Menurut dalil batas pusat (central limit theorem) kalau n mendekati tak terhingga (n → ~) =

X, N (U , n ), artinya X mengikuti fungsi normal dengan rata-rata U dan simpangan baku  n

(lebih dikenal dengan standard error X.)
Berdasarkan dalil diatas kita bisa menghitung probabilitas bahwa X akan mengambil nilai
tertentu dengan syarat nilai U diketahui.

Tabel Probabilitas Bersyarat untuk setiap nilai X BAR

Kemungkinan nilai X BAR Probabilitas Bersyarat

U=2 U=3
1 0,35 0,05
2 0,35 0,25
3 0,25 0,35
4 0,05 0,35

Diagram pohon keputusan dapat dilihat pada gambar di bawah ini, di mana probabilitas yang
sudah direvisis dipergunakan pada gambar itu, diperoleh dari gambar sebelumnya, lihat
misalnya cabang pertama, dengan pay off 714,1 angka 0,875 dan 0,125 masing-masing
menunjukan probabilitas bahwa U = 2 dan U = 3. Bandingkan angka probabilitas pada
semua cabang di bawah judul kejadian rata-rata populasi.
Analisis pohon keputusan menganggap bahwa setiap observasi sampel mencakup biaya
sebesar 100 smu sehingga n = 9, masing-masing pay off 900 smu lebih kecil dari
sebelumnya.
Induksi ke belakang pada gambar di bawah ini menunjukan bahwa harapan penghematan
tahunan yang maksimum bisa dicapai dengan memilih unit memori photogafik untuk X BAR
= 1 dan penyimpangan alat holografik untuk X bar = 2, X bar = 3 ata X bar = 4. Hasil ini bisa
dinyatidakan dengan aturan keputusan seperti ini :

Sruktur keputusan direktur pusat komputer dengan menggunakan informasi sampel

sebanyak n = 9
Revisi probabilitas untuk keputusann alat memori komputer
Pilih unit photografik kalau X ba lebih kecil sama dengan C
Pilih unit holografik X bar lebih besar dari C
Apabila C =1 gigabit tiap hari.
Dengan membandingkan harapan hasil akhir dalam gambar dan dengan yang ada pada
gambar kita lihat bahwa direktur pusat komputer akan merasa lebih untung kalau mengambil
sampel n = 9 dan menggunakan aturan keputusan seperti di atas dengan memanfaatkan
informasi sampel yang diperolehnya daripada memilih memori holografik dan tanpa
menggunakan informasi sampel. Dengan demikian kita bisa menyimpulkan bahwa
keputusan menggunakan informasi sampel ternyata lebih baik. Akan tetapi perlu diteliti
berapa seharusnya besarnya sampel, yaitu berapa nilai n? Pertanyaan ini akan dijawan dalam
sub bagian berikut.
10.5 KEPUTUSAN MENGENAI BESARNYA SAMPEL : ANALISIS
PREPOSTERIOR

Contoh mengenai penggunaan informasi sampel dalam keputusan ialah persoalan mengenai
contoh yang kita bahas tadi. Dala contoh tersebut tidak ditunjukkan bahwa direktur tidak
langsung memutuskan untuk menolak/menerima lot, akan tetapi menerima lot apabila hasil
penelitian sampel tidak menunjukkan adanya barang yang rusak. Direktur dalam persoalan
tersebut belum meneliti kemungkinan bahwa keputusan akan menjadi lebih baik kalau
seandainya sampel diperbesan n ≥ 2

Walaupun memperbesar sampel berarti menambah biaya, akan tetapi dapat meningkatkan
keandalan informasi (information reliability) yang kemungkinan besar dapat memperbesar
harapan hasil atau expected pay off. Menganalisis berbagai sampel sama seperti menentukan
informasi yang diperlukan menjadi lebih tepat. Analisis semacamitu, sebelum keputusan di
ambil, disebut analisis preposterior.

Menentukan Besarnya Sampel yang Optimal

Pertayaan yang sering timbul dalam penelitian atau pemeriksaan, berapa besarnya sampel?
Kita bisa menyelidiki pemilikan besarnya sampel sama seperti menentukan apakalah harus
memilih sampel atau tidak? Dengan mempertimbangkan secara elsplisit setiap kemungkinan
nilai n, seperti tindakan di dalam struktur keputusan, kita bisa menggunakan prinsip-prinsip
yang telah kita bahas sebelumnya untuk menganalisis keputusan yang bersifat umum.
Keputusan ini tidak hanya pilihan apakah harus menggunakan hasil eksperimen akan tetapi
juga harus memilih hasil eksperimen yang berbeda-beda.
Probabilitas posterior untuk berbagai kemungkinan nilai phi akan berbeda dengan n dan hasil
sampel serta harus dilakukan perhitungan kembali dengan n hasil sampel harus dilakukan
perhitungan kembali untuk setiap sampel dengan nilai n tertentu. Hasil pay off pada posisi
akhir (cabang-cabang paling kanan) pada pohon keputusan tergantung pada dua hal yaitu :

1. Kerugian yang diderita karena barang yang diketemukan rusak harus dikembalikan
dan di ganti.
 2. Biaya sampling yang harus dihitung secara terpisah. Apabila perhitungan sudah
dilakukan dan hasil diperoleh, analisis keputusan bisa dibuat sesuai dengan cara yang
sudah dijelaskan.

Dengan menggunakan induksi dari belakang, sampel yang menghasilkan harapan hasil
terbesar (maximum expeced pay off) dapat ditentukan.

Sekarang perhatikan tabel berikut yang menunjukan harapan untuk berbagai nilai n

Tindakan Harapan nilai

n=1 625,92
n=2 630,50
n=3 630,63
n=4 630,36

Ternyata dengan berbagai nilai n, yang menggunakan harapan hasil terbesar ialah n = 3,
yaitu sebesar 630,63. Harapan nilai akan meningkat apabila sampel naik dari n – 2
menjadi n = 3 akan tetapi lalu menurun unruk sampel yang semakin besar. Jadi n = 3
merupakan sampel tabf optimal.

Menilai Informasi Sampel

Nilai harapan informasi sempurna (NHIS) merupakan selisih antara harapan hasil dengan
informasi sempurna (HHIS) dengan harapan hasil tanpa informasi sempurna yang
dinyatadiakan dalam harapan hasil terbesar.

NHIS merupakan suatu batas atau limit, yaitu suatu nilai tertinggi di mana direktur pusat
masih bersedia membayar bagi informasi eksperimental yang sangat berguna untuk
meramalkan nilai U.

NHIS sangat berguna sebagai ukuran kasar guna memutuskan apakah informasi tambahan
masih diperlukan atau tidak. Apabila nilai NHIS terlalu kecil nilainya, sehingga biaya lebih
besar dari manfaat, maka jelas tambahan informasi tidak diperlukan, maka keputusan hanya
didasarkan atas pengetahuan prior. Jadi kalau NHIS sangat kecil, tidak perlu melakukan
analisis preposterior,

Nilai Harapan Informasi Sampel (NHISAM)

Di dalam praktik jarang sekali diperoleh informasi sempurna yang bisa menghilangkan
ketidakpastian secara 100% Informasi sampel jelas tidak sempurna sebab nilai perkiraan yang
diperoleh mengandung kesalahan sampling. NHISAM mempunyai arti seperti NHIS yaitu
menyatidakan nilai/harga informasi yang terkandung dalam sampel. Rumusnya sebagai
berikut :

NHISAM = harapan hasil informasi sampel (HHISAM) – harapan hasil tanpa informasi
sampel (HHTISAM)
Harapan Persoalan Netto dari Sampel

Apabila preposterior sering mulai hasil bruto/kotor (grass pay off) daripada dengan hasil
netto/bersih dengan demikian biaya sampling harus diintegrasikan pada tahap akhir hal ini
merupakan salah satu alasan mengapa menunggu memasukan biaya sampling ialah nahwa
biasanya lebih mudah meminimumkan harapan kesempatan yang hilang daripada
memaksimumkan harapan nilai ; ternyata memang lebih mudah memasukan biaya sampling
pada tahap akhir)

HPNS (n) = NHISAM (n) – biaya (n)

Untuk n = 9 = NHISAM (9) – biaya (9)

= 3,4-0,9 = 2,5 smu

Apabila dihitung untuk berbagai nilai n, maka besaran sampel ialah yang menghasilkan
HPNS terbesar. Tabel dibawah ini menunjukan NHISAM dan HPNS yang dihitung
berdasakan keputusan pemimpin. Besar sampel yang optimal ialah n = 3 dengan HPNS
terbesae yatu 10,63 smu. Perhatikan bahwa NHISAM meningkat bersamaan dengan
peningkatan n, mencerminkan maki meningkatnya tingkat keandalan bagi observasi dan
ternyata HPNS mencapai nilai terbesar pada n = 3 dan menurun setelah itu. Hasil yang sama
akan diperoleh sebagian besar persoalan sampling. Usaha pencarian sampel optimal
dihentikan apabila nilai HPNS sudah lebih kecil dari HPNS sebelumnya. Tabel dibawah ini
menunjukan sewaktu n = 3, HPNS = 10,63 setelah n = 4. HPNS = 10,36 menjadi lebih kecil
maka besaran sampel optimal ketika n =3

Nilai NHISAM dan HPNS untuk Keputusan Pimpinan Suara Emas

Besarnya Haraopan Harapan Harapan NHISAM Biaya HPNS (n)

sampel n hasil hasil hasil tanpa (2)- (3) (4)-(5)
(netto) (brutto) informasi
(1) (2) (3) (4) (5) (6) (7)
1 625,92 629,92 620 9,92 4 5,92
2 630,50 638,50 620 18,50 8 10,50
3 630,63 642,63 620 22,63 12 10,63
4 630,36 646,36 620 26,16 16 10,36