SAMPLING
Aida Nur Ramadhani, M.T. – Dr. Margono
Tika Paramitha, M.T. – Mujtahid Kaavessina, Ph.D
Tujuan :
Mempelajari distirbusi sampling dari sebuah statistik
Prinsip dasar distribusi sampling rata-rata
Prinsip dasar distribusi sampling proporsi
(𝑥) 𝑥−𝜇 2
𝑀𝑒𝑎𝑛 = 𝜇 = 𝑆𝑡𝑎𝑛𝑑𝑎𝑟 𝑑𝑒𝑣𝑖𝑎𝑠𝑖 = 𝜎 =
𝑁 𝑁
Contoh 1
Populasi : 1 2 5
Sampel :
1 1 2 1 5 1
1 2 2 2 5 2
1 5 2 5 5 5
Perhitungan untuk populasi :
1+2+5
𝑀𝑒𝑎𝑛 = 𝜇 = = 2,7
3
Standar deviasi mengukur bagaimana nilai-nilai data tersebar. Bisa juga didefinisikan sebagai, rata-rata
jarak penyimpangan titik-titik data diukur dari nilai rata-rata data tersebut.
Perhitungan sampel, contoh untuk sampel 1,1.
1 +1
𝑀𝑒𝑎𝑛 = =1
2
1 +1
𝑀𝑒𝑑𝑖𝑎𝑛 = =1
2
𝑥−𝜇 2
𝑆𝑡𝑎𝑛𝑑𝑎𝑟 𝑑𝑒𝑣𝑖𝑎𝑠𝑖 = 𝜎 = = 0=0
𝑁
Perhitungan sampel diperoleh data berikut ini :
Rangkuman dari tabel sebelumnya :
Diberikan sebuah populasi dengan N = 3, yakni terdiri atas 1, 2, dan 5. Dua bilangan
tersebut adalah bilangan ganjil dan satu bilangan yang lain adalah bilangan genap.
Apabila diambil sampel dua bilangan, maka tentukan distribusi sampling proporsi
untuk bilangan ganjil! Tentukan mean dan bandingkan nilainya dengan parameter
populasinya.
Perhitungan untuk populasi :
Pada umumnya, normalitas dari distribusi sampling rata-rata disebut teorema limit
sentral dan dinyatakan sebagai berikut :
1. Jika populasi tidak terdistribusi secara normal, untuk sampel dengan jumlah n>30,
distribusi sampling dapat diasumsikan mendekati distribusi normal.
2. Jika populasi cukup besar dan berdistribusi secara normal maka distribusi
samplingnya akan normal.
Berlaku rumus berikut ini:
Mean : 𝜇𝑥− = 𝜇
𝜎
Standar deviasi : 𝜎𝑥− =
𝑛
Contoh 3
Jumlah angka (0-9) tidak terdistribusi secara normal, jumlah angka hampir sama dari
0-9.
Sedangkan, distribusi sampling rata-rata (x) dari 50 sampel sebagai berikut :
Rata-rata angka dari sampel tersebut terdistribusi secara normal. Pada teori limit
sentral, n>30 dapat diasumsikan terdistribusi normal. Pada contoh 3 ini, dengan n =
4 memiliki distribusi normal.
Semakin besar ukuran sampel (n), distribusi sampling rata-rata mendekati
distribusi normal.
Aplikasi Teori Limit Sentral
𝑥−𝜇𝑥−
When working with a mean for some sample (or group), 𝑧 =
𝜎𝑥−
Contoh 4
Sistem keamanan pada Gondola yaitu kapasitas maksimum 12 orang dan berat
maksimum 2400 lb. Kapasitas akan melebihi batasannya jika 12 orang tersebut
memiliki berat rata-rata melebihi 2400 lb/12 = 167 lb. Dikarenakan laki-laki memiliki
berat yang lebih besar dibandingkan perempuan, “kejadian buruk” jika 12 orang
tersebut semuanya laki-laki. Laki-laki memiliki berat yang terdistribusi normal dengan
rata-rata 172 lb dan standar deviasi 29 lb (National Health Survey).
a. Tentukan probabilitas satu orang laki-laki (naik Gondola) dan memiliki berat lebih
besar dari 167 lb
b. Tentukan probabilitas 12 orang laki-laki (naik Gondola) dan memiliki berat rata-
rata lebih besar dari 167 lb (sehingga berat total melebih barat maksimum
gondola)
a.
𝑥−𝜇
𝑧=
𝜎
167 − 172
𝑧= = −0,17
29
Berdasarkan Tabel A-2, z = -0,17 diperoleh nilai 0,4325 (slide berikutnya) dan grafik
berikut:
Sehingga, probabilitas laki-laki
(naik Gondola) memiliki berat
lebih 167 lb adalah 1-0,4325=0,5675.
b.
𝜇𝑥− = 𝜇 = 172
𝜎 29
𝜎𝑥− = = = 8,31758
𝑛 12
Rata-rata temperatur badan suatu populasi sebesar 98,6°F. Standar deviasi populasi
0,62°F (University of Maryland). Jika ukuran sampel n = 106, tentukan probabilitas
rata-rata diperoleh 98,2°F atau kurang.
Ukuran sampel n sebesar 106, sehingga lebih dari 30 sehingga digunakan teori limit
sentral.
𝜇𝑥− = 𝜇 = 98,6
𝜎 0,62
𝜎𝑥− = = = 0,0602197
𝑛 106
Ketika sampling tanpa pengembalian dan nilai sampel n lebih besar dari 5% dari
jumlah populasi N (n > 0,05N), standar deviasi (𝜎𝑥− ) dari sampling rata-rata dikalikan
dengan faktor koreksi berikut:
𝑁−𝑛
𝑁−1
𝜎 𝑁−𝑛
𝜎𝑥− =
𝑛 𝑁−1