Distribusi

Sampling

Teorema Limit
Sentral
 PERLU DIINGAT!
 Populasi- totalitas dari semua
objek/ individu yg memiliki apa yang sedang
karakteristik tertentu, jelas dan kita bicarakan
lengkap yang akan diteliti
 Sampel- adalah sebagai apa yang kita
sekumpulan data yang diambil miliki dengan data
atau diseleksi dari suatu kita
populasi
 Distribusi Sampling - alat
dimana kita akan beralih dari
sampel kita ke populasi
 Sampel
Statistik Sampel
Random

Sampel
Random
Statistik Sampel

Populasi
Sampel
Random
Statistik Sampel

Sampel
Statistik Sampel
Random

DISTRIBUSI DISTRIBUSI
SAMPEL SAMPLING
Contoh Distribusi Sampling
Ambil sampel berukuran 1500 keluarga dari populasi
penduduk Jakarta dan catatlah penghasilan rumah tangga.
Hasil sensus (populasi) menyatakan rataanya adalah 3
(dalam juta rupiah)

3
Contoh Distribusi Sampling
Ambil sampel berukuran 1500 keluarga dari populasi
penduduk Jakarta dan catatlah penghasilan rumah tangga.
Hasil sensus (populasi) menyatakan rataanya adalah 3
(dalam juta rupiah)

3
Contoh Distribusi Sampling
Ambil sampel berukuran 1500 keluarga dari populasi
penduduk Jakarta dan catatlah penghasilan rumah tangga.
Hasil sensus (populasi) menyatakan rataanya adalah 3
(dalam juta rupiah)

3
Contoh Distribusi Sampling
Ambil sampel berukuran 1500 keluarga dari populasi
penduduk Jakarta dan catatlah penghasilan rumah tangga.
Hasil sensus (populasi) menyatakan rataanya adalah 3
(dalam juta rupiah)

3
Contoh Distribusi Sampling
Ambil sampel berukuran 1500 keluarga dari populasi
penduduk Jakarta dan catatlah penghasilan rumah tangga.
Hasil sensus (populasi) menyatakan rataanya adalah 3
(dalam juta rupiah)

3
Contoh Distribusi Sampling
Ambil sampel berukuran 1500 keluarga dari populasi
penduduk Jakarta dan catatlah penghasilan rumah tangga.
Hasil sensus (populasi) menyatakan rataanya adalah 3
(dalam juta rupiah)

3
Contoh Distribusi Sampling
Ambil sampel berukuran 1500 keluarga dari populasi
penduduk Jakarta dan catatlah penghasilan rumah tangga.
Hasil sensus (populasi) menyatakan rataanya adalah 3
(dalam juta rupiah)

3
Contoh Distribusi Sampling
Ambil sampel berukuran 1500 keluarga dari populasi
penduduk Jakarta dan catatlah penghasilan rumah tangga.
Hasil sensus (populasi) menyatakan rataanya adalah 3
(dalam juta rupiah)

3
Contoh Distribusi Sampling
Ambil sampel berukuran 1500 keluarga dari populasi
penduduk Jakarta dan catatlah penghasilan rumah tangga.
Hasil sensus (populasi) menyatakan rataanya adalah 3
(dalam juta rupiah)

3
Contoh Distribusi Sampling
Ambil sampel berukuran 1500 keluarga dari populasi
penduduk Jakarta dan catatlah penghasilan rumah tangga.
Hasil sensus (populasi) menyatakan rataanya adalah 3
(dalam juta rupiah)
Rataan sampel akan menumpuk
berbentuk seperti kurva normal.
Distribusi sampling normal

3
Contoh Distribusi Sampling
Misalkan deviasi standar adalah 1 juta. Kembali pada
aturan empiris. Berapakah kemungkinan kita
mendapatkan rataan sampel lebih dari 2 juta?

Rataan sampel akan menumpuk

berbentuk seperti kurva normal.
Distribusi sampling normal

3
-3z -2z -1z 0z 1z 2z 3z
 Contoh Distribusi Sampling
Misalkan deviasi standar adalah 1 juta. Kembali pada
aturan empiris. Berapakah kemungkinan kita
mendapatkan rataan sampel lebih dari 2 juta?

Rataan sampel akan menumpuk

berbentuk seperti kurva normal.
Distribusi sampling normal

2.5% 2.5%

3
-3z -2z -1z 0z 1z 2z 3z
???
 Permasalahannya kesempatan kita hanya satu
kali untuk mengambil sampel

 Ilustrasi diatas menunjukkan rataan hasil

sampling tidak tepat sesuai rataan populasi 
sampling error

 Jika kita dapat menentukan variabilitas (deviasi

standar) distribusi sampling, kita dapat
mengestimasi seberapa jauh rataan sampel kita
dari rataan populasi
Teorema Limit Sentral

 Jika sampel random dari pengamatan sebanyak

n, x1, x2 ,… ,xn diambil dari suatu populasi
dengan rataan µ dan variansi dan σ2 berhingga,
maka jika n cukup besar distribusi sampling
dari rataan sampel rataannya dapat didekati
dengan suatu fungsi normal standar.

N (z; 0,1)
 Distribusi Sampling untuk Rataan
& Teorema Limit Sentral
 Jika adalah rataan dari sampel acak yang diambil dari suatu
populasi dengan rataan μ dan variansi σ2, maka bentuk limit
dari distribusi

Untuk n mendekati tak hingga adalah distribusi normal

N (z; 0,1)
• Aproksimasi normal untuk akan cukup baik untuk n ≥ 30,
dengan catatan distribusi populasinya tidak terlalu mencong
(skew) . Jika n < 30, Pendekatan ini masih cukup baik jika
populasinya memang tidak berbeda jauh dari distribusi
normal
Bentuk kurva distribusi untuk
beragam nilai n
 Contoh
Suatu perusahaan elektronik memproduksi bola lampu yang
memiliki usia berdistribusi normal dengan rataan 800 dan standar
deviasi 40 jam. Berapa probabilitas suatu sampel random dari 16
bola lampu memiliki usia kurang dari 775 jam
 Distribusi Sampling Untuk
Perbedaan Dua Rataan
  menentukan perbedaan rataan antara dua populasi
 Jika terdapat dua sampel independen berukuran n1 dan n2
yang diambil secara acak dari dua populasi dengan rataan
μ1 dan μ serta variansi σ21 dan σ22, maka distribusi
sampling dari perbedaan antara dua rataan tersebut yaitu
akan mendekati distribusi normal dengan rataan dan
variansi sebagai berikut:

maka

Mendekati suatu variabel

standar normal
Contoh
 Dua eksperimen yang independen dilakukan untuk menentukan
perbedaan lama kering dua tipe cat. 18 Spesimen dicat dengan tipe
1 dan lama kering (dalam jam) dicatat. Hal serupa dilakukan untuk
tipe B. Standar deviasi keduanya sama-sama 1 jam. Asumsikan rataan
lamanya cat kering kedua tipe tersebut adalah sama, tentukan
dimana adalah rataan lama kering untuk
sampel nA = nB = 18
 Distribusi Sampling untuk S 2

 Jika diinginkan menghitung variabilitas dalam populasi

maka distribusi sampling S2 yang digunakan.
 Jika suatu sampel random berukuran n diambil dari
populasi normal dengan rataan dan variansi maka kita
akan memperoleh nilai statistik S2

 Dimana χ2 berdistribusi Chi Square dengan derajat

bebas v = n - 1 .
Contoh
 Suatu perusahaan aki mobil menjamin bahwa usia aki rata-rata
3 tahun dengan standar deviasi 1 tahun. Jika lima aki diambil
secara acak dan memiliki usia 1.9, 2.4, 3, 3. 5, dan 4.2 tahun,
apakah tepat jaminan perusahaan jika standar deviasinya 1
tahun? Asumsikan usia aki mobil berdistribusi normal

χ2 berdistribusi Chi-Square dengan derajat bebas 4. Karena 95%

dari nilai dengan v = 4 akan berada diantara 0.484 dan 11.143,
maka perusahaan sudah tepat dengan jaminan mereka bahwa
standar deviasi aki mobil tidak berbeda dari 1 tahun
 Distribusi t
 Dalam beberapa kasus, misalkan dalam
eksperimen seringkali standar deviasi populasi
tidak diketahui. Untuk membuat inferensi
mengenai μ, dapat digunakan statistik berikut
  Misalkan X1, X2, … Xn merupakan variabel random
yang independen yang semuanya berdistribusi normal μ
dan standar deviasi σ. Selanjutnya

Maka variabel random Memiliki distribusi t dengan

derajat bebas v = n - 1
 Kurva Distribusi
Distribusi–
–t

 Carilah P (−t0.025< T <t0.05). Karena t0.05 adalah area

sebesar 0,05 di sisi kanan dan −t0.025 merupakan area
sebesar 0.025 di sebelah kiri, maka total area yang kita
cari adalah 1−0.05−0.025=0.925 yang terletak diantara
−t0.025 dan t0.05. Oleh karena itu
 P(−t0.025< T <t0.05)=0.925.
Contoh
 Seorang insinyur teknik kimia mengklaim bahwa
rataan populasi bahan mentah dalam suatu proses
di batch tertentu sebesar 500 grams per liter.
Untuk mengevaluasi klaim ini dia mengambil
sampel sebanyak 25 batch setiap bulan. Jika nilai t
hitung berada di antara −tt0.05 dan t0.05, maka ia
cukup puas dengan klaim tesebut. Kesimpulan apa
yang diperoleh jika dia mengambil sampel yang
memiliki rataan 518 grams per liter dengan
standar deviasi = 40 grams? Asumsikan data
mendekati normal
 Dari tabel diperoleh t0.05=1.711 untuk v = 24.
Insinyur tersebut akan puas dengan klaimnya jika
sampel berukuran 25 batch menghasilkan nilai
diantara −1.711 dan 1.711. Jika μ= 500, maka

2,25 suatu nilai diatas 1.711. Probabilitas untuk mendapatkan

nilai sama atau lebih besar dari 2,25 tersebut dengan v = 24,
mendekati 0,02.
Kesimpulan: proses produksi menghasilkan produk lebih baik
dari perkiraan dia
Kapan Distribusi
Distribusi--t digunakan
digunakan??
 Digunakan secara ekstensif untuk masalah
terkait menentukan inferensi tentang rataan
populasi atau perbandingan antara sampel
(apakah terdapat perbedaan rataan antara
dua sampel)
 Statistik T memerlukan asumsi X1,X2,...,Xn
adalah normal. Jika ukuran sampel ≥ 30 dapat
digunakan hampiran distribusi normal . Hal
ini menunjukkan S merupakan estimator
yang cukup baik bagi σ