Kalkulator Selang Kepercayaan

Hitung selang kepercayaan untuk rata-rata atau proporsi dengan solusi langkah demi langkah bertenaga AI

Seret & lepas atau klik untuk menambahkan gambar atau PDF

Math Input
95% CI for mean with n=30, sample mean=72, sample sd=8
99% CI for proportion with 240 successes in 400 trials
Margin of error for 95% CI, n=100, p_hat=0.55
90% CI for mean with population sd=15, n=64, x_bar=50

Apa itu Selang Kepercayaan?

Sebuah selang kepercayaan (SK) adalah rentang nilai yang masuk akal untuk parameter populasi yang tidak diketahui, dibangun dari data sampel. Selang kepercayaan 95% berarti: jika Anda mengulangi prosedur penyampelan berkali-kali, sekitar 95% dari selang yang dibangun akan memuat parameter sebenarnya.

Penting: angka 95% mengacu pada prosedur, bukan pada satu selang yang sudah dihitung. Begitu sebuah selang dibangun dari data, ia entah memuat atau tidak memuat parameter sebenarnya — tetapi kita tidak tahu yang mana.

Struktur inti: setiap selang kepercayaan berbentuk

taksiran±margin galat\text{taksiran} \pm \text{margin galat}

Taksiran adalah statistik sampel (xˉ\bar{x} atau p^\hat{p}). Margin galat adalah nilai kritis dikali galat baku dari taksiran.

Selang kepercayaan muncul dalam:

  • Jajak pendapat pemilu ('dukungan 52%, margin galat ±3%\pm 3\%')
  • Studi medis (SK ukuran efek)
  • Kendali mutu (laju cacat rata-rata)
  • Setiap kali Anda ingin mengukur ketidakpastian dalam suatu taksiran, bukan hanya melaporkan nilai titik.

Cara Menghitung Selang Kepercayaan

SK untuk Rata-rata Populasi (Selang-Z)

Ketika simpangan baku populasi σ\sigma diketahui dan distribusi penyampelan kira-kira normal (nn besar atau populasi normal):

xˉ±zσn\bar{x} \pm z^* \cdot \frac{\sigma}{\sqrt{n}}

di mana zz^* adalah nilai kritis untuk tingkat kepercayaan yang dipilih.

SK untuk Rata-rata Populasi (Selang-T)

Ketika σ\sigma tidak diketahui (Anda hanya memiliki ss, simpangan baku sampel) — jauh lebih umum dalam praktik:

xˉ±tn1sn\bar{x} \pm t^*_{n-1} \cdot \frac{s}{\sqrt{n}}

Nilai kritis tt^* berasal dari distribusi-t dengan n1n - 1 derajat kebebasan. Untuk nn besar (30\geq 30), tzt^* \approx z^* dan kedua selang sangat mirip.

SK untuk Proporsi Populasi

Untuk proporsi sampel p^=x/n\hat{p} = x/n (di mana xx adalah jumlah keberhasilan):

p^±zp^(1p^)n\hat{p} \pm z^* \cdot \sqrt{\frac{\hat{p}(1 - \hat{p})}{n}}

Berlaku ketika np^10n\hat{p} \geq 10 dan n(1p^)10n(1 - \hat{p}) \geq 10 (kondisi sukses-gagal).

Nilai Kritis

Tingkat kepercayaanzz^*t29t^*_{29} (df = 29)
90%1.6451.699
95%1.962.045
99%2.5762.756

Margin Galat

MG=(nilai kritis)×(galat baku)\text{MG} = (\text{nilai kritis}) \times (\text{galat baku})

Memperbesar ukuran sampel nn memperkecil galat baku (dan oleh karena itu margin galat) dengan faktor n\sqrt{n}. Melipatempatkan nn memangkas margin galat menjadi setengah.

Memilih Tingkat Kepercayaan

  • Kepercayaan lebih tinggi = selang lebih lebar. SK 99% lebih lebar daripada SK 95%, yang lebih lebar daripada SK 90%.
  • 95% adalah baku dalam sebagian besar konteks akademik dan profesional.
  • 99% ketika risiko lebih tinggi (medis, keselamatan); 90% ketika taksiran titik yang lebih ketat lebih penting daripada cakupan.

Kesalahan Umum yang Harus Dihindari

  • Salah menafsirkan angka 95%: 'Ada probabilitas 95% rata-rata sebenarnya berada dalam selang ini' adalah salah (frekuentis). Pernyataan yang benar adalah tentang prosedur: 95% selang yang dibangun secara serupa memuat parameter sebenarnya.
  • Menggunakan z ketika t lebih sesuai: dengan σ\sigma tidak diketahui, gunakan tt^*. Menggunakan zz^* meremehkan ketidakpastian, terutama untuk nn kecil.
  • Lupa n\sqrt{n} dalam galat baku: σ/n\sigma/\sqrt{n}, bukan σ/n\sigma/n.
  • Arah nilai kritis yang salah: z=1.96z^* = 1.96 untuk 95% (dua sisi), bukan z=1.645z = 1.645 persentil ke-95. Nilai kritis dua sisi memotong α/2\alpha/2 di setiap ekor.
  • Melewatkan kondisi sukses-gagal untuk proporsi: jika np^n\hat{p} atau n(1p^)<10n(1-\hat{p}) < 10, hampiran normal gagal — gunakan selang eksak (Clopper-Pearson) atau berbasis skor.
  • Mengacaukan SK dengan selang prediksi: SK 95% menaksir rata-rata dengan cakupan 95%. Selang prediksi menaksir satu observasi mendatang — jauh lebih lebar.

Examples

Step 1: σ\sigma tidak diketahui, n30n \geq 30 — gunakan selang-t dengan df=29df = 29
Step 2: t2.045t^* \approx 2.045 (dari tabel-t)
Step 3: Galat baku: s/n=8/301.461s/\sqrt{n} = 8/\sqrt{30} \approx 1.461
Step 4: Margin galat: 2.045×1.4612.9872.045 \times 1.461 \approx 2.987
Step 5: SK: 72±2.987(69.01,74.99)72 \pm 2.987 \approx (69.01, 74.99)
Answer: SK 95%: kira-kira (69.0,75.0)(69.0, 75.0)

Step 1: p^=240/400=0.6\hat{p} = 240/400 = 0.6
Step 2: Pemeriksaan sukses-gagal: 4000.6=24010400 \cdot 0.6 = 240 \geq 10 dan 4000.4=16010400 \cdot 0.4 = 160 \geq 10
Step 3: Galat baku: 0.60.4/400=0.0006=0.0245\sqrt{0.6 \cdot 0.4 / 400} = \sqrt{0.0006} = 0.0245
Step 4: z=2.576z^* = 2.576 untuk 99%
Step 5: Margin galat: 2.576×0.02450.0632.576 \times 0.0245 \approx 0.063
Step 6: SK: 0.6±0.063=(0.537,0.663)0.6 \pm 0.063 = (0.537, 0.663)
Answer: SK 99% untuk proporsi: kira-kira (0.537,0.663)(0.537, 0.663)

Step 1: σ\sigma diketahui — gunakan selang-z
Step 2: z=1.645z^* = 1.645 untuk 90%
Step 3: Galat baku: σ/n=15/64=15/8=1.875\sigma/\sqrt{n} = 15/\sqrt{64} = 15/8 = 1.875
Step 4: Margin galat: 1.645×1.8753.0841.645 \times 1.875 \approx 3.084
Step 5: SK: 50±3.084=(46.92,53.08)50 \pm 3.084 = (46.92, 53.08)
Answer: SK 90%: kira-kira (46.92,53.08)(46.92, 53.08)

Frequently Asked Questions

Artinya jika Anda mengulangi seluruh prosedur penyampelan dan pembangunan selang berkali-kali, sekitar 95% dari selang yang dihasilkan akan memuat parameter populasi sebenarnya. Ini adalah pernyataan tentang prosedur, bukan pernyataan probabilitas tentang satu selang tunggal.

Gunakan t setiap kali simpangan baku populasi σ tidak diketahui dan Anda menaksir dengan simpangan baku sampel s — yang hampir selalu terjadi dalam praktik. Gunakan z hanya ketika σ benar-benar diketahui (jarang di luar soal buku teks).

Margin galat menyusut sebanding dengan 1/√n. Untuk memangkas margin galat menjadi setengah, Anda perlu melipatempatkan ukuran sampel — hasil yang semakin berkurang muncul dengan cepat.

Selang kepercayaan menaksir parameter populasi (seperti rata-rata) dengan laju cakupan tertentu. Selang prediksi menaksir satu observasi mendatang dan jauh lebih lebar, karena harus memperhitungkan baik ketidakpastian dalam rata-rata *maupun* sebaran nilai individu di sekitarnya.

Related Solvers

Try AI-Math for Free

Get step-by-step solutions to any math problem. Upload a photo or type your question.

Start Solving