Contoh Lengkap!
Perbedaan hasil ini akan membuat perbedaan dalam pengukuran dan penentuan
distribusi sampling.
1. Distribusi sampling membantu kita untuk memilih sampel secara efektif dan
efisien dengan mempertimbangkan waktu, biaya, dan energi sehingga kita dapat
memperkirakan parameter dengan benar.
Ini berarti memiliki lebih banyak data membuat varians dan kesalahan standar
semakin kecil dan menghasilkan estimasi parameter lebih akurat.
Untuk mendaparkan standar error yang kecil, kita harus menemukan standar
deviasi populasi terkecil dan menggunakan sampel sebanyak mungkin.
Tentu saja, kita harus mempertimbangkan batasan seperti waktu, uang, dan
kemampuan.
Pertama, distribusi asli untuk populasi adalah normal, kedua, distribusi asli
populasi tidak normal, kadang-kadang distribusi tidak diketahui.
Yah, sebagian besar ahli dan ahli statistik sepakat bahwa jika jumlah sampel (n)
setidaknya 30, Teorema Limit Pusat sudah bisa diterapkan pada kasus ini.
Saya tahu, terkadang ada beberapa pendapat berbeda. Tapi, ini yang paling
banyak digunakan orang dalam rumus statistik.
Semakin besar ukuran sampel, semakin besar peluang untuk menjadi distribusi
normal.
Ingat, Anda tidak perlu menggunakan CLT jika distribusi populasi normal pada
awalnya.
Peluang untuk Sampel
Anggaplah “X” sebagai populasi, dan kita akan mengambil sampel populasi dari
X. Untuk itu, kita perlu menentukan apakah sampel yang kita gunakan memiliki
distribusi normal atau paling tidak mendekati normal.
Rumusnya adalah:
Jawab:
Catatan: Hal yang perlu anda ingat adalah selama sampel cukup besar
(setidaknya 30 unit sampel), Anda masih dapat memperkirakan probabilitas
menggunakan metode distribusi normal standar (Z) dan mengkonversi nilainya
menggunakan Tabel-Z.
Bagaimana jika sampelnya tidak cukup besar atau kurang dari 30 unit? Untuk
kasus ini, anda bisa selesaikan dengan menggunakan menggunakan distribusi-
t.
Teorema Limit Pusat tidak hanya diterapkan untuk kasus sampel. Teorema ini
juga dapat digunakan untuk proses statistik lain seperti proporsi sampel.
Proporsi sampel adalah jumlah individu dalam kelompok sampel yang memiliki
karakteristik yang sama.
Misalnya, jika Anda mengambil 1000 orang di sebuah kota dan menemukan 200
orang yang berpenghasilan lebih dari Rp. 10.000.000 per bulan, proporsi sampel
orang yang berpenghasilan lebih dari Rp. 10.000.000 per bulan adalah 0,2.
Catatan:
Contoh:
Kesimpulan
Semakin besar jumlah sampel, semakin kecil standar error sehingga statistik
yang dihasilkan semakin baik dalam menduga parameter.
Jika jumlah sampel 30, maka sampel sudah bisa diasumsikan memiliki distribusi
normal.