DISTRIBUSI

SAMPLING

SUTANTO PRIYO HASTONO

PENGANTAR

STATISTIK INFERENSIAL/ANALITIK TUJUAN UNTUK

MENGGENERALISASI DARI DATA SAMPEL KE POPULASI

AGAR GENERALISASI KITA MENDEKATI KEBENARAN,

ATAU AGAR STATISTIK INFERENSIALNYA BENAR, MAKA
HARUS MEMAHAMI KONSEP DISTRIBUSI SAMPLING

DISTRIBUSI SAMPLING ADALAH

DISTRIBUSI DARI MEAN – MEAN SAMPEL YANG
MUNGKIN TERAMBIL DARI SUATU POPULASI
Distribusi sampling
Karakteristik populasi

Populasi µ, σ,  , N

Sampel 1 Sampel 2 Sampel 3 Sampel K

X2 X3
X1 Xk
Dari mean2 sampel tsb muncullah Teori Limit Pusat atau Central Limit Theorm
DALIL CENTRAL LIMIT THEORM
1. Bila Distribusi Populasi normal maka distribusi sampling (distribusi mean2 sampel) akan
juga berdistribusi Normal
2. Bila Distribusi populasi tidak normal/tidak diketahui, bila diambil sampel yang besar (n>30)
maka distribusi samplingnya akan berdistribusi Normal
3. Distribusi normal dari distribusi sampling akan mempunyai
a. Rata-rata dari mean2 sampel akan sama dengan rata2 data Populasi (μ): μx = μ
b. Simpangan baku mean2 sampel (SE) akan sama dengan simpangan baku populasi dibagi dengan akar
dari jumlah sampel
(SE) = σ/√n bisa juga : SE = S /√n SE = standan Error
Distribusi sampling sbb:
X–μ X-μ X-μ
Z = ------------ atau Z = ------------ atau Z = ---------
SE σ/√n S /√n
X = rata2 data sampel μ = rata2 data populasi n=jumlah sampel
Nilai σ = simpangan baku populasi, bila tidak diketahui bisa diganti S (simpangan baku sampel)
STANDAR ERROR (SE)
• Standar deviasi dari rata-rata pada distribusi sampel - - - menghasilkan
standard error (SE)
• SE merupakan standar deviasi nilai rata-rata sampel dari nilai rata-rata
populasi
• SE menggambarkan variasi nilai rata-rata sampel jika sampel diambil
berulang-ulang

INGAT: SE berbeda dengan standar deviasi (S),

berbeda juga dengan standar deviasi populasi (σ)
SE = σ/√n bisa juga : SE = S /√n

• Bagaimana caranya memperkecil SE ?

-memperbesar jumlah sampel
-memperkecil standar deviasi populasi atau sampel
 populasi
Contoh pembuktian teori
μx = μ 1 2 3 4 5 Ų=3

Diambil 2 respondenn, n=2

sampel Mean sampling
1.1 3.1 5.1 2 3
1
1.2 3.2 5.2 1,5 2,5 3,5 µx=3
1.3 3.3 5.3 3 4
2
1.4 3.4 5.4 3,5 4,5
2,5 n=2 1 – 5
1.5 3.5 5.5 4 5 n=3 2 - 4
3
2.1 4.1 n=4 2,5 – 3,5
1,5 2,5 n=5 3
2.2 4.2 3
2
2.3 4.3 3,5
2,5
2.4 4.4 4
3
2.5 4.5 4,5
3,5
5

0
1 1,5 2 2,5 3 3,5 4 4,5 5

Histogram dari distribusi sampling harga mean = simetris( N )

Contoh Kasus Distribusi sampling

Dari suatu populasi orang sehat yang cukup besar diketahui

kadar kolesterol, rata2nya μ = 200mg/dl dengan simpangan baku
(σ) = 40 mg/dl
Bila diambil dari populasi tersebut sampel yang besarnya n =100
orang,
Berapakah probabilitas dari sampel (100 org) tsb akan
menghasilkan/ mempunyai rata-rata kadar kolesterol lebih dari
205 mg/dll
Diketahui : µ = 200 X = 205 ∂ = 40 n=100

x− 205 − 200 5

Z = = = = 1,25
SE 40 4
100

Z = 1,25 p tab = 0,3944

P (x>205) = P(Z>1,25) = 0,5 – 0,3944 = 0,1056

Jadi dari sampel tsb, probalitas manghasilkan rata2 kolesterol lebih dari 205 mg/dl adalah 0,1056

0,3944 0,1056

0 1,25
 PERBANDINGAN Distribusi Normal Dan Distribusi Sampling

Distribusi Probabilitas Normal (probalitas dari nilai individu)

x− x−x
Z= =
 S

Distribusi Sampling (probailitas dari nilai sampel)

x−
Z =
SE
SE = σ/√n bisa juga : SE = S /√n
Contoh kasus distribusi probabilitas normal dan distribusi sampling

Contoh Distribusi Normal

Laporan tahunan RS ‘Sayang Ibu’ menyatakan bahwa rata-rata berat badan bayi adalah 3000 gram
dengan simpangan baku sebesar 500 gram.
Hitunglah probabilitas seorang bayi mempunyai berat badan bayi saat lahir lebih dari 3500 gram?

x−x
Z=
S 
Contoh Distribusi Sampling
Laporan tahunan RS ‘Sayang Ibu’ menyatakan bahwa rata2 berat badan bayi adalah 3000 gram dan simpangan
baku sebesar 500 gram. Jika diambil sampel sebanyak 49 bayi dari RS tsb
Hitunglah probabilitas 49 sampel tsb akan mendapatkan nilai rata-rata berat badan bayi lebih dari 3500 gram:

x− x−
Z= =
/ n S/ n
Distribusi Sampling Utk Variabel Kategorik (Proporsi)

SE =

Misalnya berapa peluang sampel akan mempunyai proporsi kepuasan

lebih dari 70 %

Untuk kasus tsb digunakan digunakan z score:

pS −  pS pS − p
Z  =
p S
p (1 − p )
n
Ps= proporsi sampel P=proporsi populasi n=jumlah sampel
contoh
Suatu survei di Kabupaten X pada tahun 2020
melaporkan bahwa prevalensi Anemia pada ibu
hamil adalah sebesar 40%.
Bila diambil sampel secara acak sebanyak 400 ibu
hamil di Kabupaten X tersebut.
Berapa probabilitas dari sampel tsb akan
mendapatkan proporsi anemia pada ibu hamil
antara 35% s/d 45%

Hal-16
 • Diketahui: P = 40% =0.40 n= 400,
• Probabilitas sampel mempunyai proporsi anemia antara 35% sampai 45%?

0,35 − 0,40 0,45 − 0,40

Z1 = = −2,04 Z2 = = 2,04
0,40 * (1 − 0,40) 0,40 * (1 − 0,40)
400 400

Lihat tabel Z arsir tengah

Z1 = -2,04 → p = 0.4793
Z2 = 2.04 → p = 0.4793
35 40% 45 x
P = 0,4793 + 0,4793= 0.9586
- 2,04 0 2.04 Z

Jadi peluang sampel akan menghasilkan persentase anemia antara 35% s/d 45% adalah 0,9586 (95,86 %)

Hal-17
 Kaitan Distribusi Sampling dan Estimasi
Berdasarkan distribusi sampling:
Xb - μ
Z = ------------------
SE

P { - (1,96*SE) < Xb <  + (1,96*SE)} = 0,95

Note: Z= ± 1,96 - - mencakup area sebesar 95%

Jadi probabilitas satu sampel yang diambil memiliki nilai Xb antara

- (1,96*SE) sampai dengan +(1,96*SE) adalah 95%
 Distribusi Sampling menuju Estimasi

Peluang bhw Xb + (1,96*SE) akan mencakup/berisi nilai  adalah 95% - -

- - Ini merupakan DASAR ESTIMASI (estimasi interval)

0,4750 0,4750

-1,96 1,96

95 %
Disrtibusi sampling - - dasar dari statistik inferensial (estimasi dan uji hipotesis)
dan penghitungan jumlah sampel

x− x−
Z= =
/ n S/ n

ESTIMASI UJI HIPOTESIS JUMLAH SAMPEL

x - µ Z2 S2
µ = x ± Z * SE Z = ---------- n = -----------------
SE (x - µ )2
 Pendalaman Distribusi sampling
1. Dari populasi mahasiswa diketahui berat badanya, rata2nya μ = 50 kg
dengan simpangan baku (σ) = 7 kg
Bila diambil sampel yang besarnya 50 mhs
Berapakah probabilitas dari sampel tsb akan menghasilkan/ mempunyai rata-
rata berat badan antara 51 kg sd 53 kg
Z1=[51-50]/7/V50 = … Z2=[53-50]/7/V50 = ……..
P=

2. Direktur RS X melaporkan bahwa persentase kepuasan pasiennya

sebesar 60 %. Bila diambil sampel sebanyak 40 pasien, berapa peluang
sampel tsb akan mempunyai tingkat kepuasan lebih dari 64 %