1BAB IPENDAHULUAN

1.1Latar Belakang Masalah

Matematika merupakan salah satu cabang ilmu pengetahuan yang melambangkan kemajuan
zaman. Oleh karena itu matematika banyak digunakan oleh cabang ilmu lain misalnya dalam
fisika, kimia, biologi, statistika dan sebagainya. Pada kesempatan kali ini penulis ingin mengkaji
penerapan matematika dalam bidang statistika khususnya pada distribusi sampling.
 
Statistik merupakan salah satu hal terpenting dalam proses pengambilan keputusan  pada bidang
ekonomi, bisnis maupun ilmu pengetahuan. Statistik mengacu pada estimasi dan uji hipotesis.
Agar estimasi atau uji hipotesis mendekati kondisi sebenarnya pada populasi maka perlu diambil
sampel-sampel yang dapat mewakili populasi. Hal ini dapat dilakukan dengan cara
random sampling 
, dimana setiap elemen dari populasi memiliki peluang yang sama untuk terpilih menjadi sampel.
Dari pengambilan sampel ini kita dapat mempelajari karakteristik populasi berdasarkan sampel
yang diambil dari populasi itu. Berdasarkan sifat-sifat sampel yang diambil dari sebuah populasi,
statistika akan membuat kesimpulan umum yang diharapkan berlaku untuk populasi itu. Jika
nilai-nilai statistik yang sejenis dikumpulkan, lalu disusun dalam suatu daftar sehingga terdapat
hubungan antarnilai statistik dan frekuensi statistik yang didapat, maka diperoleh kumpulan
statistik yang disebut
distribusi sampling

1.2 Rumusan Masalah

Berdasarkan latar belakang di atas, maka dapat dirumuskan permasalahannya yaitu :
1. Apa pengertian distribusi sampling
2. Apa yang dimaksud harga mean
3. Apa yang dimaksud harga proporsi
4. Apa yang dimaksud standar deviase

1.3 Tujuan Penulisan

Berdasarkan rumusan masalah diatas,makatujan dari pembuatan makalah ini sebagai
berikut :
1) Mengerti apa itu distribusi sampling
2) Mengerti tentang harga mean
3) Mengerti tentang harga proporsi
4) Mengerti tentang standar deviase
 BAB II
ISI

2.1 Pengertian distribusi sampling

Distribusi sampling adalah distribusi peluang teoritis dari ukuran-ukuran statistik,
misalnya adalah rata-rata, varian dan proporsi, termasuk juga distribusi beda
dua rata-rata dan beda dua proporsi. Konsep distribusi sampling ini dijadikan
sebagai dasar dari statistik inferensial, dimana dengan distribusi sampling dapat
diketahui karakteristik populasi (parameter).

Nilai dari parameter populasi bersifat konstan, sedangkan nilai estimasi parameter
(estimator) tidak bersifat konstan. Nilai parameter populasi hanya satu yaitu
θ,\theta,θ, sedangkan estimator θ^\hat{\theta}θ^ akan berbeda-beda tergantung
pada sampel yang terambil. Dengan demikian, estimator θ^\hat{\theta}θ^
merupakan variabel acak (random) sehingga memiliki distribusi peluang tertentu.
Dengan demikian rata-rata, varian dan proporsi memiliki distribusi peluang
tertentu.

2.2 Distribusi Sampling Rata-rata (mean)

1. Pengertian Distribusi rata-rata (mean)

Distribusi sampling rata-rata adalah distribusi dari rata-rata yang diperoleh dari semua
sampel yang mungkin dari suatu populasi, dimana ukuran sampelnya tersebut yang sama
besar.

Misalkan suatu populasi memiliki N elemen dimana rata-ratanya adalah μ dan variannya adalah
σ2. Kemudian dari populasi tersebut diambil sampel sebanyak n elemen.

Jika pengambilan sampel dilakukan dengan pengembalian maka banyaknya kemungkinan

kelompok sampel yang dapat terbentuk adalah Nn, sedangkan jika pengambilan sampel
dilakukan tanpa pengembalian maka banyaknya kemungkinan kelompok sampel yang dapat
terbentuk adalah

Rata-rata kelompok sampel yang diperoleh dari pengambilan dengan pengembalian adalah
xˉ1,xˉ2,⋯xˉNn\bar x_1, \bar x_2, \cdots \bar x_{N^n}xˉ1,xˉ2,⋯xˉNn dan variannya adalah
s12,s22,⋯,sNn2.s_1^2, s_2^2, \cdots, s_{N^n}^2.s12,s22,⋯,sNn2. Selanjutnya rata-rata
kelompok sampel yang diperoleh dari pengambilan tanpa pengembalian adalah
xˉ1,xˉ2,⋯xˉNCn\bar x_1, \bar x_2, \cdots \bar x_{^NC_n}xˉ1,xˉ2,⋯xˉNCn dan variannya
adalah s12,s22,⋯,sNCn2.s_1^2, s_2^2, \cdots, s_{^NC_n}^2.s12,s22,⋯,sNCn2.

Kumpulan rata-rata kelompok sampel yang diperoleh dari pengambilan dengan pengembalian
ataupun diperoleh dari pengambilan tanpa pengembalian masing-masing akan membentuk
distribusi sampling rata-rata sampel, dimana rata-ratanya adalah μxˉ=μ.\mu_{\bar x} =\mu.μxˉ
=μ.
Selanjutnya, varian dari distribusi sampling rata-rata sampel yang diperoleh dari pengambilan
dengan pengembalian adalah σxˉ2=σ2n\sigma_{\bar x}^2 = \frac {\sigma^2}{n}σxˉ2=nσ2
sedangkan varian dari distribusi sampling rata-rata sampel yang diperoleh dari pengambilan
tanpa pengembalian adalah σxˉ2=σ2nN−nN−1\sigma_{\bar x}^2 = \frac {\sigma^2}{n} \frac
{N-n}{N-1}σxˉ2=nσ2N−1N−n Jika ukuran NNN sangat besar (menuju tak hingga), maka
(N−n)/(N−1)({N-n})/({N-1})(N−n)/(N−1) akan menuju 1, sehingga varian dari distribusi
sampling rata-rata sampel yang diperoleh dari pengambilan dengan pengembalian dan varian
dari distribusi sampling rata-rata sampel yang diperoleh dari pengambilan tanpa pengembalian
akan sama, yaitu σxˉ2=σ2n\sigma_{\bar x}^2 = \frac {\sigma^2}{n}σxˉ2=nσ2 Dalam
prakteknya, distribusi sampling rata-rata berlaku hal-hal sebagai berikut

1. jika nN≤5%\displaystyle \frac{n}{N}\leq 5\%N

n≤5% atau populasinya tak berhingga maka digunakan σxˉ2=σ2n,\sigma_{\bar x}^2 = \frac
{\sigma^2}{n},σxˉ2=n
 σ2,
 sedangkan jika nN>5%\displaystyle \displaystyle \frac{n}{N}>5\%Nn>5% atau populasinya
berhingga maka digunakan σxˉ2=σ2nN−nN−1.\sigma_{\bar x}^2 = \frac {\sigma^2}{n} \frac
{N-n}{N-1}.σxˉ2=nσ2N−1

2. N−n.

Dalam distribusi sampling rata-rata berlaku Dalil Limit Pusat, yaitu ketika pengambilan sampel
dengan ukuran nnn sampel acak sederhana dari suatu populasi yang berasal dari distribusi
apapun, maka distribusi rata-rata sampel dapat didekati dengan Distribusi Normal dengan syarat
ukuran sampel yang besar, biasanya disepakati ukuran sampel yang besar adalah (n≥30).
(n\geq30).(n≥30).

Teorema Limit Pusat menyatakan hal-hal sebagai berikut:

1. Jika populasi cukup besar dan berdistribusi normal maka distribusi samplingnya juga
akan berdistribusi normal.
2. Jika populasi tidak berdistribusi normal maka distribusi sampling rata-ratanya akan
mendekati normal jika ukuran sampel cukup besar, biasanya 30 atau lebih (n≥30).
(n\geq30).(n≥30).
3. Distribusi normal dari rata-rata sampel memiliki rata-rata yang sama dengan rata-rata
populasi (μxˉ=μ)(\mu_{\bar x}=\mu)(μxˉ=μ) dan varian σxˉ2=σ2n.\sigma_{\bar
x}^2=\displaystyle\frac {\sigma^2}{n}.σxˉ2=n

σ2. \

 
13
DISTRIBUSI SAMPLING SELISIH RATA-RATA DAN PROPORSI
Statistik merupakan salah satu hal terpenting dalam proses pengambilan keputusan  pada bidang
ekonomi, bisnis maupun ilmu pengetahuan. Statistik mengacu pada estimasi dan uji hipotesis.
Agar estimasi atau uji hipotesis mendekati kondisi sebenarnya pada populasi maka perlu diambil
sampel-sampel yang dapat mewakili populasi. Hal ini dapat dilakukan dengan cara
random sampling 
, dimana setiap elemen dari populasi memiliki peluang yang sama untuk terpilih menjadi sampel.
Dari pengambilan sampel ini kita dapat mempelajari karakteristik populasi berdasarkan sampel
yang diambil dari populasi itu. Berdasarkan sifat-sifat sampel yang diambil dari sebuah populasi,
statistika akan membuat kesimpulan umum yang diharapkan berlaku untuk populasi itu. Jika
nilai-nilai statistik yang sejenis dikumpulkan, lalu disusun dalam suatu daftar sehingga terdapat
hubungan antarnilai statistik dan frekuensi statistik yang didapat, maka diperoleh kumpulan
statistik yang disebut
distribusi sampling
(Sudjana, 2004: 87).
1.
 
Distribusi Sampling Selisih Rata-Rata
Distribusi sampling selisih rata-rata adalah distribusi probabilitas yang dapat terjadi dari selisih
rata-rata dua sampel yang berbeda berdasarkan pada dua sampel tertentu dari ukuran parameter
dua populasinya. Untuk ukuran sampel n
1
dan n
2
yang cukup besar (n
1
,n
2
> 30), maka distribusi sampling selisih rata-rata sangat mendekati distribusi normal, untuk
mengubahnya ke dalam  bentuk normal standar maka diperlukan rumus :
̅

̅


  ̅

  ̅


  ̅

  ̅

 Dimana : a.
 
Rata-rata ( Means )

  ̅

  ̅





  b.
 
Simpangan baku ( standard deviation )

  ̅

  ̅

  







 Jika


 dan


 tidak diketahui, maka dapat menggunakan standar deviasi dari sampel.

 
14
Contoh soal :
Pegawai perusahaan Global Network Inspectionpada Divisi Inspeksi Pembongkaran mempunyai
gaji rata-rata sebesar $4300/bulan, sedangkan Divisi Inspeksi Pengangkutan mempunyai gaji
$3750/bulan. Setelah dihitung, diperoleh rata-rata hitung dari deviasi kuadrat setiap gaji terhadap
gaji rata-rata Divisi Inspeksi Pembongkaran $52.000, sedangkan Divisi Inspeksi Pengangkutan
sebesar $19.500. Bila diasumsikan diambil sampel random pada Divisi Inspeksi Pembongkaran
sebanyak 90 orang dan Divisi Inspeksi Pengangkutan75,  berapakah probalilita selisih rata-rata
gaji dari dua sampel lebih besar dari $ 500 ?
Jawab :
Dik : Divisi Inspeksi Pembongkaran :
μ
1
= $ 4300


= $ 52.000 n
1
 = 90 Divisi Inspeksi Pengangkutan :
μ
2
= $ 3750


= $ 37.000 n
2
 = 75 Dit :


̅

 5   
 ? Jawab :










4300
 – 
 3750
= 550
 





  







   55            ̅

̅


  ̅

  ̅


  ̅

  ̅

 5    5 5       5    5      
Z0
 
Luas kanan 0 = 0,5000 Luas 0 - Z = 0,4370
 – 
 Luas Kanan Z =
0,9370
Jadi, probabilita selisih rata-rata gaji dari dua sampel lebih besar dari $ 500 adalah
0,9370
 atau
93,70 %.
 
Distribusi Sampling Proporsi

Distribusi sampling proporsi adalah distribusi dari proporsi yang diperoleh dari semua sampel
yang mungkin dari suatu populasi, dimana ukuran sampelnya tersebut yang sama besar. Proporsi
populasi dilambangkan dengan ppp dimana p=XN\displaystyle p=\frac{X}{N}p=NX dan
proporsi sampel dilambangkan dengan p^\hat{p}p^ dimana p^=Xn.\displaystyle
\hat{p}=\frac{X}{n}.p^=nX.

Pada distribusi sampling proporsi berlaku hal-hal sebagai berikut

 1. jika nN≤5%\displaystyle \frac{n}{N}\leq 5\%N

n≤5% atau populasinya tak berhingga maka σp^2=p(1−p)n,\sigma_{\hat{p}}^2 = \frac {p(1-p)}

{n},σp^2=n
 p(1−p),
 sedangkan jika nN>5%\displaystyle \displaystyle \frac{n}{N}>5\%Nn>5% atau populasinya
berhingga maka digunakan σp^2=p(1−p)nN−nN−1.\sigma_{\hat{p}}^2 = \frac {p(1-p)}{n} \frac
{N-n}{N-1}.σp^2=np(1−p)N−1

2. N−n.
https://www.rumusstatistik.com/2017/01/distribusi-sampling.html

https://www.academia.edu/8213239/DISTRIBUSI_SAMPLING_RATA-
RATA_DAN_PROPORSI

http://debrina.lecture.ub.ac.id/files/2015/07/6b-Distribusi-Sampling.pdf

https://www.academia.edu/24483992/Distribusi_Sampling