Statistik Archives - Onestring Lab https://onestringlab.com/tag/statistik/ Kode Kreativitas Kopi Mon, 04 May 2026 08:38:41 +0000 en-US hourly 1 https://wordpress.org/?v=6.9.4 https://onestringlab.com/wp-content/uploads/2021/10/cropped-osl-high-res-e1455499003866-32x32.jpg Statistik Archives - Onestring Lab https://onestringlab.com/tag/statistik/ 32 32 Belajar Statistik – Apa itu koefisien korelasi? https://onestringlab.com/apa-itu-koefisien-korelasi/ Thu, 15 Dec 2022 01:28:00 +0000 https://onestringlab.com/?p=929 Koefisiensi korelasi, biasa disebut r, adalah sebuah nilai yang menentukan seberapa kuat hubungan antara 2 variabel. Rumus untuk menghitung koefisien korelasi adalah: $$ r= \frac{\sum{(x-\overline{x})(y-\overline{y})}}{\sqrt{\sum{(x-\overline{x}})^2 …

The post Belajar Statistik – Apa itu koefisien korelasi? appeared first on Onestring Lab.

]]> Koefisiensi korelasi, biasa disebut r, adalah sebuah nilai yang menentukan seberapa kuat hubungan antara 2 variabel. Rumus untuk menghitung koefisien korelasi adalah:

$$ r= \frac{\sum{(x-\overline{x})(y-\overline{y})}}{\sqrt{\sum{(x-\overline{x}})^2 \sum{(y-\overline{y}})^2}} $$

Kisaran nilai yang mungkin untuk koefisien korelasi adalah -1,0 hingga 1,0. Artinya, nilainya tidak boleh melebihi 1,0 dan kurang dari -1,0. Angka -1,0 menunjukkan nilai korelasi negatif sempurna dan 1,0 berarti angka korelasi positif yang sempurna. Secara visual seperti yang ditunjukan pada Gambar 1.

Gambar 1. Kekuatan hubungan antara 2 variabel

Interprestasi Korelasi

Ada 3 penafsiran hasil analisis korelasi :

  1. Melihat arah hubungan antar dua variabel
  2. Melihat kekuatan hubungan antar dua variabel
  3. Melihat signifikansi hubungan antar dua variabel

Klasifikasi Koefisien Korelasi

Adapun klasifikasi Koefisien Korelasi menurut Jonathan Sarwono adalah:

Nilai KorelasiKeterangan
r = 0Tidak ada korelasi antara 2 variabel
0 < r < 0,25Korelasi antara 2 variabel sangat lemah
0,25 < r < 0,50Korelasi antara 2 variabel cukup
0,50 < r <0,75Korelasi antara 2 variabel kuat
0,75 < r < 0,99Korelasi antara 2 variabel sangat Kuat
r = 1Korelasi antara 2 variabel kuat sempurna

Contoh Mencari Koefisien Korelasi

Misalkan terdapat 2 data yaitu x dan y, nilai dari kedua saya tersebut adalah

$$ x = 18,16,20,22,26,12,14,20 \\ y = 12,10,8,20,24,10,16,18 $$

Hitunglah nilai koefisien korelasinya.

Kode Python

Open In Colab

In [1]:
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
In [2]:
#data
x = [18,16,20,22,26,12,14,20]
y = [12,10,8,20,24,10,16,18]
In [3]:
#membuat dataframe
df = pd.DataFrame(list(zip(x, y)),
               columns =['x', 'y'])
df.head()
Out[3]:
x y
0 18 12
1 16 10
2 20 8
3 22 20
4 26 24
In [4]:
df.describe()
Out[4]:
x y
count 8.000000 8.000000
mean 18.500000 14.750000
std 4.503967 5.650537
min 12.000000 8.000000
25% 15.500000 10.000000
50% 19.000000 14.000000
75% 20.500000 18.500000
max 26.000000 24.000000
In [5]:
#rata-rata variabel x
df['x'].mean()
Out[5]:
18.5
In [6]:
#rata-rata variabel y
df['y'].mean()
Out[6]:
14.75

Correlation (r)

$$ r= \frac{\sum{(x-\overline{x})(y-\overline{y})}}{\sqrt{\sum{(x-\overline{x}})^2 \sum{(y-\overline{y}})^2}} $$

Menghitung korelasi menggunakan numpy

In [7]:
np.corrcoef(df['x'], df['y'])
Out[7]:
array([[1.        , 0.67920744],
       [0.67920744, 1.        ]])

Menghitung korelasi secara manual

In [8]:
x_mean = df['x']-df['x'].mean()
print(x_mean)
y_mean = df['y']-df['y'].mean()
print(y_mean )

0   -0.5
1   -2.5
2    1.5
3    3.5
4    7.5
5   -6.5
6   -4.5
7    1.5
Name: x, dtype: float64
0   -2.75
1   -4.75
2   -6.75
3    5.25
4    9.25
5   -4.75
6    1.25
7    3.25
Name: y, dtype: float64
In [9]:
sum_ = np.sum(x_mean * y_mean)
sum_
Out[9]:
121.0
In [10]:
sqrt_ = np.sqrt(np.sum(x_mean**2)* np.sum(y_mean**2))
sqrt_
Out[10]:
178.1488141975691
In [11]:
correlation = sum_/sqrt_
print(correlation)

0.6792074398306666
In [12]:
plt.title('Korelasi variabel x dan y')
plt.scatter(df['x'], df['y'])
plt.xlabel('x')
plt.ylabel('y')
plt.show()

Hubungan antara variabel x dan y adalah berkorelasi kuat.

Kesimpulan

Jika mengetahui adanya hubungan 2 variabel, maka akan diketahui 1 variabel bisa dilakukan penaksiran terhadap 1 variabel lain, melalui bantuan garis regresi. Korelasi memungkinkan peneliti untuk mempelajari variabel alami yang mungkin tidak praktis untuk diuji secara eksperimental.

Untuk artikel terkait statistik dapat dilihat di sini.

The post Belajar Statistik – Apa itu koefisien korelasi? appeared first on Onestring Lab.

]]> Belajar Statistik – Statistik Deskriptif dan Inferensial Pada Python https://onestringlab.com/statistik-deskriptif-dan-inferensial-pada-python/ Mon, 01 Nov 2021 01:42:44 +0000 https://onestringlab.com/?p=331 Statistika deskriptif dan inferensial merupakan cabang besar dari ilmu Statistika. Pada artikel ini akan dijelaskan beberapa bagian dari kedua hal tersebut. Statistik Deskriptif Statistik deskriptif …

The post Belajar Statistik – Statistik Deskriptif dan Inferensial Pada Python appeared first on Onestring Lab.

]]> Statistika deskriptif dan inferensial merupakan cabang besar dari ilmu Statistika. Pada artikel ini akan dijelaskan beberapa bagian dari kedua hal tersebut.

Statistik Deskriptif

Statistik deskriptif adalah cara untuk mengatur, melihat, dan mendeskripsikan kumpulan data menggunakan tabel, bagan, dan banyak parameter numerik lainnya. Beberapa istilah statistik yang termasuk dalam kelompok Deskripsi adalah:

  • Mean – Nilai rata-rata dari data yang bertipe numerik/angka.
  • Median – Nilai tengah yang membagi data terurut menjadi 2 bagian sama besar.
  • Mode – Nilai yang paling sering muncul dari data.
  • Standard Deviation – Rata-rata kuadrat dari selisih/jarak setiap observasi dengan nilai mean. 
  • Correlation – Nilai yang menggambarkan keeratan hubungan antara dua variabel numerik. Belum tentu menggambarkan hubungan sebab akibat.
  • Variance – Nilai yang menggambarkan seberapa bervariasi/beragamnya suatu data bertipe numerik/angka.

Seorang Data Scientists sangat memerlukan statistik deskriptif untuk mengenali pola dari datanya . Namun, jenis statistik ini hanya dapat digunakan dengan sampel data yang diselidiki dan tidak dapat digunakan untuk menarik generalisasi atau inferensi tentang populasi atau kelompok lain. Contohnya adalah kumpulan data untuk kota-kota yang menggunakan handphone atau memiliki sepeda motor . Misalnya, menurut BPS (Badan Pusat Statistik), jumlah sepeda motor di Indonesia mencapai 161,44 juta pada tahun 2018. Jumlah handphone sudah mencapai 120,1 juta.

Statistik inferensial

Statistik inferensial adalah teknik yang dapat digunakan untuk menganalisis sekelompok kecil sampel dari data induk atau populasi untuk membuat prediksi dan kesimpulan tentang kelompok data induk atau populasi. Statistik inferensial adalah ringkasan dari semua metode untuk menganalisis beberapa data dan mengarah pada prediksi atau kesimpulan tentang seluruh data induk (populasi). Generalisasi yang terkait dengan inferensi statistik tidak pasti karena didasarkan pada informasi parsial yang diperoleh dari bagian-bagian data. Jadi apa yang didapatkan hanyalah prediksi.

Berdasarkan ruang lingkup bahasannya, statistika inferensial mencakup:

  • Probabilitas atau teori kemungkinan
  • Dristribusi teoritis
  • Analisis kovarians
  • Sampling dan sampling distribusi
  • Pendugaan populasi atau teori populasi
  • Analisis varians
  • Uji Hipotesis
  • Analisis korelasi dan uji signifikasi
  • Analisis regresi untuk peramalan

Statistik deskriptif dan inferensial pada Python

Open In Colab

Statistik Deskriptif
Statistik deskriptif berkaitan dengan penyajian dan pengumpulan data

import library yang digunakan

In [ ]:
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
In [ ]:
# membuat data berupa data umur antara 20-35 sebanyak 10 buah
df1 = pd.DataFrame(dict(id=range(10), umur= np.random.randint(20,35, size=10)))
df1
Out[ ]:
id umur
0 0 21
1 1 25
2 2 22
3 3 32
4 4 30
5 5 27
6 6 31
7 7 33
8 8 27
9 9 20
In [ ]:
# mencari rata-rata
df1.umur.mean()
Out[ ]:
26.8
In [ ]:
# mencari nilai tengah
df1.umur.median()
Out[ ]:
27.0
In [ ]:
# mencari data yang paling banyak muncul
df1.umur.mode()
Out[ ]:
0    27
dtype: int64
In [ ]:
# mencari variance
df1.umur.var()
Out[ ]:
22.177777777777777
In [ ]:
# mencari standar deviasi
df1.umur.std()
Out[ ]:
4.7093288033198295
In [ ]:
# mencari rentang data
df1.umur.max() - df1.umur.min()
Out[ ]:
13
In [ ]:
# melihat sebaran menggunakan boxplot
df1.boxplot(column='umur', return_type='axes')
Out[ ]:
<matplotlib.axes._subplots.AxesSubplot at 0x7f352440bf90>

Skewness dan Kurtosisskewness dan kurtosis.JPG

In [ ]:
# mencari nilai skewness
df1['umur'].skew()
Out[ ]:
-0.18638654204889551
In [ ]:
# mencari nilai kurtosis
df1['umur'].kurt()
Out[ ]:
-1.4834127172180032

Open In Colab

Statistik Inferensial
Analisis statistik inferensial menyimpulkan sifat-sifat suatu populasi, misalnya dengan menguji hipotesis dan menurunkan perkiraan

import library yang digunakan

In [1]:
import numpy as np
import pandas as pd
import scipy.stats as stats
import matplotlib.pyplot as plt
In [2]:
# membuat data sebanyak 1000 buah
populasi = np.random.randint(10, 20, 1000)

np.random.seed(10)

# membuat list untuk menyimpan perkiraan setiap pengambilan sampel data
perkiraan = []

# membuat 
for x in range(200):
  # mengambil sampel 100 data dari populasi
  sampel = np.random.choice(a=populasi, size=100)

  # merata-ratakan data sampel dan disimpan pada list
  perkiraan.append(sampel.mean())
In [3]:
# mencari rata-rata dari populasi]
populasi.mean()
Out[3]:
14.567
In [4]:
pd.DataFrame(perkiraan).plot(kind='density')
Out[4]:
<matplotlib.axes._subplots.AxesSubplot at 0x7f04b331e3a0>

Titik Perkiraan
Interval Kepercayaan
intervalKepercayaan.JPG

Error Margin $$marginOfError = (criticalValue)* \frac{(standarDeviation)}{\sqrt(sampleSize)}$$

In [5]:
z_critical = stats.norm.ppf(q = 0.975)
In [6]:
margin_of_error = z_critical * (np.std(perkiraan)/np.sqrt(200))
margin_of_error
Out[6]:
0.039042256270319556
In [7]:
# lower : sampel_mean - margin_of_error
np.mean(perkiraan) - margin_of_error
Out[7]:
14.53175774372968
In [8]:
# upper : sampel_mean + margin_of_error
np.mean(perkiraan) + margin_of_error
Out[8]:
14.609842256270317
In [9]:
t_critical = stats.t.ppf(q = 0.975, df=24)
In [10]:
margin_of_error = t_critical * (np.std(perkiraan)/np.sqrt(200))
margin_of_error
Out[10]:
0.04111262104539879
In [11]:
# lower : sampel_mean - margin_of_error
np.mean(perkiraan) - margin_of_error
Out[11]:
14.5296873789546
In [12]:
# upper : sampel_mean + margin_of_error
np.mean(perkiraan) + margin_of_error
Out[12]:
14.611912621045397

Kesimpulan mengenai statistik deskriptif dan inferensial

Statistik deskriptif hanya sebatas menampilkan data dalam bentuk tabel, bagan, grafik, dan besaran lainnya. Selain statistik deskriptif, statistik inferensial sekarang dapat digunakan untuk menarik kesimpulan tentang populasi dari sampel. Sehingga dapat disimpulkan inferensi statistik melalui tahapan pengujian hipotesis dan pengujian statistik. Artikel lain terkait statistik dapat dilihat di sini.

The post Belajar Statistik – Statistik Deskriptif dan Inferensial Pada Python appeared first on Onestring Lab.

]]> Belajar Statistik – Apa itu Ukuran Penyebaran? https://onestringlab.com/apa-itu-ukuran-penyebaran/ Thu, 28 Oct 2021 00:31:43 +0000 https://onestringlab.com/?p=267 Pada artikel ini akan di bahas mengenai ukuran penyebaran Apa itu Ukuran Penyebaran? Ukuran penyebaran memberikan variabilitas dalam data dan seberapa baik data didistribusikan. Untuk …

The post Belajar Statistik – Apa itu Ukuran Penyebaran? appeared first on Onestring Lab.

]]> Pada artikel ini akan di bahas mengenai ukuran penyebaran

Apa itu Ukuran Penyebaran?

Ukuran penyebaran memberikan variabilitas dalam data dan seberapa baik data didistribusikan. Untuk mendapatkan gambaran keseluruhan dari data, kita akan menggunakan tendensi sentral dan ukuran deskripsi. Hal ini terutama digunakan dalam polling pemilihan, atau untuk menilai nilai ujian atau bahkan persentase kenaikan gaji.

Ukuran penyebaran terbagi 4 kategori

  1. Range
  2. Quartile
  3. Variance
  4. Standar Deviasi

Jupyter Notebook

Open In Colab

import library numpy

In [1]:
import numpy as np

Membuat Data

In [2]:
# generate 30 data bilangan real
data = np.random.randn(30)
data
Out[2]:
array([-0.20181808,  0.56644081, -0.5385213 ,  0.95774588,  0.97635735,
       -1.0941052 ,  0.93006759,  0.4492942 ,  0.19985695,  0.66997106,
        0.14827642,  1.2728451 , -0.11812149,  0.60403548, -0.40400818,
        0.62219441,  0.46435442,  0.27383479, -0.89920297, -0.05828149,
        0.74119153, -0.55061788, -0.68031783,  1.54683908, -1.66209298,
        1.20524697,  0.32575178, -0.07868015,  0.53524161, -0.01932291])
In [3]:
# mengurutkan data
data = np.sort(data)
data
Out[3]:
array([-1.66209298, -1.0941052 , -0.89920297, -0.68031783, -0.55061788,
       -0.5385213 , -0.40400818, -0.20181808, -0.11812149, -0.07868015,
       -0.05828149, -0.01932291,  0.14827642,  0.19985695,  0.27383479,
        0.32575178,  0.4492942 ,  0.46435442,  0.53524161,  0.56644081,
        0.60403548,  0.62219441,  0.66997106,  0.74119153,  0.93006759,
        0.95774588,  0.97635735,  1.20524697,  1.2728451 ,  1.54683908])

1. Range
Menghitung selisih antara data terbesar dan data terkecil $$range = max(data) - min(data)$$

In [4]:
# menghitung range
np.max(data) - np.min(data)
Out[4]:
3.2089320572772344

2. Quartile
Quartile membagi urutan-urutan data menjadi 4 bagian yang sama

In [5]:
# Quartile Pertama
Q1 = np.percentile(data,25)
Q1
Out[5]:
-0.18089393017739763
In [6]:
# Quartile Kedua
Q2 = np.percentile(data,50)
Q2
Out[6]:
0.2997932878575289
In [7]:
# Quartile Ketiga
Q3 = np.percentile(data,75)
Q3
Out[7]:
0.6580268993082843

Interquatile Range $$IQR = Q_3 - Q_1$$

In [8]:
IQR = Q3 - Q1
IQR
Out[8]:
0.8389208294856819

3. Variance
Menunjukkan sejauh mana data tersebar dari rata-rata
Rumus Variance untuk populasi $$\sigma^2 = \frac{\displaystyle\sum_{i=1}^{n}(x_i - \mu)^2} {n}$$

Rumus Variance untuk sampel $$S^2 = \frac{\displaystyle\sum_{i=1}^{n}(x_i - \mu)^2} {n}$$

In [9]:
# generate 100 data bilangan real
populasi = np.random.randn(100)

# mengurutkan data
populasi = np.sort(populasi)

populasi
Out[9]:
array([-2.53211626e+00, -1.98230935e+00, -1.56840010e+00, -1.50407864e+00,
       -1.43215884e+00, -1.36079405e+00, -1.31673459e+00, -1.26141567e+00,
       -1.06062988e+00, -1.06062771e+00, -9.78396710e-01, -9.77292420e-01,
       -9.64091140e-01, -9.48780367e-01, -9.24499652e-01, -9.04653064e-01,
       -8.56245634e-01, -7.67055257e-01, -7.30042060e-01, -7.01571723e-01,
       -6.95768924e-01, -6.94302445e-01, -6.94119909e-01, -6.45289676e-01,
       -6.22733420e-01, -6.01237917e-01, -5.95411061e-01, -5.87801735e-01,
       -5.86108748e-01, -5.73332169e-01, -5.40135774e-01, -4.63402257e-01,
       -4.46188339e-01, -4.21859375e-01, -3.57440395e-01, -3.32591025e-01,
       -3.30816966e-01, -3.11657057e-01, -2.83051890e-01, -2.79316128e-01,
       -2.69953269e-01, -2.38457920e-01, -2.09225580e-01, -1.79321574e-01,
       -1.65357898e-01, -1.65034083e-01, -1.61820912e-01, -1.55502134e-01,
       -7.32946941e-02, -4.87252346e-02, -4.65713333e-02, -2.78876738e-02,
       -5.62504973e-04,  1.55312885e-03,  1.61204312e-03,  1.12644357e-02,
        5.85513500e-02,  6.71316417e-02,  9.41455675e-02,  9.57520488e-02,
        1.28188529e-01,  1.57180103e-01,  2.25363633e-01,  3.30052735e-01,
        3.78691235e-01,  3.80828982e-01,  4.27167209e-01,  4.34420849e-01,
        4.46889945e-01,  4.71867190e-01,  5.00382295e-01,  5.01100163e-01,
        5.68993168e-01,  5.92910356e-01,  5.99786642e-01,  6.05940466e-01,
        6.23246039e-01,  6.25202110e-01,  6.85139416e-01,  6.92884674e-01,
        7.56749547e-01,  8.42005769e-01,  8.74988284e-01,  9.05711220e-01,
        9.15043533e-01,  9.33772173e-01,  9.71122009e-01,  9.92562992e-01,
        1.02604635e+00,  1.04729636e+00,  1.06295994e+00,  1.11294042e+00,
        1.20282996e+00,  1.21598137e+00,  1.32093338e+00,  1.35358198e+00,
        1.37846837e+00,  1.42845490e+00,  1.58786941e+00,  1.74833911e+00])
In [10]:
# generate 100 data bilangan real
sampel = np.random.choice(populasi, 20)

# mengurutkan data
sampel = np.sort(sampel)

sampel
Out[10]:
array([-1.31673459e+00, -9.78396710e-01, -9.64091140e-01, -7.67055257e-01,
       -5.95411061e-01, -4.46188339e-01, -4.46188339e-01, -3.32591025e-01,
       -3.32591025e-01, -2.38457920e-01, -2.09225580e-01, -1.55502134e-01,
       -5.62504973e-04,  3.30052735e-01,  4.46889945e-01,  5.01100163e-01,
        6.05940466e-01,  7.56749547e-01,  9.92562992e-01,  1.06295994e+00])

Menghitung Variance

In [11]:
np.var(populasi)
Out[11]:
0.6997660157012142
In [12]:
np.var(sampel)
Out[12]:
0.43522759137818684

4. Standar Deviasi
Standar Deviasi adalah akar dari variance
Rumus standar deviasi untuk populasi

$$\sigma =\sqrt{\frac{\displaystyle\sum_{i=1}^{n}(x_i - \mu)^2} {n}}$$

Rumus standar deviasi untuk sampel $$S =\sqrt{\frac{\displaystyle\sum_{i=1}^{n}(x_i - \mu)^2} {n}}$$

Menghitung Standar Deviasi

In [13]:
np.std(populasi)
Out[13]:
0.836520182482894
In [14]:
np.std(sampel)
Out[14]:
0.6597178119303638

Kesimpulan

Telah dipelajari mengenai cara mengukur sebaran data. Untuk artikel lain terkait dengan statistik silahkan lihat kumpulan artikelnya disini.

The post Belajar Statistik – Apa itu Ukuran Penyebaran? appeared first on Onestring Lab.

]]> Belajar Statistik – Mean, Median, Mode dan Populasi https://onestringlab.com/mean-median-mode-dan-populasi/ Mon, 25 Oct 2021 13:35:56 +0000 https://onestringlab.com/?p=244 Pada artikel ini akan dibahas mengenai mean, media, modus dan populasi pada data statistik. Jupyter Notebook Kesimpulan Mean adalah rata-rata, median adalah nilai tengah dan …

The post Belajar Statistik – Mean, Median, Mode dan Populasi appeared first on Onestring Lab.

]]> Pada artikel ini akan dibahas mengenai mean, media, modus dan populasi pada data statistik.

Jupyter Notebook

Open In Colab

import library numpy

In [1]:
import numpy as np
import matplotlib.pyplot as plt

Membuat data

In [2]:
# angka dari 7 - 10 sebanyak 20 buah
data = np.random.randint(7,10,20)
data
Out[2]:
array([8, 8, 9, 8, 9, 7, 8, 7, 7, 9, 9, 7, 9, 7, 8, 7, 8, 9, 7, 8])

Mean adalah nilai rata-rata dari sebuah data. $$\bar{X} = \frac{\sum_{}{}X_i} n$$

dimana X = data observasi; n = jumlah observasi

In [3]:
# mean atau rata-rata
np.mean(data)
Out[3]:
7.95

Median adalah nilai tengah dari data ketika data tersebut telah diurutkan.

In [4]:
data = np.sort(data)
print(data)
np.median(data)

[7 7 7 7 7 7 7 8 8 8 8 8 8 8 9 9 9 9 9 9]
Out[4]:
8.0

Mode adalah nilai yang paling sering muncul dalam suatu data.

In [5]:
# Nilai mode dicari dengan fungsi mode
import statistics
mode = statistics.mode(data)
mode
Out[5]:
7

Populasi dan Sampel
Populasi merupakan keseluruhan dari data yang ada.
Sampel merupakan sebagian dari populasi.

In [6]:
# populasi data angka dari 1 sampai 9 sebanyak 100 buah
populasi = np.random.randint(1,10,100)
populasi
Out[6]:
array([3, 1, 8, 6, 6, 1, 5, 7, 7, 7, 6, 8, 2, 7, 8, 1, 4, 9, 5, 7, 8, 3,
       7, 6, 4, 7, 1, 3, 2, 1, 9, 5, 2, 2, 6, 8, 6, 4, 2, 4, 5, 1, 5, 6,
       2, 3, 7, 6, 8, 5, 6, 2, 2, 2, 9, 7, 4, 2, 9, 1, 5, 9, 2, 7, 9, 9,
       7, 6, 9, 2, 2, 3, 7, 9, 3, 8, 7, 3, 1, 1, 5, 3, 2, 7, 4, 1, 3, 3,
       6, 3, 6, 7, 9, 5, 1, 3, 5, 9, 4, 6])
In [7]:
print("Mean :",np.mean(populasi))
print("Median :",np.median(populasi))
print("Mode :",statistics.mode(populasi))

Mean : 4.91
Median : 5.0
Mode : 7

Mengambil sampel dari populasi

In [8]:
sampel = np.random.choice(populasi, 20)
sampel
Out[8]:
array([8, 1, 2, 2, 2, 9, 1, 1, 1, 7, 7, 2, 5, 9, 9, 1, 8, 3, 7, 9])
In [9]:
print("Mean :",np.mean(sampel))
print("Median :",np.median(sampel))
print("Mode :",statistics.mode(sampel))

Mean : 4.7
Median : 4.0
Mode : 1

Mengambil sampel beberapa kali dari populasi

In [10]:
sampel_1 = np.random.choice(populasi, 15)
sampel_2 = np.random.choice(populasi, 15)
sampel_3 = np.random.choice(populasi, 15)
sampel_4 = np.random.choice(populasi, 15)
In [11]:
# memuat sampel-sampel ke dalam list
data_sampel = [sampel_1, sampel_2, sampel_3, sampel_4]
mean_sampel = []

for x in data_sampel:
  mean_sampel.append(np.mean(x))

mean_sampel
Out[11]:
[5.2, 4.4, 3.6666666666666665, 4.733333333333333]
In [12]:
print("Mean dari sample", np.mean(mean_sampel))

Mean dari sample 4.5
In [13]:
print("Mean dari populasi", np.mean(populasi))

Mean dari populasi 4.91

Terlihat mean populasi tidak jauh berbeda dari mean sampel

Kesimpulan

Mean adalah rata-rata, median adalah nilai tengah dan modus adalah nilai yang paling sering muncul dalam suatu data. Untuk artikel lain terkait dengan statistik silahkan lihat kumpulan artikelnya disini.

The post Belajar Statistik – Mean, Median, Mode dan Populasi appeared first on Onestring Lab.

]]>