NAMA : Enzelli Putri Safana

NIM : 21132011009

PRODI : S-1 Kesehatan Masyarakat

MATA KULIAH : BIOSTATISTIK

DISTRIBUSI SAMPLING RATA-RATA

1.1 KONSEP DISTRIBUSI SAMPLING

Statistik adalah salah satu hal terpenting saat membuat keputusan dalam

bisnis, ekonomi, dan sains. Statistik mengacu pada estimasi dan pengujian hipotesis.
Agar estimasi atau uji hipotesis mendekati kondisi riil populasi, maka perlu diambil
sampel yang dapat mewakili populasi. Hal ini dapat dilakukan melalui random sampling,
dimana setiap item dalam populasi memiliki probabilitas yang sama untuk dipilih menjadi
sampel. Dari pengambilan sampel ini, kita dapat memeriksa karakteristik populasi
berdasarkan sampel yang diambil dari populasi ini. Berdasarkan karakteristik sampel yang
diambil dari suatu populasi, statistik menarik kesimpulan umum yang mungkin berlaku untuk
populasi tersebut. Menurut Sudjana, Distribusi Sampling merupakan kumpulan nilai-nilai
statistika yang sejenis lalu disusun dalam suatu daftar sehingga terdapat hubungan antara nilai
statistik dan frekuensi statistika. (Sudjana, 2001 :87)

Empat jenis distribusi sampel yang dibahas, antara lain: distribusi sampling rata-

rata, distribusi sampling beda 2 rata-rata, distribusi sampling 1 proporsi, dan distribusi
sampling beda 2 proporsi. Distribusi sampling rata-rata adalah distribusi probabilitas
yang mencantumkan semua rata-rata sampel yang mungkin jika kita mengambil sejumlah
sampel dari populasi, bersama dengan probabilitas setiap rata-rata sampel. Bila suatu
data mempunyai populasi 3 orang yaitu A, B, C, dan kita mengambil sampel sebanyak 2
orang, maka terdapat 3 kemungkinan kombinasi dari sampel terpilih yaitu AB, AC dan BC.
Bila suatu data mengambil 10 sampel dari 60 populasi, maka akan memiliki kombinasi 60
dari 10. Kita tahu bahwa ukuran populasi (N) biasanya sangat besar dan ukuran sampel (n)
relatif kecil. Jadi, apabila kita mengambil sampel n dan N populasi, kita memiliki
kombinasi N di atas n. Setiap kombinasi sampel memiliki ukuran (statistik sampel), seperti
contoh rata-rata sampel. Jadi jika kita mengambil n sampel dari N populasi, kita memiliki
rata-rata sampel yang tergolong cukup banyak. Telah disebutkan bahwa rata-rata
sampel adalah variabel acak, sehingga memiliki distribusinya sendiri. (Safitri Jaya, 2019)

Jika populasi terdistribusi normal, maka menurut teorema limit pusat, rata-rata dari

sampel besar juga terdistribusi normal. Distribusi rata-rata sampel adalah distribusi
sampling atau distribusi sampling rata-rata. Distribusi sampel rata-rata adalah normal,
berbentuk lonceng, simetris, serta memiliki rata-rata dan standar deviasi. (Safitri Jaya, 2019)

Contoh :

PT Jeruk Purut Asoy memiliki 7 karyawan bagian produksi (dianggap sebagai

populasi) dengan keterangan upah per jam setiap karyawan seperti berikut :

Karyawan Upah/Jam

Adam 7

Samy 9

Adel 8

Marley 8

Bopung 7

Mijan 8

Tedy 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

a. Meneliti sampel
Misal, ambil 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:

µx = Σ ( xi /n) ; δx = √ Σ ([xi - µx]2)/(n – 1)

Deviasi standar distribusi sampling rata-rata disebut juga galat baku mean (standard error of
mean). (Lestanto Pudji Santosa, 2018)

1.2 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 µ x 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 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. (Lestanto Pudji Santosa, 2018)

1.3 DEFINISI SAMPEL

Sampel adalah sebagian dari suatu populasi yang menjadi fokus pengkajian penelitian
(Harinaldi, 2005, p. 2).
Sampel adalah sebagian dari jumlah suatu populasi dan bisa mewakili karakteristik
yang dimiliki oleh populasi (Sugiyono, 2017, p. 62).
1.4 DEFINISI DISTRIBUSI SAMPLING
Distribusi sampling adalah distribusi dari mean yang berasal dari sampel yang di ambil
berulang kali di dalam suatu populasi yang sama (Harnani, 2015, p. 74).
Distribusi sampling dapat terbentuk ketika peneliti melakukan pengambilan sampel yang
lebih banyak dari pada jumlah populasi yang mengakibatkan mean sampel akan mendekati
nilai rata-rata populasi, ketika proses ini dilakukan secara berulang dan setiap hasil mean di
letakkan pada kurva maka kurva akan membentuk suatu distribusi sampling (Morissan, 2017,
p. 275).
Distribusi sampel dari rata-rata hitung setiap sampel merupakan suatu distribusi
probabilitas yang terdiri dari semua kemungkinan rata-rata hitung sampel dari suatu
pengukuran sampel tertentu yang di ambil dari suatu populasi, dan probabilitasnya (peluang
kejadian) dihubungkan dengan setiap rata-rata perhitungan sampel (Syamsudin, 2019, p. 29).

1.5 METODE DISTRIBUSI SAMPLING

Metode distribusi sampling secara umum di bedakan menjadi 4 metode, yaitu :

a. Distribusi sampling rata-rata
Distribusi sampel rata-rata merupakan distribusi probabilitas yang terjadi dari rata-
rata suatu sampel yang didasarkan pada sejumlah sampel dari parameter suatu populasi.

b. Distribusi sampling proporsi

Distribusi sampling proposi merupakan distribusi probabilitas yang dapar terjadi dari
proporsi suatu sampel yang didasarkan oleh jumlah sampel dari parameter proporsi
populasinya. Berikut rumus distribusi sampling proporsi, yaitu:
1) Nilai rata-rata proporsi

Pp =
√ 1
Cn
N

2) Standar deviasi sampling proporsi

Sp=
√ 1
C Nn
∑ (p−P¿ P)¿2
3) Standar deviasi proporsi

S p=
√ P ( 1−P )
n
x
√
N −n
N −1

c. Distribusi sampling selisih rata-rata

Distribusi sampling selisih rata-rata adalah distribusi peluang yang terjadi dari jumlah
selisih rata-rata dua sampel yang berbeda yang didasarkan pada dua sampel tertentu dari
ukuran parameter dua populasinya.
a) Nilai rata-rata distribusi sampel selisih rata-rata
X X1-X2 = X 1 - X 2 = µ1- µ2
b) Nilai standar deviase distribusi sampel selisih rata-rata X1-X2

√
2 2
SX 1 S X2
Sx1-x2 = √ S +¿ S ¿ =
2
X1
2
+
X2
n1 n2
c) Sedangkan nilai Z untuk distribusi sampel selisih rata-rata
( X 1−X 2 )−µ 1−µ 2
Z=
SX 1− X 2

d. Distribusi sampling selisih proporsi

Distribusi sampling selisih proporsi adalah distribusi peluang yang bisa terjadi dari
selisih rata-rata dua sampel tertentu dari pengukuran parameter dua populasi. Rumus
distribusi sampling selisih proporsi yaitu :
1) nilai rata-rata distribusi sampel selisih proporsi

P P1-P2 = P P1 - P P2 = P1-P2

2) nilai standar deviasi distribusi sampel selisih rata-rata

Sp1-p2=√ Sp ₁²+ Sp ₂² = √ P1 ¿ ¿ ¿
3) nilai Z untuk distribusi sampel selisih rata-rata
( P 1−P 2 ) −( P 1−P 2)
Z=
S P 1−P 2
 (Ni Komang Suka Santi, 2020)

1.2 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).

Sudjana (2001 : 87) mendefenisikan Distribusi sampling rata-rata adalah kumpulan

dari bilangan-bilangan yang masing-masing merupakan rata-rata hitung dari samplenya.

Notasi Dalam Distribusi Sampling Rata-rata:

n : ukuran sampel N : ukuran populasi
x : rata-rata sampel µ : rata-rata populasi
s : standar deviasi sampling  : standar deviasi populasi
µx : rata-rata pada distribusi sampling rata-rata

x : standar deviasi pada distribusi sampling rata-rata

(Tim Asisten Dosen Statistika FEB UNPAD, 2017)

Rumus Distribusi Sampling Rata-rata:

Populasi tidak terbatas Populasi tidak terbatas Populasi terbatas

𝑛
≤ 5% 𝑛
> 5%
𝑁 𝑁

Rata-rata µx=µ µx=µ

=
Standar Deviasi  =  . √𝑁−𝑛
x 
√𝑛 x √𝑛 𝑁−1

Nilai Baku x −µ x −µ
z= x z= x
x x
 Ket:

√N −n
N −1
2017)
disebut dengan faktor koreksi. (Tim Asisten Dosen Statistika FEB UNPAD,

Contoh Soal :
ABC Company memproduksi ‘Remote Control’ dengan menggunakan dua baterai. Rata-
rata umur baterai yang digunakan di produk ini adalah 35 jam. Distribusi umur baterai mendekati
distribusi probabilitas normal dengan standar deviasi 5,5 jam. Sebagai bagian dari program
pengujian, diambil sampel sebanyak 25 baterai. Hitunglah probabilitas umur baterai lebih dari 36
jam?
Penyelesaian :
ABC Company memproduksi ‘Remote Control’ dengan menggunakan dua baterai. Rata-
rata umur baterai yang digunakan di produk ini adalah 35 jam. Distribusi umur baterai mendekati
distribusi probabilitas normal dengan standar deviasi 5,5 jam. Sebagai bagian dari program
pengujian, diambil sampel sebanyak 25 baterai. Hitunglah probabilitas umur baterai lebih dari 36
jam?
Penyelesaian

Dik : µ x = µ = 35

σ = 5,5
n = 25

Dit : P( x >36) ?
σ 5,5
Jawab : σ x = √ n = √25 =1,1

x−µ 36−35
a. z = = =0,91
σ 1,1
 Kesimpulan : Jadi, dari 25 baterai yang dipilih, probabilita umur baterai lebih dari 36 jam
adalah sebesar 0,1814 atau 18,14%. (Tim Asisten Dosen Statistika FEB UNPAD, 2017)

Lihat tabel z:
luas sebelah kanan 0 = 0,5000
luas antara 0 - z = 0,3186 -
luas sebelah kanan z = 0,1814

Contoh Soal :
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
b. Rata-rata sampel akan lebih kecil dari Rp2.050
c. Rata-rata sampel akan lebih kecil dari Rp1.900 (Lestanto Pudji Santosa, 2018)

Penyelesaian :
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% (Lestanto Pudji Santosa, 2018)
1.2.1 Faktor Koreksi untuk Populasi Terbatas
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 :
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.
(Lestanto Pudji Santosa, 2018)
Ukuran sampel Bagian dari Populasinya (n/N) Faktor Koreksi
(n)
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. (Lestanto Pudji Santosa, 2018)

Contoh Soal :
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?

Penyelesaian :
Menurut dalil batas memusat dan penyesuaian terhadap koreksi,
µx = µ = 5.5 dan
δx = [δ / √n] x [√ (N-n) / (N-1)] = 0.2773 (Lestanto Pudji Santosa, 2018)

1.3 STUDI KASUS DISTRIBUSI SAMPLING RATA-RATA

Pegawai perusahaan Global Network Inspection pada Divisi Inspeksi Pembongkaran

mempunyai gaji rata-rata sebesar $4300/bulan, sedangkan Divisi Inspeksi Pengangkutan
mempunyai gaji $3750/bulan. Setelah dihitung, diperoleh rata-rata hitung dari deviasi kuadrat
setiap gaji terhadap gaji rata-rata Divisi Inspeksi Pembongkaran $52.000, sedangkan Divisi
Inspeksi Pengangkutan sebesar $19.500. Bila diasumsikan diambil sampel random pada Divisi
Inspeksi Pembongkaran sebanyak 90 orang dan Divisi Inspeksi Pengangkutan75, berapakah
probalilita selisih rata-rata gaji dari dua sampel lebih besar dari $ 500 ? (Tim Asisten Dosen
Statistika FEB UNPAD, 2017)

Jawab :
Diketahui : :

Divisi Inspeksi Pembongkaran : μ1 = $ 4300 𝜎12= $ 52.000 n1 = 90

Divisi Inspeksi Pengangkutan : μ2= $ 3750 𝜎22= $ 37.000 n2 = 75

Ditanya : (𝑥̅1 − 𝑥̅2 > 500) ?

Dijawab :

µ 𝑥̅1 − 𝑥̅2 ¿ µ1−µ2 ¿ 4300 – 3750 = 550

√ √
σ 22 52.000 37.000
2
σ 𝑥̅1 − 𝑥̅2 ¿ σ ₁ ¿ − ¿ 32,72783389
+
n 1 n2 90 75

Luas Kanan 0 = 0,5000

Luas 0– z = 0,4370 _
Luas Kanan Z = 0,9370

Jadi, probabilita selisih rata-rata gaji dari dua sampel lebih besar dari $ 500 adalah 0,9370 atau
93,70 %. (Tim Asisten Dosen Statistika FEB UNPAD, 2017)
 DAFTAR PUSTAKA

Tim Asisten Dosen Statistika FEB UNPAD. 2017. MODUL PRAKTIKUM STATISTIKA II.
https://statisticsfeunpad.files.wordpress.com/2014/10/modul-statistika-ii-2014-1.pdf
Diakses pada Senin, 26 Desember 2022 pukul 09.48 WIB.

Jaya, Safitri. 2019. “Modul Kuliah”. https://ocw.upj.ac.id/files/Handout-INF107-PS-Pertemuan-

11.doc. Diakses pada Senin, 26 Desember 2022 pukul 14.35 WIB.

Azizah, F. N., & Nugraha, B. 2022.  PENGANTAR STATISTIKA INDUSTRI: Pengenalan Teori
Dasar Probabilitas. Pertama. Yogyakarta: Jejak Pustaka. Available at :
https://books.google.co.id/books?
hl=id&lr=&id=x8p6EAAAQBAJ&oi=fnd&pg=PA1&dq=FN+AZIZAH+STATISTIKA
&ots=bF6BCbDFZ0&sig=5UakaYIBzN_d7JfNm67NrC8yaYk&redir_esc=y#v=onepage
&q&f=false

Harnani, Y., & Rasyid, Z. 2015. Statistik Dasar Kesehatan. Deepublish.

Harinaldi, D. I., & Eng, M. 2005. Prinsip-prinsip statistik untuk teknik dan sains. Jakarta:
Erlangga.

Morissan . 2017 METODE PENELITIAN SURVEI. pertama. Jakarta: PT Fajar Interpratama

Mandiri. Available at: https://books.google.co.id/books?
id=LhZNDwAAQBAJ&printsec=frontcover&hl=id#v=onepage&q&f=false.

Santi, N. K. S. 2020. “Distribusi Sampling Populasi Sampel”

https://www.academia.edu/44062121/DISTRIBUSI_SAMPLING_POPULASI_SAMPE
L. Diakses pada 26 Desember 2022 Pukul 10.56 WIB

Santosa, L. P. 2018. DISTRIBUSI SAMPLING:Modul 4.https://lms

paralel.esaunggul.ac.id/pluginfile.php?file=%2F72825%2Fmod_resource%2Fcontent
%2F1%2FModul%204%20pert%205.docx Diakses pada 26 Desember 2022 Pukul 07.31
WIB

Sudjana. 2017. Metode Statistika. Bandung: Tarsito

Sugiyono. 2017. Statistika Untuk Penelitian. Bandung: ALFABETA.

Syamsudin. 2019. BUKU AJAR UNTUK MATA KULIAH STATISTIK II. Jakarta: Qiara Media
Partner. Available at: https://books.google.co.id/books?
id=jS6sDwAAQBAJ&printsec=frontcover&dq=Distribusi+penarikan+sampel&hl=id&sa
=X&ved=2ahUKEwj00s7sj9PrAhXKR30KHSjdBboQ6AEwBnoECAcQAQ#v=onepage
&q=Distribusi penarikan sampel&f=false