TUGAS MATA KULIAH ANALISIS STATISTIKA

(Ringkasan Bab 4 : Penarikan Contoh dari Sebuah Populasi Normal)

Oleh :

Nama

: Ikin Sodikin

NIM

: 156090500111001

Tanggal

: Senin, 21 September 2015

JURUSAN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS BRAWIJAYA MALANG
2015

BAB IV
PENARIKAN CONTOH DARI SEBUAH POPULASI NORMAL

4.1 PENDAHULUAN
Penghitungan statistik-statistik yang banyak digunakan seperti
, dan s sebagai ukuran
pemusatan dan penyebaran telah dibicarakan. Bila dihitung sebagai contoh,
merupakan
nilai dugaan tak-bias bagi parameter populasi dan (salah satu sifat penduga yang mengharuskan
nilai tengah semua kemungkinan nilai dugaan dari suatu penduga sama dengan parameter yang
diduga), sedangkan s adalah nilai dugaan berbias bagi (karena pembaginya n-1, bukan n).
Simpangan baku nilai tengah dapat diduga dari pengamatan-pengamatan contoh melalui rumus

, sedangkan dalam hal ini s adalah simpangan baku contoh.

Meskipun
merupakan nilai dugaan tak bias bagi dan
, tetapi kecil sekali
kemungkinannya sama dengan parameter itu sendiri. Oleh karena itu, disarankan untuk membuat
selang kepercayaan di sekitar
dengan memanfaatkan sebaran t, sehingga memberikan
keyakinan yang cukup berarti bahwa atau
berada di dalam selang ini. Dengan cara tersebut
akan diperoleh proporsi selang yang mencakup , disebut sebagai peluang kepercayaan (confidence
probability) atau koefisien kepercayaan (confidence coefficient).
Metode empirik, sejauh ini, digunakan untuk memperoleh hasil-hasil berdasarkan teorema-teorema
dan prosedur-prosedur matematik dengan tingkat ketelitian yang memadai melalui penarikan
contoh berskala besar. Bab ini akan menjelaskan penggunaan penarikan contoh sebagai metode
untuk memeriksa sebaran sejumlah statistik dan prosedur pembuatan selang kepercayaan.
4.2 POPULASI NORMAL
# SEBARAN NORMAL
Sebaran normal merupakan salah satu bentuk sebaran yang sangat penting dalam teori maupun
penerapan statistika. Bentuk sebarannya menyerupai genta atau lonceng, dan disebut juga sebagai
kurva Gauss. Lokasi pusat kurva ini terletak pada dan gemuk kurusnya kurva bergantung pada
besarnya . Nilai
yang kecil akan menyebabkan kurvanya tinggi dan ramping, sebaliknya akan
menyebabkan kurvanya pendek dan gemuk. Sebaran normal termasuk ke dalam sebaran peubah
acak kontinu (dalam bentuk decimal dan biasanya dapat diukur, spt tinggi badan, berat badan, luas
lahan dan sejenisnya).
Berikut ini beberapa karakteristik atau ciri dari sebaran normal :

1) Karakteristik yang paling kasat mata adalah bentuk dari sebaran normal. Seperti yang
disebutkan sebelumnya bahwa sebaran Normal berbentuk lonceng (bell-shaped).
2) Simetris; simetris terhadap rata-ratanya. Rata-rata ini ditunjukkan oleh 'midpoint' di Gambar
N.1.

3) Rata-rata, modus, dan median terletak pada satu titik yang sama. Titik ini ditunjukkan oleh
'midpoint' di Gambar N.1. Note: nilai rata-rata yang dimaksud adalah rata-rata hitung atau
aritmetik; yakni rata-rata yang pada umumnya = jumlah seluruh data dibagi banyaknya data.
4) Keseluruhan luas di bawah kurva normal bernilai 1. (Hal ini dapat dipahami dari konsep
sebaran peluang: contoh sebaran peluang yang jumlah peluang muncul A dan peluang
muncul G dari pelemparan sebuah koin adalah 1 ).
5) Asimptotic: kurva normal bersifat asimtot; maksudnya adalah kurva akan mendekati sumbu
horizontal namun tidak pernah menyentuhnya (seperti diperlihatkan pada Gambar N.2).
6) Ukuran lokasi dan dispersi ditunjukkan oleh nilai rata-rata () dan standar deviasi ().
Berikut ini ditampilkan beberapa gambar terkait kurva normal (diambil dari powerpoint yang tidak
menyebutkan sumber sehingga tidak dapat mencantumkan sumbernya di sini) :

Gambar N.1 Bentuk Kurva Sebaran Normal

Gambar N.2 Kurva Sebaran Normal

Gambar N.3. Sebaran Normal dengan Beberapa Standar Deviasi

Gambar N.3. merupakan sebaran normal dengan =20 dan = 3.1, 3.9, dan 5.0. Jika diperhatikan,
sebaran normal dengan STD (standar deviasi) yang semakin tinggi akan semakin landai; puncaknya
semakin rendah; data semakin tersebar. Seperti telah kita ketahui bahwa standar deviasi merupakan
salah satu ukuran penyebaran data yang mencerminkan keragaman data, bagaimana data menyebar
di sekitar rata-rata. Standar deviasi merupakan akar dari varians, dan varian dihitung dengan
menjumlakan jarak antara data dengan rata-rata yang telah dikuadratkan kemudian dibagi dengan
banyaknya data atau n. Dari rumus terlihat bahwa STD merupakan ukuran rata-rata jarak antara data
dengan rata-rata.

Gambar N.4. berikut ini memperjelas bahwa semakin kecil sigma, maka semakin mengerucut data ke
nilai tengah.

Gambar N.4. Sebaran Normal dengan dan berbeda

Jika memiliki nilai sama, bentuk kurvanya akan sama seperti diperlihatkan dalam gambar berikut :

Gambar N.5. Sebaran Normal dengan sama dan berbeda

# POPULASI NORMAL
Populasi normal yaitu populasi yang memiliki sebaran normal, berasal dari suatu peubah kontinu
dengan batas tak terhingga (- sampai dengan ), dengan demikian suatu pengamatan dari
populasi normal dapat berupa sembarang bilangan nyata, positif, atau negatif.
Ciri menonjol dari populasi dengan sebaran normal dapat diperlihatkan dari histogram sebaran data,
dimana data pada sumbu mendatar dan frekuensi data pada sumbu tegak. Nilai-nilai pengamatan
akan terkonsentrasikan di pusat dan kemudian menyebar secara setangkup ke kedua arah, mulamula cepat tetapi kemudian semakin lambat. Selain itu, juga dapat dijelaskan dengan penyajian
grafik yang menggambarkan keseluruhan data pengamatan secara kumulatif. Dari grafik ini, untuk
menentukan banyaknya pengamatan (atau posisi dalam susunan tabel) dapat dilakukan dengan cara
menarik sebuah garis tegak dari sebuah titik pada sumbu mendatar sehingga memotong kurva dan
kemudian tarik garis mendatar dari titik potong dengan kurva sampai memotong sumbu tegak, dan
disitulah bilangan yang dicari itu ditemukan.
Apabila sebuah populasi normal disusun dalam sebuah tabel sebaran frekuensi dengan lebar kelas
tertentu, maka akan terlihat bahwa frekuensi data yang muncul akan terpusat ke lokasi nilai tengah
data populasi.
4.3 CONTOH ACAK DARI SUATU SEBARAN NORMAL

Pada pembahasan sebelumnya telah dijelaskan bahwa seseorang tidak dapat mengambil suatu
contoh acak jika tidak menggunakan suatu proses mekanik. Proses mekanik untuk mendapatkan
contoh acak atau memasukkan unsur keacakan dalam suatu percobaan atau survey biasanya
menggunakan suatu tabel bilangan teracak seperti Tabel A.1. Tabel ini tersusun dari angka-angka
0,1,2,3,..9 yang disusun dalam bentuk 100 baris dengan masing-masingnya 100 angka; jadi secara
keseluruhan ada 10000 angka acak. Angka-angka ini dihasilkan oleh sebuah computer sedemikian
rupa sehingga tidak ada alasan untuk mengharapkan bahwa suatu bilangan tertentu muncul lebih
sering daripada bilangan lainnya. Atau suatu sekuens bilangan muncul lebih sering daripada sekuens
lainnya, kecuali karena kebetulan.
Prosedur pengambilan contoh acak dengan menggunakan tabel A.1 demikian bersifat acak, setara
dengan mengambil sampel dari sebuah kantung yang berisi 100 gulungan kertas kecil yang
bertuliskan nilai pengamatan. Setiap kertas dikembalikan lagi setelah dicatat angkanya, untuk
kemuadian diasuk sebelum pengambilan berikutnya. Sehingga, penarikan contoh ini dikatakan
dengan pemulihan (with replacement). Setiap pengamatan mungkin terambil lebih dari sekali.
Penarikan contoh selalu berasal dari populasi yang sama dan peluang terpilihnya suatu pengamatan
secara praktis sama. Prosedur ini pada hakikatnya sama seperti mengambil contoh dari sebuah
populasi tak terhingga.
Penarikan contoh acak tidak boleh dilakukan secara subjektif, tetapi harus merupakan akibat dari
suatu metode yang objektif dan lebih disukai yang mekanik. Contohnya adalah dengan
menggunakan Tabel Acak A.1 tersebut tadi. Agar mudah, setiap individu dalam populasi diberi
nomor urut.
4.4 SEBARAN NILAI TENGAH CONTOH
Sebaran nilai tengah contoh dapat dilihat dengan cara menyusun tabel frekuensi dari penarikan
sejumlah contoh acak yang terdiri dari n pengamatan. Dengan lebar selang yang ditentukan, tabel
frekuensi yang disusun tersebut menonjolkan beberapa ciri dari penarikan contoh, yaitu :
a) Sebaran nilai-tengah mendekati normal; Teori mengatakan bahwa walaupun populasi
induknya menyimpang dari normal, sebaran nilai-tengah contoh cenderung mendekati
normal bila ukuran contohnya semakin besar. Hal ini sangat penting, karena dalam
penerapannya, bentuk sebaran populasi induk jarang sekali diketahui.
b) Rata-rata dari nilai tengah-nilai tengah contoh acak mendekati nilai (nilai tengah populasi
induknya). Ini mengilustrasikan sifat ketakbiasan. Nilai tengah contoh dikatakan tak berbias
karena nilai tengah dari semua nilai tengah contoh sama dengan nilai tengah populasi
induknya. Dalam teladan rata-rata dari ke-500 nilai-tengah contoh sebesar 39.79 lb, sangat
dekat dengan = 40 lb (nilai tengah populasi induknya).
c) Keragaman nilai tengah contoh jauh lebih kecil daripada keragaman individunya (namun
hampir sama/mendekati). Sesuai teori bahwa
contoh). Dalam teladan, untuk populasi

(untuk populasi), dan

dan

(untuk
,

sedangkan untuk contoh, jika rumus diatas diterapkan terhadap rata-rata dari ke-500 ragam
contoh, maka diperoleh

dan

, sedangkan

apabila menggunakan perhitungan secara langsung terhadap masing-masing semua nilai-

tengahnya diperoleh

dan

menjadi =

(3.71)2 = 13.76 lb2.

4.5 SEBARAN RAGAM CONTOH DAN SIMPANGAN BAKU
Untuk setiap contoh, dihitung ragam dan simpangan bakunya. Berikut ringkasan nilai-nilainya
a) Ragam-ragam dari penarikan sejumlah contoh acak yang terdiri dari n pengamatan, akan
menumpuk disebelah kiri nilai-tengahnya, tapi mengurus disebelah kanannya (dalam arti lain
sebarannya menjulur ke kanan). Besaran ragam (
) menyebar
menurut sebaran
dengan derajat bebas (n-1). Dalam teladan, (dari tabel 4.5 sebaran
frekuensi 500 ragam bagi contoh acak 10 pengamatan), ragam contoh acaknya adalah

(diperoleh dengan merata-ratakan semua ragam contoh acaknya), sangat

menghampiri ragam populasinya
Fakta ini mengilustrasikan ketakbiasan dari
sebagai suatu nilai dugaan bagi . Nilai-nilainya bervariasi antara 20 sampai dengan 380 lb2.
b) Sedangkan simpangan-simpangan bakunya akan terlihat bahwa ragam diatas rata-ratanya
bertambah lebih cepat dibandingkan dengan ragam diatas rata-ratanya. Penarikan akar dari
ragam-ragamnya telah menghilangkan sifat kemenjuluran yang diperlihatkan oleh sebaran
dari ragam. Dalam teladan, (dari tabel 4.6 sebaran frekuensi 500 simpangan baku padanan
ragam) diperoleh nilai
(diperoleh dengan cara merata-ratakan semua
simpangan baku contoh acaknya), sedangkan simpangan baku populasi = 12 lb. Dengan
cara menduga, melalui akar dari rataan ragamnya yaitu

. Tidak

mengherankan bahwa lebih kecil daripada , karena s menduga lebih kecil (s penduga
yang bias bagi ). Untuk mendapatkan nilai dugaan tak bias bagi , maka rumus

akan menjadi hampiran yang sangat baik, bahkan

untuk n yang kecil sekalipun.

4.6. KETAKBIASAN

Penduga tak bias bagi

adalah
. Bila ragam contoh didefinisikan

sebagai
, maka akan diperoleh suatu penduga yang berbias bagi , karena ratarata dari populasi nilai-nilai ini adalah (n-1) /n. Jumlah kuadrat dapat diperoleh kembali dari
. Perbedaan antara nilai-nilai yang diperoleh dengan
persamaan (n-1)
=
menggunakan n dan n-1 jelas semakin kecil jika n semakin besar.
Dalam

teladan,

rata-rata

dari

(ragam populasi induk).

500

ragam

contoh, adalah

),

140.4
(dimana
mendekati
nilai

Sedangkan apa bila menggunakan rumus

(nilai ini jauh lebih kecil dari 140.4).

4.7 SIMPANGAN BAKU NILAI TENGAH CONTOH ATAU GALAT BAKU
Simpangan baku nilai-tengah merupakan salah satu statistik yang paling bermanfaat. Besaran ini
dihitung menurut rumus

, dan merupakan penduga yang berbias bagi

(simpangan baku nilai-tengah dari suatu contoh acak berukuran n yang berasal dari suatu
populasi induk dengan simpangan baku .
Sesuai teladan dari tabel 4.1, untuk suatu contoh berukuran n=10, maka nilai dugaan bagi
simpangan baku populasi

. Sedangkan untuk mendapatkan nilai dugaan

bagi ragam dari ke-500 contoh itu, dapat dihitung melalui 3 cara sebagai berikut
a)
b)
c)

; atau

Jadi prosedur pertama lebih baik jika dibandingkan dengan prosedur lainnya, yaitu dengan
menarik akar dari rata-rata ragam 500 contoh dibagi dengan n=10. Kesesuaian yang sangat dekat
antara nilai ini membuat kita dapat mengatakan dengan lebih yakin bahwa hubungan
dengan
memang sah.
Setiap contoh acak selalu dapat menghasilkan sebuah nilai dugaan
tengah contoh .

bagi galat baku nilai

Ragam, baik populasi maupun contoh, dari suatu nilai tengah contoh berbanding terbalik dengan
n, sedangkan simpangan baku nilai tengah contoh berbanding terbalik dengan .
4.8 SEBARAN t-STUDENT
Willian Sealy Gosset melihat bahwa penggantian dan s dalam perhitungan nilai-nilai Z tidak
dapat dipercaya untuk contoh-contoh berukuran kecil, oleh karena itu sebuah peubah yang
berhubungan erat dengan peubah
dan

, sebuah bentuk yang melibatkan dua statistik

digunakan sebagai penduga untuk contoh yang berasal dari suatu sebaran normal
yang dikenal dengan t-student.
t-Student adalah simpangan nilai-tengah contoh dari nilai-tengah populasi dalam satuan
simpangan baku nilai-tengah contoh (suatu ukuran yang sering digunakan untuk menilai biasa
atau tidak biasanya suatu simpangan.
Setiap nilai derajat bebas, t mempunyai sebaran tersendiri. Dari Tabel A.3 yang memuat nilainilai t, dibagian atasnya mencantumkan nilai peluang untuk nilai-nilai t lebih besar (tanda
diabaikan), peluang-peluang ini disebut sebagai peluang dua arah (two tailed probabilities).
Sedangkan, dibagian bawahnya memberikan peluang untuk nilai-nilai t yang lebih besar (tanda
tidak diabaikan), disebut juga peluang satu arah (one tailed probabilities).
Kurva untuk t bersifat setangkup, seperti yang diimplikasikan pada sebaran normal Z, namun
kurva bagi peubah acak t lebih landai (disebabkan nilai ragamnya >1, sedangkan ragam pada
sebaran Z, =1); dibagian sekitar pusat terletak dibawah kurva bagi Z, sedangkan di kedua
ekornya terletak disebelah atasnya. Bila derajat bebasnya semakin besar, dalam hal ini, n makin
besar, maka sebaran bagi t semakin mendekati normal. Oleh karena itu, pada tabel A.3 baris

terakhir db = . Salah satu ciri penting dari dari t untuk contoh yang berasal dari populasi
normal adalah bahwa komponen-komponennya, yaitu dan , tidak menunjukkan adanya
hubungan.
Meskipun
merupakan nilai dugaan tak bias bagi dan
, tetapi kecil sekali
kemungkinannya sama dengan parameter itu sendiri. Oleh karena itu, disarankan untuk
membuat selang kepercayaan di sekitar
dengan memanfaatkan sebaran t, sehingga
memberikan keyakinan yang cukup berarti bahwa atau
berada di dalam selang ini. Dengan
cara tersebut akan diperoleh proporsi selang yang mencakup , disebut sebagai peluang
kepercayaan (confidence probability) atau koefisien kepercayaan (confidence coefficient).
Dengan menggunakan
, kita ingin membuat selang sehingga dengan peluang tertentu
parameter berada di dalam atau di luar selang itu.
Pada pernyataan peluang :

, yang mengatakan bahwa

peluang peubah acak t terletak di dalam selang

dan
adalah 0.95. Perhatikan
bahwa t sesungguhnya sama dengan Z tetapi dengan mengganti simpangan baku populasi
dengan nilai dugaannya dari contoh. Dengan demikian tinggal satu parameter populasi yang

tidak diketahui dalam peubah acak itu. Maka pernyataannya menjadi :

,
sekarang
pernyataan
ini
menyatakan
bahwa
peluang

terletak
dalam

selang acak (

) adalah 0.95.
Pada teladan dari tabel 4.3 dan 4.7, dalam suatu populasi nilai-nilai t, 2.5 persen lebih besar dari
+2.262 dan 2.5 persen lebih kecil dari -2.262 (terlihat dari frekuensi kumulatif satu arah pada
teoritisnya), nilai ini dilambangkan dengan
. Sedangkan jika dilihat dari frekuensi kumulatif
dua arah teoritisnya, dikatakan bahwa 5 persen dari nilai-nilai t terletak disebelah kanan dari
1.833, nilai ini dilambangkan dengan
.
Dari tabel tersebut menunjukkan adanya kesesuaian yang memadai antara nilai-nilai contoh
dengan teoritiknya. Suatu perbandingan antara nilai-nilai contohdengan teoritiknya pada taraf
peluang yang lain juga menunjukkan adanya kesesuaian yang memadai.
4.9 PERNYATAAN KEPERCAYAAN
Untuk melihat apakah kepercayaan yang dinyatakan masih dapat diterima atau tidak, maka
harus dilakukan pemeriksaan terhadap pernyatan-pernyatan kepercayaan yang didasarkan pada
nilai-nilai contoh. Untuk setiap contoh acak dan sembarang taraf peluang, dibuat sebuah selang
kepercayaan disekitar nilai-tengah contohnya, yaitu dengan menyelesaikan kedua persamaan t
=

bagi sehingga diperoleh =

(dalam hal ini dilambangkan l1 dan l2. Keduanya

merupakan titik ujung selang kepercayaan tertentu.

Didalam praktiknya nilai parameter tidak diketahui, sehingga hanya diketahui persentase
penarikan kesimpulan yang benar mengenai dan tidak pernah mengetahui apakah terletak
dalam suatu selang kepercayaan tertentu.
Sebaran nilai-tengah contoh terpusat pada nilai-tengah populasi dan tidak pada nilai-tengah
contoh tertentu. Sehingga salah apabila ada anggapan bahwa selang kepercayaan 95 persen

disekitar nilai-tengah contoh menunjukkan bahwa 95 persen dari nilai-tengah-nilai-tengah

contoh akan jatuh di dalam selang tertentu. Akan lebih baik jika digunakan prosedur
pengamatan atau nilai-tengah yang akan datang atau dengan prosedur selang toleransi.
4.10 PENARIKAN CONTOH SELISIH DUA PENGAMATAN
Untuk menentukan apakah ada perbedaan respon yang sesungguhnya natara dua perlakuan
atau apakah perbedaan yang teramati cukup kecil untuk berasal dari faktor kebetulan, maka
dapat dilakukan dengan memperhatikan hasil-hasil dari suatu prosedur penarikan contoh
terhadap dua perlakuan boneka. Dengan kata lain, mengambil contoh dari satu populasi tetapi
menganggap data yang diperolehnya seolah-olah berasal dari dua populasi.
Beda dua pengamatan yang diambil secara acakdari suatu populasi normal akan menyebar
normal pula dengan nilai tengah nol.
Pada teladan dari penarikan 500 contoh acak dari tabel 4.1, dipasang-pasangkan secara acak dan
selisih antara unsur pertama dan kedua dari setiap pasangan diperoleh. Untuk setiap contoh
yang terdiri atas 10 beda (D) sebanyak 250 contoh, kemudian diperoleh statistik-statistik berikut
yang diilustrasikan melalui tabel 4.8 , 4.9, 4.10, dan 4.11 :
a) Nilai-tengah Beda : -0.533 (mendekati nilai 0, yaitu sebagai nilai tengah populasi)
b) Ragam dari beda-beda :
- Dari rata-rata dari 250 ragam beda () = 272.7
-

Dengan menduga dari nilai . Sesuai dengan kaidah aritmetika diperlihatkan bahwa jika

, maka 2 dapat diduga dengan 2 . Sehingga dari tabel 4.5, telah
diketahui

, jadi 2

Keduanya cukup dekat dengan 2 =2(144)=288, hasil ini mengilustrasikan bahwa ragam
beda pengamatan berpasangan yang diambil secara acak dua kali dari ragam pengamatan
dalam populasi induknya. Sehingga dapat dikatakan bahwa ragam contoh dari beda
pengamatan berpasangan merupakan penduga tak bias bagi 2 .
c) Simpangan baku beda
- Rata-rata simpangan baku 250 beda ( = 16.04, atau
-

Keduanya masih dekat dengan simpangan baku populasi beda

Simpangan baku itu sedikit berbias, sedangkan ragam bersifat tak bias.
d) Simpangan baku beda nilai tengah
Diketahui bahwa

, dengan arti lain bahwa ragam suatu beda antara

dua nilai tengah, dilambangkan dengan

pengamatan. Jadi

Untuk ke 250 contoh diperoleh nilai

, bila setiap nilai tengah berasal dari n

, atau

e) Nilai t
Nilai ini dihitung dengan rumus

satuan simpangan baku dari .

f)

, suatu simpangan dari nilai tengah populasi dalam

, karena

Tabel 4.12

menunjukkan sebaran yang sama dengan tabel 4.7, diantara nilai t itu, 118 positif dan 132
negatif dengan nilai tengah -0.00013.
Batas-batas kepercayaan bagi beda nilai tengah populasi, dalam hal ini
Untuk menentukan apakah ada perbedaan sesungguhnya antara respon dari dua perlakuan,
prosedur penarikan contoh menunjukan apa yang dapat diharapkan bila sesungguhnya tidak
ada perbedaan dan hasil-hasil itu hanyalah disebabkan oleh factor kebetulan belaka.
Dengan menghitung nilai statistic t dan menentukan peluang memperoleh nilai yang sama
atau lebih besar suatu penarikan contoh acak berasal dari populasi bernilai tengah nol. Oleh
karena itu, jika peluang memperoleh nilai yang lebih besar itu kecil dan tidak yakin bahwa
penarikan contoh berasal dari suatu populasi bernilai tengah nol, maka mungkin akan
diputuskan bahwa ada beda yang nyata antara respon dari kedua perlakuan.
Selang kepercayaan menunjukkan pada kesimpulan serupa, nila suatu t contoh berada diluar
taraf peluang 5 persen atau
, maka selang kepercayaan 95 persen tidak mencakup nol
(kurang yakin bahwa tidak ada perbedaan antara respon dari kedua perlakuan).

4.11 RINGKASAN
Melalui penarikan contoh dapat memperlihatkan sejumlah ciri dan teorema penting tentang
populasi yang menyebar normal, khususnya:
1. Nilai tengah contoh acak yang terdiri atas n pengamatan menyebar normal dengan nilai tengah
dan simpangan baku

. Mengenai kenormalan nilai tengah contoh, teorema ini masih

mendekati kebenaran meskipun penarikancontohnya bukan berasal dari populasi normal;

sedangakan mengenai simpangan buku teorema diatas selalu benar).
2. Nilai tengah beda yang berasal dari contoh acak berukuran n pengamatan menyebar
normaldengan nilai-tengah nol dan simpangan baku
3. Suatu contoh acak dapat menghasilkan nilai-nilai-dugaan tak-bias bagi ,
4. Statistik t =

atau

, dan

menyebar secara setangkup di sekitar nilai tengah nol

dan mengikuti sebaran t-student yang ditabelkan.