STATISTIKA INDUSTRI

ISI2F3

BAB 2 DISTRIBUSI SAMPLING (Bag 1)

2

BAB 1
DISTRIBUSI SAMPLING
4.1 Distribusi Sampling
4.2 Distribusi Sampling Rataan
4.2.1 Konsep Distribusi Sampling Rataan
4.2.2 Teorema Limit Pusat
4.3 Distribusi Sampling Proporsi
4.4 Distribusi Sampling Variansi
4.1 Distribusi Sampling

PENDAHULUAN
Distribusi sampling merupakan distribusi probabilitas
suatu statistik berdasarkan semua kemungkinan sampel
dengan karakteristik statistik yang berbeda-beda.
Selanjutnya nilai statistik dari sampel yang dipelajari akan
dijadikan sebagai penduga dari parameter populasinya.
Oleh karena itu distribusi sampling dikatakan sebagai dasar dari statistika
inferensia. Salah satu dalil terpenting dalam distribusi sampling adalah dalil
batas tengah atau dalil/teori limit pusat yang dalam Bahasa Inggris dikenal
sebagai Central Limit Theorem (CLT) di mana DISTRIBUSI NORMAL merupakan
pemahaman dasarnya.
DISTRIBUSI NORMAL

APA ITU ?
APAKAH “NORMAL” ?
APAKAH “NORMAL” ?

… relatif
APAKAH “NORMAL” ?
“NORMAL” gender Perempuan vs Laki-laki
 Pengertian istilah “NORMAL”
Menurut aturan atau menurut pola yg umum;
sesuai dan tidak menyimpang dari suatu norma
atau kaidah; sesuai dengan keadaan yg biasa;
tanpa cacat; tidak ada kelainan.

Menurut norma, aturan, atau prinsip didirikan;

sesuai dengan jenis, standar, atau bentuk biasa;
melakukan fungsi yang tepat.
PENGENALAN DISTRIBUSI NORMAL

Merupakan distribusi probabilitas kontinyu (pdf) yang sangat penting

dalam ilmu statistik digunakan untuk memecahkan suatu persoalan.
Grafiknya disebut kurva normal berbentuk lonceng yang
menggambarkan gejala dari pengamatan cukup baik.

Distribusi Normal sering disebut Distribusi Gauss, menghormati Karl Friedrics Gauss
(1977-1855) penemu bentuk persamaan normal. Distribusi Normal variatnya bersifat
kontinyu memiliki persamaan umum yang dapat membentuk sebuah kurva normal
sebagai berikut:

Fungsi variabel acak X mempunyai

1  x− 
2

fungsi densitas pada X=x dengan mean 1 −  

µ dan variansi 2 dengan persamaan f ( x) = n( x;  ,  ) = e 2  

kurva normal:  2

Di mana x = ,  x =  ,  = 3.1416 dan e = 2.7183 dengan – < x < 

Sifat-sifat Distribusi Normal

1) Grafiknya selalu ada di atas

sumbu x atau f(x) > 0.

2) Bentuk simetris terhadap garis
tegak x = 
3) Mempunyai satu modus, kurva µ x
unimodal pada posisi: x = 
Mean = Median = Modus

Normalitas A lebih baik dari B leptokurtik

A
a a ≠ 2
platikurtik
B b

µ a= µ b x
Sifat-sifat Distribusi Normal

4) Grafik bersimultan sepanjang sumbu x dan tidak akan pernah memotong

(asimtot) dimulai dari: x =  + 3 ke kanan dan x =  – 3 ke kiri.

5) Luas daerah di bawah kurva f(x) dan di atas sumbu x selalu sama dengan
satu unit persegi, yaitu P( −   x   ) = 1. Oleh karena itu, karena
kurvanya simetrik garis tegak x = , maka luas dari garis tegak pada titik nol
ke kiri ataupun ke kanan adalah 0.5.
Fenomena Distribusi Normal

• Sekitar 68.27% dari kasus ada dalam daerah satu simpangan baku:
(x =  + 1  ke kanan dan x =  – 1 ke kiri).
• Sekitar 95.45% dari kasus ada dalam daerah dua simpangan baku:
(x =  + 2  ke kanan dan x =  – 2 ke kiri).
• Sekitar 99.73% dari kasus ada dalam daerah tiga simpangan baku:
(x =  + 3  ke kanan dan x =  – 3 ke kiri).
Tranformasi ke Normal Standar

Mencari probabilitas distribusi normal P(a < X < b) dilakukan dengan melakukan
transformasi nilai-nilai X menjadi nilai-nilai z atau angka baku Z : P (za < Z < zb).
P(a < X < b) → P (za < Z < zb).

Angka Baku Z. Seperti halnya dalam sampel definisinya

adalah ukuran penyimpangan data dari populasi. X −
Z=
Untuk:  x =  ,  x ,=formulasi
 angka baku atau z skor: 
Bilangan z dapat bernilai 0, (+) dan (-) yang artinya:
Jika z = 0, maka data bernilai sama dengan rata-rata populasi
Jika z = (+), maka data bernilai di atas rata-rata populasi
Jika z = (–), maka data bernilai di bawah rata-rata populasi
Tranformasi ke Normal Standar

X ~ NOR (,2) → Z ~ NOR (0, 1)

Distribusi Normal Umum X − Distribusi Normal Standar

Z=

1  x− 
2

1 −   1 − 12 Z 2
f ( x) = e 2   f ( z) = e
 2 2

Normal “Umum” Normal “Standar”

X −
Z=


µ+3 µ+2 µ+ µ µ+ µ+2 µ+3 X −3 −2 −1 0 1 2 3 Z

µ≠0 µ=0
≠1 =1
Probabilitas Distribusi Normal Baku
dengan Tabel.

Untuk penggunaan praktis telah disediakan Tabel Distribusi Normal Standar

Z ~ NOR (0, 1) selanjutnya disingkat Tabel Z.

Ada 2 macam Tabel Z yaitu :

1. Luas [1] 2. Luas [0.5].

Table entry
0<Z<
Table entry
− < Z < 

−  − 0 
z z
Tabel Normal [1] dari Walpole
Cara mencari bagian-bagian
Luas dari Tabel z:

1. Siapkan Tabel Z, misalnya dengan

luas di bawah kurva [1]. Table entry
− < Z < 

− 
z
2. Hitung z sd. 2 desimal, misalnya:
P(Z < 1.96)=?
3. Lukis kurvanya, letakan harga z
pada sumbu x, tarik garis vertikal P(Z < 1.96)=?
hingga memotong kurva.
4. Luas yang tertera dalam daftar 0
1.96
z
adalah luas daerah sampai dengan
garis vertikal di titik z = 1.96.
Cara mencari bagian-bagian
Luas dari Tabel z:

5. Lihat tabel, cari harga z di kolom

paling kiri (hanya sd. 1 desimal = 1.9)
kemudian cari pada baris paling atas
untuk desimal keduanya = .06.
6. Dari z kolom kiri maju ke kanan dan
dari z di baris atas turun ke bawah,
maka diperoleh bilangan yang
merupakan luas yang dicari = 0.9750.
Jadi P(Z<1.96) = 0.9750. Bilangan yang
didapat ditulis dalam bentuk 0.xxxx
(4 desimal). 0.9750

0 z
1.96
LATIHAN 4.1
Mencari Probabilitas atau Luas Kurva Normal P(Z) dan Nilai Z
a. Mencari probabilitas atau luas area kurva normal P(Z)
1. Temukan probabilitas atau luas area di sebelah kiri Z = 1.98 ?
2. Temukan probabilitas atau luas area di sebelah kanan Z = –1.98 ?
3. Temukan probabilitas atau luas area antara Z = –1.98 dan Z = 1.98?
SOLUSI:
1. P(Z < 1.98)?
Langkan 1: Gambarkan kurvanya!
Langkah 2: Cari luas area di bawah kurva normal
standar di sebelah kiri Z = 1.98
dengan menggunakan Tabel Z [1].
Diperoleh nilai 0.9761 atau: P(Z < 1.98)=?

P(Z < 1.98) = 0.9761.

Langka 3: Kesimpulan: Probabilitas kurang dari 0 z
1.98
Z = 1.98 sebesar 97.61%.
a. Mencari probabilitas atau luas area kurva normal P(Z)
1. Temukan probabilitas atau luas area di sebelah kiri Z = 1.98 ?
2. Temukan probabilitas atau luas area di sebelah kanan Z = –1.98 ?
3. Temukan probabilitas atau luas area antara Z = –1.98 dan Z = 1.98?
SOLUSI:
2. P(Z > –1.98)?
Langkan 1: Gambarkan kurvanya!
Langkah 2: Cari luas area di bawah kurva normal
standar di sebelah kanan Z = –1.98
dengan menggunakan Tabel Z [1],
P(Z > −1.98)=?
diperoleh nilai 0.0239. Kemudian
kurangkan 1 dengan 0.0239 atau :
P(Z> –1.980) = 1 – P(Z<–1.980) 0 z
−1.98
= 1 – 0.0239 = 0.9761.
Langkah 3: Kesimpulan: Probabilitas lebih dari Z
= –1.98 sebesar 97.61%.
a. Mencari probabilitas atau luas area kurva normal P(Z)
1. Temukan probabilitas atau luas area di sebelah kiri Z = 1.98 ?
2. Temukan probabilitas atau luas area di sebelah kanan Z = –1.98 ?
3. Temukan probabilitas atau luas area antara Z = –1.98 dan Z = 1.98?
SOLUSI:
3. P(–1.98 <Z < 1.98)?
Langkan 1: Gambarkan kurvanya! P(−1.98 < Z < 1.98)=?

Langkah 2: Cari luas area di bawah kurva normal

standar di sebelah kanan z1 = –1.98 dan
sebelah kiri z2 = 1.98 dengan menggunakan
Tabel Z [1], diperoleh nilai 0.0239 untuk z1
dan 0.9761 untuk z2. Kemudian 0.9761
dengan 0.0239 :
0 z
P(Z<z2) –P(Z<z1) = 0.9761–0.0239 = 0.9522 −1.98 1.98

Langkah 3: Kesimpulan: Probabilitas antara Z = –1.98

dan Z = 1.98 sebesar 95.22%.
b. Mencari nilai Z
1. Temukan nilai z0, sehingga probabilitas P(Z<z0) = 0.9761?
2. Temukan nilai z0,sehingga probabilitas P(Z>z0) = 0.9761?
3. Temukan nilai z1 dan z2 sehingga probabilitas P(z0<Z<z1) = 0.9522 areanya
berada di tengah?
SOLUSI:
1. P(Z<z0) = 0.9761?
Langkan 1: Gambarkan kurvanya!
Langkah 2: Cari luas P(Z<z0) = 0.9671 pada Tabel Z [1].
Kemudian temukan nilai z nya disebelah kiri
[1.9] dan atasnya [.08] sehingga z0 = 1.98 :
P(Z<1.98) = 0.9761
Langkah 3: Kesimpulan: Nilai z0 = 1.98. 0.9761

0 z
z0?
b. Mencari nilai Z
1. Temukan nilai z0, sehingga probabilitas P(Z<z0) = 0.9761?
2. Temukan nilai z0,sehingga probabilitas P(Z>z0) = 0.9761?
3. Temukan nilai z1 dan z2 sehingga probabilitas P(z0<Z<z1) = 0.9522 areanya
berada di tengah?
SOLUSI:
2. P(Z>z0) = 0.9761?
Langkan 1: Gambarkan kurvanya!
Langkah 2: Cari terlebih dahulu luas P(Z<z0) yaitu
mengurangkan 1 dengan 0.9671:
P(Z<z0) = 1 – P(Z>z0) = 1 – 0.9671 = 0.0239
Kemudian pada Tabel Z [1], temukan nilai z
0.9761
nya disebelah kiri [–1.9] dan atasnya [.08]
sehingga z0 = –1.98.
P(Z> – 1.98) = 0.9761 0 z
Z0=?
Langkah 3: Kesimpulan: Nilai z0 = –1.98.
b. Mencari nilai Z
1. Temukan nilai z0, sehingga probabilitas P(Z<z0) = 0.9761?
2. Temukan nilai z0,sehingga probabilitas P(Z>z0) = 0.9761?
3. Temukan nilai z1 dan z2 sehingga probabilitas P(z1<Z<z2) = 0.9522 areanya
berada di tengah?
SOLUSI: Kedua: Cari luas P(Z<z2) dengan
3. P(z1<Z<z2) = 0.9522? menambahkan 0.5 dengan 0.4761:
Langkan 1: Gambarkan kurvanya! P(Z<z2) = 0.5 + 0.4761 = 0.9761
Langkah 2: Karena luas arenya berada di tengah- Kemudian pada Tabel Z [1],
tengah, maka luas P(z1<Z<z2) = 0.9522 temukan nilai z nya disebelah kiri
harus dibagi 2 sehingga diperoleh luas [1.9] dan atasnya [.08] sehingga z1 =
di sebelah kiri dan kanan Z = 0 sebesar 1.98.
0.4761. Selanjutnya: Langkah 3: Kesimpulan: Nilai z1 = – 1.98 dan z2
Pertama: Cari luas P(Z<z1) dengan = 1.98.
P(−z1 < Z < z0)=0.9522
mengurangkan 0.5 dengan 0.4761:
P(Z<z1) = 0.5 – 0.4761 = 0.0239
Kemudian pada Tabel Z [1], temukan
nilai z nya disebelah kiri [–1.9] dan
atasnya [.08] sehingga z1 = –1.98.
0 z
−z1=? z2=?
PENERAPAN
DISTRIBUSI NORMAL
Distribusi Normal dapat diterapkan dalam menangani banyak persoalan, seperti
dalam model pengukuran industri, bisnis, dsb. Mengukur rataan life time baterai,
lampu, ban mobil, televisi ataupun biaya perawatan rutin kendaraan .
LATIHAN 4.2
Penerapan Distribusi Normal

Misalkan baterai Li-Ion 1100 mAh memiliki

mean talk time 100 menit berdistribusi normal
dengan simpangan baku 5 menit.
Carilah probabilitas SUATU baterai yang diambil
akan berumur:
1. Kurang dari 95 menit?
2. Lebih dari 105 menit?
3. Antara 95 dan 100 menit?

SOLUSI:
1. P(X < 95)= ? Cari luas area di bawah kurva normal standar di
Langkan 1: Gambarkan kurvanya! sebelah kiri Z = –1 dengan menggunakan Tabel Z
[1], diperoleh nilai 0.1587.
Langkah 2: Hitung nilai Z untuk X = 95 dan µ =
100 dan  = 5: P(X<95) = P(Z<–1) = 0.1587
X − 95 − 100 Langkah 3: Kesimpulan: Probabilitas talk time
Z= = = −1 SUATU baterai kurang dari 95 menit
 5 sebesar 15.87%.
1. Kurang dari 95 menit?
2. Lebih dari 105 menit?
3. Antara 95 dan 100 menit?

SOLUSI:
2. P(X > 105)= ?
Langkan 1: Gambarkan kurvanya!
Langkah 2: Hitung nilai Z untuk X = 95 dan µ =
100 dan  = 5:
X − 105 − 100
Z= = = −1
 5
Cari luas area di bawah kurva normal standar di
sebelah kiri Z = 1 dengan menggunakan Tabel Z
[1] diperoleh 0.8413. Kemudian kurangkan 1
dengan 0.8413 sehingga diperoleh luas disebelak
Langkah 3: Kesimpulan: Probabilitas talk time
kanan Z =1 sebesar 0.1587:
SUATU baterai lebih dari 95 menit
P(Z>1) = 1 – P(Z<1) = 1 – 0.8413 = 0.1587 sebesar 15.87%.
1. Kurang dari 95 menit?
2. Lebih dari 105 menit?
3. Antara 95 dan 100 menit?

SOLUSI:
3. P(95< X < 105)= ?
Langkan 1: Gambarkan kurvanya!
Langkah 2: Pertama, hitung nilai z1 untuk X1 =
95 dan µ = 100 dan  = 5:
Cari luas area di bawah kurva normal standar di
X1 −  95 − 100 sebelah kiri Z = 1 dengan menggunakan Tabel Z
z1 = = = −1 [1], diperoleh nilai 0.8413:
 5
Cari luas area di bawah kurva normal standar di P(z2<1) = 0.8413
sebelah kiri Z = –1 dengan menggunakan Tabel Z
Ketiga, kurangkan luas z2 dengan z1:
[1], diperoleh nilai 0.1587:
P(95 < X < 100) = P(–1 < Z < 1)
P(z1<–1) = 0.1587 = P(z2<1) – P(z1<–1)
Kedua, hitung nilai z2 untuk X2 = 105 : = 0.8413 – 0. 1587 = 0.6826
X2 −  105 − 100 Langkah 3: Kesimpulan: Probabilitas talk time
z2 = = =1 SUATU baterai antara 95 dan 100
 5
menit sebesar 68.26%.
PARAMETER DAN STATISTIK

Walpole (1995, p.22) mendefinisikan parameter dan populasi sebagai berikut:

• PARAMETER adalah sembarang nilai • STATISTIK adalah sembarang nilai

yang menjelaskan ciri populasi. yang menjelaskan ciri suatu sampel.

Sebuah parameter adalah

sebuah angka tetap (a fixed
number), tetapi secara praktis
tidak diketahui nilainya.

Nilai dari statistik di ketahui

setelah dilakukan sampling,
tetapi nilainya dapat berubah
dari sampel satu ke sampel
lainnya. Statistik sering
digunakan untuk mengestimasi
suatu parameter yang tidak
diketahui.
UKURAN SAMPEL DAN POPULASI

Ukuran gejala yang dideskripsikan oleh statistik sebagai ukuran-ukuran

sampel untuk menduga parameternya dapat berupa:
1. Ukuran gejala pusat, yaitu: mean dan modus.
2. Ukuran letak, yaitu: median, kuartil, desil dan persentil.
3. Ukuran penyebaran, yaitu: range, simpangan baku, variasi dan
koefisien variasi.
4. Ukuran korelasi, yaitu koefisien korelasi (r dan ).
Ukuran-ukuran parameter sudah umum digunakan huruf besar dan simbol-
simbol dari huruf (Yunani), seperti simbol N untuk jumlah populasi, P untuk
proporsi,  untuk mean (rataan populasi),  untuk standar deviasi.
Sementara untuk statistik digunakan huruf kecil, seperti n untuk jumlah
sampel, p untuk proporsi, untuk rataan sampel, dan s untuk standar
deviasi.
VARIANSI DAN SIMPANGAN BAKU

1. Apa itu sampling error ?

Adalah perbedaan antara nilai statistik dengan nilai parameter.

Sampling Error = ( – μ)

Nilai Error bisa bernilai (+) atau (-). Besar-kecilnya error yang akan menentukan
besar-kecilnya ukuran sampel.

2. Apa itu rata-rata simpangan?

Hasil pengamatan sebuah sampel berbentuk data x1, x2, x3,, ... xn dengan rata-rata
selanjutnya ditentukan jaraknya tiap data dengan rata-rata-nya: |xi - |.
Jika seluruh jarak dijumlahkan kemudian dibagi n,
 xi − x
maka diperoleh Rata-rata Simpangan (RS) atau RS =
Mean Absolute Deviation (MAD): n
Contoh Rata-rata Simpangan:

Diketahui data 8 buah data sampel: 48, 52, 54, 55, 58, 59, 60 dan 62. Hitung
Rata-rata Simpangannya?

 xi − x 30
x = 56 RS = = = 3.75
n 8
Apa itu variansi ? Simpangan Baku?

Ukuran simpangan yang paling banyak digunakan adalah variansi dan

simpangan baku (standar deviasi).
N

1. Ungrouped Data (Populasi)  (x i −  )2

2 = i =1

Apabila sebuah populasi berukuran N meliputi 

hasil pengukuran katakanlah variabel x dengan Atau:
skala minimal interval yaitu x1, x2, x3, ... xN, N N
maka variasi untuk variabel x : N  xi − (  xi ) 2
2

Sehingga simpangan bakunya:  =  2 2 = i =1

2
i =1

n
2. Ungrouped Data (Sampel)
 (x − x) i
2

Apabila sebuah sampel berukuran n meliputi s2 = i =1

hasil pengukuran katakanlah variabel x dengan n −1

skala minimal interval yaitu x1, x2, x3, ... xn, Atau:
maka variasi untuk variabel x : n n
n xi − (  xi )2
2
Sehingga simpangan bakunya: s= s 2
s2 = i =1 i =1
n( n − 1)
PENAMAAN DISTRIBUSI SAMPLING

Larson (2012, p.266) mendefinsikan Distribusi Sampling sebagai berikut:

“DISTRIBUSI SAMPLING adalah distribusi probabilitas dari statistik sampel yang

terbentuk ketika sampel ukuran n berulang kali diambil dari populasi”

Kemudian dari masing-masing sampel yang telah terambil dihitung sehingga

diperoleh suatu statistik tertentu seperti rataan, proporsi, standar deviasi, dsb.
sebagai estimator populasinya. Karena setiap ukuran statistik sampel memiliki
sebuah distribusi sampling, maka penamaan suatu distribusi sampling akan
mengikuti nama dari statistik yang dipelajari.
• Suatu statistik rataan, maka disebut Distribusi Sampling Rataan.
• Suatu statistik proporsi, maka disebut Distribusi Sampling Proporsi
• Suatu statistik variansi, maka disebut Distribusi Sampling Variansi dan sebagainya.
4.2 Distribusi Sampling Rataan
(Sampling Distribution of The Sample Mean)

DISTRIBUSI SAMPLING RATAAN adalah distribusi rata-rata aritmetika dari seluruh

sampel acak berukuran n yang mungkin, yang dipilih dari sebuah populasi berukuran
N. Dikatakan distribusi sampling rata-rata karena tujuannya menaksir rata-rata atau
mean dari populasi.

Perhatikan Diagram ven rataan sampel berikut ini!

,

Sifat Distribusi Sampling Rataan

Ketika semua sampel yang mungkin dengan ukuran n dipilih dengan pengembalian
(With Replacement) dari suatu populasi, distribusi sampling rataan untuk sebuah
variabel memiliki 2 sifat penting:

1. Mean dari rataan sampel akan sama
dengan mean populasi.
2. Standar deviasi rataan sampel akan
lebih kecil dari standar deviasi dari
populasi, dan itu akan sama dengan
standar deviasi populasi dibagi
dengan akar kuadrat dari ukuran
sampel.
 Contoh Persoalan Distribusi Sampling Rataan
Misalnya:
Nilai-nilai populasi {1, 3, 5, 7} masing-masing ditulis di secarik kertas dan dimasukkan ke
dalam sebuah kotak. Dua slip kertas dipilih secara acak, dengan pengembalian (WR).
a. Carilah mean, varians, dan standar deviasi dari populasi?
x ( x −  )2
Mean: = =4 Variance:  =
2
=5 Standard Deviation:  = 5  2.236
N N

b. Gambarkan grafik probabiliy histogram dari nilai populasi?

Semua nilai memiliki peluang Probability Histogram Populasi x

yang sama untuk dipilih
(distribusi seragam diskrit)
dengan k=4, maka P(X) = 0.25.

38
c. Tentukan banyaknya (kemungkinan) sampel untuk pengambilan 2 slip kertas (n)
dipilih secara acak, dengan pengembalian (WR)?

Penentuan Banyaknya Sampel

Populasi Banyaknya kemungkinan jika diambi n dari N:
Tak Terbatas

𝑊𝑅 𝑁𝑛
Populasi
• Memperhatikan urutan (abba)
N Sampel 𝑁!
n 𝑁 𝑃𝑛 =
𝑁−𝑛 !
𝑊𝑂𝑅 • Tidak memperhatikan urutan (ab=ba)
Populasi 𝑁 𝑁!
Terbatas 𝑁 𝐶𝑛 = =
𝑛 𝑛! 𝑁 − 𝑛 !

Dimana: 𝑁 𝑃𝑛 > 𝑁 𝐶𝑛

39
4.2.1 Konsep Distribusi Sampling Rataan

Distribusi Sampling
Populasi
Rata-rata

Parameter:
µ, 

Statistik:

WR
Sampel x1 , x 2 ,..., x N n
Nn
n

x x =
 x = ni n
N

Maka banyaknya sampel yang mungkin adalah 𝑁 𝑛 = 42 = 16

40
41
42
c. Gambarkan grafik distribusi probablility histrogram dari rataan sampelnya?
Daftar semua 16 sampel berukuran 2 yang mungkin Distribusi Peluang dari Rataan Sampel
dari populasi dan rata-rata masing-masing sampel

Histogram Distribusi Peluang dari Rataan Sampel

Perhatikan:
Bentuk histogram adalah
lonceng dan simetris, mirip
dengan kurva normal

43
d. Carilah mean, varians, dan standar deviasi dari rataan sampel?
Pada solusi a., sudah diperoleh:
x ( x −  )2
Mean: = =4 Variance:  = 2
=5 Standard Deviation:  = 5  2.236
N N

Maka:

σ 𝑥ҧ𝑖 64
• Mean dari rataan sampelnya: 𝜇𝑥ҧ = 𝑛 = =4 (𝜇𝑥ҧ = 𝜇)
𝑁 16

σ( 𝑥ҧ − 𝜇)2 40
• Variansi dan Standar deviasi 𝑖
𝜎𝑥ҧ 2 = = = 2.5
dari rataan sampelnya: 𝑁𝑛 16
→ 𝜎𝑥ҧ = 2.5 = 1.58

Atau:
𝜎 2.236
𝜎𝑥ҧ = = = 1.58
𝑛 2

44
RINGKASAN
Distribusi Sampling Rataan
4.2.2 Teorema Limit Pusat
(The Central Limit Theorem)

a. SAMPEL BESAR
Teorema Limit Pusat menjelaskan hubungan antara distribusi sampling rataan
sampel dan populasinya.
Normal Standar vs CLT

Perbedaan penggunaan formulasi distribusi Z untuk aplikasi distribusi normal

standar dan teorema limit pusat:
LATIHAN 4.3
Aplikasi Normal Standar dan CLT

Misalkan baterai Li-Ion 1100 mAh memiliki mean talk time 100 menit berdistribusi normal
dengan simpangan baku 10 menit. Pertanyaan:
1. Carilah probabilitas SUATU baterai tertentu akan berumur kurang dari 98 menit?
2. Apabila random sampling sebanyak 25 buah baterai, berapa probabilitas baterei akan
memiliki umur rata-rata kurang dari 98 menit?

SOLUSI:
1. Menentukan probabilitas sebuah nilai P(Z<−0.2)=?
tertentu dari variabel random X:
P(X < 98)= ?
Untuk X = 98 dan µ = 100 dan  = 10
0.4207
diperoleh:
X −  98 − 100 −0.2
0 Z
Z= = = −0.2
 10 Kesimpulan: Probabilitas talk time SUATU
Dengan menggunakan Tabel Z [1], diperoleh: baterai kurang dari 98 menit
P(X<98) = P(Z<–0.2) = 0.4207 sebesar 42.07%.
Misalkan baterai Li-Ion 1100 mAh memiliki rataan talk time 100 menit berdistribusi normal
dengan simpangan baku 10 menit. Pertanyaan:
1. Carilah probabilitas SUATU baterai tertentu akan berumur kurang dari 98 menit?
2. Apabila random sampling sebanyak 25 buah baterai, berapa probabilitas baterei akan
memiliki umur rata-rata kurang dari 98 menit?

SOLUSI:
2. Menentukan probabilitas nilai rataan
P(Z<−1)=?
sampling : P( <98) = ?
Untuk n =25 (<30, tetapi asumsi berdistribusi
normal sehingga dapat digunakan CLT),
µ = 100 dan  = 10 diperoleh: 0.1587

−1
0 Z
x −  98 − 100
Z= = = −1 Kesimpulan: Probabilitas rataan talk time
 / n 10 / 25
baterai dari 25 baterai kurang
Dengan menggunakan Tabel Z [1], diperoleh: dari 98 menit sebesar 15.87%.
P( <98) = P(Z<–1) = 0.1587
b. SAMPEL KECIL

Pengenalan DISTRIBUSI – t

• Secara praktis, ketika  tidak diketahui maka digunakan Distribusi–t

dengan menganggap hampiran normal.
• Distribusi–t biasanya disebut Distribusi Student mirip dengan
Distribusi Z karena keduanya setangkup dan berbentuk lonceng.

• Nilai kritis Distribusi–t untuk

kepentingan perhitungan
teoritis disajikan dalam Tabel
Nilai Kritis Distribusi–t dengan
bentuk kurva :

a
0 ta
Tabel Distribusi – t

• Memperhatikan kurvanya, jika luas α nya semakin besar (α → 1), maka

nilai t semakin kecil (t → – ).
• Dua hal yang perlu diperhatikan dalam Tabel Distribusi-t, yaitu:
1. Derajat kebebasan (degree of freedom) disingkat dengan db atau v
dengan: v = n -1.
2. Nilai a, yaitu luas daerah kurva di kanan dengan nilai (+t) atau di kiri
dengan nilai (–t).

a a a
0 0 ta
ta -ta= t1-a
Tabel Distribusi – t
• Oleh karena Distribusi t setangkup terhadap
rataan nol, maka t1-a = –ta , yaitu nilai t yang luas
sebelah kanannya (1–a) sama dengan nilai
minus t (–t) yang luas sebelah kirinya a. Dengan
demikian, nilai minus nilai t (–t) sama dengan
nilai t yang luas bagian kanannya a. Jadi: t0.95 =
a
–t0.05, t0.99 = –t0.01, dst.
0 ta
Misalnya nilai t dengan derajat kebebasan v=14
sehingga luas di sebelah kirinya 0.025, atau luas
di sebelah kanannya 0.975 adalah:
t0.975 = –t0.025 = –2.145.
Contoh lainnya mencari luas P(–t0.025 < t < t0.05).
Maka luas di sebelah kanan t0.05 dan di sebelah
kiri –t0.025, maka jumlah luas antara –t0.025 dan
t0.05 adalah: a a
(1–0.05–0.025) = 0.925. -ta= t1-a 0 ta
Hubungan Distribusi-t dan Z

• Kurva di samping memperlihatkan hubungan

antara distribusi normal baku (v = ) dan
distribusi t untuk derajat kebebasan 2 dan 5.
• Karena v = n – 1, pada kondisi ukuran sampel
lebih besar dari 30, distribusi – t akan
mendekati distribusi normal.

Perbedaan Distribusi-t dan Z

• Pada Tabel Z, nilai Z menentukan luas a. Dan Tabel t, nilai a dan v menentukan nilai t.
• Distribusi–t mirip dengan Distribusi–Z, keduanya setangkup terhadap rataan nol dan
berbentuk lonceng.
• Distribusi–t tergantung pada dua besaran yang berubah-ubah, dan s2, sedangkan
nilai Z hanya tergantung pada perubahan dari sampel ke sampel lainnya.
• Kemudian variansi Distribusi–t bergantung pada ukuran sampel n dan selalu lebih
besar dari 1. Hanya bila ukuran sampel, n→, kedua distribusi menjadi sama.
Perbedaan Kurva Tabel Distribusi-t dan Z

a a
0 − 0 
ta z
Memilih CLT atau t-Student
CLT atau t–Student?

Apakah  TIDAK Student –t

diketahui? Distribution

YA

Central Limit
Theorem*) *) n<30 harus berdistribusi normal
LATIHAN 4.4
Sampel Kecil dengan Distribusi-t
Manajer produksi sebuah pabrik baterai Lithium Ion 1100 mAh, menyatakan bahwa
baterainya memilik talk time 100 menit. Agar kualitas talk time tersebut dapat
dipertahankan, setiap hari dilakukan pengujian sebanyak 9 unit baterai. Bila nilai t yang
dihitung antara –t0.05 dan t0.05, maka manajer akan mempertahankan keyakinannya.
Pertanyaan:
Jika rataan sampel 103 menit dengan x −  103 − 100
t= = = 4,5
simpangan baku 2 menit berasal dari populasi s/ n 2/ 9
hampir normal, kesimpulan apa yang dapat Kesimpulan: Manajer merasa tidak puas
ditarik? karena nilai 4,5 berada diluar batas nilai t yaitu
SOLUSI: –1.86 dan 1.86 sehingga kualitas talk time
Persoalan distribusi rataan sampel dengan n kecil diluar dari yang diyakini yaitu 100 menit
(9 <30) walaupun diasumsikan hampir normal
tetapi simpangan baku populasi  tidak diketahui.
Dengan v = 8, dari Tabel t diperoleh t0.05 = 1.86.
Manajer akan mengetahui konsistensi kualitas talk
timenya bila sampel 9 baterai memberikan nilai t
antara –1.86 dan 1.86. Diketahui µ = 100 dan 0.05 0.05
rataan sampel = 103 dan s = 2, maka: -1.86 0 1.86
1.155
Nilat t0.05?
b. Distribusi Sampling Selisih Rataan
Distribusi Sampling Selisih Rataan
LATIHAN 4.5
Suatu sampel berukuran n1 = 5 diambil secara acak dari populasi yang berdistribusi
normal dengan rataan 1 = 50 dan variansi σ21 = 9, dan rataan sampel 1 dihitung.
Sampel acak kedua berukuran n2 = 4 diambil dari populasi lain yang bebas dari yang
pertama yang juga berdistribusi normal, dengan rataan2 = 40 dan variansi σ22 = 4,
dan rataan sampel 2 dihitung.
Pertanyaan:
Cari nilai probabilitas selisih rataan sampel pertama dan kedua adalah kurang dari
8,2 ?
Solusi: