Distribusi Sampling dan Teori Pendugaan

MN2206 | Statistika Bisnis II

Program Studi Manajemen
Sekolah Tinggi Manajemen Semen Indonesia
Distribusi Sampling
 Kesalahan Penarikan Sampel
(Sampling Error)
REVIEW
Indikator Sampel: Statistik
Indikator Populasi: Parameter

Statistik Sampel Parameter Populasi

Mean X
Standard
S
Deviation
Variance S2
Binomial p^ p
Proportion
 Kesalahan Penarikan Sampel
(Sampling Error)
Statistik Sampel digunakan untuk
menduga Parameter Populasi
Contoh:X adalah pendugaan dari mean
populasi ()

Permasalahannya:
Ketika memilih sampel yang berbeda akan
menghasilkan pendugaan yang berbeda
juga, oleh karena itu munculah Kesalahan
penarikan sampel (Sampling Errors)
 Kesalahan Penarikan Sampel
(Sampling Error)
Sampling error adalah perbedaan antara
nilai statistik sampel dengan nilai
parameter dari populasi
Pemilihan sampel yang berbeda akan
menghasilkan sampling error yang
berbeda
Nilai sampling
x error bisa bernilai positif
atau negatif ( bisa jadi lebih besar dari )
Nilai sampling error akan mengecil, jika
semakin besar jumlah sampel yang dipilih.
 Kesalahan Penarikan Sampel
(Sampling Error)
Contoh:
Sampling error untuk Mean x=

Mean Sampel: Mean Populasi:

x
x i

x i

n N
dengan:
= Mean Populasi
x Mean Sampel
=
xi = Data Populasi dan/atau sampel
N = Banyak Populasi
n = Banyak Sampel
 Contoh

Jika mean populasi adalah = 98,6

derajat dan dengan ukuran sampel xn =
5, menghasilkan = 99,2 derajat,
maka sampling
x 99,2error
98,6nya
0,adalah
6 derajat
 Distribusi Sampling
Suatu populasi mempunyai banyak
kombinasi sampel dimana setiap
kombinasi sampel memiliki nilai
statistik. Maka akan terdapat banyak
nilai statistik dari setiap kombinasinya
dan merupakan variabel yang bersifat
random. Jadikan Populasi A
kedalam sampel
yang berukuran 2
(n = 2)
POPULASI
A
 Distribusi Sampling
Suatu populasi mempunyai banyak
kombinasi sampel dimana setiap
kombinasi sampel memiliki nilai
statistik. Maka akan terdapat banyak
nilai statistik dari setiap kombinasinya
dan merupakan variabel yang bersifat
random. Terdapat
5C2
kombinasi
POPULASI sampel.
A
 Menghitung Distribusi Sampel

Misalkan sebuah
populasi:
Ukuran populasi N = 4
Variabel acak, x,
melambangkan umur
anggota populasi
Nilai x: 18, 20, 22, 24
(tahun)
 Menghitung Distribusi Sampel
(lanjuta
n)
Hasil Pengukuran Distribusi Populasi,
jika berdistribusi seragam:

x i

18 20 22 24
21
N 4 Distribusi
P(x) 0.3 Seragam

ix 2 0.25
2,236 0.2
N 0.15
0.1
0.05
0
18 20 22 24 x
 Menghitung Distribusi Sampel
(lanjuta
n)
Sekarang, Jadikan populasi tersebut
menjadi sampel yang berukuran 2 (n =
2)
2nd Observation 2nd Observation
1st 1st
Obs 18 20 22 24 Obs 18 20 22 24

18 18,1 18,2 18,2 18,2 18 18 19 20 21

8 0 2 4 20 19 20 21 22
20 20,1 20,2 20,2 20,2 22 20 21 22 23
8 0 2 4
24 21 22 23 24
22 22,1 22,2 22,2 22,2
16 kemungkinan
8 0 2 4 16 mean sampel
24 sampel
24,1 24,2 24,2 24,2
8 0 2 4
 Menghitung Distribusi Sampel
(lanjuta
n)
Distribusi sampling dari seluruh mean
sampel
16 mean sampel
2nd Observation
P(x)
1st 0.3
Obs 18 20 22 24
0.25
18 18 19 20 21 0.2
20 19 20 21 22
0.15
22 20 21 22 23
0.1
24 21 22 23 24
0.05
x
0
18 19 20 21 22 23 24
 Menghitung Distribusi Sampel
(lanjuta
n)
Hasil pengukuran distribusi sampling:

x
x
i18 19 20 21 22 23 24
21
N 16

x
2

x i x

18 21 2
19 21 24 21
2 2
1,58
16
 Perbandingan Perhitungan
Populasi dan Distribusi Sampling
Populasi Distribusi Sampling
N=4 nilai Rata-rata (mean)
n=2
= 21 = 2,236 x 21 x 1,58
P(x)
P(x) 0.3 0.3
0.25 0.25
0.2
0.2
0.15
0.15
0.1
0.1
0.05
0.05
0 x x
18 20 22 24 0
18 19 20 21 22 23 24
 Jika Populasi Normal ...

Jika Populasi Normal dengan mean

dan standar deviasi , distribusi
x
sampling juga akan terdistribusi
normal dengan:
x x
n
dan
 Nilai Z untuk Distribusi Sampling
Rata-rata Hitung
x
Nilai Z untuk Distribusi Sampling :

z
x

n
dengan:
x = mean sampel
= mean populasi
= standar deviasi populasi
n = ukuran sampel
 Faktor Koreksi
untuk Populasi Terbatas
Populasi Terbatas
Populasi memiliki batas atas
Contoh:
jumlah populasi mahasiswa STiMSI pada tahun
2014 adalah 174.
Chrysler-Jeep Corp. memproduksi 917 unit
mobil di Arkansas tahun lalu.
Ukuran sampel:n 5% N
Pengambilan Sampel tanpa pengembalian
Maka ... z
x
N n
n N 1
 Sifat-sifat Distribusi Sampling

Distribusi
Normal suatu
Populasi

(Mean tidak bias)

Distribusi Sampling
terdistribusi Normal
(dengan nilai Mean
yang sama)
 Sifat-sifat Distribusi Sampling
(lanjuta
n)
Pengambilan Sampling dengan
Pengembalian
 Jika Populasi tidak Normal ...

Gunakan Teorema Limit Tengah

(Central Limit Theorem)
Walaupun populasi tidak normal, mean
sampel tetap akan mendekati normal
dengan syarat ukuran sampe cukup
besar.
Mean dan Standar deviasinya sbb:

x dan x
n
 Teorema Limit Tengah

Distribusi
Semaki
Sampling
n besar
akan
ukuran
semakin
sampel
mendekati
(n)
normal
 Jika Populasi tidak Normal ...
(lanjuta
Sifat Distribusi n)
Distribusi
Sampling Populasi
(Pengambilan
sampel dengan
x
Pengembalian):
Distribusi Sampling
x ( n >>> , semakin
mendekati normal)
n
 Ukuran Sampel

Pada sebagian besar sebaran, ukuran

sampel n > 30 akan menghasilkan
distribusi sampling yang mendekati
normal (nearly normal)
Ukuran sampel n > 15, fairly symmetric
distribution
Untuk populasi yang terdistribusi normal,
distribusi samplingnya selalu terdistribusi
normal.
 Contoh

Misalkan suatu populasi dengan = 8 dan

standar deviasi = 3. Misalkan sampel
diambil secara acak dengan ukuran n = 36.
berapakah peluang mean sampel diantara
7,8 dan 8,2?

Jawab:
n = 36 > 30 gunakan central limit theorem
Distribusi sampling mean mendekati normal
x 8
3 0,5
x
n 36
 Contoh
(lanjuta
n)

7,8 8 x 8,2 8
P (7,8 x 8,2) P
3 3

36 n 36
P (0,4 z 0,4) 0,3108
Teori Pendugaan
 Pendugaan Titik

Pendugaan Titik adalah

suatu nilai (suatu titik) yang digunakan
untuk menduga suatu parameter
populasi
Pendugaan Pendugaan
Parameter Statistik
Populasi Sampel
x
Mean p
Propor p
si
 Pendugaan Titik dan Interval

Pendugaan Interval adalah suatu

interval yang menyatakan selang
dimana suatu parameter populasi
mungkin berada
Dari Interval keyakinan (Confidence
Interval) dapat diketahui keberagaman
(variability) data
 Interval Keyakinan
(Confidence Interval)
Interval pendugaan menggambarkan
sifat populasi lebih baik
dibandingkan nilai pendugaan
Interval Pendugaan ini disebut juga
Interval Keyakinan
Proses Pendugaan

Saya 95%
percaya, nilai
rata-rata ()
antara 40 &
60.
 Bentuk Umum IK

Bentuk umum Interval Keyakinan:

Titik Pendugaan (Critical Value)
(Kesalahan Standar)
Interval Keyakinan untuk Rata-rata
Titik Pendugaan adalah meanxsampel ( )
Kesalahan Standar (Standard Error) adalah
Standar deviasi distribusi sampel dari rata-rata
hitung sampel.
Critical Value (Z/2) adalah nilai Z dari tingkat
kepercayaan
 Tingkat Keyakinan

Tingkat Keyakinan
Keyakinan kita bahwa dalam selang interval itu terdapat
parameter populasi yang diduga.
Bentuknya Persentase (< 100%)
Biasanya tingkat keyakinan 90%, 95% atau 99%
Contoh:
Misalkan Tingkat Keyakinan = 95%
Ditulis (1 ) = 0,95
Interpretasi: Sekitar 95% dari interval yang disusun akan
mengandung parameter yang sama dengan yang diduga.
Semakin besar interval keyakinan, maka akan semakin
yakin bahwa nilai parameter akan sama dengan nilai
dugaannya.
Tingkat Keyakinan
 Interval Keyakinan
untuk Rata-rata Hitung ( diketahui)
Asumsi
Standar deviasi populasi () diketahui
Populasi terdistribusi normal
Jika populasi tidak normal, gunakan
ukuran sampel besar (Teori Limit
Tengah)
Pendugaan Interval Keyakinan

x Z
2
n
 Menentukan Critical Value

1,96
Misalkan Interval Keyakinanz95%:
2

Tabel Z
 Tingkat Keyakinan

Tingkat Keyakinan yang umum

digunakan
Interval dan Tingkat Keyakinan
 Contoh
Sampel 11 sirkuit yang berasal dari
populasi terdistribusi normal,
memiliki mean hambatan 2,20 .
Dari pengujian terdahulu standar
deviasi populasi 0,35 .
Tentukan 95% interval kepercayaan
untuk nilai rata-rata hambatan
populasi. 0,35
x z 2 2,20 1,96 2,20 0,2068
Jawab: n 11
1,9932 2,4068
 Contoh
(lanjuta
n)
Interpretasi:
Jadi, dengan tingkat kepercayaan 95%,
rata-rata hambatan berkisar antara
1,9932 dan 2,4068 .
Interval Keyakinan
(lanjuta
n)
Interval Keyakinan untuk Rata-rata
( tidak diketahui)
(lanjuta
Jika Standar deviasi populasi tidak n)
diketahui, dapat diganti dengan
menggunakan standar deviasi sampel (s)
Dalam hal ini, gunakan tabel distribusi-t
(tabel Students t).
Ingat! Asumsi:
Standar deviasi populasi tidak diketahui
Populasi terdistribusi normal
Jika populasi tidak normal, gunakan sampel besar.
Interval keyakinan:
s
x t 2
n
 Distribusi Students t
Nilai t tergantung derajat bebas (degree of
df n / 1df )
freedom
Menunjuk kepada jumlah informasi/observasi
independen untuk membuat estimasi terhadap
informasi lain.
n >>>, kurva t akan semakin mendekati
kurva z
Tabel Students t

Tabel t
 Contoh

Sampel acak dengan n = 25, mean = 50 dan

standar deviasi 8. Tentukan 95% interval
keyakinan untuk rata-rata.
Jawab:
df = n-1 = 24
t 2;n 1 t0, 025; 24 2,0639
Interval Keyakinan:
s 8
x t 2 50 (2,0639) 46,698 53,302
n 25
 Perkiraan Sampel Besar
( tidak diketahui)
Untuk Sampel Besar (n > 30), digunakan
pendugaan bahwa distribusi data normal.

yang tidak diketahui dapat diduga dari

standar deviasi sampel (s)

Perkiraan Interval Keyakinan untuk yang

bersampel besar (n > 30)
s
x z 2
n
 Menentukan Ukuran Sampel
tidak diketahui, diperkirakan dari ukuran s.
diketahui
2
z
2
2
2
z 2
n 2

e e
e (critical value)(kesalahan standar)
Contoh:
Jika = 45, berapa ukuran sampel yang diperlukan
untuk mencapai 90% tingkat keyakinan antara e =
5? 2
z
2
2 1,645(45)
n 219,19
e 5
Jadi Ukuran sampel, n = 220
Interval Keyakinan
 Interval Keyakinan
untuk Proporsi Populasi (p)
Untuk ukuran sampel besar, distribusi
proporsi sampelnya normal, dengan
standar deviasi:
p(1 p)
p
n

Yang selanjutnya nilai st. dev populasi

akan diperkirakan dengan hasil
perhitungan st.sdev p (1 p )
sampel
p
n
 Interval Keyakinan
untuk Proporsi Populasi (p)
(lanjuta
Batas atas dan bawah interval n)
kepercayaan untuk proporsi populasi
dihitung dengan rumus
p (1 p )
p z 2
n
 Contoh

Sampel acak yang diambil dari 100 orang,

menghasilkan 25 orang adalah kidal.
Tentukan 95% interval keyakinan untuk
proporsi orang-orang kidal tersebut.

Jawab:
25
1. p 0,25
100
p (1 p ) 0,25(0,75)
2. s p 0,0433
n 100
 Contoh
(lanjuta
3. 0,25 1,96(0,0433) n)
0,1651 p 0,3349

4. Interpretasi: Jadi, dengan tingkat

kepercayaan 95%, persentase (proporsi)
jumlah orang kidal dalam populasi
tersebut antara 16,51% dan 33,49%
 Mengubah Ukuran Sampel

n >>> interval keyakinan akan semakin

<<<

Contoh:
Jika ukuran sampel pada contoh sebelumnya
dijadikan dua kali lipat (200 sampel) dan
diketahui dari hasil penelitian bahwa orang
kidal berjumlah 50 orang, maka intervalnya
masih tetap dengan proporsi 0,25, tetapi
panjang interval menjadi lebih kecil.
Jawaban: 0,19 p 0,31
Menetukan Ukuran Sampel
untuk Proporsi Populasi

2
z
2 p(1 p)
n 2
e

p (1 p )
e z 2
n
 Contoh

Berapa perkiraan ukuran sampel dari

proporsi barang cacat, jika e = 3%,
dengan 95% tingkat keyakinan?
(Pilot sampel menghasilkan p = 0,12)
Jawab:
Untuk tingkat keyakinan 95% Z = 1,96
e = 0,03 2
z 2 p (1 p )
(1,96) 2 (0,12)(1 0,12)
n 450,74
p 0,12 e 2
(0,03) 2

Jadi Ukuran sampel, n = 451