2.

6 Anggaran
Dalam Contoh 2, walaupun adalah penting untuk kita
mengetahui min berat badan kesemua 1000 pelajar dalam
populasi, pada realitinya hampir mustahil untuk kita
memperoleh data tersebut, khususnya jika populasi itu
sangat besar. Justeru, min dan sisihan piawai populasi
seringkali dianggarkan dengan menggunakan data yang
diperoleh daripada sampel.

2.6.1 Anggaran titik

Andaikan anda ingin menganggar min berat badan bagi
semua pelajar PISMP di IPG anda. Oleh kerana anda tidak
dapat memperoleh ukuran berat badan sebenar bagi setiap
pelajar untuk mengirakan min berat badan, anda telah
mengirakan min berat badan bagi semua pelajar dalam kelas
anda.
Katakanlah min berat badan kelas anda ialah 68 kg.
Sekiranya anda menggunakan min berat badan kelas
anda (min sampel) sebagai anggaran bagi min semua
pelajar PISMP di IPG anda (min populasi), anda telah
melakukan anggaran titik. Ini adalah kerana satu nilai
spesifik (statistik sampel) digunakan sebagai anggaran
parameter populasi. Harus diingat min sampel tidak
semestinya digunakan sebagai anggaran min populasi.
Jika sesuai, mod atau median sampel juga boleh
digunakan untuk tujuan anggaran titik
2.6.2 Selang anggaran

Selang anggaran juga digunakan untuk menganggarkan

suatu parameter populasi. Dalam contoh min berat
badan pelajar PISMP, sekiranya anggaran min berat
badan pelajar IPG anda dilaporkan sebagai 66±2.5 kg,
konsep selang anggaran telah digunakan untuk
membuat anggaran tersebut.

Dalam situasi ini, selang anggaran tersebut membawa

maksud min berat badan dianggarkan terletak dalam
julat 63.5 – 68.5 kg. Selang anggaran yang digunakan
tidak ditentukan sewenang-wenangnya. Sebaliknya,
terdapat prosedur matematik yang digunakan bagi
memastikan aras keyakinan yang boleh dikaitkan
dengan selang anggaran yang digunakan.
2.7 Teorem Had Memusat
Dalam statistik, kita seringkali berhadapan dengan suatu
situasi di mana kita perlu mengetahui nilai suatu parameter
populasi. Contohnya, kita mungkin ingin mengetahui min
berat badan pelajar di sebuah IPG sebagai indikator tahap
kesihatan pelajar atau untuk sebarang tujuan yang lain.

Oleh kerana data tersebut sukar diperoleh kerana kerana

pelbagai sebab yang mungkin, kita akan membuat
persampelan daripada populasi. Data yang diperoleh
daripada sampel akan digunakan untuk menganggar
parameter populasi. Umpamanya, min berat badan sampel
digunakan untuk menganggar min berat badan populasi.
Dalam keadaan ini, lazimnya, suatu selang anggaran akan
dilaporkan. Selang anggaran ditentukan secara matematik
berdasarkan aras keyakinan yang ditetapkan.
Sampel rawak diperoleh daripada suatu
populasi, dan saiz sampel adalah besar
(>30), min bagi sampel-sampel yang
membentuk taburan persampelan bagi min
tertabur secara normal.
Sebenarnya, pernyataan di atas adalah sebahagian
daripada satu teorem penting dalam Statistik iaitu
Teorem Had Memusat (Central Limit Theorem). Teorem
ini menyatakan bahawa

Bagi sampel saiz n yang diperoleh daripada suatu

populasi bertaburan Normal dengan min, µ, dan
varians, σ2, taburan bagi min sampel
menghampiri
 2 
N , n  
 
bagi nilai n yang besar
 Terdapat beberapa perkara yang harus diberi perhatian
dalam teorem ini.

•min bagi taburan persampelan bagi adalah sama

dengan min populasi. Perhubungan ini diwakili secara
matematik dengan x  
•Sisihan piawai bagi taburan persampelan adalah 
n
Sisihan piawai ini juga dikenali sebagai ralat piawai
bagi min.
• Taburan persampelan min menghampiri taburan
Normal. Penghampiran ini bergantung juga kepada nilai
n iaitu saiz sampel. Bagi nilai n yang semakin besar,
taburan persampelan min akan semakin menghampiri
taburan Normal. Keadaan ini benar walaupun taburan
populasi tidak Normal.
 µ,
min populasi
 Perhatikan bahawa dalam Rajah 2, walaupun
{

taburan populasi tidak Normal, taburan

persampelan min adalah Normal dan kedua-dua
taburan mempunyai min yang sama.

 2 
Taburan N   ,  bermaksud min taburan ialah µ
 n 
 
dan sisihan piawai ialah
2 
iaitu
n n
*Nota: Simbol n digunakan untuk saiz sampel, N untuk pembolehubah taburan
Normal.
2.8 Taburan Normal

Rajah 3 menunjukkan lengkung taburan Normal.

Lazimnya, skor individu adalah tertabur antara ±3 sisihan
piawai dari min. Nilai peratus yang ditunjukkan ialah
peratus pencerapan / nilai yang terdapat dalam julat
tertentu. Umpamanya, terdapat 68.26% kemungkinan
suatu nilai dalam taburan Normal akan terletak dalam
selang µ ± 1σ, 95.44% nilai tersebut terletak dalam selang
µ ± 2σ dan seterusnya.
Rajah 3. Lengkung Taburan Normal
Nilai-nilai peratusan yang diberikan juga mewakili
kebarangkalian suatu nilai akan terletak dalam selang yang
berkaitan. Berdasarkan Teorem Had Memusat, taburan

persampelan min adalah Normal dengan min = µ dan

sisihan piawai =
 di mana n ialah saiz

n
sampel yang dipilih.
Sekiranya A = µ-2σ dan B = µ+2σ, maka kita boleh
mengatakan bahawa kebarangkalian nilai suatu
statistik seperti min sampel terletak dalam selang
tersebut ialah 95.44%. Peratus ini adalah tinggi
kerana selang ini besar. Sekiranya selang itu
dikecilkan kepada µ ± 1σ, kebarangkaliannya juga
menurun kepada 68.26%. Nilai 95.44% dan 68.26%
dalam perbincangan ini dikenali sebagai aras
keyakinan. Nilai u ± 1σ dan µ ± 2σ adalah had
keyakinan sementara selang (µ - 1σ, µ + 1σ) adalah
selang keyakinan.
Nilai had dan selang keyakinan
ditentukan dengan merujuk sifir
taburan normal piawai. Taburan Normal
piawai juga dikenali sebagai taburan
N(0, 1). Taburan ini dan sebahagian
daripada sifir taburan Normal piawai
ditunjukkan dalam Rajah 4.
2.9 Selang Keyakinan
Mari kita melihat contoh penggunaan sifir ini. Sekiranya
penghujung kanan graf sama dengan 2.5% (0.025),
maka kawasan berlorek akan sama dengan 0.9750. Di
dalam sifir, nilai z=1.96 adalah nilai yang mewakili
kebarangkalian 0.9750.   2 
Taburan persampelan min ialah N   , n 
 
Anda harus ingat bahawa ini bermaksud min taburan ini
ialah µ dan sisihan piawainya ialah 
n
Dengan itu, selang keyakinan 95% diberikan oleh


  1.96
n
 Pendek kata, jika kita bentuk
satu selang

   
   1.96 ,   1 .96 
 
 n n
, kebarangkalian nilai suatu statistik seperti min
sampel terletak dalam selang tersebut ialah 95%.
Apakah selang keyakinan yang akan
memberi aras keyakinan 95.44%?
Perbincangan sebelum ini menunjukkan aras
ini mewakili selang µ ± 2 (sisihan piawai).
Dalam Rajah 3, ini bersamaan dengan
penghujung kanan lengkung yang mewakili
nilai 0.0228. Oleh itu, anda harus cari nilai
0.9772 dalam sifir taburan Normal piawai.
Nilai z yang bersamaan dengan 0.9772 ialah
2.0. Oleh itu nilai z=2 seperti yang
ditunjukkan dalam Rajah 3. Maka, selang
keyakinannya ialah

 
 2  ,   2  
 
 n n 
selang keyakinan pada
aras 90% ????

selang keyakinan pada

aras 99% ????
 Secara umumnya, selang keyakinan boleh dituliskan dalam bentuk


x  z
2 n

1    aras keyakinan
z   nilai kritikal z / pekali keyakinan bagi aras keyakinan berkaitan
2
  sisihanpiawai populasi
n  saiz sampel

Perbincangan kita setakat ini adalah

berdasarkan andaian sampel dipilih daripada
populasi yang tak terhingga.
Sekiranya saiz populasi diketahui, selang
keyakinan yang sesuai digunakan ialah

  N n
x  z  
2 n  N 1 

1    aras keyakinan
z   nilai kritikal z / pekali keyakinan bagi aras keyakinan berkaitan
2
  sisihanpiawai populasi
n  saiz sampel
N  saiz populasi