Contoh Soal dan Jawaban Statistika: Memahami Data dan Pengambilan Keputusan

Contoh soal dan jawaban statistika – Statistika, ilmu yang mempelajari cara mengumpulkan, mengolah, menganalisis, dan menginterpretasikan data, merupakan alat penting dalam berbagai bidang kehidupan. Mulai dari bisnis dan ekonomi hingga kesehatan dan sosial, statistika membantu kita memahami pola, tren, dan hubungan dalam data yang kompleks.

Contoh soal dan jawaban statistika memberikan gambaran konkret tentang penerapan konsep statistika dalam menyelesaikan masalah. Dengan memahami contoh-contoh ini, kita dapat belajar bagaimana mengolah data, menginterpretasikan hasil, dan mengambil keputusan yang tepat berdasarkan data yang tersedia.

Pengertian Statistika

Statistika adalah ilmu yang mempelajari cara mengumpulkan, mengolah, menganalisis, menginterpretasi, dan menyajikan data. Data tersebut dapat berupa angka, teks, atau gambar, yang kemudian diolah untuk mendapatkan informasi yang bermanfaat dalam pengambilan keputusan.

Penerapan Statistika dalam Kehidupan Sehari-hari

Statistika hadir di berbagai aspek kehidupan kita. Berikut beberapa contohnya:

• Kesehatan: Statistik digunakan untuk menganalisis data kesehatan, seperti angka kematian, tingkat kesembuhan, dan efektivitas obat. Data ini membantu dalam mengidentifikasi tren penyakit, mengembangkan strategi pengobatan, dan meningkatkan layanan kesehatan.
• Bisnis: Statistik membantu dalam menganalisis data penjualan, tren pasar, dan perilaku konsumen. Informasi ini digunakan untuk menentukan strategi pemasaran, memprediksi permintaan, dan mengelola risiko bisnis.
• Olahraga: Statistik digunakan untuk menganalisis performa atlet, menilai strategi tim, dan memprediksi hasil pertandingan. Data ini membantu dalam memilih pemain, melatih tim, dan membuat keputusan taktis.
• Sosial: Statistik digunakan untuk menganalisis data demografi, tingkat kejahatan, dan tingkat pengangguran. Data ini membantu dalam memahami kondisi sosial, merumuskan kebijakan sosial, dan meningkatkan kualitas hidup masyarakat.

Perbedaan Statistika Deskriptif dan Statistika Inferensial

Statistika deskriptif dan statistika inferensial merupakan dua cabang utama dalam statistika. Berikut perbedaannya:

• Statistika Deskriptif: Berfokus pada pengumpulan, pengolahan, dan penyajian data untuk menggambarkan karakteristik suatu populasi atau sampel. Misalnya, menghitung rata-rata nilai ujian, median, dan standar deviasi. Data ini hanya menggambarkan keadaan yang ada, tanpa membuat kesimpulan.
• Statistika Inferensial: Berfokus pada penggunaan data sampel untuk membuat kesimpulan atau prediksi tentang populasi. Misalnya, menggunakan data survei untuk memperkirakan proporsi pemilih yang akan memilih calon tertentu pada pemilihan umum. Statistika inferensial melibatkan penggunaan teori probabilitas untuk menguji hipotesis dan membuat prediksi.

Jenis-Jenis Data

Data merupakan elemen penting dalam statistika. Data dapat didefinisikan sebagai kumpulan informasi yang dikumpulkan, diorganisir, dan dianalisis untuk mendapatkan pemahaman yang lebih baik tentang suatu fenomena atau objek. Dalam statistika, data diklasifikasikan berdasarkan jenis dan skala pengukurannya. Klasifikasi ini membantu kita memahami karakteristik data dan memilih metode analisis yang tepat.

Perbedaan Data Kualitatif dan Data Kuantitatif

Data dapat dibedakan menjadi dua jenis utama: data kualitatif dan data kuantitatif. Perbedaan mendasar antara keduanya terletak pada sifat dan cara pengukurannya.

• Data kualitatif merupakan data yang menggambarkan kualitas, sifat, atau karakteristik suatu objek atau fenomena. Data ini tidak dapat diukur secara numerik dan biasanya dinyatakan dalam bentuk kata-kata, deskripsi, atau kategori. Contoh data kualitatif meliputi warna, rasa, jenis kelamin, status pernikahan, dan opini.
• Data kuantitatif merupakan data yang menggambarkan jumlah atau kuantitas suatu objek atau fenomena. Data ini dapat diukur secara numerik dan biasanya dinyatakan dalam bentuk angka. Contoh data kuantitatif meliputi tinggi badan, berat badan, jumlah siswa, suhu, dan nilai ujian.

Jenis-Jenis Data Berdasarkan Skala Pengukuran

Selain perbedaan kualitatif dan kuantitatif, data juga dapat diklasifikasikan berdasarkan skala pengukurannya. Skala pengukuran menunjukkan tingkat ketelitian dan informasi yang dapat diperoleh dari data. Terdapat empat skala pengukuran utama dalam statistika:

1. Data Nominal: Data nominal merupakan jenis data yang paling sederhana. Data ini hanya menunjukkan kategori atau label tanpa urutan atau peringkat. Contoh data nominal meliputi jenis kelamin (laki-laki, perempuan), warna rambut (hitam, coklat, pirang), dan agama (Islam, Kristen, Hindu, Budha). Operasi matematika yang dapat dilakukan pada data nominal terbatas, hanya penghitungan frekuensi dan proporsi.
2. Data Ordinal: Data ordinal merupakan data yang menunjukkan urutan atau peringkat antar kategori. Namun, jarak antar kategori tidak selalu sama. Contoh data ordinal meliputi tingkat kepuasan (sangat puas, puas, cukup puas, tidak puas), peringkat kelas (pertama, kedua, ketiga), dan skala Likert (sangat setuju, setuju, ragu-ragu, tidak setuju, sangat tidak setuju).
3. Data Interval: Data interval merupakan data yang menunjukkan urutan dan jarak antar kategori yang sama. Namun, tidak memiliki titik nol absolut. Contoh data interval meliputi suhu Celcius, suhu Fahrenheit, dan tahun. Operasi matematika yang dapat dilakukan pada data interval meliputi penjumlahan, pengurangan, dan perhitungan rata-rata.
4. Data Rasio: Data rasio merupakan jenis data yang paling lengkap. Data ini memiliki urutan, jarak antar kategori yang sama, dan titik nol absolut. Contoh data rasio meliputi tinggi badan, berat badan, umur, dan pendapatan. Semua operasi matematika dapat dilakukan pada data rasio, termasuk perkalian dan pembagian.

Pengumpulan Data

Pengumpulan data merupakan langkah awal yang penting dalam statistika. Data yang dikumpulkan akan menjadi dasar untuk menganalisis dan menginterpretasikan informasi yang ingin kita dapatkan.

Metode Pengumpulan Data

Metode pengumpulan data dalam statistika dapat dibagi menjadi dua kategori utama:

• Metode Primer: Metode ini melibatkan pengumpulan data langsung dari sumber data asli. Metode ini biasanya dilakukan dengan cara:
  • Observasi: Mengamati dan mencatat data secara langsung. Misalnya, mengamati perilaku konsumen di supermarket untuk mengetahui preferensi mereka terhadap produk tertentu.
  • Wawancara: Mengumpulkan data dengan cara bertanya langsung kepada responden. Wawancara dapat dilakukan secara tatap muka, melalui telepon, atau online.
  • Kuesioner: Mengumpulkan data dengan cara memberikan daftar pertanyaan tertulis kepada responden. Kuesioner dapat dibagikan secara langsung, dikirim melalui pos, atau disebarluaskan secara online.
• Metode Sekunder: Metode ini melibatkan pengumpulan data yang sudah ada sebelumnya. Data sekunder biasanya diperoleh dari:
  • Laporan pemerintah: Data yang dikumpulkan dan diterbitkan oleh lembaga pemerintah, seperti data sensus penduduk atau data ekonomi.
  • Publikasi ilmiah: Data yang dipublikasikan dalam jurnal ilmiah atau buku.
  • Basis data: Data yang disimpan dalam basis data elektronik, seperti data penjualan produk atau data keuangan.

Contoh Pertanyaan dalam Kuesioner

Contoh pertanyaan dalam kuesioner untuk pengumpulan data:

Cara Melakukan Observasi dan Wawancara, Contoh soal dan jawaban statistika

• Observasi: Saat melakukan observasi, penting untuk menentukan tujuan observasi, memilih metode observasi yang tepat (partisipan atau non-partisipan), dan mencatat data secara sistematis.
• Wawancara: Sebelum melakukan wawancara, perlu disiapkan daftar pertanyaan yang akan diajukan. Wawancara dapat dilakukan secara terstruktur (dengan pertanyaan yang sudah ditentukan), semi-terstruktur (dengan pertanyaan yang fleksibel), atau tidak terstruktur (dengan pertanyaan yang spontan). Penting juga untuk menciptakan suasana yang nyaman dan membangun hubungan yang baik dengan responden.

Penyajian Data

Data yang telah dikumpulkan perlu disajikan dengan cara yang mudah dipahami dan diinterpretasi. Penyajian data dapat dilakukan dalam berbagai bentuk, seperti tabel, diagram, dan grafik. Pemilihan bentuk penyajian data tergantung pada jenis data dan tujuan penyajiannya.

Tabel

Tabel merupakan cara yang efektif untuk menyajikan data dalam bentuk baris dan kolom. Tabel dapat digunakan untuk menampilkan data numerik, kategorikal, atau kombinasi keduanya. Tabel yang baik memiliki judul yang jelas, label kolom dan baris yang tepat, dan data yang disusun secara logis.

• Tabel dapat membantu dalam melihat tren data, membandingkan data dari kelompok yang berbeda, dan mengidentifikasi outlier.
• Contoh tabel frekuensi dapat dilihat pada tabel di bawah ini. Tabel ini menunjukkan frekuensi kemunculan nilai data dalam suatu set data.

Diagram

Diagram adalah representasi visual dari data yang menggunakan simbol-simbol grafis seperti batang, lingkaran, atau garis. Diagram dapat membantu dalam memahami data secara cepat dan mudah.

• Diagram batang digunakan untuk menampilkan data kategorikal atau data numerik diskrit. Batang-batang pada diagram batang mewakili nilai data, dan panjang batang menunjukkan frekuensi atau nilai data.
• Contoh diagram batang dapat dilihat pada gambar di bawah ini. Diagram batang ini menunjukkan frekuensi kemunculan nilai data dalam suatu set data.

[Gambar diagram batang dengan label sumbu X dan sumbu Y yang jelas]

Histogram

Histogram adalah diagram batang yang digunakan untuk menampilkan data numerik kontinu. Batang-batang pada histogram mewakili kelas data, dan luas batang menunjukkan frekuensi data dalam kelas tersebut.

• Histogram dapat membantu dalam melihat distribusi data, mengidentifikasi pusat data, dan melihat sebaran data.
• Untuk membuat histogram, data harus dikelompokkan ke dalam kelas-kelas yang memiliki lebar yang sama.
• Frekuensi data dalam setiap kelas kemudian diplot pada sumbu Y, dan kelas data diplot pada sumbu X.

Poligon Frekuensi

Poligon frekuensi adalah diagram garis yang digunakan untuk menampilkan data numerik kontinu. Titik-titik pada poligon frekuensi mewakili titik tengah kelas data, dan garis menghubungkan titik-titik tersebut.

• Poligon frekuensi dapat membantu dalam melihat tren data, membandingkan data dari kelompok yang berbeda, dan mengidentifikasi outlier.
• Untuk membuat poligon frekuensi, data harus dikelompokkan ke dalam kelas-kelas yang memiliki lebar yang sama.
• Frekuensi data dalam setiap kelas kemudian diplot pada sumbu Y, dan titik tengah kelas data diplot pada sumbu X.

Ukuran Pemusatan Data: Contoh Soal Dan Jawaban Statistika

Ukuran pemusatan data adalah nilai yang mewakili pusat atau titik tengah dari kumpulan data. Ukuran pemusatan data ini membantu kita memahami distribusi data dan mendapatkan gambaran umum tentang data tersebut. Beberapa ukuran pemusatan data yang umum digunakan adalah mean, median, dan modus.

Mean

Mean adalah rata-rata dari semua nilai dalam kumpulan data. Mean dihitung dengan menjumlahkan semua nilai data dan membaginya dengan jumlah data.

• Rumus mean:
  

  Mean = Σx / n

  di mana:

  • Σx adalah jumlah semua nilai data
  • n adalah jumlah data
• Contoh:
  Misalnya, kita memiliki data nilai ujian sebagai berikut: 70, 80, 90, 100.
  Maka, mean dari data tersebut adalah:

  Mean = (70 + 80 + 90 + 100) / 4 = 85

Median

Median adalah nilai tengah dari kumpulan data yang telah diurutkan dari yang terkecil hingga yang terbesar. Jika jumlah data genap, median adalah rata-rata dari dua nilai tengah.

• Contoh:
  Misalnya, kita memiliki data nilai ujian sebagai berikut: 70, 80, 90, 100.
  Maka, median dari data tersebut adalah:

  Median = (80 + 90) / 2 = 85

Modus

Modus adalah nilai yang paling sering muncul dalam kumpulan data. Kumpulan data dapat memiliki satu modus (unimodal), dua modus (bimodal), atau lebih dari dua modus (multimodal).

• Contoh:
  Misalnya, kita memiliki data nilai ujian sebagai berikut: 70, 80, 80, 90, 100.
  Maka, modus dari data tersebut adalah 80, karena nilai 80 muncul dua kali, lebih banyak dari nilai lainnya.

Perbedaan Mean, Median, dan Modus

Mean, median, dan modus merupakan ukuran pemusatan data yang berbeda dan dapat memberikan informasi yang berbeda tentang kumpulan data. Mean dipengaruhi oleh outlier (nilai ekstrem), sedangkan median dan modus tidak. Median lebih representatif untuk data yang memiliki outlier, sedangkan mean lebih representatif untuk data yang terdistribusi normal.

• Mean: Mean adalah ukuran pemusatan data yang paling umum digunakan. Mean mudah dihitung dan memberikan gambaran umum tentang pusat data. Namun, mean dapat dipengaruhi oleh outlier.
• Median: Median lebih tahan terhadap outlier daripada mean. Median lebih representatif untuk data yang memiliki outlier atau data yang tidak terdistribusi normal.
• Modus: Modus menunjukkan nilai yang paling sering muncul dalam kumpulan data. Modus berguna untuk mengetahui nilai yang paling populer atau paling sering terjadi dalam kumpulan data.

Ukuran Penyebaran Data

Ukuran penyebaran data merupakan salah satu konsep penting dalam statistika yang menggambarkan seberapa tersebar atau terkonsentrasi data dalam suatu kumpulan data. Ukuran penyebaran data memberikan informasi mengenai variasi atau perbedaan nilai-nilai data dalam suatu kumpulan data.

Range

Range merupakan ukuran penyebaran data yang paling sederhana. Range dihitung dengan cara mengurangkan nilai data terbesar dengan nilai data terkecil dalam suatu kumpulan data.

Range = Nilai data terbesar – Nilai data terkecil

Varians

Varians merupakan ukuran penyebaran data yang menunjukkan seberapa jauh nilai-nilai data menyebar dari nilai rata-ratanya. Varians dihitung dengan cara menghitung rata-rata kuadrat selisih antara setiap nilai data dengan nilai rata-rata.

Varians = Σ(Xi – X̄)² / (n – 1)

Keterangan:

• Xi adalah nilai data ke-i
• X̄ adalah nilai rata-rata data
• n adalah jumlah data

Standar Deviasi

Standar deviasi merupakan ukuran penyebaran data yang menunjukkan seberapa jauh nilai-nilai data menyebar dari nilai rata-ratanya. Standar deviasi dihitung dengan cara menghitung akar kuadrat dari varians.

Mencari contoh soal dan jawaban statistika? Kamu bisa menemukan banyak contoh soal dan jawaban untuk berbagai topik, mulai dari data tunggal hingga analisis regresi. Nah, kalau kamu ingin belajar tentang analisis keuangan, kamu bisa coba cari contoh soal dan jawaban break even point.

Kamu bisa menemukan contoh soal dan jawaban break even point pdf di situs ini. Memahami konsep break even point bisa membantumu dalam menganalisis dan mengambil keputusan bisnis yang lebih baik. Setelah mempelajari break even point, kamu bisa kembali ke materi statistika dan mengasah kemampuanmu dalam mengolah data!

Standar Deviasi = √Varians

Contoh Perhitungan

Misalkan kita memiliki kumpulan data tunggal berikut:

Maka, kita dapat menghitung range, varians, dan standar deviasi sebagai berikut:

Range

Range = Nilai data terbesar – Nilai data terkecil = 15 – 5 = 10

Varians

Rata-rata data (X̄) = (5 + 8 + 10 + 12 + 15) / 5 = 10

Varians = Σ(Xi – X̄)² / (n – 1) = ((5 – 10)² + (8 – 10)² + (10 – 10)² + (12 – 10)² + (15 – 10)²) / (5 – 1) = 16.5

Standar Deviasi

Standar Deviasi = √Varians = √16.5 = 4.06

Perbedaan Range, Varians, dan Standar Deviasi

Range, varians, dan standar deviasi merupakan ukuran penyebaran data yang berbeda dalam menggambarkan data. Berikut adalah perbedaannya:

• Range menunjukkan selisih antara nilai data terbesar dan terkecil. Range mudah dihitung, tetapi tidak memperhitungkan semua nilai data dalam kumpulan data.
• Varians dan standar deviasi memperhitungkan semua nilai data dalam kumpulan data. Varians merupakan ukuran penyebaran data yang lebih kompleks dibandingkan dengan range. Standar deviasi merupakan akar kuadrat dari varians. Standar deviasi lebih mudah diinterpretasikan dibandingkan dengan varians karena memiliki satuan yang sama dengan data asli.

Probabilitas

Probabilitas adalah konsep matematika yang digunakan untuk mengukur kemungkinan suatu peristiwa terjadi. Dalam kehidupan sehari-hari, kita seringkali menggunakan kata “kemungkinan” atau “peluang” untuk menggambarkan probabilitas suatu peristiwa. Misalnya, kita mungkin mengatakan bahwa “kemungkinan hujan hari ini cukup tinggi” atau “peluang memenangkan lotere sangat kecil.”

Pengertian Probabilitas

Probabilitas adalah ukuran kemungkinan suatu kejadian terjadi. Nilai probabilitas selalu berada di antara 0 dan 1, di mana 0 menunjukkan bahwa kejadian tersebut tidak mungkin terjadi, dan 1 menunjukkan bahwa kejadian tersebut pasti terjadi.

Contoh Perhitungan Probabilitas

Misalnya, kita ingin menghitung probabilitas mendapatkan sisi kepala saat melempar koin. Karena koin memiliki dua sisi, kepala dan ekor, maka terdapat dua kemungkinan hasil. Probabilitas mendapatkan sisi kepala adalah 1/2 atau 50%.

Rumus umum untuk menghitung probabilitas adalah:

Probabilitas = Jumlah kejadian yang diinginkan / Jumlah total kejadian yang mungkin

Perbedaan Probabilitas Klasik, Empiris, dan Subjektif

• Probabilitas Klasik: Probabilitas klasik dihitung berdasarkan pertimbangan logika dan pengetahuan tentang semua kemungkinan hasil. Misalnya, probabilitas mendapatkan sisi kepala saat melempar koin adalah 1/2 karena terdapat dua kemungkinan hasil yang sama (kepala dan ekor).
• Probabilitas Empiris: Probabilitas empiris dihitung berdasarkan hasil observasi atau eksperimen. Misalnya, jika kita melempar koin 100 kali dan mendapatkan sisi kepala sebanyak 55 kali, maka probabilitas empiris mendapatkan sisi kepala adalah 55/100 atau 55%.
• Probabilitas Subjektif: Probabilitas subjektif adalah penilaian pribadi tentang kemungkinan suatu kejadian terjadi. Misalnya, jika seseorang mengatakan bahwa “probabilitas hujan hari ini cukup tinggi,” maka probabilitas tersebut berdasarkan penilaian subjektif mereka, yang mungkin dipengaruhi oleh pengalaman pribadi atau informasi yang mereka miliki.

Distribusi Probabilitas

Dalam statistika, distribusi probabilitas adalah konsep penting yang menggambarkan kemungkinan hasil dari suatu variabel acak. Variabel acak adalah variabel yang nilainya tidak pasti dan dapat berubah dari satu pengamatan ke pengamatan lainnya. Distribusi probabilitas memberikan kita cara untuk memodelkan dan memahami bagaimana nilai-nilai tersebut terdistribusi.

Distribusi Probabilitas Binomial

Distribusi probabilitas binomial adalah salah satu jenis distribusi probabilitas diskrit yang digunakan untuk memodelkan jumlah keberhasilan dalam serangkaian percobaan independen. Setiap percobaan memiliki dua hasil yang mungkin, yaitu sukses atau gagal, dengan probabilitas keberhasilan tetap konstan untuk setiap percobaan.

• Contohnya, jika kita melempar koin 10 kali, kita dapat menggunakan distribusi binomial untuk menghitung probabilitas mendapatkan tepat 5 sisi kepala. Dalam hal ini, setiap lemparan koin adalah percobaan independen, dan probabilitas mendapatkan sisi kepala adalah 0,5 untuk setiap lemparan.

Distribusi Probabilitas Poisson

Distribusi probabilitas Poisson adalah distribusi probabilitas diskrit yang digunakan untuk memodelkan jumlah kejadian yang terjadi dalam periode waktu atau lokasi tertentu, jika kejadian-kejadian tersebut terjadi secara independen dan dengan laju rata-rata konstan.

• Contohnya, kita dapat menggunakan distribusi Poisson untuk memodelkan jumlah panggilan telepon yang diterima oleh pusat panggilan dalam satu jam. Asumsikan bahwa panggilan telepon terjadi secara independen dan dengan laju rata-rata 10 panggilan per jam. Distribusi Poisson akan memberi kita probabilitas untuk menerima 0, 1, 2, 3, dan seterusnya panggilan telepon dalam satu jam.

Distribusi Probabilitas Normal

Distribusi probabilitas normal adalah salah satu distribusi probabilitas kontinu yang paling umum digunakan dalam statistika. Distribusi normal dicirikan oleh bentuk loncengnya, yang simetris di sekitar meannya. Banyak variabel dalam dunia nyata, seperti tinggi badan, berat badan, dan tekanan darah, terdistribusi secara normal.

Untuk menentukan probabilitas pada distribusi normal, kita dapat menggunakan tabel distribusi normal standar. Tabel ini memberikan probabilitas untuk berbagai nilai z, di mana z adalah nilai standar yang dihitung dengan menggunakan rumus berikut:

z = (x – μ) / σ

di mana x adalah nilai variabel acak, μ adalah mean, dan σ adalah deviasi standar.

• Contohnya, jika kita ingin menghitung probabilitas bahwa tinggi badan seseorang berada di atas 180 cm, kita perlu menghitung nilai z yang sesuai dengan tinggi badan 180 cm. Kemudian, kita dapat menggunakan tabel distribusi normal standar untuk menemukan probabilitas yang sesuai dengan nilai z tersebut.

Pengujian Hipotesis

Pengujian hipotesis merupakan metode statistik yang digunakan untuk menguji klaim atau dugaan tentang populasi berdasarkan data sampel. Metode ini memungkinkan kita untuk mengambil keputusan tentang kebenaran suatu hipotesis dengan menggunakan data yang tersedia.

Pengertian Pengujian Hipotesis

Pengujian hipotesis adalah proses statistik yang digunakan untuk menentukan apakah ada bukti yang cukup untuk menolak hipotesis nol (H0). Hipotesis nol adalah pernyataan tentang populasi yang diasumsikan benar sampai terbukti sebaliknya. Tujuan pengujian hipotesis adalah untuk menentukan apakah data sampel memberikan bukti yang cukup untuk menolak hipotesis nol.

Contoh Pengujian Hipotesis tentang Mean Populasi

Misalnya, kita ingin menguji hipotesis bahwa rata-rata tinggi badan siswa di sebuah universitas adalah 170 cm. Kita mengambil sampel 50 siswa dan mengukur tinggi badan mereka. Berdasarkan data sampel, kita ingin mengetahui apakah ada cukup bukti untuk menolak hipotesis nol bahwa rata-rata tinggi badan siswa adalah 170 cm.

Cara Menentukan Nilai p dan Interpretasi Hasil Pengujian Hipotesis

Dalam pengujian hipotesis, nilai p adalah probabilitas mendapatkan hasil sampel yang ekstrem atau lebih ekstrem daripada yang diamati, dengan asumsi hipotesis nol benar.

• Nilai p dihitung menggunakan statistik uji, yang mengukur perbedaan antara data sampel dan hipotesis nol.
• Nilai p biasanya diinterpretasikan dengan menggunakan tingkat signifikansi (α), yang merupakan ambang batas untuk menolak hipotesis nol.
• Jika nilai p kurang dari α, maka hipotesis nol ditolak, yang berarti bahwa ada bukti yang cukup untuk mendukung hipotesis alternatif.
• Jika nilai p lebih besar dari α, maka hipotesis nol tidak ditolak, yang berarti bahwa tidak ada bukti yang cukup untuk mendukung hipotesis alternatif.

Contohnya, jika nilai p adalah 0,03 dan α adalah 0,05, maka hipotesis nol ditolak karena nilai p kurang dari α. Ini berarti bahwa ada bukti yang cukup untuk menolak hipotesis nol bahwa rata-rata tinggi badan siswa adalah 170 cm.

Kesimpulan

Mempelajari statistika melalui contoh soal dan jawaban dapat memperkaya pemahaman kita tentang konsep dan aplikasi statistika dalam kehidupan nyata. Dengan memahami dasar-dasar statistika, kita dapat meningkatkan kemampuan berpikir kritis dan pengambilan keputusan yang lebih baik berdasarkan data.