Kalkulator Distribusi t
Distribusi t dipakai saat simpangan baku populasi tidak diketahui dan ukuran sampelnya kecil, sehingga ekor sebarannya lebih gemuk daripada normal. Masukkan nilai t dan derajat kebebasan di atas untuk melihat peluangnya, atau masukkan peluang dan tingkat kepercayaan untuk mendapatkan nilai kritis t.
Kurva ungu: distribusi t. Kurva abu-abu: distribusi normal. Ekor kanan diarsir sampai nilai t yang Anda masukkan.
Pada df kecil, kurva t lebih rendah di tengah dan lebih tinggi di ekor daripada kurva normal. Makin besar df, makin dekat kurva t ke kurva normal.
Masukkan peluang ekor kiri (CDF) dan derajat kebebasan untuk mendapatkan nilai t-nya. Misalnya, CDF 0,975 dengan df = 10 memberi t = +2,228 β nilai kritis 95% dua sisi.
Nilai kritis t (t*) adalah nilai t yang membatasi daerah penolakan pada tingkat kepercayaan yang dipilih. Misalnya, pada 95% dua sisi dan df = 10, t* = 2,228.
| df | 90% | 95% | 99% |
|---|---|---|---|
| 1 | 6,314 | 12,706 | 63,657 |
| 5 | 2,015 | 2,571 | 4,032 |
| 10 | 1,812 | 2,228 | 3,169 |
| 15 | 1,753 | 2,131 | 2,947 |
| 20 | 1,725 | 2,086 | 2,845 |
| 29 | 1,699 | 2,045 | 2,756 |
| 30 | 1,697 | 2,042 | 2,750 |
| 100 | 1,660 | 1,984 | 2,626 |
| 120 | 1,658 | 1,980 | 2,617 |
Tabel nilai kritis dua sisi. Pada df = 100, nilai kritis 95% adalah 1,984 β hanya 0,024 di atas nilai z 1,960.
Apa itu distribusi t?
Distribusi t β distribusi t Student β adalah sebaran peluang untuk statistik uji t = (xΜ β ΞΌ) Γ· (s Γ· βn), yang dipakai saat simpangan baku populasi (Ο) tidak diketahui dan diganti dengan simpangan baku sampel (s). Distribusi ini ditemukan oleh William Sealy Gosset, ahli kimia di pabrik bir Guinness, yang menerbitkan karyanya pada 1908 dengan nama samaran βStudentβ karena perusahaannya melarang karyawan menerbitkan penelitian.
Berbeda dengan distribusi normal, bentuk distribusi t bergantung pada satu parameter: derajat kebebasan (df). Pada df kecil, kurvanya lebih rendah di tengah dan lebih tinggi di ekor β ekor yang gemuk itu mencerminkan ketidakpastian tambahan karena Ο diperkirakan dari sampel, bukan diketahui. Makin besar df, makin ramping ekornya, dan pada df yang sangat besar distribusi t praktis sama dengan distribusi normal.
Kapan memakai distribusi t, bukan distribusi normal?
Pakai distribusi t bila Ο tidak diketahui dan ukuran sampelnya kecil (biasanya n < 30) β inilah situasi uji-t yang paling umum. Pakai distribusi normal (z) bila Ο diketahui, atau bila sampelnya besar sehingga s sudah memperkirakan Ο dengan baik. Aturan praktisnya: bila Anda menghitung galat baku dari s, bukan dari Ο, Anda berada di dunia t β lihat Kalkulator Galat Baku untuk hubungan keduanya.
Contoh: menguji rata-rata 12 siswa dengan s = 6 memakai distribusi t dengan df = 11. Menguji rata-rata 400 responden survei dengan Ο yang diketahui memakai distribusi normal. Perbedaan keduanya kecil pada sampel besar β pada df = 100, nilai kritis t 95% adalah 1,984, hanya 0,024 di atas z 1,960 β tetapi besar pada sampel kecil: pada df = 1, nilai kritis 95% adalah 12,706.
Apa itu derajat kebebasan (df)?
Derajat kebebasan (degrees of freedom, df) adalah banyaknya nilai yang bebas berubah setelah satu batasan diberlakukan. Untuk satu sampel, df = n β 1, karena rata-rata sampel sudah dipakai untuk menghitung simpangan baku β satu nilai βterkunciβ oleh rata-rata itu. Contoh: dari n = 12 pengukuran, df = 11; dari n = 30, df = 29. Untuk uji-t dua sampel independen, df dihitung dari kedua ukuran sampel (atau dengan rumus Welch bila variansnya berbeda).
Mengapa df penting? Karena df menentukan seberapa gemuk ekor distribusi t: df kecil berarti ekor gemuk dan nilai kritis besar; df besar berarti ekor ramping dan nilai kritis mendekati z. Itulah sebabnya tabel t selalu dibaca dengan baris df β salah satu angka df saja, dan nilai kritisnya berubah.
Nilai kritis t dan konvergensinya ke z
Nilai kritis t (t*) adalah nilai t yang membatasi daerah penolakan pada tingkat kepercayaan yang dipilih. Pada 95% dua sisi dan df = 10, t* = 2,228 β lebih besar daripada z* = 1,960, karena ekor t lebih gemuk. Perbandingan lengkapnya ada pada tabel di kalkulator di atas.
Perhatikan konvergensinya: df = 30 β t* = 2,042; df = 100 β t* = 1,984 (selisih 0,024 dari z); df = 1.000 β t* = 1,962 (selisih 0,002). Pada df = 120 ke atas, perbedaan dengan z sudah di bawah 0,02 β untuk keperluan praktis, t β z. Inilah alasan sebagian buku memakai z untuk n β₯ 30: pada df = 29, t* = 2,045 berbanding z 1,960 β selisih 0,085, masih cukup besar untuk interval kepercayaan yang ketat, tetapi sering dianggap cukup dekat.
Contoh uji-t satu sampel, langkah demi langkah
Sebuah kelas berisi 12 siswa mengikuti ujian dengan rata-rata 78 dan simpangan baku 6. Apakah rata-rata ini berbeda secara nyata dari rata-rata 75 yang dihipotesiskan? Uji hipotesisnya memakai distribusi t:
1. Hitung galat baku: SE = s Γ· βn = 6 Γ· β12 = 6 Γ· 3,464 = 1,73. 2. Hitung statistik t: t = (xΜ β ΞΌ) Γ· SE = (78 β 75) Γ· 1,73 = 3 Γ· 1,73 = 1,732. 3. Derajat kebebasan: df = n β 1 = 12 β 1 = 11. 4. Nilai-p dua sisi: masukkan t = 1,732 dan df = 11 ke kalkulator di atas β p = 0,1112. 5. Keputusan: p = 0,1112 > 0,05, jadi gagal menolak H0 β bukti tidak cukup kuat untuk menyatakan rata-ratanya berbeda dari 75.
Perhatikan bahwa nilai kritis 95% untuk df = 11 adalah 2,201 β dan 1,732 < 2,201, konsisten dengan keputusan yang sama. Nilai-p lengkap untuk uji ini juga bisa dihitung di Kalkulator Nilai-p (mode t), dan interval kepercayaannya di Kalkulator Interval Kepercayaan.
Distribusi t vs distribusi normal
Distribusi t dan distribusi normal sama-sama simetris dan berbentuk lonceng, dengan rata-rata 0. Perbedaannya ada pada ekor dan puncaknya: distribusi t lebih rendah di tengah dan lebih gemuk di ekor, karena simpangan bakunya diperkirakan dari sampel. Makin kecil df, makin besar perbedaannya β pada df = 1, ekornya sangat gemuk (nilai kritis 95% adalah 12,706); pada df = 30, perbedaannya sudah kecil (t* = 2,042 berbanding z* = 1,960).
Panduan lengkap perbandingan keduanya β kapan memakai yang mana, bagaimana bentuknya berubah dengan df, dan contoh soal β ada dalam panduan bahasa Inggris kami, t-Distribution vs Normal Distribution. Aturan praktisnya sederhana: bila Ο diketahui, pakai z; bila Ο tidak diketahui dan diperkirakan dari s, pakai t.
Cara membaca tabel t
Tabel t dibaca dengan baris derajat kebebasan (df) dan kolom tingkat kepercayaan atau nilai Ξ±. Untuk uji dua sisi pada 95% dan df = 10, cari baris 10 dan kolom 95% β 2,228. Untuk uji satu sisi pada Ξ± = 0,05 dan df = 10, nilainya sama dengan kolom 90% dua sisi β 1,812 β karena satu sisi 5% sama dengan dua sisi 10%. Selalu periksa apakah tabel Anda memakai kolom satu sisi atau dua sisi; memakai kolom yang salah adalah kesalahan yang paling umum.
Di kalkulator di atas, mode βNilai kritis tβ menghitung nilai yang sama untuk df berapa pun β termasuk df yang tidak ada di tabel cetak, seperti df = 29 (t* = 2,045) atau df = 100 (t* = 1,984). Mode βInversβ bekerja sebaliknya: masukkan peluangnya, dapatkan nilai t-nya.
Distribusi t di Excel
Excel memakai nama fungsi berbahasa Inggris dengan pemisah titik koma. Peluang ekor kiri: =T.DIST(2; 10; TRUE) = 0,9633. Peluang ekor kanan: =T.DIST.RT(2; 10) = 0,0367. Nilai-p dua sisi: =T.DIST.2T(2; 10) = 0,0734. Invers (nilai t dari peluang ekor kiri): =T.INV(0,975; 10) = 2,228. Invers dua sisi: =T.INV.2T(0,05; 10) = 2,228. Semua nilai ini sama dengan yang dihitung kalkulator di atas β gunakan Excel untuk memeriksa pekerjaan Anda, atau kalkulator ini untuk memeriksa Excel Anda.
Kesalahan umum
1. Memakai z saat Ο tidak diketahui. Bila simpangan baku berasal dari sampel (s), interval dan uji Anda memakai t, bukan z β terutama pada sampel kecil.
2. Memakai df = n, bukan n β 1. Untuk satu sampel, df = n β 1. Memakai n memberi nilai kritis yang sedikit terlalu kecil.
3. Mencampur satu sisi dan dua sisi. Nilai-p dua sisi adalah dua kali nilai-p satu sisi. Pastikan hipotesis Anda menentukan sisi yang benar sebelum membandingkan dengan Ξ±.
4. Membaca kolom tabel yang salah. Kolom 95% dua sisi sama dengan kolom 97,5% satu sisi β periksa judul kolom tabel Anda.
5. Mengira distribusi t selalu jauh dari normal. Pada df besar, t β z. Pada df = 100, selisih nilai kritisnya hanya 0,024.
Pertanyaan yang sering diajukan
Apa itu distribusi t Student?
Distribusi t Student adalah sebaran peluang untuk statistik uji t = (xΜ β ΞΌ) Γ· (s Γ· βn), yang dipakai saat simpangan baku populasi tidak diketahui. Bentuknya bergantung pada derajat kebebasan (df): makin kecil df, makin gemuk ekornya.
Kapan memakai distribusi t, bukan z?
Bila simpangan baku populasi (Ο) tidak diketahui dan diganti dengan simpangan baku sampel (s) β terutama pada sampel kecil (n < 30). Bila Ο diketahui atau sampelnya besar, pakai distribusi normal (z).
Apa itu derajat kebebasan?
Derajat kebebasan (df) adalah banyaknya nilai yang bebas berubah setelah satu batasan diberlakukan. Untuk satu sampel, df = n β 1 β misalnya n = 12 memberi df = 11. Makin besar df, makin dekat distribusi t ke normal.
Bagaimana cara membaca tabel t?
Cari baris derajat kebebasan (df) dan kolom tingkat kepercayaan atau Ξ±. Pada 95% dua sisi dan df = 10, nilainya 2,228. Periksa apakah tabel Anda memakai kolom satu sisi atau dua sisi β keduanya berbeda.
Apa hubungan distribusi t dengan uji-t?
Uji-t memakai distribusi t untuk menilai statistik ujinya: nilai-p dihitung dari peluang distribusi t di luar nilai t yang diamati. Contoh: t = 1,732 dengan df = 11 memberi nilai-p dua sisi 0,1112.
Mengapa distribusi t mendekati normal saat df besar?
Karena pada sampel besar, simpangan baku sampel (s) sudah memperkirakan Ο dengan sangat baik β ketidakpastian tambahan yang membuat ekor t gemuk menjadi hilang. Pada df = 100, nilai kritis 95% adalah 1,984, hanya 0,024 di atas z 1,960.
Siapa βStudentβ?
William Sealy Gosset (1876β1937), ahli kimia dan statistik di pabrik bir Guinness, Dublin. Ia menerbitkan distribusi t pada 1908 dengan nama samaran βStudentβ karena Guinness melarang karyawannya menerbitkan penelitian atas nama sendiri.
Bisakah memakai distribusi t untuk sampel besar?
Ya β dan hasilnya hampir sama dengan z, karena t β z pada df besar. Bila Ο tidak diketahui, memakai t tetap benar pada ukuran sampel berapa pun; memakai z hanya dibenarkan bila Ο diketahui atau sampelnya sangat besar.
Langkah Selanjutnya
Distribusi t vs Distribusi Normal
Apa bedanya distribusi t dan distribusi normal? Bandingkan bentuk, ekor, nilai kritis, dan kapan memakai t atau z, dengan contoh soal. Penjelasan lengkap.
Baca βJelajahi Alat Lainnya
Kalkulator Nilai-p
Hitung nilai-p dari z, t, chi-square, dan F β empat mode dalam satu alat.
Hitung βKalkulator Interval Kepercayaan
Hitung interval kepercayaan 90%, 95%, atau 99% untuk rata-rata dan proporsi.
Hitung βSumber: NIST/SEMATECH e-Handbook of Statistical Methods, Β§1.3.6.6.4 βt Distributionβ β itl.nist.gov. Metodologi situs ini: Our Methodology.