim dalam kumpulan data.Misalnya, rentang antar-kuartil dalam statistik didefinisikan sebagai perbedaan antara kuartil ketiga dan pertama.Anda dapat langsung melihat bagaimana definisi baru ini dari jangkauan lebih kuat dari yang sebelumnya. Di sini outlier tidak akan peduli dan definisi ini mengambil seluruh distribusi data menjadi pertimbangan dan bukan hanya maksimal dan minimum values.It harus menunjukkan bahwa meskipun beberapa keterbatasan, jangkauan bisa menjadi indikasi yang berguna untuk banyak kasus. Sebagai mahasiswa statistik harus Anda memahami apa jenis data yang paling cocok untuk didefinisikan berdasarkan jangkauan. Jika ada terlalu banyak outlier, itu mungkin bukan ide yang baik.Tapi jangkauan memberikan cepat dan mudah untuk memperkirakan indikasi tentang penyebaran data.
KOMENTAR :
Menurut saya, artikel ini sangat rinci dalam hal menjelaskan apa itu range (statistic). Dalam statistik, rentang didefinisikan hanya sebagai perbedaan antara maksimum dan minimum observasi.
Menurut saya, materi yang saya peroleh dari internet ini cukup bagus.Artikel ini terkesan tidak bertele-tele, singkat, namun dapat menjelaskan secara jelas mengenai range/rentang dari statistika itu sendiri.Artikel ini juga menyajikan nya dengan kata-kata yang tidak terlalu berat.Artikel ini memberi penjelasan yang dekat dengan kehidupan kita sehari-hari sehingga sangat mudah dipahami oleh pembaca.
Dalam banyak kasus, bagaimanapun, data erat berkerumun dan jika jumlah pengamatan sangat besar, maka dapat memberikan rasa yang baik dari distribusi data.Sebagai contoh, perhatikan survei besar tingkat IQ mahasiswa yang terdiri dari 10.000 siswa dari latar belakang yang berbeda.
Hal ini secara intuitif jelas mengapa kita mendefinisikan rentang statistik dengan cara ini - kisaran harus menyarankan bagaimana diversely menyebar nilai-nilai yang, dan dengan menghitung selisih antara nilai maksimum dan minimum, kita bisa mendapatkan perkiraan penyebaran contoh data.
Dalam banyak kasus, bagaimanapun, data erat berkerumun dan jika jumlah pengamatan sangat besar, maka dapat memberikan rasa yang baik dari distribusi data.
Artikel ini sangat bagus juga untuk menjadi referensi dalam mempelajari statistika walaupun tidak berkontribusi besar dalam seluruh topic statistika namun sangat berguna untuk mengetahui dan memahaminya.
Statistika memberikan alat analisis data bagi berbagai bidang ilmu. Kegunaannya bermacam-macam: mempelajari keragaman akibat pengukuran, mengendalikan proses, merumuskan informasi dari data, dan membantu pengambilan keputusan berdasarkan data. Statistika, karena sifatnya yang objektif, sering kali merupakan satu-satunya alat yang bisa diandalkan untuk keperluan-keperluan di atas.
Namun,perlu kita ketahui bahwa data yang akan kita gunakan dalam penelitian harus tepat penggunaanya,benar keberadaanya,sesuai dengan keberadaan informasi yang bersangkutan dan harus memiliki syarat dan ketentuan data yang layak di gunakan sebagai data penelitian.dalam pemilihan data dapat juga dilakukan dengan berbagai macam cara seperti yang telah tersebutkan di atas tadi.
0 Response to "PENGERTIAN STATISTIKA"
Post a Comment