Distribusi Sampling

Oleh : Hani Khaulasari, S.Si., M.Si

1
 Distribusi
Sampling

Dis. Sampel Rata-

Dis.Sampel Proporsi Dis.Chi-Square Dis. T-Student Dis. F
rata

2
Pupulasi VS Sampel
Perbedaan Populasi Sampel
Ukuran N n
◦ Populasi adalah
keseluruhan pengamatan Ukuran karakteristik Parameter Statistik
yang ingin diteliti Ukuran pemusatan Mean=μ Mean=𝑋ത
◦ Parameter adalah nilai Ukuran Sb=σ Sb=S
numerik dari populasi penyebaran
◦ Statistik adalah nilai jenis Berhingga dan Kecil dan besar
tak berhingga
numerik dari Sampling

3
Konsep Distribusi Sampling
Sampel diambil digunakan untuk menghitung statistik yang dapat
menyimpulkan parameter populasi

Distribusi Sampling adalah

• distribusi peluang dari Statistik, yang diambil secara berulang-ulang
• Teknik yang mempelajari bagaimana melakukan penaksiran
terhadap karakteristik populasi yang didasarkam atas hasil amatan
terhadap contoh yang diambil secara acak dari populasi

Contoh :
Pabrik mobil xenia ingin mengetahui rata-rata konsumsi bahan bakar
per/km jarak tempuh. Untuk mengetahui ini, pabrik tidak perlu menguji
semua kendaraan yang diproduksi, cukup memilih secara acak
beberapa mobil sebagai contoh yang akan diuji.
4
 Distribusi Sampel Rata-rata
Teorema Limit Pusat
ഥ adalah rata-rata pada sampel random berukuran n yang diambil dari sebuah rata-
Jika 𝑿
rata populasi 𝝁 dan varians 𝝈𝟐 , maka bentuk distribusi menjadi
x−
Z=

n
dim ana :
n → , dengan distribusi normal standart n(z:0,1)
✓ Pendekatan normal untuk 𝑋ത umumnya akan baik jika n ≥ 30, asalkan distribusi populasi
tidak terlalu miring (skewness).
✓ Jika n < 30, akan mendekati baik hanya jika populasinya tidak terlalu berbeda dari distribusi
normal
✓ jika populasi diketahui normal, distribusi sampling dari 𝑋ത akan mengikuti distribusi normal
dengan tepat, tidak peduli seberapa kecil ukuran sampel. 5
Teorema Limit Pusat
✓ Ukuran sampel n = 30 adalah pedoman yang digunakan untuk Teorema Limit Pusat.
✓ distribusi 𝑋ത menjadi mendekati normal ketika n bertambah lebih besar, dimulai dengan
distribusi pengamatan individu yang jelas nonsimetris (n = 1). Hal ini juga menggambarkan
bahwa rata-rata dan 𝑋ത tetap untuk ukuran sampel apa pun dan varians 𝑋ത semakin kecil seiring
bertambahnya n
✓ Jika populasi tidak berdistribusi normal maka distribusi sampling rata-ratanya akan
mendekati normal jika ukuran sampel cukup besar, biasanya 30 atau lebih

Semakin besar ukuran sampel

maka distribusi rata-rata 𝑋ത akan
menyebar mendekati distribusi
normal dengan rata-rata 𝜇 dan
simpangan baku 𝜎/ 𝑛

6
Contoh 1
sebuah perusahaan listrik memproduksi bola lampu yang memiliki masa
pakai yang hampir berdistribusi normal, dengan rata-rata 800 jam dan
standar deviasi 40 jam. Tentukan peluang terambilnya sampel acak dari
16 bola lampu memiliki umur rata-rata kurang dari 775 jam.

7
 Contoh 2
Bepergian antara dua kampus universitas di kota melalui bus
antar-jemput membutuhkan,rata-rata 28 menit dengan standar
deviasi 5 menit. Dalam minggu tertentu,sebuah bus
mengangkut penumpang sebanyak 40 kali. Berapa peluang
Diket : rata-rata waktu transportasi lebih dari 30,5 menit? Asumsikan
 = 28 waktu rata-rata diukur untuk menit terdekat.
X = 30,5
 =5
n = 40
Di tan ya :
P( X  30,5)..?
 X −  30,5 − 28 
P( X  30,5) = P ( Z  30,5 ) = P    = P( Z  3,16)
 / n 5 / 40 
P( Z  3,16) = 1 − P( Z  3,16) = 1 − 0,9992 = 0, 0008 8
P(Z  3,16) = 1 − P(Z  3,16) = 1 − 0,9992 = 0,0008

P (a  x  b ) = P (a  Z  b )
P (a  x  b ) = P ( Z  b ) − P ( Z  a )

P (Z  b ) = 1 − P (Z  b )

9
10
11
12
Latihan
Rata-rata upah seorang buruh = $ 8.00 perjam dengan
simpangan baku = $ 0.60, jika terdapat 1 000 orang buruh,
hitunglah :
a) banyak buruh yang menerima rata-rata upah/jam
kurang dari $ 7.80
b) banyak buruh yang menerima rata-rata upah/jam lebih
dari $ 8.30
c) banyak buruh yang menerima rata-rata upah/jam
antara $ 7.80 sampai 8.30 μ = 8.00 σ = 0.60

13
Sampling Distribution of the Difference between Two Means

14
Contoh 3

15
Distribusi Sampel Proporsi Distribusi Sampel Dua
Proporsi

x1 x2
x p1 = p2 =
P= n1 n2
n

16
 Contoh 4
Bila proporsi populasi (p) SBY-kall 60%. Hitung persentase bahwa dari 150
konstituen, lebih dari 75 yang memilih pasangan SBY-Kalla tersebut.
maka probabilitas lebih dari 75 yang memilih SBY kalla berarti penduga
proporsi
75
P = 50% =
150

P−p 0,50 − 0,60

Z= = = −2,5
pq / n 0,60(0,40) / 150
P ( p  0,50) = P (Z  −2,5) = 1 − 0,0060 = 0,994

17
 t-Distribution

o Fungsi padat peluang variabel t berbentuk simetri dengan rata-rata

sama dengan nol dan bentuk seperti distribusi normal standart
dengan standart deviasinya lebih dari 1, karena tinggkat ketelitiannya
tergantung pada derajat bebas (db atau v)
o Penyebaran distribusi t lebih besar dari distribusi normal standar. Makin
besar derajat bebas distribusi t makin mendekati distribusi normal.
o Jika nilai derajat bebas sekitar 30 atau lebih (𝑛 → ∞) maka distribusi t
akan sama dengan distribusi normal baku Z dengan rata-rata populasi
sama dengan nol dan ragam sama dengan satu. 18
• Untuk n=6, jadi df (n-1=5), Probabilitas adalah 95%
(𝛼 = 1 − 0,095 = 0,05) untuk pengujian 1 sisi, nilai-
nilai T berada pada interval (-2,015 dan +2,015)

• Untuk n=6, jadi df (n-1=5), Probabilitas adalah 95%

1−0,095 0,05
( 𝛼 = 2 = 2 = 0,025) untuk pengujian 2 sisi,
nilai-nilai T berada pada interval (-2,571 dan
+2,571)

19
 Contoh 5  290 − 272,5 
cara Interpolasi:
P ( X  290) = P  t   = P ( t  1,391)
 17,8 / 2 
x1 = 1,376 → 1 = 0,20
Diketahui rata- ......(gunakan interpolasi)
x = 1,391 → y = 
rata populasi
x2 = 1,963 →  2 = 0,15
volume kecap x − x1  x − 1
272,5 ml dan =
x2 − x1  2 − 1
simpangan baku 1,391 − 1,376  y − 0,20
=
sebesar 17,8, 1,963 − 1,376 0,15 − 0,20
diambil secara 0,015  y − 0,20
=
−0,05
acak pada 2 0,587
( 0,015 )( −0,05 ) = 0,578 y − (0,587 )(0,20 )
sampel. Peluang
( −0,00075 ) = 0,578 y − 0,1174
terambilnya
0,11665
kecap dengan y =
0,578
= 0,2018
rata-rata volume
lebih dari 290?

20
Contoh 5.1

21
 cara Interpolasi:
x1 = 1,711 → 1 = 0,05
x = 2,25 → y = 
x2 = 2,064 →  2 = 0,25
x − x1  x − 1
=
x2 − x1  2 − 1
2,25 − 1,711  y − 0,05
=
2,064 − 1,711 0,025 − 0,05
0,539  y − 0,05
=
0,353 −0,025
( 0,539 )( −0,025 ) = 0,353 y − (0,353 )(0,05 )
( −0,0135 ) = 0,353 y − 0,01765
0,00415
P ( X  290) = P ( t  2,25 ) y = = 0,011
0,353
......(gunakan interpolasi)
Pr obabilitas : 0,011  1,1%
22
chi-squared distribution

23
 Contoh 6
Andaikan kecap dengan spesifikasi volume 350 ml, selama ini proses
produksi mempunyai rata-rata volume adalah 348 dengan varians 1,5 ml.
jika dilakukan pengukuran volume kecap dengan tujuan mengevaluasi
hasil produksi dengan cara mengambil sampel sebesar 25 kali pengukuran.
a. Berapa peluang varians sampel lebih dari 1,2 ml?
b. Berapa peluang varians berada diantara 1,6 sampai 1,9 ml

a. peluang varians lebih dari 1,2 b. peluang varians 1,6 - 1,9

( n − 1) S 2  ( n − 1) S 2 ( n − 1) S 2 
P(S2  1,2) = P (  2  P(1,6<S  1,9) = P 
2
 2

)  2  2
2  

P(  
( n − 1) S 2
)= P(  
( 25 − 1) (1,2)2  ( n − 1)1,62
 
( n − 1)1,92   ( 24 )1,62
 
( 24 )1,9 2 
 = P 
2 2
) P 2 2

 2
(1,5)2  1,52 1,5 2
1,5 2
1,5 2
   
P (  2  15,36) = ...... ( )
P 27,3   2  38,5 = 0,30 − 0,032 = .......

24
cara Interpolasi:
x1 = 13,848 → 1 = 0,95
x = 15,36 → y = 
x2 = 15,659 →  2 = 0,90
x − x1  x − 1
=
x2 − x1  2 − 1
15,36 − 13,848  − 0,95
= y
15,659 − 13,848 0,90 − 0,95
1,512  y − 0,95
=
1,811 −0,05
(1,512 )( −0,05 ) = 1,811 y − (1,811)(0,95 )
( −0,0756 ) = 1,811 y − 1,72045
1,64485
y = = 0,91
1,811

25
cara Interpolasi:
x1 = 36,415 → 1 = 0,05
x = 38,5 → y = 
x2 = 39,364 →  2 = 0,025
x − x1  x − 1
=
x2 − x1  2 − 1
38,5 − 36,415  y − 0,05
=
39,364 − 36,415 0,025 − 0,05
2,085  y − 0,05
=
2,949 −0,025
( 2,085 )( −0,025 ) = 2,949 y − ( 2,949 )(0,05 )
( −0,0521) = 2,949 y − 0,14745
0,09535
y = = 0,032
2,949

26
F-Distribution

27
Contoh 7

a. Berapa peluang dari varians A dan B, dengan

rasio dua ragam populasi besarnya 3,05…..?
b. Berapa peluang dari varians A dan C dengan
rasio dua ragam populasi besarnya 2,25…..?

28