MAKALAH

DISTRIBUSI SAMPLING

Makalah ini disusun untuk menyelesaikan tugas mata kuliah

Hospitally Biostatistical yang dibimbing oleh Miss Aulia Nirmala, SE, MM

Disusun Oleh :

1. Ayu Condro Kartiko Marsudiana (417155)

2. Sitti Sarah (417161)
3. Yuyun Maghfirah (417157)

SEKOLAH TINGGI TEKNIK MALANG

PROGAM STUDI TEKNIK ELEKTRO
KOSENTRASI KOMPUTER APLIKASI REKAM MEDIS DAN
INFORMASI KESEHATAN
Tahun Ajaran 2018/2019
 DISTRIBUSI SAMPLING

A. Pengertian Distribusi Sampling

Distribusi sampling adalah distribusi dari mean-mean yang diambil secara

berulang kali dari suatu populasi. Bila pada suatu populasi tak terhingga dilakukan
pengambilan sampel secara acak berulang-ulang hingga semua sampel yang
mungkin dapat ditarik dari populasi tersebut. Sampel yang diambil dari populasi
terbatas dan sebelum dilakukan pengambilan sampel berikutnya sampel unit
dikembalikan kedalam populasi.

Untuk mempelajari populasi kita memerlukan sampel yang diambil dari

populasi yang bersangkutan. Meskipun kita dapat mengambil lebih dari sebuah
sampel berukuran n dari sebuah populasi berukuran N, pada prakteknya hanya
sebuah sampel yang biasa diambil dan digunakan untuk hal tersebut. Sampel yang
diambil ialah sampel acak dan dari sampel tersebut nilai-nilai statistiknya dihitung
untuk digunakan seperlunya. Untuk ini diperlukan sebuah teori yang dikenal
dengan nama distribusi sampling. Distribusi sampling biasanya diberi nama
bergantung pada nama statistik yang digunakan. Demikianlah umpamanya kita
kenal distribusi sampling rata-rata, distribusi sampling proporsi, distribusi
simpangan baku, dan lain-lain. Nama-nama tersebut biasa disingkat lagi berturut-
turut menjadi distribusi rata-rata, distribusi proporsi, distribusi simpangan baku,
dan lain-lain.

B. Distribusi Rata-Rata

Misalkan kita mempunyai sebuah populasi berkukuran terhingga N dengan

parameter rata-rata µ dan simpangan baku σ. Dari populasi ini diambil secara acak
berukuran n. Jika sampling dilakukan tanpa pengembalian, kita tahu semuanya
ada (𝑁
𝑛
) buah sampel yang berlainan. Untuk semua sampel yang didapat, masing-

masing dihitung rata-ratanya. Dengan demikian diperoleh (𝑁

𝑛
) buah rata-rata.
Anggap semua rata-rata ini sebagai data baru, jadi didapat kumpulan data yang
terdiri atas rata-rata dari sampel-sampel. Dari kumpulan ini kita dapat menghitung

2
rata-rata dan simpangan bakunya. Jadi didapat rata-rata daripada rata-rata, diberi
simbol 𝜇𝑥̅ (baca: mu indeks eks garis), dan simpangan baku daripada rata-rata,
diberi simbol 𝜎𝑥̅ (baca: sigma indeks eks garis).

Beberapa notasi :

n : ukuran sampel N : ukuran populasi

x : rata-rata sampel μ : rata-rata populasi

s : standar deviasi sampel σ : standar deviasi populasi

μx: rata-rata antar semua sampel

σx : standar deviasi antar semua sampel = standard error = galat baku

Contoh :

Diberikan sebuah populasi dengan N=10 yang datanya : 98, 99, 97, 98, 99, 98, 97,
97, 98, 99. Jika dihitung, populasi ini mempunyai µ = 98 dan σ = 0,78. Diambil
sampel berukuran n=2 . Semuanya ada (10
2
) = 45 buah sampel. Untuk setiap
sampel kita hitung rata-ratanya. Data dalam tiap sampel dan rata-rata tiap sampel
diberikan dalam daftar berikut ini.

Semua Sampel Berukuran n = 2

Rata-ratanya Diambil dari Populasi Berukuran N = 10

Sampel Rata- Sampel Rata-rata Sampel Rata-rata

rata
(98,99) 98,5 (99,98) 98,5 (99,98) 98,5

(98,97) 97,5 (99,99) 99 (99,97) 98

(98,98) 98 (97,98) 97,5 (99,97) 98

(98,99) 98,5 (97,99) 98 (99,98) 98,5

3
 (98,98) 98 (97,98) 97,5 (99,99) 99

(98,97) 97,5 (97,97) 97 (98,97) 97,5

(98,97) 97,5 (97,97) 97 (98,97) 97,5

(98,98) 98 (97,98) 97,5 (98,98) 98

(98,99) 98,5 (97,99) 98 (98,99) 98,5

(99,97) 98 (98,99) 98,5 (97,97) 97

(99,98) 98,5 (98,98) 98 (97,98) 97,5

(99,99) 99 (98,97) 97,5 (97,99) 98

(99,98) 98,5 (98,97) 97,5 (97,98) 97,5

(99,97) 98 (98,98) 98 (97,99) 98

(99,97) 98 (98,99) 98,5 (98,99) 98,5

Jumlah semua rata-rata = 4410

Jumlah ke-45 buah rata-rata = 4.410. maka rata-ratanya untuk ke-45 rata-rata ini
4.410
= 45
= 98.

Jadi, 𝜇𝑥̅ = 98.

simpangan baku ke-45 rata-rata di atas juga dapat dihitung. Besarnya adalah:

𝜎𝑥̅ = 0,52

Tetapi rata-rata populasi 𝜇 = 98 dan simpangan baku 𝜎 = 0,78. Selanjutnya kita

hitung:

𝜎 𝑁 − 𝑛 0,78 10 − 2
√ = √ = 0,52
𝑛 𝑁−1 √2 10 − 1

4
Ternyata berlaku bahwa:

𝜇𝑥̅ = 𝜇

𝜎 𝑁−𝑛
𝜎𝑥̅ = √
√𝑛 𝑁 − 1

Jika N cukup besar dibandingkan terhadap n, maka berlaku hubungan:

𝜇𝑥̅ = 𝜇
𝜎
𝜎𝑥̅ =
√𝑛

Untuk penggunaan, rumus (2) cukup baik apabila (n/N) ≤ 5%.

Jika sampel acak berukuran n diambil dari sebuah populasi berukuruan N

dengan rata-rata µ dan simpangan baku σ, maka distribusi rata-rata sampel
mempunyai rata-rata dan simpangan baku seperti dalam rumus (1) jika (n/N) > 5%,
seperti dalam rumus (2) jika (n/N) ≤ 5%. 𝜎𝑥̅ dinamakan kekeliruan standar rata-
rata atau kekeliruan baku rata-rata atau pula galat baku rata-rata. Ini merupakan
ukuran variasi rata-rata sampel sekitar rata-rata populasi µ. 𝜎𝑥̅ mengukur
besarnya perbedaan rata-rata yang diharapkan dari sampel ke sampel.

Dalil limit pusat :

Jika sebuah populasi mempunyai rata-rata µ dan simpangan baku σ yang

besarnya terhingga, maka untuk ukuran sampel acak n cukup besar, distribusi
rata-rata sampel mendekati distribusi normal dengan rata-rata 𝜇𝑥̅ = 𝜇 dan
𝜎
simpangan baku 𝜎𝑥̅ = .
√𝑛

Distribusi normal yang didapat dari distribusi rata-rata perlu distandarkan agar
daftar distribusi noramal baku dapat digunakan. Ini perlu untuk perhitungan-
perhitungan. Untuk ini digunakan transformasi.
𝑥̅ − 𝜇
𝑧=
𝜎𝑥̅

5
Contoh :

Tinggi badan mahasiswa rata-rata mencapai 165 cm dan simpangan baku 8,4 cm.
Telah diambil sebuah sampel acak terdiri atas 45 mahasiswa. Tentukan berapa
peluang tinggi rata-rata ke-45 mahasiswa tersebut :

a) antara 160 cm dan 168 cm.

b) paling sedikit 166 cm.

Jawab:

Jika ukuran populasi tidak dikatakan besarnya, selalu dianggap cukup besar untuk
berlakunya teori. Ukuran sampel n= 45 tergolong sampel besar sehingga dalil limit
pusat berlaku. Jadi rata-rata 𝑥̅ untuk tinggi mahasiswa akan mendekati distribusi
normal dengan :

Rata-rata 𝜇𝑥̅ = 165 cm

8,4
Simpangan baku 𝜎𝑥̅ = cm = 1,252 cm.
√45

a) Dari rumus X(3) dengan 𝑥̅ = 160 cm dan 𝑥̅ = 168 cm didapat :

160−165 168−165
𝑧1 = 1,252
= −3,99 dan 𝑧2 = 1,252
= 2,40

Penggunaan daftar distribusi normal baku memberikan luas kurva = 0,5 + 0,4918
= 0,9818.

Peluang rata-rata tinggi ke-45 mahasiswa antara 160 cm dan 168 cm adalah
0,9918.

b) Rata-rata tinggi paling sedikit 166 cm memberikan angka z paling sedikit

166−165
= 1,252
= 0,80

Dari daftar normal baku, luas kurva = 0,5-0,2881 = 0,2119. Peluang yang dicari =
0,2119

6
 Apabila dari populasi diketahui variansnya dan perbedaan antara rata-rata dari
sampel ke sampel diharapkan tidak lebih dari sebuah harga d yang ditentukan,
maka berlaku hubungan.
𝜎𝑥̅ ≤ 𝑑

Dari rumus X(4) ini, ukuran sampel yang paling kecil sehubungan dengan
distribusi rata-rata, dapat ditentukan.

Contoh :

Untuk contoh diatas, misalkan harga-harga 𝑥̅ dari sampel yang satu dengan
sampel yang lainnya diharapkan tidak lebih dari 1 cm.

Jika populasi cukup besar, maka :

𝜎 8,4
≤ 𝑑 yang menghasilkan ≤1
√𝑛 √𝑛

atau n ≥ 70,58.

Paling sedikit perlu diambil sampel terdiri atas 71 mahasiswa.

C. Distribusi Proporsi

Uraian untuk distribusi proporsi sejalan dengan untuk distribusi rata-rata.

Misalkan populasi diketahui berukuran N yang didalamnya didapat peristiwa A
sebanyak Y di antara N. Maka didapat parameter proporsi A sebesar µ = (Y/N).

Dari populasi ini diambil sampel acak berukuran n dan dimisalkan didalamnya
ada peristiwa A sebanyak x. Sampel ini memberikan statistik proporsi peristiwa A
= x/n. Jika semua sampel yang mungkin diambil dari populasi itu maka didapat
sekumpulan harga-harga statistik proporsi. Dari kumpulan ini kita dapat
menghitung rata-ratanya, diberi simbol µx/n.

Untuk ini ternyata bahwa, jika ukuran populasi kecil dibandingkan dengan
ukuran sampel, yakni (n/N) > 5%, maka :

7
 𝜇𝑥 = 𝜋
𝑛

𝜋(1 − 𝜋) 𝑁 − 𝑛
𝜎𝑥 = √ √
𝑛 𝑛 𝑁−1

dan jika ukuran populasi besar dibandingkan dengan ukuran sampel, yakni (n/N)
≤ 5% maka : 𝜇𝑥 = 𝜋
𝑛

𝜋(1 − 𝜋)
𝜎𝑥 = √
𝑛 𝑛

σx/n dinamakan kekeliruan baku proporsi atau galat baku proporsi.

Untuk ukuran sampel n cukup besar, berlakulah sifat berikut :

Jika dari populasi yang berdistribusi binom dengan parameter π untuk peristiwa
A, 0 < π < 1, diambil sampel acak berukuran n dimana statistik proporsi untuk
peristiwa A (x/n), maka untuk n cukup besar, distribusi proporsi (x/n) mendekati
distribusi normal dengan parameter seperti dalam rumus (5) jika (n/N) > 5%, dan
seperti dalam rumus (6) jika (n/N) ≤ 5%.

Seperi dalam distribusi rata-rata, disini pun akan digunakan n ≥ 30 untuk

memulai berlakunya sifat di atas. Untuk perhitungan, daftar distribusi normal baku
dapat digunakan dan untuk itu diperlukan transformasi :
𝑥
𝑛 −𝜋
𝑧=
𝜎𝑥
𝑛

Jika perbedaan antara proporsi sampel yang satu dengan yang lainnya
diharapkan tidak lebih dari sebuah harga d yang ditentukan, maka berlaku :

𝜎𝑥 ≤ 𝑑
𝑛

8
 Karena σx/n mengandung faktor π dengan π = parameter populasi, maka rumus
(8) berlaku jika parameter π sudah diketahui besarnya. Jika tidak, dapat ditempuh
cara konservatif dengan mengambil harga kekeliruan baku atau galat baku yang
terbesar, yakni π (1 – π ) = ¼.

Contoh :

Ada petunjuk kuat bahwa 10% anggota masyarakat tergolong ke dalam golongan
A. Sebuah sampel acak terdiri atas 100 orang telah diambil.

a) Tentukan peluangnya bahwa dari 100 orang itu akan ada paling sedikit 15 orang
dari golongan A.

b) Berapa orang harus diselidiki agar persentase golongan A dari sampel yang
satu dengan yang lainnya diharapkan berbeda paling besar dengan 2%?

Jawab:

a) Untuk ukuran sampel 100, diantaranya paling sedikit 15 tergolong kategori

A, maka paling sedikit x/n = 0,15. Kekeliruan bakunya adalah :

𝜋(1 − 𝜋) 0,10 × 0,90

𝜎𝑥 = √ =√ = 0,03
𝑛 𝑛 100

0,15−0,10
Bilangan z paling sedikit = 0,03
= 1,67

Dari daftar normal baku, luasnya = 0,5 – 0,4525 = 0,0475.

Peluang dalam sampel itu aka nada paling sedikit 15 kategori A adalah 0,0475.

b) Dari rumus (8) dengan π = 0,1 dan 1 – π = 0,9 sedangkan d = 0,02, maka
:

0,1+0,9
√
𝑛
≤ 0,02 yang menghasilkan n ≥ 225

Paling sedikit sampel harus berukuran 225.

9
D. Distribusi Simpangan Baku

Seperti biasa kita mempunyai populasi berukuran N. Diambil sampel-sampel

acak berukuran n, lalu untuk tiap sampel dihitung simpangan bakunya, yaitu s. Dari
kumpulan ini sekarang dapat dihitung rata-ratanya, diberi simbol𝜇𝑠 dan simpangan
bakunya, diberi simbol𝜎𝑠 .

Jika populasi berdistribusi normal atau hampir normal, maka distribusi

simpangan baku, untuk n besar, biasanya n ≥ 100, sangat mendekati distribusi
normal dengan :

𝜇𝑠 = 𝜎
𝜎
𝜎𝑠 =
√2𝑛

dengan σ = simpangan baku populasi.

Transformasi yang diperlukan untuk membuat distribusi menjadi normal baku

adalah: 𝑠−𝜎
𝑧=
𝜎𝑠

Untuk populasi tidak berdistribusi normal dan untuk sampel berukuran kecil, 𝑛 <
100, rumus- rumusnya snngat sulit dan karena peggunaannya tidak banyak maka
disini tidak dijelaskan lebih lanjut.

Contoh:

Varians sebuah populasi yang berdistribusi normal 6,25. Diambil sampel

berukuran 225. Tentukan peluang sampel tersebut akan mempunyai simpangan
bakulebih dari 3,5.

Jawab:

10
Varians = 6,25 ber = 2,5. Ukuran sampel cukup besar, maka distribusi simpangan
baku mendekati distribusi normal dengan rata-rata 𝜇𝑠 = 2,5 dan simpangan baku
2,5
𝜎𝑠 = = 0,118.
√450

Bilangan z untuk s = 3,5 adalah

3,5 − 2,5
𝑧= = 8,47
0,118

Praktis tidak menjadi sampel berukuran 225 dengan simpangan baku lebih dari
3,5.

11