Abpr1103 Statistics For Psychology

ABPR1103 STATISTICS FOR PSYCHOLOGY 2018
FACULTY OF APPLIED SOCIAL SCIENCES
SEMESTER SEPTEMBER 2018
ABPR1103
STATISTICS FOR PSYCHOLOGY
NO. MATRIKULASI : 800112125015001

NO. KAD PENGNEALAN : 800112125015
NO. TELEFON : 012-8945339
E-MEL : wan_sha8078@yahoo.com
PUSAT PEMBELAJARAN : SARAWAK LEARNING CENTRE
1|Page
ISI KANDUNGAN
PERKARA _______ MUKA SURAT
SOALAN 1…..………………………………………………………... 3
SOALAN 2…………………………………………………...……….. 8
SOALAN 3……………………………………………….…...…….... 12
SOALAN 4……………...............................................……………... 19
SOALAN 5…………………………………………………………… 22
2|Page
SOALAN 1
a. Status perkahwinan responden yang ditemuramah.
JAWAPAN : Pemboleh Ubah Kualitatif dan Data Norminal
b. Ketinggian pelajar dalam satu kelas pendidikan jasmani.
JAWAPAN : Pemboleh Ubah Kuantitatif dan Data Selenjar
c. Jenis buku yang dipinjam oleh pelajar di sebuah perpustakaan.
d. Kewarganegaraan pekerja asing di Malaysia.
e. Purata pendapatan bagi semua keluarga di Selangor.
JAWAPAN : Pemboleh Ubah Kuantitatif dan Data Diskrit
PEMBOLEH UBAH KUANTITATIF
Kajian kuantitatif merupakan satu kajian secara umumnya menggunakan analisis

statistik, ia lebih bersifat objektif dan berorientasikan kepada hasil. Merujuk kepada
istilah "kuantiti" membawa erti berapa banyak atau bilangannya. Kuantiti merujuk
kepada bilangan yang diskrit, yang dinyatakan dengan tepat. Berdasarkan kepada istilah
kuantiti, penyelidikan kuantitatif dikaitkan dengan data numerika dan ketepatan. Ia
adalah berdasarkan kaedah penyelidikan inkuiri positivis dimana penyelidikan dilakukan
melalui kajian eksperimental dan data numerika yang dipungut dianalisis dengan ujian
statistik. Melalui penyelidikan kuantitatif, masalah kajian dinyatakan dalam bentuk
hipotesis.
3|Page
Kajian kuantitatif terbahagi kepada 2 jenis iaitu kajian intervensi dan kajian non-
intervensi. Bagi kajian intervensi, rekabentuk kajian yang sesuai adalah kajian
eksperimen, manakala kajian non-intervensi pula rekabentuk kajiannya adalah kajian
korelasi dan kajian tinjauan. Bagi rekabentuk kajian eksperimen (kajian intervensi), ia
menerangkan sama ada intervensi mempengaruhi hasil satu kumpulan berbanding
kumpulan yang satu lagi. Manakala bagi rekabentuk kajian korelasi pula ia meramal
perkaitan atau hubungan antara pemboleh ubah, dan bagi rekabentuk kajian tinjauan pula
menerangkan trenda bagi satu populasi.
PEMBOLEH UBAH KUALITATIF
Kajian kualitatif pula merupakan satu kajian penyelidikan di mana pengkaji

bergantung kepada pandangan peserta, menanyakan soalan yang luas dan umum,
mengumpul data dalam bentuk perkataan atau teks daripada peserta, menjelaskan dan
menganalisa perkataan-perkataan tersebut dalam bentuk tema-tema serta menjalankan
inkuiri dalam bentuk yang subjektif dan bias. Kajian kualitatif merupakan kajian
semulajadi yang tidak mematuhi spesifikasi statistik, seterusnya dapatan kajian yang
diperoleh adalah tidak boleh digeneralisasikan. Walaubagaimanapun kajian kualitatif ini
‘menyumbang’ sesuatu kepada kajian berstatistik. ‘Sesuatu’ disini bermaksud yang
bermakna dan tidak boleh diukur (Schostak, John F. ,2002) Penggunaan rekabentuk
kualitatif terbahagi kepada 3 bahagian iaitu, kajian ethnographic, kajian grounded theory
dan kajian narrative. Bagi kajian ethnographic, ia melibatkan penerokaan budaya yang
dikongsi oleh sekumpulan individu. Bagi kajian grounded theory pula, meneroka
pengalaman individu untuk membina teori manakala kajian narrative pula meneroka
cerita individu untuk menerangkan kehidupan orang.
4|Page
DATA NORMINAL
Pengukuran data yang paling rendah adalah taraf nominal. Nombor mewakili
data taraf nominal boleh digunakan hanya untuk pengelasan dan kategori. Nombor
pengenalan kakitangan adalah sebagai contoh data nominal. Nombor yang digunakan
hanyalah untuk membezakan kakitangan dan bukanlah untuk memberikan pernyataan
nilai terhadap mereka. Banyak soalan-soalan demografi di dalam survei adalah data
nominal disebabkan soalan yang digunakan hanyalah untuk pengelasan sahaja. Contoh
soalan tersebut adalah:
Manakah klasifikasi pekerjaan yang terbaik menerangkan bidang kerja anda?
1.Pendidik, 2.Pekerjaan binaan, 3.Pekerja Kilang, 4.Penguam, 5.Doktor dan 6.Lain-lain
Oleh yang demikian, untuk tujuan pengiraan, pendidik ditandakan sebagai 1,

pekerjaan binaan sebagai 2, pekerja kilang sebagai 3, dan seterusnya. Nombor hanyalah
digunakan untuk mengkelaskan pekerja sahaja. Nombor 1 bukan menandakan
pengkelasan tertinggi. Ia hanya bertujuan untuk membezakan di antara pendidik (1) dan
doktor (5). Lain-lain data demografi seperti bangsa, jantina, tempat tinggal dan lain-lain
merupakan data bertaraf nominal.
DATA ORDINAL
Pengukuran data bertaraf ordinal adalah lebih tinggi daripada nominal.

Disamping itu, data ordinal boleh digunakan untuk memeringkatkan atau menyusun
objek. Sebagai contoh, dengan menggunakan data ordinal, penyelia boleh menilai tiga
orang pekerja dengan memeringkatkan produktiviti mereka dengan nombor 1 hingga 3.
Penyelia boleh mengenalpasti, satu pekerja amat produktif, saorang pekerja kurang
produktif dan seorang lagi tidak produktif menggunakan data ordinal. Walau
bagaimanapun, penyelia tidak boleh menggunakan data ordinal untuk membuktikan
interval di antara dua orang pekerja yang diperingkatkan sebagai 1 dan 2 atau pekerja
5|Page
diperingkat 2 dan 3 adalah sama. Iaitu, ia tidak boleh menyatakan bahawa perbezaan di
antara pekerja diperingkat 1, 2 dan 3 adalah sama. Dengan data ordinal, jarak yang
diwakili oleh nombor yang berturutan adalah tidak selalunya sama.
Beberapa soalan soal-selidik jenis skala Likert yang selalu digunakan oleh
penyelidik adalah jenis ordinal. Berikut adalah contoh skala tersebut:
Kualiti perkhidmatan yang diberi oleh Bank di Malaysia adalah baik.
Amat Bersetuju Bersetuju Tidak Pasti Tidak Bersetuju Amat tidak Bersetuju
1 2 3 4 5
Apabila soalan survei ini dikodkan kedalam komputer, hanya nombor 1 hingga 5
sahaja yang dimasukkan bukannya keterangannya. Secara maya semua orang bersetuju
bahawa 5 lebih tinggi daripada 4 di dalam skala ini dan pemeringkatan tindakbalas adalah
mungkin. Walau bagaimanapun kebanyakan responden tidak mempertimbangkan
perbezaan di antara Amat Tidak Bersetuju, Tidak Bersetuju, Tidak Pasti, Bersetuju dan
Amat Bersetuju adalah sama.
Sebagai contoh lain, dana pelaburan sebagai pelaburan yang

diperingkatkan di dalam sebutan risiko dengan menggunakan ukuran risiko biasa, risiko
kewangan dan risiko kadar faedah. Tiga ukuran ini adalah digunakan kepada pelaburan
dengan memeringkatkannya sebagai mempunyai risiko yang tinggi, sederhana dan
rendah. Katakan risiko tinggi ditandakan sebagai 3, sederhana risiko sebagai 2 dan tidak
berisiko sebagai 1. Jika dana tersebut dilabelkan sebagai 3 berbanding 2, ia mempunyai
risiko yang lebih dan seterusnya. Walau bagaimanapun, perbezaan risiko di antara
kategori 1,2 dan 3 tidak semestinya sama. Oleh itu, pengukuran risiko ini hanyalah taraf
pengukuran ordinal.
6|Page
DATA DISKRIT
Data diskrit adalah data yang diperoleh dari hasil menghitung atau mengira dan
bukannya mengukur. Data diskrit mempunyai sukatan data tertentu, boleh dikira dengan
nombor negatif. Data diskrit hanya boleh mengambil nilai-nilai tertentu sahaja. Sebagai
contoh:
• Bilangan kereta yang melalui tol ialah kemungkinan antara 27 atau 28 buah kereta.
• Tetapi tidak mungkin 27.8 buah kereta.
DATA SELANJAR
Data selanjar adalah data yang diperolehi melalui pemerhatian ke atas nilai-nilai
satu pembolehubah selanjar yang hanya boleh diberi nilai dalam suatu julat dan tidak
boleh mengambil satu nilai tunggal atau satu nilai tepat. Data selanjar mempunyai
sukatan data berterusan dan boleh mengambil nilai-nilai dalam satu selang. Sebagai
contoh :
• Mengambil nilai dalam sesuatu selang
• Contoh : berat pelajar (48.9 kg, 56.2kg), tinggi, masa,saiz kasut dan lain-lain.
7|Page
SOALAN 2
a. Bina jadual taburan frekuensi bagi data tersebut.
Satu kajian telah dilakukan oleh sebuah klinik untuk mengetahui bilangan pesakit
yang menerima rawatan bermula dari jam 8 hingga 11 pagi dalam tempoh 28 hari.
8 6 7 7 6 8 11 6 9 10 8 9 15 12
13 11 12 7 8 10 9 11 12 7 8 10 11 15
Data di atas boleh di persembahkan dalam jadual taburan frekuensi dengan

menggunakan langkah-langkah berikut:
i. Bahagikan nilai pembolehubah (x) kepada selang, kemudian hitung bilangan nilai bagi
setiap selang.
ii. Bina jadual dengan 3 jalur,iaitu nombor bagi selang (x), tally (bilangan yang dihitung)
dan frekuensi (f).
Jadual Taburan Frekuensi
Bilangan Pesakit (x) Tally Frekuensi (f)

6 III 3
7 IIII 4
8 IIII 5
9 III 3
10 III 3
11 IIII 4
12 III 3
13 I 1
14 0
15 II 2
Jumlah 28
8|Page
b. Kirakan frekuensi relatif dan peratus bagi setiap kelas.
Jadual taburan frekuensi yang di nyatakan dalam nilai nisbah atau peratus
dinamakan jadual taburan frekuensi relatif. Jadual-jadual tersebut boleh ditokok menjadi
jadual frekuensi relatif seperti berikut:
Bilangan Pesakit (x) Frekuensi (f) Frekuensi Relatif Peratus (%)

6 3 3/28 x 100 10.7%
7 4 4/28 x 100 14.3%
8 5 5/28 x 100 17.9%
9 3 3/28 x 100 10.7%
10 3 3/28 x 100 10.7%
11 4 4/28 x 100 14.3%
12 3 3/28 x 100 10.7%
13 1 1/28 x 100 3.6%
14 0 0/28 x 100 0%
15 2 2/28 x 100 7.1%
Jumlah 28 100%
9|Page
c. Kirakan frekuensi kumulatif bagi setiap kelas.
Kirakan kekerapan kumulatif nilai pertama. Kekerapan kumulatif ialah jawapan

kepada soalan "berapa kali nilai ini atau nilai yang lebih kecil muncul dalam set data?"
Pengiraan frekuensi kumulatif mesti bermula dari nilai terkecil. Kerana tidak ada nilai
yang lebih kecil daripada nilai terkecil, kekerapan nilai kumulatif adalah sama dengan
kekerapan mutlak.
x = 6 f = 3 Fkum = 3
x = 7 f = 4 Fkum 3 + 4 = 7
x = 8 f = 5 Fkum 7 + 5 = 12
x = 9 f = 3 Fkum 12 + 3 = 15
x = 10 f = 3 Fkum 15 + 3 = 18
x = 11 f = 4 Fkum 18 + 4 = 22
x = 12 f = 3 Fkum 22 + 3 = 25
x = 13 f = 1 Fkum 25 + 1 = 26
x = 14 f = 0 Fkum 26 + 0 = 26
x = 15 f = 2 Fkum 26 + 2 = 28
10 | P a g e
Bilangan Pesakit (x) Frekuensi (f) Frekuensi Kumulatif (Fkum)

6 3 3
7 4 7
8 5 12
9 3 15
10 3 18
11 4 22
12 3 25
13 1 26
14 0 26
15 2 28
Jumlah 28
11 | P a g e
SOALAN 3
Terdapat tiga ukuran kecenderungan memusat. Antaranya adalah ukuran purata

atau min yang bolah digunakan untuk mengukur purata taburan hujan, purata kelajuan
kereta di sebuah lebuhraya, purata perbelanjaan isi rumah dalam sebulan, purata markah
kursus statistik yang diperolehi oleh sekumpulan pelajar dan sebagainya. Selain daripada
min terdapat 2 lagi ukuran kecenderungan memusat iaitu median dan mod. Ukuran
kecenderungan memusat hanya mengukur satu nilai yang mewakili sekumpulan data.
Untuk mengetahui dengan lebih lanjut mengenai sesuatu data, bolehlah menghitung
sisihan dan serakan setiap data tersebut.
1. Min
Biasanya dikenali sebagai ‘purata’ atau min arimatik, min adalah ukuran memusat
yang paling kerap digunakan. Sebagai contoh Min digunakan oleh guru-guru untuk
mengira nilai purata skor yang diperoleh oleh pelajar-pelajar dalam ujian yang dilakukan
oleh guru, dan ianya terbahagi kepada dua iaitu ‘Min Data Mentah/Data Tak Terkumpul’
dan ‘Min Data Terkumpul (Jadual Kekerapan)’.
i) Min Data Tak Terkumpul
Pengiraan min itu penting kerana ia memudahkan kita menggunakan formula

statistik untuk mengira sisihan piawai. Untuk data tidak terkumpul, min dikira dengan
menjumlahkan semua skor dalam set, kemudian bahagikan jumlah ini dengan bilangan
skor. Min data tidak terkumpul dikira dengan menggunakan rumus yang berikut:
Di mana = Min, ∑ = jumlah, X = skor individu dan N = jumlah bilangan

skor
12 | P a g e
CONTOH 1:
Min untuk skor-skor 70, 85 dan 100 dalam satuujian ialah :
CONTOH 2:
Dalam satu ujian Matematik, skor untuk 10 orang pelajar adalah: 35, 42, 55, 67, 75, 88,
90, 94, 96 dan 98. Kirakan min dengan menggunakan formula,
13 | P a g e
ii) Pengiraan Min (Data Terkumpul)
Pengiraan min untuk data terkumpul adalah lebih kompleks. Bagi menghitung
min yang melibatkan data terkumpul, rumus berikut di gunkan:
Dengan Xi adalah nilai tengah dan fi adalah frekuensi.
CONTOH 1:
Sekumpulan pelajar di beri ujian matematik. Markah yang diperolehi dikumpulkan dalam
bentuk jadual seperti di bawah:
Markah Matematik 55 65 75 80 85 90 95
Bilangan Pelajar 5 10 15 20 14 12 6
Nilai min bagi taburan data di atas dihitung dengan menggunakan rumus:
14 | P a g e
Xi 55 65 75 80 85 90 95
fi 5 10 15 20 14 12 6
fiXi 275 650 1125 1600 1190 1080 570
Nilai diatas juga dikenali sebagai min berpemberat. Dengan fi sebagai pemberat.
Kelebihan Min
 Min merupakan pengukur yang sesuai digunakan jika kesemua cerapan perlu
diambil kira dalam menghitung ukuran kecenderungan memusat.
 Min merupakan pengukuran yang baik jika terdapat bilangan data yang besar.
 Min memberi pemberat yang seragam secara relative mengikut saiz data.
 Min sering digunakan dalam analisis lanjutan.
Kekurangan Min
 Min tidak dapat dianggarkan secara bergraf.

 Min tidak boleh digunakan bagi mengukur data kualitatif
 Min dipengaruhi oleh nilai melampau,
15 | P a g e
2. Median
Median ialah skor tengah apabila jumlah bilangan skor adalah ganjil atau nilai
purata dua skor di tengah-tengah taburan jika jumlah bilangan skor adalah genap dalam
satu susunan taburan menaik atau menurun.
Sebagai contoh, median untuk skor ujian ejaan (40,56,35,70,94) dan ujian
penulisan (55,62,96,45,76,80) adalah berikut:
CONTOH 1:
Skor Ujian Ejaan
35, 40, 56, 70, 94 (Susun secara menaik), maka median bagi skor ujian ejaan
adalah 56.
CONTOH 2:
Skor Ujian Penulisan
45, 55, 62, 76, 80, 96 (Susun secara menaik)
Median berguna jika terdapat skor yang ekstrim (melampau) dalam sesuatu
taburan. Contohnya, terdapat 3 skor dalam sesuatu ujian,iaitu 20, 20 dan 80. Walaupun
min taburan ini ialah 40, tetapi ini tidak menggambarkan ukuran kecenderungan
memusat. Dalam kes ini, nilai median 20 adalah lebih berguna sebagai ukuran
kecenderungan memusat.
16 | P a g e
Kelebihan Median
 Median tidak dipengaruhi oleh nilai melampau.

 Median sesuai di gunakan dalam ukuran kecenderungan memusat yang
melibatkan data yang berkelas terbuka.
 Median boleh dianggarkan daripada ogif.
Kekurangan Median
 Median tidak sesuai digunakan sebagai ukuran kecenderungan memusat jika

kesemua nilai termasuk yang terkecil dan terbesar dalam sesuatu kumpulan data
perlu diambil kira.
 Median tidak mengambil kira kesemua cerapan dalam kumpulan data.
3. Mod
Nilai mod pula boleh di peroleh dengan menyusun data yang tidak terkumpul itu
secara menaikatau menurun. Mod (Mo) adalah skor yang mempunyai kekerapan yang
paling tinggi dalam satu taburan. Satu taburan mungkin mempunyai satu atau lebih mod
atau tidak mempunyai mod langsung.
CONTOH 1:
76, 55, 34, 80, 60, 95, 70 (Taburan skor ini tidak mempunyai mod)
17 | P a g e
CONTOH 2:
86, 70, 59, 70, 75, 68, 70 (Taburan skor ini mempunyai satu mod atau unimod
sahaja. Nilainya ialah 70).
CONTOH 3:
76, 62, 54, 68, 62, 54, 88, 71 (Taburan skor ini mempunyai dua mod atau dwi-
mod. Nilai modialah 62 dan 54).
Mod memberi satu gambaran umum tentang taburan. Sebagai contoh, dalam
penghasilan baju-T, pengetahuan tentang mod akan membantu pengusaha menentukan
saiz baju-T yang paling dikehendaki.
Kelebihan Mod
 Mod tidak dipengaruhi oleh nilai melampau.

 Mod boleh diperolehi jika data melibatkan dalam selang terbuka.
 Mod boleh dianggarkan dari histogram.
Kekurangan Mod
 Mod tidak boleh dihitung jika melibatkan data berbentuk bi-modal.

 Mod tidak mengambil kira kesemua cerapan dalam kumpulan data.
18 | P a g e
SOALAN 4
Satu tinjauan telah dijalankan untuk mencari bilangan jam yang digunakan suri
rumah untuk menonton televisyen setiap hari. Data di bawah adalah keputusan untuk 12
orang suri rumah.
a.Kirakan varians.
Varians adalah ukuran serakan yang mengambil kira semua data yang ada,
berbeza daripada julat yang bergantung kepada dua ukuran sahaja, iaitu yang terendah
dan tertinggi. Kita perlu menjumlahkan kuasa-dua perbezaan setiap ukuran daripada min
keseluruhan ukuran.
Rumus varians adalah seperti berikut;
di mana x ialah min keseluruhan data.
Xi Xi - (x - min)2
8 (8 – 17.4) = -9.4 88.36
14 (14 – 17.4) = -3.4 11.56
12 (12 – 17.4) = -5.4 29.16
15 (15 – 17.4) = -2.4 5.76
30 (30 – 17.4) = 12.6 158.76
32 (32 – 17.4) = 14.6 213.16
2 (2 – 17.4) = -15.4 237.16
20 (20 – 17.4) = 2.6 6.76
34 (34 – 17.4) = 16.6 275.56
7 (7 – 17.4) = -10.4 108.16
11 (11 – 17.4) = -6.4 40.96
19 | P a g e
24 (24 – 17.4) = 6.6 43.56
17.4 0.2 1218.92
Pengiraan ,
Kita menggunakan 12 jam pertama daripada 24 jam dalam sehari menonton television.
Min bagi 12 jam ini dan kuasa-dua perbezaan jam daripada min adalah seperti berikut :
= 1218.92 / (12-1)
=1218.92/11
=110.81
b.Kirakan sisihan piawai.
Sisihan piawai juga merupakan ukuran serakan dan ia amatlah berkaitan dengan
varians, iaitu sisihan piawai adalah punca-ganda-dua varians :
Sisihan piawai (s) = 2
Pengiraan sisihan bagi contoh tersebut ialah:
s= 2 = √(110.81) = 10.53
20 | P a g e
Sisihan piawai lebih mudah difahami kerana bagi data yang banyak, ia mempunyai
hubungan langsung dengan ukuran, iaitu anggaran ukuran tertinggi, terendah dan julat
seperti berikut:
Anggaran ukuran tertinggi = min+(3 X sisihan piawai)
= 17.4 + (3 X 10.53) = 17.4 + 31.59 = 48.99
Anggaran ukuran terendah = min-(3 X sisihan piawai)
= 17.4 + (3 X 10.53) = 17.4 - 31.59 = -14.19
Anggaran julat = ukuran tertinggi - ukuran terendah =6 X sisihan piawai
= 6 X 10.53 = 63.18
21 | P a g e
SOALAN 5
Taburan Normal Piawai
Taburan Normal adalah satu taburan selanjar berbentuk simetri yang mempunyai
nilai min dan sisihan piawai. Ciri-ciri ini dapat di lihat seperti dalam Gambarajah 1
dibawah.
Gambarajah 1 Ciri-ciri Taburan Normal
Keluk normal ini berguna untuk mengkaji keterangan tentang sifat-sifat data.
Keluk normal dan jadual normal boleh memberikan bahagian pencerapan yang
terkandung di antara dua nilai. Sebarang keluk normal ini ditentukan oleh sisihan piawai,
s dan kedudukannya pada paksi mengufuk ditentukan oleh min, . . Untuk panduan,
selang dalam sisihan piawai, dan peratusan diantaranya diberikan seperti di Gambarajah
2 dibawah.
22 | P a g e
Gambarajah 2 Selang dalam Sisihan Piawai dalam Lengkung Normal
Nilai-nilai :
-1 hingga +1 : 68.3% dari cerapan
Taburan normal sering dilupakan dalam kajian penyelidikan dan tidak

dibincangkan secara mendalam. Namun, sebenarnya ia amat penting yang akan
menentukan jenis analisis data yang kita pilih. Banyak syarat-syarat yang perlu dipenuhi
untuk mencapai andaian asas (basic assumptions) prosedur statistikal; antaranya ialah
memerlukan data yang bertaburan normal. Ini bermakna taburan normal bagi data amat
penting untuk kita memilih prosedur statistikal yang sesuai.
Apabila data yang kita uji mempunyai taburan normal, barulah boleh run analisis
test of differences dan juga relationship. Data bertaburan normal sesuai menggunakan
analisis parametrik yang dapat menentukan sejauh mana kita menggunakan statistikal
inferensi melalui analisis bivariat dan analisis multivariat. Namun, jika seandainya data
kita tidak memenuhi syarat taburan normal, kita harus menggunakan analisis non-
23 | P a g e
parametric seperti Wilcoxon dan juga Mann-whitney test. Selalunya bagi analisis non-
parametric, sampel kajian yang digunakan kurang daripada 30 orang responden. Begitu
juga jika data kita tidak bertaburan normal, walaupun sampel kajian melebihi 30 orang
responden, analisis kajian perlu juga menggunakan non-parametric.
24 | P a g e

Abpr1103 Statistics For Psychology

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Abpr1103 Statistics For Psychology

Enviado por

Direitos autorais:

Formatos disponíveis

ABPR1103 STATISTICS FOR PSYCHOLOGY 2018

FACULTY OF APPLIED SOCIAL SCIENCES

SEMESTER SEPTEMBER 2018

STATISTICS FOR PSYCHOLOGY

NO. MATRIKULASI : 800112125015001

PUSAT PEMBELAJARAN : SARAWAK LEARNING CENTRE

PERKARA _______ MUKA SURAT

a. Status perkahwinan responden yang ditemuramah.

JAWAPAN : Pemboleh Ubah Kualitatif dan Data Norminal

b. Ketinggian pelajar dalam satu kelas pendidikan jasmani.

JAWAPAN : Pemboleh Ubah Kuantitatif dan Data Selenjar

c. Jenis buku yang dipinjam oleh pelajar di sebuah perpustakaan.

JAWAPAN : Pemboleh Ubah Kualitatif dan Data Norminal

d. Kewarganegaraan pekerja asing di Malaysia.

JAWAPAN : Pemboleh Ubah Kualitatif dan Data Norminal

e. Purata pendapatan bagi semua keluarga di Selangor.

JAWAPAN : Pemboleh Ubah Kuantitatif dan Data Diskrit

PEMBOLEH UBAH KUANTITATIF

Kajian kuantitatif merupakan satu kajian secara umumnya menggunakan analisis

PEMBOLEH UBAH KUALITATIF

Kajian kualitatif pula merupakan satu kajian penyelidikan di mana pengkaji

Manakah klasifikasi pekerjaan yang terbaik menerangkan bidang kerja anda?

1.Pendidik, 2.Pekerjaan binaan, 3.Pekerja Kilang, 4.Penguam, 5.Doktor dan 6.Lain-lain

Oleh yang demikian, untuk tujuan pengiraan, pendidik ditandakan sebagai 1,

Pengukuran data bertaraf ordinal adalah lebih tinggi daripada nominal.

Kualiti perkhidmatan yang diberi oleh Bank di Malaysia adalah baik.

Sebagai contoh lain, dana pelaburan sebagai pelaburan yang

• Tetapi tidak mungkin 27.8 buah kereta.

• Mengambil nilai dalam sesuatu selang

a. Bina jadual taburan frekuensi bagi data tersebut.

Data di atas boleh di persembahkan dalam jadual taburan frekuensi dengan

Jadual Taburan Frekuensi

Bilangan Pesakit (x) Tally Frekuensi (f)

Bilangan Pesakit (x) Frekuensi (f) Frekuensi Relatif Peratus (%)

Kirakan kekerapan kumulatif nilai pertama. Kekerapan kumulatif ialah jawapan

Bilangan Pesakit (x) Frekuensi (f) Frekuensi Kumulatif (Fkum)

Terdapat tiga ukuran kecenderungan memusat. Antaranya adalah ukuran purata

i) Min Data Tak Terkumpul

Pengiraan min itu penting kerana ia memudahkan kita menggunakan formula

Di mana = Min, ∑ = jumlah, X = skor individu dan N = jumlah bilangan

Min untuk skor-skor 70, 85 dan 100 dalam satuujian ialah :

Dengan Xi adalah nilai tengah dan fi adalah frekuensi.

 Min tidak dapat dianggarkan secara bergraf.

Skor Ujian Ejaan

Skor Ujian Penulisan

45, 55, 62, 76, 80, 96 (Susun secara menaik)

 Median tidak dipengaruhi oleh nilai melampau.

 Median tidak sesuai digunakan sebagai ukuran kecenderungan memusat jika

 Mod tidak dipengaruhi oleh nilai melampau.

 Mod tidak boleh dihitung jika melibatkan data berbentuk bi-modal.

Rumus varians adalah seperti berikut;

di mana x ialah min keseluruhan data.

b.Kirakan sisihan piawai.

Sisihan piawai (s) = 2

Pengiraan sisihan bagi contoh tersebut ialah:

Anggaran ukuran tertinggi = min+(3 X sisihan piawai)

= 17.4 + (3 X 10.53) = 17.4 + 31.59 = 48.99

Anggaran ukuran terendah = min-(3 X sisihan piawai)

= 17.4 + (3 X 10.53) = 17.4 - 31.59 = -14.19

Anggaran julat = ukuran tertinggi - ukuran terendah =6 X sisihan piawai

Taburan Normal Piawai

Gambarajah 1 Ciri-ciri Taburan Normal

Gambarajah 2 Selang dalam Sisihan Piawai dalam Lengkung Normal