MODUL KULIAH

Mata Kuliah Statistika Probabilitas

Dosen Safitri Jaya

Modul 11 (sebelas)
Topik Distribusi Sampling (lanjutan)
Sub Topik Konsep Distribusi Sampling
1. Konsep Distribusi Sampling
2. Dalil Batas Memusat (The Central Limit Theorem)
3. Distribusi Sampling Rata-rata
Materi 4. Faktor Koreksi untuk Populasi Terbatas
5. Distribusi Sampling Beda Rata-rata
6. Distribusi Sampling Proporsi
7. Distribusi Sampling Beda Proporsi
1. Memahami konsep distribusi sampling dan
perhitungannya
2. Menjelaskan Dalil Batas Tengah
3. Memahami konsep faktor koreksi untuk populasi
Tujuan
terbatas
4. Memahami konsep distribusi sampling
5. Mengoperasikan rumus-rumus distribusi sampling
proporsi

DISTRIBUSI SAMPLING (Lanjutan…)

11.1 Konsep Distribusi Sampling

Ada empat jenis distribusi sampling yang akan dibahas, diantaranya : distribusi
sampling rata-rata, beda 2 rata-rata, 1 proporsi dan beda 2 proporsi. Distribusi
sampling rata-rata adalah distribusi probabilitas yang berisi daftar semua rata-rata
 Modul 11 – Distribusi Sampling 2

sampel yang mungkin jika kita mengambil sejumlah sampel dari populasi, beserta
dengan probabilitas setiap rata-rata sampel. Jika kita memiliki populasi yang terdiri
dari tiga orang, yaitu A, B, C, lalu mengambil sampel sebanyak 2 orang, ada 3
kombinasi sampel yang mungkin terpilih, yaitu AB, AC dan BC. Jika kita mengambil
10 sampel dari populasi sebanyak 60, maka kita mempunyai kombinasi 60 dari 10.
Kita tahu bahwa ukuran populasi (N) biasanya sangat besar dan ukuran sampel (n)
relatif lebih kecil. Oleh karenanya, jika kita melakukan pengambilan sampel n dan N
populasi, kita akan memiliki kombinasi N terhadap n. Setiap kombinasi sampel
memiliki ukuran (statistik sampel), misalnya rata-rata sampel. Maka jika kita
mengambil n sampel dari N populasi, kita akan memiliki rata-rata sampel yang cukup
banyak.
Telah disebutkan bahwa rata-rata sampel merupakan variabel acak sehingga
mempunyai distribusi sendiri. Menurut dalil batas memusat, jika populasi terdistribusi
secara normal, rata-rata sampel yang banyak tersebut juga akan terdistribusi secara
normal. Distribusi rata-rata sampel adalah distribusi sampling atau tepatnya
distribusi sampling rata-rata. Distribusi sampling rata-rata merupakan distribusi
normal, yang berbentuk lonceng, simetris dan memiliki rata-rata dan deviasi standar.

Contoh :
PT Green Bay Packer memiliki 7 karyawan bagian produksi (dianggap sebagai
populasi) dengan keterangan upah per jam setiap karyawan seperti berikut

Karyawan Upah/Jam
Joe 7
Sam 9
Sue 8
Bob 8
Jan 7
Art 8
Teed 9
Seorang peneliti ingin mengetahui rata-rata upah per jam karyawan di perusahaan
tersebut. Untuk melakukannya, ia dapat menggunakan dua cara, yaitu :
a. Meneliti seluruh populasi
Rata-rata populasi adalah
µ=7+9+8+8+7+8+9
7
 Modul 11 – Distribusi Sampling 3

b. Meneliti sampel
Misalnya peneliti tersebut mengambil sampel sebanyak 4 karyawan, maka ada 35
kombinasi sampel yang mungkin terambil, yaitu dari perhitungan
C(7,4) = 7!
(7 – 4)! 4!

Masing-masing kombinasi sampel memiliki statistik sampel atau rata-rata sampel. 35 sampel
tersebut disajikan pada tabel berikut ini
Rata-rata sampel Frekuensi Probabilitas
7.5 3 3/35 = 0.0857
7.75 8 8/35 = 0.2286
8 13 13/35 = 0.3714
8.25 8 8/35 = 0.2286
8.5 3 3/35 = 0.0837
35 1

Distribusi sampling tersebut memiliki rata-rata dan standar deviasi yang dihitung
dengan rumus berikut
Rumus 11.1

µx = Σ (i=1 - n) xi δx = √ Σ (i=1 - n) [xi - µx]2

n n–1
Deviasi standar distribusi sampling rata-rata disebut juga galat baku mean (standard
error of mean).

11.2 Dalil Batas Memusat (The Central Limit Theorem)

Dalil batas memusat adalah suatu dalil yang sangat penting peranannya dalam
distribusi sampling, yang menyatakan bahwa untuk suatu populasi dengan rata-rata
µ dan varian δ, distribusi sampling rata-rata dari semua kemungkinan sampel
berukuran n yang diambil dari populasi akan terdistribusi secara normal dengan rata-
rata µx dan deviasi standar δx, dimana nilai µx sama dengan rata-rata populasi (µ) dan
δx sama dengan deviasi standar populasi dibagi akar n atau δ / √n, dengan asumsi
bahwa ukuran sampel cukup besar. Dengan kata lain, dalam pemilihan sampel acak
sederhana dengan ukuran n dari suatu populasi yang berasal dari distribusi apapun
(binomial, poisson, dsb), distribusi dari rata-rata sampel dapat didekati dengan
 Modul 11 – Distribusi Sampling 4

distribusi probabilitas normal untuk ukuran sampel yang besar. Beberapa hal penting
yang perlu diingat dari dalil tersebut adalah sebagai berikut (Atmaja, 2010)
1. Jika ukuran sampel (n) cukup besar, distribusi rata-rata sampel akan mendekati
normal, tidak peduli apakah populasinya terdistribusi secara normal atau tidak.

2. µx = µ dan δx = δ / √n
keterangan :
µx = rata-rata dari distribusi sampling rata-rata
µ = rata-rata populasi
δx = deviasi standar dari distribusi sampling rata-rata
δ = deviasi standar populasi
n = ukuran sampel

3. Tidak ada angka yang pasti tentang “ukuran sampel yang cukup besar”, tetapi
biasanya angka n > 30 dianggap cukup besar.

11.3 Distribusi Sampling Rata-rata

Pada hakikatnya, distribusi sampling rata-rata adalah distribusi probabilitas
rata-rata sejumlah C sampel, N adalah ukuran populasi dan n adalah ukuran sampel
yang diambil dari populasi. Distribusi ini memiliki rata-rata µx dan deviasi standar δx.
Sementara itu menurut dalil batas memusat, µx = µ dan δx = δ / √n. jika disusun ke
dalam suatu distribusi, rata-rata tersebut sama seperti nilai-nilai dalam distribusi skor
mentah. Distribusi semacam ini disebut distribusi sampel rata-rata (sample
distribution of means). Selanjutnya dapat dihitung rata-rata dari distribusi sampel
rata-rata (means of sample distribution). Rata-rata distribusi ini akan sama dengan
rata-rata populasi (Partino, 2010).

Contoh :
Bank Pasti Aman menghitung tabungan seluruh nasabahnya. Setelah penghitungan,
bank tersebut mendapati bahwa rata-rata tabungan setiap nasabahnya sebesar
Rp2.000, dengan deviasi standar Rp600, apabila seorang peneliti mengambil
sampel sebanyak 100 nasabah, berapa probabilitas jika :
a. Rata-rata sampel akan terletak antara Rp1.900 dan Rp2.050
 Modul 11 – Distribusi Sampling 5

b. Rata-rata sampel akan lebih kecil dari Rp2.050

c. Rata-rata sampel akan lebih kecil dari Rp1.900

Jawab :
Jika peneliti mengambil sampel 100 dari 600 populasi, akan terdapat C(600, 100)
kombinasi sampel yang mungkin. Dengan kata lain, kaan terdapat sebanyak C(600,
100) rata-rata sampel. Jumlah rata-rata sampel tersebut cukup banyak sehingga
distribusinya normal (hal ini konsisten dengan dalil batas memusat). Distribusi
sampling rata-rata ini memiliki rata-rata dan deviasi standar sebagai berikut :
µx = µ = Rp2.000
δx = δ / √n = 600 / √100 = 60

a. Selanjutnya, untuk menyelesaikan soal tersebut, kita akan menerapkan konsep

menghitung luas daerah kurva normal
Z = x - µx
xx
untuk x = 1900, Z = 1900 – 2000
60 = -1.67 = 45,25%
untuk x = 2050, Z = 2050 – 2000
60 = 0.83 = 29.67%
Maka P(1900 < x < 2050) = 45.25% + 29.67% = 74.9%

b. P(x < 2050)

untuk x = 2050, Z = 2050 – 2000
60 = 0.83 = 29.67%
Maka P(x < 2050) = 50% - 29.67% = 20.33%

c. P(x < 1900)

untuk x = 1900, Z = 1900 – 2000
60 = -1.67 = 45,25%
Maka P(x < 1900) = 50% - 45.25% = 4.75%

11.4 Faktor Koreksi untuk Populasi Terbatas

 Modul 11 – Distribusi Sampling 6

Jika populasi sangat besar, kita asumsikan populasi tersebut tak terbatas
(infinite). Bagaimana jika populasi tidak tak terbatas atau tidak sangat besar? Dalam
kasus ini, kita harus melakukan beberapa penyesuaian/koreksi terhadap deviasi
standar dari distribusi sampling dengan cara mengalikan δ / √n dengan suatu faktor
koreksi sebesar √ (N-n) / (N-1) atau
Rumus 11.2
δx = [δ / √n] x [√ (N-n) / (N-1)]
keterangan :
N = ukuran populasi (yang terbatas/tidak besar)
n = ukuran sampel

Mengapa faktor koreksi ini perlu dan apa efeknya? Jika sampel adalah suatu
persentase yang cukup besar dari populasinya, kita mengharapkan ukurannya akan
lebih tepat daripada ukuran suatu sampel yang lebih kecil. Perhatikan efek dari
faktor koreksi, misalnya kita mengambil sampel dengan ukuran 100 dari populasi
berukuran 1000, besar faktor koreksinya adalah 0.9492. Jika dikalikan dengan faktor
koreksi tersebut, deviasi standar distribusi sampling rata-rata (atau galat baku mean)
akan berkurang sebesar 1 – 94,92% = 5%. Semakin besar ukuran sampel, semakin
besar pengurangan galat baku tersebut, demikian pula sebaliknya.

Ukuran sampel (n) Bagian dari Populasinya (n/N) Faktor Koreksi

10 1% 99.55%
25 2.5% 98.79%
50 5% 97.52%
100 10% 94.92%
200 20% 89.49%
500 50% 70.75%

Jika n/N lebih kecil dari 5%, faktor koreksi mendekati 1 sehingga muncul aturan jika
n/N lebih kecil dari 55, faktor koreksi tidak perlu digunakan, kalaupun digunakan,
pengaruhnya tidak akan banyak, karena nilainya mendekati 1.

Contoh :
 Modul 11 – Distribusi Sampling 7

Bila sampel acak dengan n=10 dipilih dari populasi sebesar 40 dengan rata-rata 5.5
dan deviasi standar 2.9155, berapa rata-rata dan deviasi distribusi sampling rata-
rata?

Jawab
Menurut dalil batas memusat dan penyesuaian terhadap koreksi,
µx = µ = 5.5 dan
δx = [δ / √n] x [√ (N-n) / (N-1)] = 0.2773

11.5 Distribusi Sampling Beda Rata-rata

Misalnya, kita sedang meneliti 2 populasi, yaitu populasi 1 dan populasi 2 yang
masing-masing memiliki ukuran N1 dan N2, kemudian dari masing-masing populasi
tersebut kita mengambil sampel dengan ukuran n1 dan n2. Pengambilan sampel n1
dari populasi N1 menghasilkan kombinasi sampel sebanyak C(N1, n1) dan
pengambilan sampel n2 dari populasi N2 menghasilkan kombinasi sampel sebanyak
C(N2, n2). Dengan kata lain, kita memiliki rata-rata sampel dari populasi 1 dan rata-
rata sampel dari populasi 2 yang cukup banyak. Jika X adalah selisih X1 dan X2 (X
= X1 – X2), kita akan memiliki X yang banyak sekali yang membentuk suatu
distribusi normal yang disebut distribusi sampling beda rata-rata. Distribusi sampling
ini memiliki rata-rata µx1 – x2 dan deviasi standar atau galat baku δx1 – x2. Jika
kita mengurangi x1 dengan x2, kita akan mendapat variabel x1-x2 yang banyak
sekali yang membentuk distribusi normal. Menurut dalil batas memusat,

Rumus 11.3
µx1 – x2 = µ1 - µ2
δx1 – x2 = √ δ12/n1 + δ22/n2

Contoh :
Lampu pijar merek ampuh memiliki rata-rata daya tahan 4500 jam dengan deviasi
standar 500 jam, sedangkan lampu pijar merek baik memiliki rata-rata daya tahan
4000 jam dengan deviasi standar 400 jam. Jika diambil sampel masing-masing 100
 Modul 11 – Distribusi Sampling 8

buah lampu pijar dan diteliti, berapa probabilitas bahwa selisih rata-rata daya tahan
kedua lampu pijar tersebut lebih besar dari 600 jam?

Jawab
µx1 – x2 = µ1 - µ2 = 4500 – 4000 = 500
δx1 – x2 = √ δ12/n1 + δ22/n2
= √ (500)2 + (400)2
100 100
= 64

P(x1 – x2 > 600)

Untuk menghitung probabilitas tersebut, kita harus menghitung luas daerah yang
diarsir dengan menggunakan konsep distribusi normal dengan tabel Z
Z=x-µ
δ
Karena
X = x1 – x2
µ = µx1 – x2
δ = δx1 – x2
Z = (x1-x2) – (µx1 – x2)
δx1 – x2

untuk x1 – x2 = 600
Z = 600 – 500
64
= 1.5 = 44.06%
P(x1 – x2 > 600) = 50% - 44.06% = 5.94%

11.6 Distribusi Sampling Proporsi

Proporsi populasi (P) dapat dicari dengan rumus P = X/N. X adalah jumlah
item proporsi dan N adalah jumlah seluruh item.
 Modul 11 – Distribusi Sampling 9

Sebagai contoh, total mahasiswa adalah 100 orang, jika 30 mahasiswa diantaranya
merokok, proporsi mahasiswa yang erokok adalah 30/100 atau 30%.

Proporsi populasi ditulis sebagai P dan proporsi sampel ditulis dengan p.

proses pembentukan distribusi sampling ini sama dengan distribusi sampling rata-
rata yang telah dibahas sebelumnya. Jika dari populasi dengan ukuran N diambil
sampel dengan ukuran n, aka nada kombinasi sampel yang mungkin sebanyak C(N,
n) yang berarti kita telah memiliki p (proporsi sampel) sebanyak C(N, n) pula. P yang
dimaksud berjumlah sangat besar dan membentuk distribusi normal dengan rata-
rata µp dan deviasi standar δp.

Selanjutnya diketahui bahwa rata-rata distribusi sampling proporsi (µp) adalah

sama dengan proporsi populasi (P) dan deviasi standar distribusi sampling proporsi
(galat baku proporsi atau standard error of proportion).
δp adalah sama dengan √P(1-p)
n
untuk populasi yang terbatas atau n/N < 5%, kita gunakan faktor koreksi sebesar
√ N-n
N-1

Contoh :
Dari 1000 mobil yang yang diproduksi, diketahui 100 diantaranya cacat. Jika diambil
sampel acak sebanyak 500 buah mobill dari populasi tersebut dan diteliti, berapa
besar proporsi mobil yang cacat lebih besar dari 12%?

Jawab
P = proporsi populasi mobil yang rusak = 100/1000 = 10%
µp = P10% = 0.1
δp = √P(1-p) = √0.1 (1 - 0.1) = 0.013
n 500
Probabilitas (P > 0.12)
Z=x-µ = P - µp
δ δp
 Modul 11 – Distribusi Sampling 10

Z =0.12 – 0.1 = 1.54 = 43.82%

0.013
Probabilitas (P > 0.12) = 50% - 43.82% = 6.18%

11.7 Distribusi Sampling Beda Proporsi

Pada dasarnya, proses terbentuknya distribusi sampling beda proporsi ini
sama dengan pembentukan distribusi sampling beda rata-rata. Misalnya terdapat 2
populasi binomial (populasi yang dibedakan menjadi 2 kelompok, seperti merokok
dan tidak merokok, setuju dan tidak setuju, dsb) dengan ukuran N1 dan N2. Dari
kedua populasi tersebut, masing-masing kita ambil sampel n1 dan n2. Kita akan
memiliki kemungkinan kombinasi sampel sebesar C(N1, n1) dan C(N2, n2). Dengan
kata lain kita memiliki proporsi sampel 1 (p1) sebanyak C(N1, n1) dan proporsi
sampel 2 (p2) sebanyak C(N2, n2). Jika p adalah selisih p1 dan p2, kita akan
mendapatkan p1 – p2 banyak yang membentuk distribusi normal dengan rata-rata
µp1 – p2 dan deviasi standar δp1 – p2.
Rumus 11.4
µp1 – p2 = p1 – p2
δp1 – p2 = √ P1(1 -p1) + P2(1 –p2)
n1 n2
atau δp1 – p2 = √ P1(1 -p1) + P2(1 –p2) x √ N-n untuk populasi terbatas
n1 n2 N-1

Contoh :
Berdasarkan sebuah penelitian, 15 dari orang yang tidak merokok terkena TBC dan
dari setiap 100 perokok, 5 orang diantaranya terkena TBC. Jika diambil sampel
masing-masing 100 orang dari kedua kelompok, berapa probabilitas bahwa selisih
populasi perokok dan populasi bukan perokok yang terkena TBC lebih besar dari
5%?

Jawab
P1 = proporsi populasi perokok yang terkena TBC
P2 = proporsi populasi bukan perokok yang terkena TBC
 Modul 11 – Distribusi Sampling 11

µp1 – p2 = p1 – p2 = 5% - 1% = 4%
δp1 – p2 = √ P1(1 -p1) + P2(1 –p2)
n1 n2
= √ 0.05 (1 – 0.05) + 0.01 (1 – 0.01)
100 100
= 0.024 = 2.4%

P(p1 – p2 > 5%)

Z =x-µ , untuk x = p1 - p
δ
Z = (p1 – p2) – (µp1 – p2)
δp1 – p2
= 5% - 4% = 0.42 = 16.28%
2.4%
P(p1 – p2 > 5%) = 50% - 16.28% = 33.72%