Sampling Acak

Distribusi dari
Sampling
Pengenalan ke Uji Hipotesis dan
Estimasi Selang

Hal yang harus diingat Distribusi Sampling

 Populasi- adalah apa yang dibicarakan
 Sampel- adalah apa yang didapat dari
data
 Distribusi sampling – artinya adl sesuatu
yang kita punya dari data untuk
mengetahui populasi
 Distribusi Sampling menyangkut semua statistik
yang bisa didapatkan dari data. Contoh:
 Pengukuran Nilai Tengah (Mean, Median, Modus)
 Pengukuran Penyebaran (Varians)
 Pengukuran Hubungan (Korelasi)
 Rasio
 Sampel ≠ distribusi sampling
 Istilah-istilah dalam distribusi
Central Limit Theorem (CLT) sampling dari Mean
 Misalkan X adalah  Standard Error dari mean σ X̄ :
 Acak  Adl standard deviasi dari distribusi sampling.
 Mencarinya sama dengan mencari stardard deviasi
 mean  biasa
 standard deviasi  Sampling error (Kesalahan sampling)
 Tidak harus berdistribusi normal  Sampel tidak dapat sepenuhnya mewakili
populasi
 Seperti, keragaman data karena
pengambilannya
 Kita bisa mempunyai ribuan nilai tengah
(rataan) dari sampel dan tidak ada yang bisa
sama persis dengan mean dari populasi..

CLT (bersambung) Ringkasan: sample mean

 Sifat dari distribusi sampling distribution  Adl acak
dari mean  Berdistribusi Normal untuk data yang
 Acak besar
 Mempunyai mean   Distribusinya mempunyai mean 
σ
 Mempunyai standard error √ n  Distribusinya mempunyai standard error
 Untuk data yang besar, akan mengikuti
distribusi Normal
(standard deviasi) σ
√n
 Berdistribusi Normal untuk semua sampel jika
peubah X berdistribusi Normal
Distribusi Sampling untuk Distribusi Sampling untuk
Data kategori Data kategori
 Peubah acak, X, adl banyaknya sukses yang  Proporsi
terjadi pada percobaan dengan observasi yang
tetap.
 Proporsi populasi, , beberapa buku
menggunakan p.
 X mengikuti distribusi binomial.
 Peluang sukses dilambangkan dengan π.
 Hanya ada satu proporsi populasi, .
 X ~ Bin (n, π)
 Proporsi sampel, p. beberapa buku
menggunakan ṕ.
 p dihitung sebagai X/n, dimanaX adl
banyaknya sukses dan n adl total ukuran
sampel.

Distribusi Sampling untuk Distribusi Sampling untuk

Data kategori Data kategori
 Proporsi  Contoh: Proporsi
 Distribusi dari proporsi sampel, atau
 Misalkan sebuah department store yang besar
distribusi sampling darip adl akan membuka retailnya di sebuah kota dengan
populasi 15,000 orang.
   (1   )  
2
 Lebih jauh, misalkan ada 11,541 orang dari kota
p ~ Normal   ,   
tersebut bersemangat untuk berbelanja ditoko
 n tersebut, namun hal ini tidak diketahui oleh
    manajer toko.
Jika n (ukuran sampel) adl besar.  Sebelum keputusan membuka toko dibuat,
sebuah survey dilakukan.
Aturan umum utk mengatakan n besar adl nπ ≥ 10
dan n(1– π) ≥ 10 terpenuhi.
 200 orang dipilih scr acak dan diinterview. Dari
200, 162 menyatakan akan berbelanja ditoko
tersebut.
 200 200
Distribusi Sampling untuk 200
p = 0.82
200
200
200

Data kategori p = 0.73

200

200 200 200

200 200
 Contoh: Proporsi
 Contoh: Proporsi
 Berapa proporsi populasi π? 200 p = 0.82
 11,541/15,000 = 0.77
– Maksudnya..... 200
 Berapa proporsi sampel p? Misal diambil banyak
 162/200 = 0.81
sampel (tiap2 berukuran
200): 200 200
 Apa distribusi sampling dari proporsinya ? 200
Population: 15,000 200
   (1   )  
2
 0.77(1  0.77)  
2
 0.77, 
orang, π = 0.77
p ~ Normal   , 
200
 Normal  200
 n     200   p = 0.78
        p = 0.74 200 200 p = 0.76

 Normal  0.77,0.0297 2 
200 200
Apa Maksudnya???
Kemudian dapatkan proporsi dari tiap2 sampel.

Distribusi Sampling untuk Distribusi Sampling untuk

Data kategori Data kategori
 Contoh: Proporsi
 Distribusi sampling dari semua p (0.74, 0.81,  Contoh: Proporsi
0.76, 0.77, 0.80, 0.71, 0.75, 0.75, 0.82, etc.)
adl
  (1   ) 
2
  2

p ~ Normal   ,     Normal  0.77,  0.77(1  0.77) 
 
 n     200  
       
 Normal  0.77,0.0297 2  0.0297

0.77 0.81
0.0297
atau
Proporsi sampel
0.77 kita ada disini.
 Distribusi Sampling untuk Distribusi Sampling untuk
Data Numerik Data Numerik
 Contoh: Mean Sampel
 Sampel Mean  Ada kekhawatiran bahwa anak2 sangat banyak
 Mean dari populasi adl μ, sedangkan mean sampel menghabiskan wantunya didepan TV.
̄.
adalah X  Sebuah studi di Columbia, South Carolina
 Distribusi dari mean sampel, atau distribusi mencatat besaran waktu anak-anak menonton
sampling dari mean sampel adl TV pada 28 anak yang berbeda.
 Hasilnya adl:
 2, 2, 1, 3, 3, 5, 7, 5, 3, 8, 1, 4, 0, 4, 2, 0, 4, 2,

  
2
 2
 7, 3, 6, 1, 3, 5, 6, 4, 4, 4. (Adapted from Intro.
X ~ Normal   ,   
2
  Normal   ,     to Statistics , Milton, McTeer and Corbet, 1997)
  n   n 
    Misalkan mean populasi (rataaan sebenarnya)
dari waktu tonton nak2 di South Carolina adl 3.4
Jika n (ukuran sampel) adalah besar dgn standard deviasi 2.1.

Distribusi Sampling untuk

mean = 3.7
28 28
28 28
Data Numerik 28

 Contoh: Mean Sampel  Contoh: Mean Sampel

28 28 28
 Berapa mean populasi?
28 28
 3.4 28 mean = 4.1

 Berapa mean sampel? Misalkan kita ambil 28

 99/28 = 3.535 banyak sampel yang

mean = 3.5
 Apa distribusi samplingnya? Populasi: anak2 di South berukuran 28:
28
Carolina
28
28
 
 2    Normal  3.4,  2.1  
2 2 Mean: 3.4

X ~ Normal   ,  28
  n   28 
Std. Dev.: 2.1 28
   28

 
mean = 3.2

 Normal 3.4,0.4 2
mean = 2.6 and so forth…

Kemudian dapatkan mean sampel dari tiap sampel tersebut.

Distribusi Sampling untuk Distribusi Sampling untuk
Data Numerik Data Numerik
 Contoh: Mean Sampel
 Distribusi dampling dari semua means
 Contoh: Mean Sampel
sampel tsb (2.9, 3.4, 4.1, etc.) adl

 
 2    Normal  3.4,  2.1  
2 2

X ~ Normal   , 
  n   28 
  
 Normal  3.4,0.4 
0.4
2

3.40 3.53

atau 0.4
Sampel kita disini.

3.4