tugas kuliah ifadatul rizqi rahayu: April 2014

Minggu, 13 April 2014

BAB V Momen, Kemiringan, dan Kurtosis

Ukuran Kemiringan (skewness)

    Merupakan derajat atau ukuran dari ketidaksimetrisan (Asimetri) suatu distribusi data. Kemiringan distribusi data terdapat 3 jenis, yaitu :

    Simetris : menunjukkan letak nilai rata-rata hitung,
median, dan modus berhimpit (berkisar disatu
titik)
    Miring ke kanan : mempunyai nilai modus paling
kecil dan rata-rata hitung
paling besar
    Miring ke kiri : mempunyai nilai modus paling
besar dan rata-rata hitung paling kecil

Kemiringan              simetri (normal)            kemiringan                 Negatif                            positif

Untuk mengukur derajat kecondongan suatu distribusi dinyatakan dengan koefisien kecondongan (koefisien skewness).Ada tiga metode yang bisa digunakan untuk menghitung koefisien skewness yaitu :

    Rumus pearson

 = 1/S (X ̅ - Mod)   Atau  = 3/S (X ̅ – Med)

    Rumus Momen

    Data tidak berkelompok

3 = 1/〖nS〗^2 ∑ ( X1 X ̅ )3

    Data Berkelompok

3 = 1/〖nS〗^3 ∑f i( mi - X ̅ )3

Keterangan
3    = derajat kemiringan
x1    = nilai data ke – i
X ̅     = nilai rata-rata hitung
Fi    = frrekuensi nilai ke i
M1    = nilai titik tengah kelas ke-i
S    = Simpangan Baku
N    = Banyaknya data
Jika    3 = 0 distribusi data simetris
    3 < 0 distribusi data miring ke kiri
    3 > 0 distribusi data miring ke kanan

    Rumus bowley

Rumus ini menggunakan nilai kuartil :

    3 = (Q_3+ Q_1- 2Q_2)/(Q_3- Q_1 )
Keterangan :
Q1        = kuartil pertama
Q2        = Kuartil Kedua
Q3        = Kuaril Ketiga

Cara menentukan kemiringannya :
    Jika Q3 – Q2 = Q2 – Q1 sehingga Q3 + Q1 -2Q2 = 0 yang mengakiibatkan 3 = 0, sebaliknya jika distribusi miring maka ada dua kemungkinan yaitu Q1 = Q2 atau Q2 = Q3, dalam hal Q1 = Q2 maka 3 = 1 , dan untuk Q2 = Q3 maka 3 = -1

Ukuran kemiringan data merupakan ukuran yang menunjukan apakah penyebaran data terhadap nilai rata-ratanya bersifat simetris atau tidak. Ukuran kemiringan pada dasarnya merupakan ukuran yang menjelaskan besarnya penyimpangan data dari bentuk simetris. Suat distribusi frekuensi yang miring (tidak simetris) akan memiliki nilai mean, median dan modus yang tidak sama besar (X ̅ ≠ Md ≠ Mo) sehinggan distribusi akan memusat pada salah satu sisi yaitu sisi kanan atau sisi kiri. Hal ini yang menyebabkan bentuk kurva akan miring ke kanan atau ke kiri. Jika kurva miring ke arah kanan (ekornya memanjang ke arah kiri) disebut kemiringan positif, dan jika kurva miring ke arah kiri (ekornya memnjang ke arah kanan) disebut kemiringan negatif.

Analisis kasus :
Tabel 2.1
Cara perhitungan koefisien kecondongan dengan metode
Pearson dari data penghasilan keluarga
penghasila keluarga    X    f    U    fU    Fu2
10-22    16    5    -3    -15    225
23-35    29    6    -2    -12    144
36-48    42    13    -1    -13    169
49-61    55    19    0    0    0
62-74    68    11    1    11    121
75-87    81    11    2    22    484
88-100    94    5    3    15    225
Jumlah        70        ∑ fU = 8    ∑ fU2 = 1368

Sebelum menggunakan rumus terlebih dahulu dicari nilai , mean, median, dan standar deviasinya berikut ini:
Mean :
X ̅ = A + ((∑▒〖f.U〗)/n) . i
        X ̅ = 55 + (8/70) . 3
X ̅ = 56,485

Median :
    Med = Tkbmd + ((1/2 n-fkb)/fmd) . i

Med = 48.5 + ((35-24)/19) . 13
Med = 48.5 + 7,526
Med = 56,026

Standar Deviasi :

        S = i √((n∑f.U^2-(∑f.U^2))/(n(n-1)))
            S = 13 √(((70)-(1368)-(〖8)〗^2)/(70(70-1)))
            S = 13 √19,81
            S = 57,86

Setelah kita dapatkan nilai-nilai diatas, kemudian dimasukan ke dalam rumus koefisein skewness :
α = 3/S (X ̅ - Med)

α = 3/57,86 ( 56,485 – 56,026)

α = 0,0238

dari hasil perhitungan menunjukan bahwa koefisien skewness menghasilkan nilai positif, itu berarti distribusi frekuensi mempunyai bentuk kemiringan yang positif yaitu miring ke arah kanan



Ukuran Keruncingan (kurtosis)
Merupakan derajat atau ukuran tinggi rendahnya puncak suatu distribusi data terhadap distribusi normalnya data. Jika bentuk kurva runcingberarti nilai data terkonsentrasi terhadap nilai rata-tata atau nilai penyebarannya kecil, sebaliknya jika bentuk kurva nya tumpul berarti nilai data tersebar terhadap nilai rata-rata atau nilai penyebaran besar. Keruncingan distribusi data ini disebut juga kurtosis.
Derajat keruncingan suatu distribusi frekuensi dapat dibedakan menjadi tiga, yaitu:
    Leptokurtis
Distribusi data yang puncaknya relatif tinggi atau bentuk distribusi yang ujungnya sangat runcing
    Mesokurtis
Distribusi data yang puncaknya tidak terlalu runcing atau tidak terlalu tumpul
    Platikurtis
Distribusi data yang puncaknya terlalu rendah atau terlalu mendatar

            Mesokurtis                              leptokurtis                              platikurtis

Derajat keruncingan distribusi data α4 dapat dihitung berdasarkan rumus berikut
    Data tidak berkelompok
α4 = 1/(nS^4 ) ∑ ( Xi - X ̅)4

    Data berkelompok
α4 = 1/(nS^4 ) ∑ fi ( mi - X ̅ )4

Keterangan :
α4    = Derajat keruncingan
Xi    = nilai data ke – i
        = nilai rata-rata hitung
fi    = frekuensi kelas ke – i
mi    = nilai titik tengah ke –i
S    = simpangan baku
n     = banyaknya data

dari penggunaan rumus diatas akan menghasilkan kemungkinan tiga nilai yaitu :
        α4 = 3 distribusi keruncingan data disebut mesokurtis
        α4 > 3 distribusi keruncingan data disebut leptokurtis
        α4 < 3 distribusi keruncingan data disebut platikurtis

Analisis kasus :
Tabel 2.2
Cara perhitungan koofisien keruncingan
Dari data penghasilan keluarga
Penghasilan keluarga    Frekuensi    U    f.U    f.U2    f.U3    f.U4
10-22    5    -3    -15    45    -135    405
23-35    6    -2    -12    24    -48    96
36-48    13    -1    -13    13    -13    13
49-61    19    0    0    0    0    0
62-74    11    1    11    11    11    11
75-87    11    2    22    44    88    176
88-100    5    3    15    45    135    405
jumlah    70         8    182    38    1106

s = i √((n∑fU^2-(∑f.〖U)〗^2)/(n(n-1)))
s = 13 √(((70)(1368)-(〖8)〗^2)/(70(70-1)))

s = 13 √19,81

s = 57,86

Setelah kita dapatkan nilai diatas, kemudian dimasukan ke dalam rumus koefisein kurtosis :

α4 = [(∑f.U^4)/n-4{(∑f.U^3)/n}{(∑f.U^ )/n}+6{(∑f〖.U〗^2)/n} {(∑f.U)/n}^2-3{(∑f.U)/n}^4 ] i^4/s^4

α4 = [1106/70-4{38/70}{8/70}+6{182/70} {8/70}^2-3{8/70}^4 ] 〖13〗^4/〖57.86〗^4

α4 = (15.7557) (0,00255)

α4 = 0.040

Rabu, 09 April 2014

BAB IV Ukuran Penyimpangan

Ukuran pemusatan yaitu mean, median dan modus, merupakan informasi yang memberikan penjelasan kecenderungan data sebagai wakil dari beberapa data yang ada. Adapun ukuran penyebaran(simpangan) data memberikan gambaran seberapa besar data menyebar dari titik-titik pemusatan.

Ukuran penyebaran atau nilai ukuran variasi data digunakan :

ü untuk melihat penyimpangan data dari nilai pemusatannya

ü untuk mengukur keragaman data

Ukuran penyebaran meliputi jangkauan (range), simpangan rata-rata (deviasi ratarata) dan simpangan baku (deviasi standar).

Jangkauan (Range)

Ukuran penyebaran yang paling sederhana (kasar) adalah jangkauan (range) atau rentangan nilai, yaitu selisih antara data terbesar dan data terkecil. Untuk range data dirumuskan dengan:

Contoh soal
Tentukan range dari data-data di bawah ini.
6, 7, 3, 4, 8, 3, 7, 6, 10, 15, 20

Penyelesaian
Dari data di atas diperoleh xmaks = 20 dan xmin = 3
Jadi, R = xmaks – xmin = 20 – 3 = 17
Untuk data sudah dikelompokkan dalam bentuk tabel distribusi frekuensi, maka nilai tertinggi diambil dari nilai tengah kelas tertinggi dan nilai terendah diambil dari nilai kelas yang terendah.
Contoh soal
Tentukan range dari tabel berikut ini.

Penyelesaian

Simpangan Rata-Rata (Deviasi Rata-Rata)
Simpangan rata-rata suatu data adalah nilai rata-rata dari selisih setiap data dengan nilai rata-rata hitung. Simpangan rata-rata data dirumuskan sebagai berikut

Keterangan:
SR = simpangan rata-rata
n = ukuran data
xi = data ke-i dari data x1, x2, x3, …, xn
x = rataan hitung
Contoh soal
Diketahui data: 7, 6, 8, 7, 6, 10, 5. Tentukan simpangan rata-ratanya.

Kamis, 03 April 2014

BAB III Ukuran Pemusatan

(1) Mean (arithmetic mean)

Rata-rata hitung atau arithmetic mean atau sering disebut dengan istilah mean saja merupakan metode yang paling banyak digunakan untuk menggambarkan ukuran tendensi sentral. Mean dihitung dengan menjumlahkan semua nilai data pengamatan kemudian dibagi dengan banyaknya data. Definisi tersebut dapat di nyatakan dengan persamaan berikut:

Sampel:

Populasi:

Keterangan:

∑ = lambang penjumlahan semua gugus data pengamatan n = banyaknya sampel data N = banyaknya data populasi $\bar x$ = nilai rata-rata sampel μ = nilai rata-rata populasi Mean dilambangkan dengan $\bar x$ (dibaca "x-bar") jika kumpulan data ini merupakan contoh (sampel) dari populasi, sedangkan jika semua data berasal dari populasi, mean dilambangkan dengan μ (huruf kecil Yunani mu).

Sampel statistik biasanya dilambangkan dengan huruf Inggris, $\bar x$ , sementara parameter-parameter populasi biasanya dilambangkan dengan huruf Yunani, misalnya μ

a. Rata-rata hitung (Mean) untuk data tunggal

Contoh 1:

Hitunglah nilai rata-rata dari nilai ujian matematika kelas 3 SMU berikut ini: 2; 4; 5; 6; 6; 7; 7; 7; 8; 9

Jawab:

Nilai rata-rata dari data yang sudah dikelompokkan bisa dihitung dengan menggunakan formula berikut:

$\bar x=\dfrac{f_1x_1+f_2x_2+\dots .+f_nx_n}{f_1+f_2+\dots +f_n}=\dfrac{{\Sigma f}_ix_i}{\Sigma f_i}$

Keterangan: ∑ = lambang penjumlahan semua gugus data pengamatan f_i = frekuensi data ke-i n = banyaknya sampel data $\bar x$ = nilai rata-rata sampel

Contoh 2:

Berapa rata-rata hitung pada tabel frekuensi berikut:

x_i	f_i
70	5
69	6
45	3
80	1
56	1

Catatan: Tabel frekuensi pada tabel di atas merupakan tabel frekuensi untuk data tunggal, bukan tabel frekuensi dari data yang sudah dikelompokkan berdasarkan selang/kelas tertentu.

Jawab:

x_i	f_i	f_ix_i
70	5	350
69	6	414
45	3	135
80	1	80
56	1	56
Jumlah	16	1035

$\overline{x}=\dfrac{{\Sigma f}_ix_i}{\Sigma f_i}$

$\overline{x}=\dfrac{1035}{{\rm 16}}=64.6$

b. Mean dari data distribusi Frekuensi atau dari gabungan:

Distribusi Frekuensi: Rata-rata hitung dari data yang sudah disusun dalam bentuk tabel distribusi frekuensi dapat ditentukan dengan menggunakan formula yang sama dengan formula untuk menghitung nilai rata-rata dari data yang sudah dikelompokkan, yaitu: $\bar x=\dfrac{{\Sigma f}_ix_i}{\Sigma f_i}$

Keterangan:

∑ = lambang penjumlahan semua gugus data pengamatan f_i = frekuensi data ke-i $\bar x$ = nilai rata-rata sampel

Contoh 3:

Tabel berikut ini adalah nilai ujian statistik 80 mahasiswa yang sudah disusun dalam tabel frekuensi. Berbeda dengan contoh 2, pada contoh ke-3 ini, tabel distribusi frekuensi dibuat dari data yang sudah dikelompokkan berdasarkan selang/kelas tertentu (banyak kelas = 7 dan panjang kelas = 10).

Kelas ke-	Nilai Ujian	f_i
1	31 - 40	2
2	41 - 50	3
3	51 - 60	5
4	61 - 70	13
5	71 - 80	24
6	81 - 90	21
7	91 - 100	12
	Jumlah	80

Jawab:

Buat daftar tabel berikut, tentukan nilai pewakilnya (x_i) dan hitung f_ix_i.

Kelas ke-	Nilai Ujian	f_i	x_i	f_ix_i
1	31 - 40	2	35.5	71.0
2	41 - 50	3	45.5	136.5
3	51 - 60	5	55.5	277.5
4	61 - 70	13	65.5	851.5
5	71 - 80	24	75.5	1812.0
6	81 - 90	21	85.5	1795.5
7	91 - 100	12	95.5	1146.0
	Jumlah	80		6090.0

$\overline{x}=\dfrac{{\Sigma f}_ix_i}{\Sigma f_i}$

$\bar {x}=\dfrac{6090}{{\rm 80}}=76.1$

Catatan: Pendekatan perhitungan nilai rata-rata hitung dengan menggunakan distribusi frekuensi kurang akurat dibandingkan dengan cara perhitungan rata-rata hitung dengan menggunakan data aktualnya. Pendekatan ini seharusnya hanya digunakan apabila tidak memungkinkan untuk menghitung nilai rata-rata hitung dari sumber data aslinya.

Rata-rata Gabungan atau rata-rata terboboti (Weighted Mean)

Rata-rata gabungan (disebut juga grand mean, pooled mean, atau rata-rata umum) adalah cara yang tepat untuk menggabungkan rata-rata hitung dari beberapa sampel.

$\overline{x}=\dfrac{{\Sigma n}_ix_i}{\Sigma n_i}=\overline{x}=\dfrac{{\Sigma f}_ix_i}{\Sigma f_i}$

Contoh 4:

Tiga sub sampel masing-masing berukuran 10, 6, 8 dan rata-ratanya 145, 118, dan 162. Berapa rata-ratanya?

Jawab:

(2) Median

Median dari n pengukuran atau pengamatan x₁, x₂ ,..., x_n adalah nilai pengamatan yang terletak di tengah gugus data setelah data tersebut diurutkan. Apabila banyaknya pengamatan (n) ganjil, median terletak tepat ditengah gugus data, sedangkan bila n genap, median diperoleh dengan cara interpolasi yaitu rata-rata dari dua data yang berada di tengah gugus data. Dengan demikian, median membagi himpunan pengamatan menjadi dua bagian yang sama besar, 50% dari pengamatan terletak di bawah median dan 50% lagi terletak di atas median. Median sering dilambangkan dengan $\tilde{x}$ (dibaca "x-tilde") apabila sumber datanya berasal dari sampel $\tilde{\mu}$ (dibaca "μ-tilde") untuk median populasi. Median tidak dipengaruhi oleh nilai-nilai aktual dari pengamatan melainkan pada posisi mereka. Prosedur untuk menentukan nilai median, pertama urutkan data terlebih dahulu, kemudian ikuti salah satu prosedur berikut ini:

Banyak data ganjil → mediannya adalah nilai yang berada tepat di tengah gugus data
Banyak data genap → mediannya adalah rata-rata dari dua nilai data yang berada di tengah gugus data

a. Median data tunggal:

Untuk menentukan median dari data tunggal, terlebih dulu kita harus mengetahui letak/posisi median tersebut. Posisi median dapat ditentukan dengan menggunakan formula berikut:

$Posisi Median=\dfrac{(n+1)}{2}$

dimana n = banyaknya data pengamatan.

Median apabila n ganjil:

Contoh 5:

Hitunglah median dari nilai ujian matematika kelas 3 SMU berikut ini: 8; 4; 5; 6; 7; 6; 7; 7; 2; 9; 10

Jawab:

data: 8; 4; 5; 6; 7; 6; 7; 7; 2; 9; 10
setelah diurutkan: 2; 4; 5; 6; 6; 7; 7; 7; 8; 9; 10
banyaknya data (n) = 11
posisi Me = ½(11+1) = 6
jadi Median = 7 (data yang terletak pada urutan ke-6)

Nilai Ujian	2	4	5	6	6	7	7	7	8	9	10
Urutan data ke-	1	2	3	4	5	6	7	8	9	10	11
						↑

Median apabila n genap:

Contoh 6:

Hitunglah median dari nilai ujian matematika kelas 3 SMU berikut ini: 8; 4; 5; 6; 7; 6; 7; 7; 2; 9

Jawab:

data: 8; 4; 5; 6; 7; 6; 7; 7; 2; 9
setelah diurutkan: 2; 4; 5; 6; 6; 7; 7; 7; 8; 9
banyaknya data (n) = 10
posisi Me = ½(10+1) = 5.5
Data tengahnya: 6 dan 7
jadi Median = ½ (6+7) = 6.5 (rata-rata dari 2 data yang terletak pada urutan ke-5 dan ke-6)

Nilai Ujian	2	4	5	6	6		7	7	7	8	9
Urutan data ke-	1	2	3	4	5		6	7	8	9	10
						↑

b. Median dalam distribusi frekuensi:

Formula untuk menentukan median dari tabel distribusi frekuensi adalah sebagai berikut:

$Me{\rm{ = b + p}}\left( {\dfrac{{\dfrac{{\rm{1}}}{{\rm{2}}}{\rm{n - F}}}}{{\rm{f}}}} \right)$

b = batas bawah kelas median dari kelas selang yang mengandung unsur atau memuat nilai median

p = panjang kelas median

n = ukuran sampel/banyak data

f = frekuensi kelas median

F = Jumlah semua frekuensi dengan tanda kelas lebih kecil dari kelas median (∑f_i)

Contoh 7:

Tentukan nilai median dari tabel distribusi frekuensi pada Contoh 3 di atas!

Jawab:

Kelas ke-	Nilai Ujian	f_i	f_kum
1	31 - 40	2	2
2	41 - 50	3	5
3	51 - 60	5	10
4	61 - 70	13	23
5	71 - 80	24	47	←letak kelas median
6	81 - 90	21	68
7	91 - 100	12	80
8	Jumlah	80

Letak kelas median: Setengah dari seluruh data = 40, terletak pada kelas ke-5 (nilai ujian 71-80)
b = 70.5, p = 10
n = 80, f = 24
f = 24 (frekuensi kelas median)
F = 2 + 3 + 5 + 13 = 23

(3) Mode

Mode adalah data yang paling sering muncul/terjadi. Untuk menentukan modus, pertama susun data dalam urutan meningkat atau sebaliknya, kemudian hitung frekuensinya. Nilai yang frekuensinya paling besar (sering muncul) adalah modus. Modus digunakan baik untuk tipe data numerik atau pun data kategoris. Modus tidak dipengaruhi oleh nilai ekstrem. Beberapa kemungkinan tentang modus suatu gugus data:

Apabila pada sekumpulan data terdapat dua mode, maka gugus data tersebut dikatakan bimodal.
Apabila pada sekumpulan data terdapat lebih dari dua mode, maka gugus data tersebut dikatakan multimodal.
Apabila pada sekumpulan data tidak terdapat mode, maka gugus data tersebut dikatakan tidak mempunyai modus.

Meskipun suatu gugus data mungkin saja tidak memiliki modus, namun pada suatu distribusi data kontinyu, modus dapat ditentukan secara analitis.

Untuk gugus data yang distribusinya simetris, nilai mean, median dan modus semuanya sama.
Untuk distribusi miring ke kiri (negatively skewed): mean < median < modus
untuk distribusi miring ke kanan (positively skewed): terjadi hal yang sebaliknya, yaitu mean > median > modus.

Hubungan antara ketiga ukuran tendensi sentral untuk data yang tidak berdistribusi normal, namun hampir simetris dapat didekati dengan menggunakan rumus empiris berikut:

Mean - Mode = 3 (Mean - Median)

a. Modus Data Tunggal:

Contoh 8:

Berapa modus dari nilai ujian matematika kelas 3 SMU berikut ini:

2, 4, 5, 6, 6, 7, 7, 7, 8, 9
2, 4, 6, 6, 6, 7, 7, 7, 8, 9
2, 4, 6, 6, 6, 7, 8, 8, 8, 9
2, 4, 5, 5, 6, 7, 7, 8, 8, 9
1, 2, 3, 4, 5, 6, 7, 8, 9, 10

Jawab:

2, 4, 5, 6, 6, 7, 7, 7, 8, 9→ Nilai yang sering muncul adalah angka 7 (frekuensi terbanyak = 3), sehingga Modus (M) = 7
2, 4, 6, 6, 6, 7, 7, 7, 8, 9 → Nilai yang sering muncul adalah angka 6 dan 7 (masing-masing muncul 3 kali), sehingga Modusnya ada dua, yaitu 6 dan 7. Gugus data tersebut dikatakan bimodal karena mempunyai dua modus. Karena ke-2 mode tersebut nilainya berurutan, mode sering dihitung dengan menghitung nilai rata-rata keduanya, ½ (6+7) = 6.5.
2, 4, 6, 6, 6, 7, 8, 8, 8, 9 → Nilai yang sering muncul adalah angka 6 dan 8 (masing-masing muncul 3 kali), sehingga Modusnya ada dua, yaitu 6 dan 8. Gugus data tersebut dikatakan bimodal karena mempunyai dua modus. Nilai mode tunggal tidak dapat dihitung karena ke-2 mode tersebut tidak berurutan.
2, 4, 5, 5, 6, 7, 7, 8, 8, 9 → Nilai yang sering muncul adalah angka 5, 6 dan 7 (masing-masing muncul 2 kali), sehingga Modusnya ada tiga, yaitu 5, 6 dan 7. Gugus data tersebut dikatakan multimodal karena modusnya lebih dari dua.
1, 2, 3, 4, 5, 6, 7, 8, 9, 10 → Pada gugus data tersebut, semua frekuensi data sama, masing-masing muncul satu kali, sehingga gugus data tersebut dikatakan tidak mempunyai modusnya

b. Mode dalam Distribusi Frekuensi:

$Mo{\rm =b+p}\left(\dfrac{{{\rm b}}_{{\rm 1}}}{{{\rm b}}_{{\rm 1}}{\rm +}{{\rm b}}_{{\rm 2}}}\right)$

dimana:

Mo = modal = kelas yang memuat modus

b = batas bawah kelas modal

p = panjang kelas modal

b_mo = frekuensi dari kelas yang memuat modus (yang nilainya tertinggi)

b1= b_mo – b_mo-1 = frekuensi kelas modal – frekuensi kelas sebelumnya

b2 = b_mo – b_mo+1 = frekuensi kelas modal – frekuensi kelas sesudahnya

Contoh 9:

Tentukan nilai median dari tabel distribusi frekuensi pada Contoh 3 di atas!

Jawab:

Kelas ke-	Nilai Ujian	f_i
1	31 - 40	2
2	41 - 50	3
3	51 - 60	5
4	61 - 70	13
			→ b1 = (24 – 13) = 11
5	71 - 80	24	← kelas modal (frekuensinya paling besar)
			→ b2 =(24 – 21) =3
6	81 - 90	21
7	91 - 100	12
8	Jumlah	80

Kelas modul =kelas ke-5
b = 71-0.5 = 70.5
b1 = 24 -13 = 11
b2 = 24 – 21 = 3
p = 10

Selain tiga ukuran tendensi sentral di atas (mean, median, dan mode), terdapat ukuran tendensi sentral lainnya, yaitu rata-rata ukur (Geometric Mean) dan rata-rata harmonis (Harmonic Mean)

sumber :

http://en.wikipedia.org/wiki/Statistical_dispersion