Distribusi Sampling dan Estimasi

Sekar Ayu, 1906400551, Biostatistika A

DISTRIBUSI SAMPLING

Statistik inferens adalah semua cara atau metode yang dipergunakan untuk
menggeneralisasi hasil dari suatu sampel menjadi hasil populasi. Dasar-dasar di dalam
statistik inferens adalah “distribusi sampling”. Distribusi sampling adalah distribusi dari
mean-mean sampel yang diambil secara berulang kali dari suatu populasi.
Ukuran-ukuran untuk sampel dan populasi adalah sebagai berikut.
Sampel Populasi
Nilai (karakteristik) Statistik Parameter
Mean (rata-rata hitung) µ
Standar deviasi s σ
Jumlah Unit n N

Misalnya kita mempunyai suatu populasi yang mempunyai mean = µ dengan N

elemen dan standar deviasi σ.
1. Dilakukan pengambilan sampel random besarnya n (X 1, X2,…,Xn), dihitung rata-rata x
dan simpangan baku s. Sampel yang diambil berulang kali ini akan menghasilkan
bermacam-macam nilai rata-rata. Dari sampel satu sampai sampel ke m didapatkan
rata-rata hitung X́ 1,………., X́ m
2. Mean atau rata-rata daari sampel-sampel ini ( X́ 1,………., X́ m) kalau disusun akan
membentuk suatu distribusi. Distribusi dari nilai mean-mean sampel inilah yang
disebut distribusi sampling harga mean.
Sifat- Sifat Distribusi Sampling (Central Limit Theorem)
Sifat 1
Apabila sampel-sampel random dengan n elemen masing-masing diambil dari suatu
populasi normal, yang mempunyai mean = µ varian σ 2, distribusi sampling harga mean akan
mempunyai mean sama dengan µ dan varian σ2/n atau standar deviasi σ/√.n. Standar deviasi
distribusi sampling harga mean ini dikenal sebagai “Standar Error” (SE).
Sifat 2
Apabila populasi berdistribusi normal, distribusi sampling harga mean juga akan
berdistribusi normal. Maka, berlaku sifat seperti persamaan di bawah ini (z score adalah nilai
deviasi relative antara nilai sampel dan populasi = nilai distribusi normal standar):
X́−µ
Z=
SE
Sifat 3
Walaupun populasi berdistribusi sembarang, kalau diambil sampel-sampel berulang
kali secara random, distribusi harga meannya akan membentuk distribusi normal.
Contoh:
Dipunyai populasi lima orang penderita penyakit “D” yang masa inkubasinya sebagai
berikut.
No. Pasien Masa Inkubasi (hari)
1 2
2 3
3 6
4 8
5 11
µ = 6 hari berasal dari 2+3+6+8+11/5
∑( X́ −µ)2
σ2 = 10,8 hari berasal dari
n−1
σ = √10,8 = 3,29 hari
Diambil sampel dengan besar n = 2.
Dari populasi di atas kemungkinan sampel yang terjadi 52 = 25
Sampel-sampel tersebut seperti tertera di dalam table di bawah ini.
Sampe Pasien yang terpilih Masa Inkubasi Mean
l
1 1;1 2;2 2
2 1;2 2;3 2,5
3 1;3 2;6 4
4 1;4 2;8 5
5 1;5 2;11 6,5
6 2;1 3;2 2,5
7 2;2 3;3 3
8 2;3 3;6 4,5
9 2;4 3;8 5,5
10 2;5 3;11 7
11 3;1 6;2 4
12 3;2 6;3 4,5
13 3;3 6;6 6
14 3;4 6;8 7
15 3;5 6;11 8,5
16 4;1 8;2 5
17 4;2 8;3 5,5
18 4;3 8;6 7
19 4;4 8;8 8
20 4;5 8;11 9,5
21 5;1 11;2 6,5
22 5;2 11;3 7
23 5;3 11;6 8,5
24 5;4 11;8 9,5
25 5;5 11;11 11

Dari distribusi sampling (Data pada kolom 4) didapatkan:

2+ 2,5+4 +… s /d … 11
X́ X́ = =6…=µ
25
 ∑( X́ − X́ ) 2
Varian (SE2) = = 5,4 nilai ini tidak lain, adalah = σ2/n, = 10,8/2 = 5,4
n−1
SE = √ 5.4 = 2,32 hari.

Distribusi sampling harga mean dari kedua puluh lima sampel yang diperoleh dari
lima sampel yang diperoleh dari lima populasi di atas kalau di gambarkan dalam bentuk
kurva akan membentuk kurva yang simetis (kurva normal umum).

Contoh Soal
Selama ini diyakinini bahwa kadar haemoglobin (Hb) orang sehat (µ) = 12 gr % dan
(σ) = 2,5 gr %. Seorang mahasiswa telah mengambil sebanyak 25 orang pengunjung suatu
Puskesmas. Hitunglah probabilitas dari rata-rata Hb sampel tadi.
a) > 13 gr %
b) antara 11 sp 13,5 gr %
Penyelesaian
a) µ 12 gr % σ = 2,5 gr %
σ 2,5
n = 25 SE = = = 0,5 gr %
√ n √ 25
13−12
Z= =2 tabel = 0,4772
0,5
p (x > 13 gr %) = 0,5 – 0,4772 = 0,0228
11−12
b) Z1 = 2,0 tabel = 0,4772
0,5
13,5−12
Z2 = 3,0 tabel = 0,4987
0,5
0,9759
p (µ gr < X́ < 13,5 gr %) = 0,9759
 ESTIMASI

Estimasi adalah suatu metode di mana kita dapat memperkirakan nilai populasi
(parameter) dengan memakai nilai sampel (statistik).

Ciri-ciri Estimator yang Baik

Di dalam estimasi nilai statistik yang dipakai untuk menduga nilai populasi atau
parameter disebut estimator. Hasil dari dugaan disebut estimasi secara statistic (statistical
estimate). Estimator yang baik haruslah mempunyai sifat: tidak bias, efisien, dan konsisten.
Estimator yang tidak bias adalah estimator yang hasil estimasinya mengandung nilai
parameter yang diestimasi. Dikatakan efisien apabila hasil estimasi memakai nilai tersebut
pada rentang yang kecil saja sudah mengandung nilai parameter. Sementara itu, yang
dimaksud dengan konsisten adalah berapa pun besarnya sampel pada rentangnya akan
mengandung nilai parameter yang sedang diestimasi.

Bentuk Estimasi
1. Estimasi Titik (Point Estimation)
Nilai statistik (nilai-nilai sampel) digunakan sebagai pendugaan nilai parameter
karena nilai-nilai ini merupakan estimator yang baik untuk menduga atau mengestimasi nilai
parameter.
Misalnya, nilai mean sampel kita anggap sebagai nilai mean populasi.
µ diestimasi sama dengan X́
s diestimasi sama dengan σ

Sebetulnya nilai populasi atau µ bisa kita duga dari bermacam-macam nilai di dalam
sampel seperti nilai median ataupun nilai mode atau salah satu dari nilai pengamatan, namun
yang dikatakan tidak bias adalah nilai mean.
Walaupun demikian, estimasi titik juga mempunyai kelemahan, yaitu kita tidak dapat
mengetahui berapa kuat kebenaran dugaan kita itu dan kemungkinan besar akan salah.
Kelemahan estimasi titik ini dapat dihilangkan dengan melakukan estimasi selang (interval).
2. Estimasi Selang (Interval Estimation)
Dasar estimasi interval ini adalah bahwa sampel-sampel yang diambil dari suatu
populasi akan berdistribusi (normal) sekitar µ, dengan simpangan baku = SE (Sifat dari
distribusi sampling). Dengan ini kita menentukan batas minimum dan maksimum terletaknya
nilai µ. Jarak dari batas tertinggi dan terendah ini ditentukan sebagai confiden interval =
confiden limit yaitu luas daerah di bawah kurva normal ditentukan dengan presentase
misalnya 90%, 95%, 99%.

Rumus Umum:

St – Z½α SE ≤ PARAMETER ≤ St + Z½α SE

St = nilai statistik (sampel = X́ )
Z = deviasi relative (standar score, besarnya ditentukan oleh confiden interval)
SE = standar error
Parameter = nilai populasi yang diduga = µ
Atau:
X́ - Z SE ≤ µ ≤ X́ + Z SE
Contoh:
Dari suatu sampel random sebanyak 100 orang ibu hamil yang diambil di Kabupaten
Cianjur didapatkan Hb (haemoglobin darah) = 9,6%. Simpangan baku di dalam populasi 5 gr
%. Dengan confiden interval 95% akan dihasilkan kadar Hb ibu hamil di Kabupaten Cianjur
adalah:
x mean sampel = 9,6 gr%
n sampel = 100
σ = 5 gr%
SE = 5/√100 = 0,5 gr%
CI = 95%...Z = 1,96
9,5 gr% - 1,96 x 0,5 gr% ≤ µ ≤ 9,5% + 1,96 x 0,5 gr%
8,5 gr% ≤ µ ≤ 10,48 gr%
Artinya:
1. Kita yakin 95% bahwa Hb ibu hamil di Cianjur terletak antara 8,52 gr% sampai 10,48 gr%.
2. Kalau kita ambil berulang kali sampel yang besarnya 100 ibu di daerah itu, maka 95% dari
mean sampel-sampel tersebut berada pada nilai 8,52 gr% sampai 10,48 gr%.
Dengan estimasi interval kita mengakui bahwa dengan confiden interval 95%, 90%
ataupun 99% kebenaran taksiran ini benar. Dengan kata lain, kemungkinan (peluang) salah
adalah 100% - 95% = 5% atau 10% atau 1% (dikenal sebagai α).
Kalau sampel yang diambil ibu hamil di Cianjur tersebut tidak 100 ribu, tetapi 25 ibu
saja dan σ tidak diketahui. Dalam hal σ tidak diketahui maka distribusi sampling kita
asumsikan berdistribusi seperti distribusi “student, t” di mana untuk menentukan nilai “t”
diperlukan, di samping α juga derajat kebebasan (degree od freedom) yang besarnya n-1…
Dengan demikian, rumus umum menjadi:

St-t.SE ≤ µ ≤ St + t.SE

X́ -t.SE≤ µ ≤ X́ + t.SE

Contoh:
 Kalau dari 25 ibu hamil yang diambil secara random didapatkan kadar Hb = 9 gr
%,simpangan baku sampel 7,7 gr%.
Maka, nilai pendugaan akan menjadi:
X́ = 9 gr%
s = 7,7 gr%
n = 25 ibu
SE = 7,7/√25 = 1,54 gr%
CI = 95% alfa = 5%, df = 25-1 = 24…t = 2,064
9 gr% - 2,064 x 1,54gr% ≤ µ ≤ 9 gr% + 2,064 x 1,54 gr%
5,82 gr% ≤ µ ≤ 12,19 gr%
Dengan ini kita akan menyatakan kadar Hb ibu hamil di Kabupaten Cirebon berada
pada 5,82 gr%; 12,19 gr% (CI 95%).
Daftar Pustaka
Sutanto, P. H., & Sabri, L. (2014). Statistik kesehatan. Jakarta: Rajawali.