STATISTIK

“Konsep Nilai-Nilai Pusat (Central Tendency)”

Dosen Pengampu : Endang Uji Wahyuni, SKM., M.KM.

Disusun Oleh Kelompok 3 :

1. Muhammad Egi kurniawan (P21345119050)

2. Mia Hammidah (P21345119044)
3. Nuzul Citra Dewanti (P21345119057)
4. Salwa Anwar (P21345119077)
5. Zahrah Nanda Elvira (P21345119089)

JURUSAN D-III B KESEHATAN LINGKUNGAN

POLITEKNIK KESEHATAN KEMENKES JAKARTA II

TAHUN 2020
 DISTRIBUSI SAMPLING (DISTRIBUSI PENARIKAN SAMPEL)

1. Konsep 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, sedangkan
estimator θ^ akan berbeda-beda tergantung pada sampel yang terambil. Dengan demikian, estimator
θ^ merupakan variabel acak (random) sehingga memiliki distribusi peluang tertentu. Dengan
demikian rata-rata, varian dan proporsi memiliki distribusi peluang tertentu.

 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
darisampel yang kita ambil.
 Karena statistik sampel adalah peubah acak maka ia mempunyai distribusi yang kita sebut
sebagai: Distribusi peluang statistik sampel = Distribusi Penarikan Sampel =Distribusi
Sampling.

Sampel adalah kumpulan pengamatan dari sebagian populasi. Sampel harus random, jika
diginakan untuk menarik kesimpulan tentant populasi. Nilai-nilai statistik yang dihitung,
berdasarkan data sampel biasanya digunakan untuk menduga parameter populasi. Sebagai penduga
parameter populasi, tentu saja nilainya tidak selalu persis sama dengan nilai parameter populasi.
Jadi ada kemungkinan nilai-nilai statistic lebih besar atau lebih kecil dari nilai parameter populasi.

Ada banyak sekali sampel random yang mungkin dapat diambil dari suatu populasi yang sama.
Dengan demikian setiap statistic, misalnya ̅ atau s2 akan berbeda/bervariasi dari satu sampel ke
sampel lainnya. Jadi suatu statistic sesungguhnya merupakan variable random yang hanya
bergantung kepada sampel yang diamati. Karena statistic merupakan variable random maka
tentunya memiliki fungsi distribusi, yang disebut distribusi sampling.

Distribusi sampling terdiri atas:

a. Distribusi Sampling Rata – Rata (Sample Mean)

 b. Distribusi Sampling Proporsi (Saple Propostion)
c. Distribusi Sampling Varian/Ragam (Sample Variance)

2. Sifat – Sifat Distribusi Sampling

Sifat-sifat dari distribusi sampel tersebut dikenal dengan Central Limit Theorem

1) Bentuk distribusi dari rata-rata sampel akan mendekati distrbusi normal meskipun distribusi
populasi tidak normal.
2) Rata-rata dari rata-rata sampel sama dengan rata-rata populasi (µ)
3) Standar deviasi dari rata-rata sampel sama dengan standar deviasi populasi (σ) dibagi dengan akar
jumlah sampel. Dikenal dengan istilah Standard Error (SE). SE  / n

3. Jenis – Jenis Perhitungan Distribusi Sampling

a. Distribusi Sampling Rata – Rata (Sample Mean)
Misalkan dimiliki populasi dengan N = 3
X1 = 3 X 2= 6 X 3= 8

μ x =μ=5.67 σ 2x =σ 2=4.22

Misalkan pula dilakukan pengambilan sampel secara acak dengan n = 2. Kemungkinan

sampel yang diperoleh adalah :
 Sampling dengan pengembalian (jumlah kemungkinan sampel = N n = 32=9)

 x1; x1   x1; x2   x1; x3 

 x2 ; x1   x2 ; x2   x2; x3 
 x3; x1   x3; x2  x3; x3 
Reratanya masing-masing adalah : 

x́(1 a) =3 x́(2 a) =4.5 x́(3 a) =5.5

x́(4 a)=4.5 x́(5 a) =6 x́(6 a) =7
x́(7 a) =5.5 x́(8 a) =7 x́(9 a) =8
N 3
 Sampling tanpa pengembalian ( jumlah kemungkinan sample = c n =cn =3

( x1; x2 ) (x ; x )
1 3 (x ; x )
2 3

Reratanya masing masing adalah

x́(1 b) =4. 5 x́(2 b) =5 .5 x́(3 b) =7

Kumpulan rerata semua kemungkinan sampel demikian pada sampling dengan

pengembalian:
 x́ (1 a ) , x́( 2 a) , x́ (3 a ) , x́ ( 4 a) , x́ ( 5 a) , x́ (6 a ) , x́ (7 a ) , x́ (8 a ) , x́ (9 a )

ataupun pada sampling tanpa pengembalian

 x́ (1 b ) , x́( 2 b) , x́ (3 b )
dinamakan distribusi sampling nilai rerata dengan rerata:

μx atau E( X´ ¿ ¿

Dan variansi

2
σ atau var( X´ ¿ ¿
x

Standar devisiasi σ x́ atau SD (X) dinamakan juga standar error (x́ ¿ = SE (x́
b. Distribusi Sampling Proporsi (Sample Proportion)
Jika sebuah populasi berukuran N di dalamnya terdapat peristiwa A sebanyak
Y, maka parameter proporsi peristiwa A sebesar π = Y/N. Dari populasi ini
diambil sampel acak berukuran n dan dimisalkan di dalamnya ada peristiwa A
sebanyak X, maka proporsi peristiwa A dalam sampel p = X/n.
1) Untuk (n/N) >5%, maka digunakan persamaan: μ p = π

2) Untuk (n/N) 5%, maka digunakan persamaan: μ p = π

Contoh : Diketahui sebanyak 10% dari ibu – ibu rumah tangga di Bandung
memakai detergen A untuk mencuci pakaiannya. Jika dari populasi tersebut
diambil sampel berukuran 100:
1. Tentukan rata – rata dan simpangan baku dari populasi ibu – ibu rumah tangga
yang memakai detergen A?
2. Bila dari sampel tersebut ternyata terdapat paling sedikit 15 ibu rumah tangga
yang memakai detergen A, tentukan probabilitasnya!

Jawab :

1. Rata-rata = 0.1 = p = μ p = π
p ( 1− p ) 0,1 ( 0,9 ) ¿ 0,03
Sp =
√ n
=¿
√ 100
2. Proporsi yang memakai detergen A adalah 15/100 = 0,15
Maka: Peluangnya adalah
15 p−π 0,15−0,1
P (p > ) = P (Z > )=P(Z> = P (Z >1,67) = 0,0475
100 Sp 0,03
c. Distribusi Sampling Varian/Ragam (Sample Variance)
1) Jika sebuah populasi berukuran N, dari populasi ini diambil sampel acak
berukuran n, lalu untuk setiap sampel dihitung simpangan bakunya yaitu S.
Dari kumpulan sampel dihitung rata-ratanya yaitu dan simpangan bakunya .
2) Untuk n ≥ 100, distribusi simpangan baku sangat mendekati distribusi normal

σ
dengan Rata-rata μs= σ dan simpangan baku σ s =
√2 n

Dimana:
 S : Simpangan baku sampel
 σ : Simpangan baku populasi
 σS : Simpangan baku dari Simpangan baku
Contoh : Suatu survei di Kabupaten X pada tahun 2005 melaporkan bahwa
prevalensi Anemia pada ibu hamil adalah sebesar 40%. Anda tertarik meneliti
kejadian anemia ibu hamil di kabupaten X tersebut. Anda mencoba mengambil
sampel secara acak sebanyak100 ibu hamil di Kabupaten X tersebut. Berapa
probabilitas Anda akan mendapatkan bahwa ibu hamil dengan anemia sebagai
berikut:
1) Kurang dari 35%
2) Lebih dari 45%
3) Antara 35% s/d 45%
Bila diambil sampel secara acak sebanyak 400 ibu hamil di Kabupaten X tersebut.
Berapa probabilitas akan mendapatkan bahwa ibu hamil dengan anemia sebagai
berikut:
a. Kurang dari 35%
b. Lebih dari 45%
c. Antara 35% s/d 45%
Jawab :
 DAFTAR PUSTAKA

Syamsuar, Ginanjar. 2017. Statistika Inferensial. Jakarta:Sekolah Tinggi Ilmu Ekonomi

Indonesia (STEI)

https://staff.blog.ui.ac.id/r-suti/files/2010/03/5-distribusi-sampling-dan-clt-sesi-6.pdf