MAKALAH

DISTRIBUSI SAMPLING

DISUSUN KELOMPOK 3:

1. Annisa Maulani A. NIM: 111711003

2. Andrian NIM: 111711002
3. Debby Listiyorini NIM: 111711005
4. Kerin nurul ramadanty NIM: 111711010
5. Naulita Wulandari NIM: 111711021
6. Nor indri syahrullah NIM: 111711022
7. Wirdah bilaldi NIM: 111711036

DOSEN PEMBIMBING:

Ns. Safra R, M.Kep

PROGRAM STUDI SARJANA KEPERAWATAN

SEKOLAH TINGGI ILMU KESEHATAN HANG TUAH

TANJUNGPINANG

2020/2021
 KATA PENGANTAR

Puji syukur penyusun panjatkan kepada Allah SWT karena penyusun telah berhasil
menyelesaikan sebuah modul pembelajaran dengan judul “Distribusi
Sampling“Penyusun menyadari sepenuhnya bahwa penulisan makalah ini tidak akan
selesai tanpa adanya bantuan dan bimbingan yang telah diberikan oleh berbagai pihak.
Untuk itu penyusun mengucapkan terima kasih :.

1. Ibu Ns. Safra R, M.Kep selaku Dosen Pembimbing yang telah membantu
,mengarahkan serta membimbing sehingga modul pembelajaran ini dapat selesai.
2. Kedua orang tua yang telah memberikan bantuan baik moral maupun materil.
3. Teman – teman yang telah memberikan dorongan semangat kepada penyusun.
Terwujudnya modul pembelajaran ini merupakan kebanggaan tersendiri bagi
penyusun, namun penyusun menyadari bahwa modul pembelajaran ini masih jauh dari
sempurna yang dikarenakan oleh keterbatasan pengetahuan dan pengalaman. Oleh karena
itu kritik dan saran dari para pembaca akan sangat bermanfaat bagi penyempurnaan
modul pembelajaran ini. Semoga modul pembelajaran ini dapat bermanfaat bagi para
pembaca. Demikianlah yang dapat tim penyusun sampaikan atas perhatianya tim
penyusun ucapkan terimakasih.

Tanjungpinang, 20 Oktober 2020

Penulis

Kelompok 3

DAFTAR ISI
Kata Pengantar........................................................................................................i

Daftar isi..................................................................................................................ii

BAB I : PENDAHULUAN

A. Latar belakang......................................................................................................1
B. Rumusan masalah.................................................................................................1
C. Tujuan penulisan..................................................................................................1
D. Manfaat penulisan................................................................................................1

BAB II : PEMBAHASAN

A. Populasi, Sample, dan Distribusi Sampling.........................................................2

B. Standar Error dan Central Limit Theorem...........................................................4

BAB III : PENUTUP

A. kesimpulan......................................................................................................11
B. Saran...............................................................................................................12

DAFTAR PUSTAKA..............................................................................................ii
 BAB I
PENDAHULUAN

Statistik adalah fungsi observasi dalam suatu sampel random yang tidak tergantung
pada parameter yang tidak diketahui. Proses penggambaran populasi berdasarkan data
sampel memberikan kaitan yang erat dengan statistik. Misalnya, jika X1, X2,...Xn sampel
random dengan ukuran n, maka rata - rata sampel , varian sampel S 2 , dan standar deviasi
sampel S semuanya adalah statistik. Distribusi peluang suatu statistik disebut dengan
distribusi sampling. Distribusi sampling menjadi salah satu dasar dalam pengambilan
kesimpulan dengan data dalam jumlah besar. Menurut sifat distribusi sampling, apabila
sampel – sampel random diambil dari suatu populasi yang berdistribusi sembarang dan
mempunyai mean μ dan variansi 2 , untuk n besar (n > 30) maka distribusinya dapat
dianggap mendekati normal dengan mean μ = μ dan variansi 2 = atau Z = ( ) N(0, 1).
Teorema Limit Pusat merupakan interpretasi yang sesuai dari sifat distribusi sampling. Syarat
yang dapat digunakan untuk membuktikan bahwa distribusi sampling ini mendekati normal yakni
dengan kekonvergenan dalam distribusi. Dalam pembuktiannya, Teorema Limit Pusat juga
menggunakan kekonvergenan dalam distribusi. Dua definisi kekonvergenan dalam distribusi
dapat 2 dipakai untuk membuktikan, salah satunya yaitu jika suatu distribusi mempunyai
Moment Generating Function atau fungsi pembangkit momen maka hal tersebut dapat
menentukan fungsi distribusi secara tunggal, distribusi secara tunggal yang dimaksud adalah
distribusi Normal. Nilai suatu MGF ada jika nilai ekspektasinya terdefinisi atau ada, tetapi tidak
berlaku sebaliknya, jika ekspektasinya ada belum tentu nilai MGF-nya ada. (Rice, 1995 : 142)
Distribusi normal atau disebut juga distribusi Gaussian merupakan distribusi yang sangat penting
dalam peluang dan statistika karena kebanyakan data dapat dimodelkan sebagai distribusi
normal. Distribusi normal merupakan suatu distribusi teoritis dari variabel random kontinu.
Kurva normal dibentuk dengan n yang tak terhingga. Peran penting distribusi normal antara lain
memiliki beberapa sifat yang mungkin digunakan sebagai acuan dalam mengambil suatu
kesimpulan berdasarkan hasil sampel yang diperoleh, pengukuran sampel berguna untuk
menafsirkan parameter populasi sehingga distribusi normal sangat sesuai dengan distribusi
empiris, dengan kata lain bahwa semua kejadian alami akan membentuk distribusi normal.
Secara singkat bahwa semua distribusi yang memiliki sampel besar akan cenderung mendekati
distribusi normal apapun bentuk awal distribusi populasinya. Teorema Limit Pusat sebagai
pembuktian secara tidak langsung dari pernyataan sebelumnya. Berdasarkan penelitian yang
dilakukan oleh Reshma R. Chavan yang menyatakan bahwa apabila dilakukan percobaan dengan
jumlah dadu sebanyak k, maka jumlah mata dadu secara acak yang muncul akan selalu
mendekati distribusi normal. Dalam teori peluang, Teorema Limit Pusat mengatakan jika
diberikan kondisi tertentu yang rata – rata aritmatikanya terdiri dari rata – rata dengan jumlah
sampel yang besar, kemudian diiterasi dari variabel random yang saling bebas dan memiliki rata
– rata serta variansi yang didefinisikan maka akan terdistribusi normal tanpa memperhatikan
distribusi asal yang mendasarinya. Andaikan sampel - sampel observasi dengan bilangan yang
cukup besar, kemudian rata – ratanya dihitung berkali - kali, maka rata –rata yang dihasilkan
adalah acak dan tidak tergantung satu sama lain serta akan terdistribusi sesuai dengan distribusi
normal. (Chavan, 2014) Berdasarkan uraian di atas, tanpa memperhatikan distribusi populasi
awalnya asalkan sampel n cukup besar serta saling bebas maka akan berdistribusi normal. Oleh
karena itu dalam skripsi ini penulis mengambil judul Pembuktian Kekonvergenan Distribusi
Sampling ke Distribusi Normal Menggunakan Moment Generating Function. 3 1.2 Rumusan
Masalah Berdasarkan latar belakang di atas, maka dapat dirumuskan permasalahannya adalah
bagaimana membuktikan kekonvergenan distribusi sampling ke distribusi normal menggunakan
Moment Generating Function? 1.3 Tujuan Penulisan Berdasarkan rumusan masalah di atas,
maka tujuan penulisan skripsi ini adalah untuk mengetahui pembuktian kekonvergenan
distribusi sampling ke distribusi normal menggunakan Moment Generating Function. 1.4 Batasan
Masalah Penulisan skripsi ini memiliki batasan sebagai berikut : 1. Distribusi sampling yang
dibahas adalah distribusi sampling rata – rata atau sample mean. 2. Pada penelitian ini distribusi
yang dibahas adalah distribusi khusus yang sering dibahas dalam statistika matematika. 3.
Kekonvergenan yang dimaksud adalah kekonvergenan variabel random sampling suatu fungsi
distribusi ke distribusi normal standar menggunakan mgf. 1.5 Manfaat Penelitian Penelitian ini
diharapkan dapat bermanfaat bagi semua pihak. Bagi penulis sendiri penelitian ini sebagai
sarana untuk mengembangkan pengetahuan dan ketrampilan pada bidang matematika terapan
khususnya statistika. Bagi lembaga khususnya Prodi Pendidikan Matematika penelitian dapat
dijadikan sebagai sarana pengembangan wawasan keilmuan pada pada bidang matematika
terapan khususnya statistika matematika. Dengan adanya penelitian ini diharapkan dapat
menambah wawasan bagi para pembaca bahwa matematika sangat penting terutama
penerapanpenerapannya dalam bidang-bidang tertentu. 1.6 Metode Penulisan 1. Jenis
Penelitian Metode penelitian yang digunakan dalam penulisan ini adalah penelitian kepustakaan
atau riset kepustakaan (library research). Riset kepustakaan atau sering juga disebut studi
pustaka ialah serangkaian kegiatan yang berkenaan dengan metode pengumpulan data pustaka,
membaca dan mencatat serta mengolah bahan penelitian. (Zed, 2008: 3). Sedangkan menurut
Nazir (dalam Rahmawati: 2007) penelitian kepustakaan atau studi literatur yaitu melakukan
penelusuran dengan penelaahan terhadap beberapa literatur yang mempunyai relevansi dengan
topik pembahasan. 4 2. Data dan Sumber Data Data yang diperlukan dalam penelitian ini adalah
data yang bersifat tekstual meliputi distribusi sampling dan distribusi normal. Informasi untuk
penelitian ini dikumpulkan dari buku-buku acuan mengenai statistika matematika, jurnal-jurnal
dan artikel di internet mengenai statistika matematika tentang distribusi sampling dan distribusi
normal. Buku acuan utama yang digunakan adalah Statistical Mathematics and Data Analysis
oleh Rice (1995), Introduction to Probability and Mathematical Statistics oleh Bain (1992), dan
Statistical Inference oleh Casella – Berger (2002). 3. Teknik Pengumpulan Data Pengumpulan
data merupakan salah satu proses pengadaan data untuk keperluan penelitian. Pengumpulan
data adalah prosedur yang sistematis dan standar untuk memperoleh data yang diperlukan.
Untuk memperoleh data, penulis menggunakan langkah-langkah Library Research yaitu setiap
penelitian memerlukan bahan yang bersumber dari perpustakaan. Penulis menggunakan metode
dokumenter, yaitu mencari data mengenai hal-hal atau variabel yang berupa catatan, buku-
buku, jurnal penelitian yang relevan dengan permasalahan yang penulis bahas. 4. Langkah –
langkah penelitian ini ada tiga yaitu a. Membuktikan moment generating function atau fungsi
pembangkit momen dari tiap distribusi khusus yang telah ditetapkan berdasarkan definisi. b.
Membuktikan moment generating function dari tiap distribusi sampling khusus yang telah
ditetapkan. c. Membuktikan kekonvergenan tiap distribusi sampling ke distribusi normal
menggunakan metode moment generating function atau fungsi pembangkit momen. 1.7
Sistematika Penulisan Agar penulisan skripsi ini lebih terarah, mudah ditelaah dan dipahami,
maka digunakan sistematika penulisan yang terdiri dari lima bab. Masing-masing bab dibagi ke
dalam beberapa subbab dengan rumusan sebagai berikut: Bab I Pendahuluan Pendahuluan
meliputi latar belakang masalah, rumusan masalah, tujuan penulisan, batasan masalah, manfaat
penelitian, metode penelitian, dan sistematika penulisan. Bab II Kajian Pustaka Bagian ini terdiri
atas konsep-konsep yang mendukung bagian pembahasan. Konsep - konsep tersebut antara lain
membahas tentang populasi, sampel, variabel random, 5 PDF dan CDF, variabel random
sampling dan distribusi sampling, distribusi normal ekspektasi dan variansi, Moment Generating
Function, konvergen dalam distribusi, deret Taylor, dan fungsi gamma. Bab III Pembahasan
Dalam bab ini dipaparkan hasil kajian yang meliputi pembuktian MGF distribusi khusus,
pembuktian MGF distribusi sampling, dan pembuktian MGF distribusi sampling ke distribusi
normal standar. Bab IV Penutup Pada bab ini akan dibahas mengenai simpulan dan saran

BAB II
PEMBAHASAN

A. POPULASI,SAMPEL DAN DISTRIBUSI SAMPLING

1. Populasi
Populasi adalah wilayah generalisasi yang terdiri atas obyek atau subyek yang
mempunyai kualitas dan karakteristik tertentu yang ditetapkan oleh peneliti untuk
dipelajari dan kemudian ditarik kesimpulannya. Populasi dalam penelitian ini
adalah seluruh pasien di Balai Pengobatan Nahdlatul Ulama’ (BPNU) Sayyid
Abdurahman Mojoagung Jombang pada tiga bulan terakhir, yaitu bulan Agustus,
September, Oktober 2014 sebanyak 1991.

2. Sampel
Sampel adalah bagian dari jumlah karakteristik yang dimiliki oleh populasi.38
Supaya jumlah sampel yang digunakan representative dengan populasi, maka
jumlah sampel yang digunakan dihitung dengan menggunakan rumus tertentu.
Untuk menghitung jumlah sampel yang dibutuhkan digunakan rumus sebagai
berikut:
n= 𝑁
(𝑑)2+1

n= 1991
1991(0,1)2+1

n= 1991
1991(0,01)+1

n= 1991
19,91+1

n= 95
Keterangan :
n = Ukuran Sampel
N = Ukuran Populasi
 d = Presentasi kelonggaran ketidaktelitian kesalahan-kesalahan pengambilan
sampel yang masih ditolelir, misalnya 10%.
Dengan menggunakan rumus tersebut ukuran sampel berjumlah 95 reponden.
Namun di lapangan peneliti menemukan kendala dari beberapa responden.
Sehingga kuesioner yang masuk dan dapat diolah berjumlah 83 responden.
Response rate dari hasil survey ini adalah :

Response Rate = Jumlah responden yang berhasil diwawancarai

Jumlah responden awal 𝑥 100
Response Rate = 83
95 𝑥 100

Response Rate = 87%

Response rate ini menunjukkan seberapa besar desain sampel bisa dijalankan
dengan baik di lapangan. Menurut banyak ahli,response rate di bawah 80%
potensial melahirkan bias.

3. Distribusi sampling

Setiap sampel yang diambil dari populasi tertentu mungkin akan memiliki nilai
statistik yang berbeda. Sedangkan dari sebuah populasi bisa menghasilkan ribuan
sampel yang berbeda. Dengan seluruh perbedaan tersebut memang sulit membuat
aturan terkait hubungan antara sampel dan populasi. Namun kumpulan sampel
yang mungkin, memiliki bentuk yang cukup sederhana dan teratur sehingga
menjadi mungkin untuk memprediksi karakteristik sampel dengan beberapa
keakuratan. Disini ah butuh jembatan antara sampel dan populasi sehingga dapat
diprediksi karakteristik sampel untuk populasi teretentu yaitu distribusi sampling.

Distribusi Sampling merupakan distribusi teoritis (distribusi kemungkinan) dari

semua hasil sampel yang mungkin, dengan ukuran sampel yang tetap N, pada
statistik (karakteristik sampel) yang digeneralisasikan ke populasi. Secara umum
informasi yang perlu untuk mencirikan suatu distribusi secara cukup akan
mencakup:

a. Ukuran Kecenderungan Memusat (mean, median, modus)

 b. Ukuran Persebaran Data (range, standar deviasi)

c. Bentuk distribusi \

Ada pula Jenis-jenis dari distribusi sampling yaitu ;

1. Distribusi Sampling Rata-rata

2. Distribusi Sampling Proporsi
3. Distribusi sampling simpangan baku
4. Distribusi penarikan sampel
5. Distribusi Sampling Lainnya

a. Distribusi sampling Rata-rata

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 NN elemen dimana
rata-ratanya adalah \muμ dan variannya adalah \sigma^2.σ2. Kemudian dari
populasi tersebut diambil sampel sebanyak nn elemen.
Jika pengambilan sampel dilakukan dengan pengembalian maka banyaknya
kemungkinan kelompok sampel yang dapat terbentuk adalah N^n,Nn, sedangkan
jika pengambilan sampel dilakukan tanpa pengembalian maka banyaknya
kemungkinan kelompok sampel yang dapat terbentuk adalah
NCn= {N!}
{n!(N-n)!}
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
Selanjutnya, varian dari distribusi sampling rata-rata sampel yang diperoleh dari
pengambilan dengan pengembalian.Jika ukuran NN sangat besar (menuju tak
hingga), maka ({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.
 Dalam prakteknya, distribusi sampling rata-rata berlaku hal-hal sebagai berikut;
1. Untuk pengambilan sampel tanpa pengembalian atau n/N > 5%
μx = μ
σ N−n
σx =
√n √ N−1
2. Untuk pengambilan sampel dgn pengembalian atau n/N ≤ 5%
μx = μ
σ
σx =
√n
Dalam distribusi sampling rata-rata berlaku Dalil Limit Pusat, yaitu ketika
pengambilan sampel dengan ukuran nn 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).
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).

b. Distribusi sampling Proporsi

Distribusi sampling dari proporsi adalah distribusi proporsi-proporsi dari seluruh
sampel acak berukuran n yang mungkin yang dipilih dari sebuah populasi.
proporsi kesuksesan desa yang mendapat bantuan program, Perbedaan persepsi
penduduk miskin dan kaya terhadap pembangunan mall, dilihat dari proporsi
ketersetujuannya.
X utk sampel dinyatakan X
Proporsi dr populasi dinyatakan PProporsi
= p=
N n
Pada distribusi sampling proporsi berlaku hal-hal sebagai berikut;

1. Untuk pengambilan sampel dgn pengembalian atau jika ukuran populasi besar
dibandingkan dgn ukuran sampel yi n/N ≤ 5%
μp = P
P (1 − P )
σp =
√ n
 2. Untuk pengambilan sampel tanpa pengembalian atau jika ukuran populasi
kecil dibandingkan dgn ukuran sampel yi n/N > 5%
μp = P
P (1 − P ) N −n
c. Distribusi sampling simpangan
σ p baku
=
√ n √ N −1
d. Distribusi sampling penarikan sampel
Jumlah Sampel Acak yang dapat ditarik dari suatu populasi adalah sangat banyak.
• Nilai setiap Statistik Sampel akan bervariasi/beragam antar sampel.
• Suatu statistik dapat dianggap sebagai peubah acak yang besarnya sangat
tergantung dari sampel yang kita ambil.
• Karena statistik sampel adalah peubah acak maka ia mempunyai distribusi yang
kita sebut sebagai : Distribusi peluang statistik sampel = Distribusi Sampling =
Distribusi Penarikan Sampel. Statistik sampel yg paling populer dipelajari adalah
Rata-Rata (x)
e. Distribusi sampling lainnya

B. STANDAR EROR DAN SENTRAL LIMIT THEOREM

1. STANDAR EROR
Standard Error adalah standar deviasi dari rata-rata. Jika kita hitung nilai
standar deviasi dari tiga buah nilai rata-rata, maka nilai standar deviasi dari
nilai rata-rata tersebut disebut sebagai standard error.
Standar Error dapat melihat akurasi penduga sampel terhadap parameter
populasi, Standar Error mengukur presisi dari perkiraan parameter populasi,
Ukuran statistik ini dapat menunjukkan seberapa dekat nilai mean populasi
dengan nilai estimasi yang didapat dari nilai mean sampel.
Perbedaan Rumus Varians, SD, dan SE :
Varian = Var = ∑(xi – x) 2

n-1
Nilai Standar Error kecil berarti penyebaran mean/rata-rata sampel juga kecil
maka estimasi terhadap parameter populasi akan lebih tepat, Bila nilai Standar
Error besar berarti penyebaran mean/rata-rata sampel juga besar maka estimasi
terhadap parameter populasi menjadi kurang tepat.

Nilai Standar Error akan turun (semakin kecil) apabila jumlah sampel
diperbanyak dan varians atau Standar Deviasi sampel dikurangi. Oleh karena
itu, Standar Error dapat digunakan untuk menentukan dan mengontrol jumlah
sampel.

Contoh Soal Standard Error :

Seorang dokter umum melakukan studi dengan tujuan mengetahui perbedaan

tekanan darah diastolik antara laki-laki usia 20 – 24 tahun yang bekerja sebagai
tukang cetak dengan petani di Kota Bogor Tahun 2015. Sampel tukang cetak
sejumlah 72 orang dan sampel petani sejumlah 48 orang. Dari data penelitian
tersebut, dokter itu mendapatkan nilai rata-rata dan standard deviasinya.
Hitunglah nilai Standard Error masing-masing profesi?

Tabel Mean Tekanan Darah Diastolik antara Tukang Cetak dan Petani

Jawab :

SE = SD/√n

1. SE Tukang Cetak = 4.5/√72 = 0.53 mmHg

2. SE Petani = 4.2/√48 = 0.61 mmHg

 Standard Error (SE) dalam beberapa referensi disebut juga dengan Standard
Error of Mean (SEM) adalah estimasi dari standar deviasi yang didapat dari
mean-mean dari sejumlah sampel yang menggambarkan populasi.

SEM = SD(dari Mean)/√n = SE

Contoh Soal:

Rata-Rata hitung dari konsentrasi urin pada 140 anak-anak adalah 2.18
µmol/24h. Didapat standard deviasinya adalah 0.87 µmol/24h. Hitunglah
standard error of mean dari data tersebut?

Jawab :
SEM = SE = SD/√n
SEM = SE = 0.87/√140 = 0.074 µmol/24h

Pembuktikan bahwa jika sampel bertambah maka nilai SE akan mengecil

Suatu populasi dengan SD = 100 dan sampel diambil sejumlah 10. Dihitung
Standard Error-nya adalah :
SE = 100/√10 = 31.6
Jika sampel diperbesar menjadi 100 maka SE yang dihasilkan adalah :
SE = 100/√100 = 10
Nilai SE akan mengecil jika jumlah sampel diperbesar.
Standar Error juga dapat dihubungkan dengan prosentase atau proporsi. Dalam
hal ini, jumlah sampel akan dipengaruhi oleh nilai standard error, tetapi jumlah
variasinya ditentukan oleh nilai dari prosentase atau proporsi dalam populasi itu
sendiri sehingga tidak dibutuhkan estimasi dari Standar Deviasi.
Jika p mewakili 100% maka 100 – p adalah nilai yang lainnya. Dengan demikian,
Rumus yang digunakan adalah
SE Prosentase =

p(100 – p)
√ n

Contoh Soal:

Seorang ahli bedah di sebuah rumah sakit melakukan investigasi tentang

apendiksitis akut pada pasien dengan usia 65 tahun ke atas. Ahli bedah tersebut
menilai catatan selama 10 tahun terakhir dan menemukan ada 120 pasien pada
kelompok tersebut yang mengalami apendeksitis tidak melakukan operasi, di
mana dari jumlah tersebut 73 orang (60.8%) adalah perempuan dan 47 orang
 (39.2%) adalah laki-laki. Dengan demikian berapakah nilai SE Prosentase pada
investigasi tersebut?

Jawab:

SE Prosentase untuk kasus Appendisitis akut adalah

60.8 ( 100 – 60.8 ) 39.2 ( 100 – 39.2 )

√ 120
=4.46 %Atau
√ 120
=4.46 %

2. SENTRAL LIMIT THEOREM

Teorema Limit Pusat (CLT) merupakan salah satu teorema paling penting dalam
matematika statistik dan probabilitas. Teori ini digunakan hampir di semua tempat di
mana statistik matematika diterapkan. Kegunaan teorema terletak pada kesederhanaan
definisinya. Teorema limit sentral menyatakan bahwa jika beberapa kondisi tertentu
terpenuhi, maka distribusi mean dari sejumlah variabel random independen mendekati
distribusi normal dengan jumlah sampel mendekati tak terhingga. Dengan kata lain,
tidak diperlukan informasi yang banyak tentang distribusi aktual variabel, asalkan ada
cukup sampel dari mereka, jumlah mereka dapat didistribusikan secara normal.
Keindahan teorema limit pusat ini terletak pada kesederhanaannya.
“ Definisi : Teorema limit pusat (“central limit theorem”) adalah sebuah teorema
yang menyatakan bahwa kurva distribusi sampling (untuk ukuran sampel 30 atau
lebih) akan berpusat pada nilai parameter populasi dan akan memiliki semua sifat-
sifat distribusi normal.”
Definisi di atas merupakan definisi yang menjelaskan tentang teorema limit pusat.
Namun tentu saja tulisan di atas belum mampu menjelaskan secara detail dan
matematis bagaimana teorema limit pusat itu berpengaruh terhadap perkembangan
ilmu statistika. Apalagi jika kita ingin mengetahui apa latar belakang munculnya ide
pembentukan teorema ini. Tentu saja perlu adanya kajian lebih lanjut mengenai asal
usul perkembangan teorema itu sendiri.
Pada pembahasan selanjutnya ini, akan di bahas bagaimana formula dari teorema limit
pusat tersebut.
Teorema : Misalkan x 1 , x 2 , … , x n suatu barisan variabel random dengan CDF masing

– masing G1 ( y ) , G 2 ( y ) , … , Gn ( y ) dan MGF masing – masing adalah

M 1 ( t ) , M 2 ( t ) , … , M n ( t ). Jika M (t) suatu MGF dan CDF nya adalah G(Y ) dengan
lim M n ( t )=M ( t ) , ∀ t ,−h<t< h ,h> 0
n→∞

maka

lim Gn (Y )=G (Y )
n→∞

Satu hal yang perlu diketahui, apabila bentuk CDF tidak memenuhi sifat – sifat umum,
maka barisan Y n tidak mempuyai distribusi limit pendekatan. Kemudian seiring
dengan berkembanganya teorema limit pusat ini, muncul teorema limit pusat secara
khususnya yaitu sebagai berikut :

Teorema :

Jika x 1 , x 2 , … , x n merupakan sampel random dari sebuah distribusi degan PDF f ( x ),

dan mean μ dan variansi σ 2 berhingga, maka distribusi limit dari :

x́−μ
Z n= N (0,1)
σ x́

Hingga saat ini, terdapat banyak sekali modifikasi dari teorema limit pusat. Bahkan
proses modifikasinya pun berawal dari konsep - konsep yang lebih sederhana.
Beberapa di antaranya adalah modifikasi teorema limit pusat yang berdasarkan konsep
– konsep statistik dasar berikut :

x́ n−E( x´n )
1. Z n=
√ var ¿ ¿ ¿
2. Jika S n=x 1+ x2 +…+ xn =∑ x i , maka :

Z n=
∑ x i− E(∑ x i) d N (0,1)
√ var (∑ xi ) →
 BAB III
PENUTUP
A. KESIMPULAN
Distribusi sampling adalah distribusi pengukuran statistik seperti rata-rata, standar
deviasi, proporsi yang muncul sebagai akibat dari penggunaan sampel. Bayangkan
kita memiliki sekelompok populasi. Ketika kita mengambil sampel data, kita akan
mendapatkan hasil bahwa terdapat berbagai perbedaan perhitungan dari satu sampel
ke sampel lain.

Perbedaan hasil ini akan membuat perbedaan dalam pengukuran dan penentuan
distribusi sampling.

Jika kita dapat mengukur ketinggian semua orang di dunia (misalkan melalui sensus)
dan menyajikan hasilnya, maka kita telah mendapatkan distribusi tinggi dari seluruh
populasi dunia.
1. Populasi: seluruh hal yang ingin kita periksa
2. Sampel: data atau informasi yang kita miliki tentang populasi
3.  Statistik: metode atau teknik yang dapat digunakan untuk memperkirakan
populasi
4. Distribusi sampel: metode yang digunakan untuk menghasilkan nilai yang
mampu menggambarkan kondisi populasi melalui proses statistik.

distribusi sampel akan tergantung pada kondisi distribusi populasi. Sebelum

memilih sampel, pelajari tentang populasi terlebih dahulu melalui referensi yang
tersedia. Sampel yang digunakan harus acak dan independen.Sama seperti yang
lain, distribusi sampling juga memiliki statistik deskriptif seperti grafik, rata-rata,
median, modus, skewness, dan varians tersendiri.

B. SARAN
Semoga diharapkan dapat menambah pengetahuan dan wawasan. Serta dapat
mengaktualisasikannya pada lingkungan sekitar baik dalam lingkungan keluarga
maupun masyarakat dan juga dengan adanya makalah ini pembaca dapat menerapkan
serta dapat mengaplikasikan apa yang telah dipaparkan oleh penulis
 DAFTAR PUSTAKA

Campbell, M.J and Swinscow, T.D.V. ( 2009). Statisitics at Square One. Wiley-
Blackwell, USA
Campbell, M.J and Swinscow, T.D.V. ( 2009). Statisitics at Square Two. Wiley-
Blackwell, USA
https://www.rumusstatistik.com/2017/01/distribusi-sampling.html