Metode sampling
Distribusi sampling
Metode Sampling
Sampel
Non-probability Probability
Simple Stratified
Judgment Convenience Random
Systematic Cluster
Nonprobability Sampling
Simple
Systematic Stratified Cluster
Random
Chap 7-5
Simple Random Sampling
Chap 7-6
Systematic Sampling
Tentukan ukuran sampel: n
Bagi kerangka sampel yg terdiri atas N individu
menjadi n grup dengan k anggota: k=N/n
Pilih satu individu secara acak dari grup 1
Lalu pilih setiap individu ke-k
N = 40 First Group
n=4
k = 10
Chap 7-7
Stratified Sampling
Bagi populasi menjadi dua atau lebih subgrup (disebut strata) dengan
karaketristik tertentu
Lakukan simple random sampling untuk setiap strata secara
proporsional
Kombinasikan sampel yg diperoleh dari setiap strata
Populasi
dibagi
menjadi 4
strata
Chap 7-8
Cluster Sampling
Populasi dibagi menjadi beberapa cluster yg merepresentasikan
populasi
Lakukan simple random sampling untuk cluster yang terbentuk
Populasi dibagi
manjedi16
cluster
Sampel diplih
secara random
Chap 7-9
Distribusi Sampling
Distribusi sampling adalah distribusi dari semua
kemungkinan hasil statistik suatu sampel yang dipilih
dari populasi asal
Sebagai contoh, misalkan dipilih sampel 50 mahasiswa
dari suatu universitas berdasarkan IPK. Jika diperoleh 50
sampel yang berbeda, maka rata-rata IPK masing2
sampel akan berbeda. Yang menjadi pusat perhatian
adalah distribusi rata-rata IPK dari semua kemungkinan
sampel yang ada.
Membangun Distribusi
Sampling
Diasumsikan terdapat populasi…
Ukuran populasi N=4 D
A B C
Variabel random, X=usia
Nilai dari X: 18, 20,
22, 24 (tahun)
Chap 7-11
Membangun Distribusi Sampling
μ
X i P(x)
N .3
18 20 22 24 .2
21
4 .1
σ
(X μ)
i
2
2.236
18
A B
20
C
22
D
24 x
N
Distribusi Uniform
Membangun Distribusi Sampling
Misalkan diambil sampel berukuran 2 atau n=2, sehingga
kemungkinan kombinasi sampel yang mungkin yaitu
16 rata-rata
1st 2nd Observation sampel
Obs
18 20 22 24
18 18,18 18,20 18,22 18,24 1st 2nd Observation
20 20,18 20,20 20,22 20,24 Obs 18 20 22 24
22 22,18 22,20 22,22 22,24 18 18 19 20 21
24 24,18 24,20 24,22 24,24 20 19 20 21 22
16 kemungkinan 22 20 21 22 23
sampel
24 21 22 23 24
Chap 7-13
Membangun Distribusi Sampling
Distribusi sampling dari semua rata-rata sampel
18 19 19 24
μX 21
16
(18 - 21) 2 (19 - 21) 2 (24 - 21) 2
σX 1.58
16
Chap 7-15
Distribusi Populasi vs Distribusi Sampling
Populasi Distribusi rata2 sampel
N=4 n=2
μ 21 σ 2.236 μX 21 σ X 1.58
_
P(X) P(X)
.3 .3
.2 .2
.1 .1
0
18 20 22 24 X
0
18 19 20 21 22 23 24
_
X
A B C D
Chap 7-16
Distribusi Sampling Rata-rata:
Standar Error Rata-rata
Sampel yang berbeda dengan ukuran yg sama akan
menghasilkan rata-rata sampel yg berbeda
Ukuran keragaman/variabilitas rata2 sampel yang ada
disebut Standard Error Rata-rata:
σ
σX
n
Note: standar error rata-rata akan semakin kecil seiring
pertambahan ukuran sampel
Distribusi Sampling Rata-rata:
Jika Populasi Normal
σ
μX μ dan σX
n
Nilai Z Distribusi Sampling Rata-rata
Nilai Z dari distribusi sampling X :
( X μX ) ( X μ)
Z
σX σ
n
Di mana: X = rata-rata sampel
μ = rata-rata populasi
σ = standar deviasi populasi
n = ukuran sampel
Distribusi Sampling Rata-rata:
Jika populasi tidak normal
Terapkan Teori Limit pusat :
Apabila populasi asal tidak normal,
Maka rata-rata sampel akan berdistribusi mendekati
(approximately normal) selama ukuran sampel cukup
besar (as long as the sample size is large enough)
dan σ
μx μ σx
n
Distribusi Sampling Rata-rata:
Jika populasi tidak normal
Distribusi populasi
Karakteristik distribusi:
Ukuran pemusatan
μx μ
μ x
Distribusi sampling
Variasi
σ
σx
(menjadi normal seiring pertambahan n)
Larger
n Smaller
sample size
sample
size
μx x
Berapa nilai ukuran sampel dikatakan
besar/cukup besar?
Solusi:
Bahkan jika populasi tidak berdistribusi normal,
teorema limit pusat dapa digunakan (n ≥ 30)
… sehingga distribusi sampling rata-rata
mendekati normal
… dengan rata-rata μx = 8
…dan standar deviasi σ 3
σx 0.5
n 36
Contoh: Distribusi Sampling Rata-rata
7.8 - 8 X -μ 8.2 - 8
P(7.8 X 8.2) P
3 σ 3
36 n 36
P(-0.4 Z 0.4) 0.6554 - 0.3446 0.3108