STATISTIKA

DISTRIBUSI
SAMPLING
KELOMPOK 3
 ANGGOTA KELOMPOK 3

1. Putri Kurnia 6. Mardiyah Nst.

2. Ilham Kurniawan 7. Fiqi Nuriman
3. Fadrian Malvan 8. Laily Lidia Nurul
4. Wafiq Maulana 9. Sindy Ofiani T.
5. M. Nasrullah
 TABLE OF CONTENTS

PENGERTIAN
PENGERTIAN SIFAT
SIFAT DISTRIBUSI
DISTRIBUSI
01 DISTRIBUSI SAMPLING
DISTRIBUSI SAMPLING 02 SAMPLING
SAMPLING

CARAMENENTUKAN
CARA MENENTUKAN
03 Jenis Distribusi
Jenis Distribusi Sampling
Sampling 04 DISTRIBUSI SAMPLING
DISTRIBUSI SAMPLING
 DISTRIBUSI SAMPLING
Statistik sampel hanya memperkirakan parameter populasi, seperti mean
atau deviasi standar. Hal ini karena dalam penelitian dunia nyata hanya sampel
kasus yang dipilih dari populasi, karena keterbatasan waktu dan masalah praktis
peneliti tidak dapat menguji total populasi.
Oleh karena itu, kemungkinan mean sampel akan berbeda dengan mean
populasi (tidak diketahui). Bagaimanapun, seorang peneliti tidak akan pernah
mengetahui jumlah pasti dari kesalahan pengambilan sampel, tetapi dengan
menggunakan distribusi pengambilan sampel mereka dapat memperkirakan
kesalahan pengambilan sampel.
Jumlah observasi dalam suatu populasi, jumlah observasi dalam sampel dan
prosedur yang digunakan untuk menggambar set sampel menentukan variabilitas
distribusi sampling. Simpangan baku dari distribusi sampling disebut kesalahan
standar. Meskipun rata-rata distribusi sampel sama dengan rata-rata populasi,
kesalahan standar bergantung pada deviasi standar populasi dari ukuran berbagai
jenis populasi dan sampel.
Mengetahui seberapa jauh sebaran mean dari setiap set sampel satu sama
lain dan dari mean populasi akan memberikan indikasi seberapa dekat mean sampel
dengan mean populasi. Kesalahan standar dari distribusi pengambilan sampel
menurun dengan bertambahnya ukuran sampel.
 Distribusi sampling adalah serangkaian bentuuk
distribusi probabilitas statistik yang diperoleh dari sejumlah
Pengertian besar sampel yang diambil dari populasi tertentu. Distribusi
sampling dari suatu populasi merupakan distribusi frekuensi
Distribusi dari beragam hasil berbeda yang mungkin terjadi untuk
statistik populasi.
Sampling
Dalam statistik, populasi adalah keseluruhan kumpulan dari
mana sampel statistik diambil. Populasi dapat merujuk pada
seluruh kelompok orang, objek, peristiwa, kunjungan rumah

A
sakit, atau pengukuran. Dengan demikian, populasi dapat
dikatakan sebagai observasi agregat dari subjek yang
dikelompokkan bersama oleh fitur umum.
PENGERTIAN DISTRIBUSI SAMPLING MENURUT PARA AHLI
LANJUTAN 0001
Adapun definisi disribusi sampling menurut para
ahli, antara lain:
1. Sudjana (2001), Distribusi sampling rata-rata dapat
didefinisikan sebagai kumpulan dari bilangan-bilangan
yang masing-masing merupakan rata-rata hitung dari
samplenya.
2. Teorema batas pusat, Arti distribusi sampling yang
menunjukkan mean dari setiap variabel, independen
dan acak, akan normal atau mendekati jika sampel
yang digunakan cukup besar.
B. SIFAT DISTRIBUSI SAMPLING

Pengetahuan tentang sifat distribusi

sampling bisa sangat berguna dalam
membuat kesimpulan tentang
populasi secara keseluruhan. Yaitu:
DISTRIBUSI SAMPLING DAN STATISTIK INFERENSIAL
Distribusi sampel penting untuk statistik inferensial. Dalam
praktiknya, seseorang akan mengumpulkan data sampel dan, dari data
ini, memperkirakan parameter distribusi populasi. Dengan demikian,
pengetahuan tentang distribusi sampling bisa sangat berguna dalam
membuat kesimpulan tentang populasi secara keseluruhan. Misalnya,
mengetahui sejauh mana mean dari sampel yang berbeda berbeda satu

1
sama lain dan dari mean populasi akan memberi kita gambaran
tentang seberapa dekat mean sampel tertentu dengan mean populasi.
Untungnya, informasi ini tersedia langsung dari distribusi
pengambilan sampel. Ukuran paling umum tentang seberapa banyak
mean sampel berbeda satu sama lain adalah deviasi standar distribusi
sampling mean. Deviasi standar ini disebut kesalahan standar mean.

B
 KESALAHAN STANDAR (STANDARD ERROR)

Simpangan baku dari distribusi sampling dari suatu statistik

disebut sebagai kesalahan standar dari kuantitas itu. Untuk kasus di
mana statistik adalah mean sampel, dan sampel tidak berkorelasi,
kesalahan standarnya adalah:

SEx=s√n

2 Dimana, S adalah deviasi standar sampel dan n adalah ukuran

(jumlah item) dalam sampel. Implikasi penting dari rumus ini adalah
bahwa ukuran sampel harus empat kali lipat (dikalikan dengan 4)
untuk mencapai setengah dari kesalahan pengukuran. Saat merancang
studi statistik di mana biaya merupakan faktor, ini mungkin memiliki
peran dalam memahami pengorbanan biaya-manfaat.
B
 LANJUTAN
Jika semua mean sampel sangat dekat dengan mean populasi, maka
standar error mean akan kecil. Di sisi lain, jika mean sampel sangat
bervariasi, maka standar error mean akan menjadi besar. Untuk lebih
spesifiknya, asumsikan rata-rata sampel kita adalah 125 dan kita
memperkirakan bahwa kesalahan standar mean adalah 5.
Jika itu berdistribusi normal, kemungkinan besar mean sampel kita
berada dalam 10 unit mean populasi karena sebagian besar distribusi normal

2
berada dalam dua deviasi standar rata-rata.
Sifat lainnya dari distribusi sampling, yaitu:
a. Bentuk distribusi secara keseluruhan adalah simetris dan mendekati
normal.
b. Tidak ada pencilan atau penyimpangan penting lainnya dari pola
keseluruhan.
c. Pusat distribusi sangat dekat dengan rata-rata populasi sebenarnya.

B
 Jenis Distribusi Sampling
1. Distribusi-T
Distribusi-T adalah distribusi sampling yang
membantu profesional data menentukan ukuran
populasi atau varians populasi. Distribusi-T
menggunakan skor-t untuk mengevaluasi data yang
tidak sesuai untuk distribusi normal. Misalnya, saat
menganalisis sampel yang sangat kecil. Rumus t-
score terlihat seperti ini:
t = [x – μ] / [s / sqrt (n)]
Dalam rumus di atas, “x” adalah mean sampel, “ μ”
adalah mean populasi dan menandakan deviasi
standar.
2. Distribusi Normal
Distribusi normal juga disebut “kurva
lonceng“. Distribusi normal ialah distribusi dengan
fitur seperti kurva berbentuk lonceng yang
simetris dan mean (rata-rata) serta median (nilai
tengah) merupakan angka yang sama dan
diposisikan di tengah kurva.
Jika kita memiliki banyak data dan kita
membuat distribusi pengambilan sampel,
kemungkinan besar model distribusi normal dari
mana kita dapat menyimpulkan nilai statistik,
kecuali model seperti t-scoring diterapkan.
 D. CARA MENENTUKAN DISTRIBUSI SAMPLING

Untuk menentukan apakah sampel kita cukup besar, kita harus mempertimbangkan hal
berikut:

1. Persyaratan Akurasi
Distribusi pengambilan sampel yang paling akurat memiliki pengambilan sampel data rata-
rata yang cukup untuk membuat kurva lonceng. Semakin dekat ke distribusi normal tampilan
visualisasi saat diplot, semakin akurat. Lebih banyak data lebih baik untuk akurasi distribusi
sampling.
2. Bentuk Populasi Awal
Jika populasi awal sangat mirip dengan kurva lonceng distribusi normal, maka pengambilan
sampel yang lebih sedikit akan diperlukan untuk memplot bentuk dalam distribusi pengambilan
sampel.

Para ilmuwan data umumnya menyatakan bahwa antara 30 sampai dengan 50 titik data cukup
untuk membuat distribusi normal yang indah. Namun, jika populasinya tidak normal, misalnya,
miring satu atau lain cara, lebih banyak sampel akan dibutuhkan untuk mendapatkan hasil yang
diinginkan dari distribusi sampling.
 CONTOH DISTRIBUSI SAMPLING
1. Penelitian Kesehatan
Misalnya, seorang peneliti medis yang ingin membandingkan berat rata-rata semua bayi yang lahir di Amerika
Utara dari tahun 1995 hingga 2005 dengan bayi yang lahir di Amerika Selatan dalam periode waktu yang sama tidak
dapat menarik data untuk seluruh populasi dalam jangka waktu yang wajar.
Dia malah hanya akan menggunakan berat, katakanlah, 100 bayi, di setiap benua untuk membuat kesimpulan.
Berat 200 bayi yang digunakan sebagai sampel dan bobot rata-rata yang dihitung adalah mean sampel.
Sekarang anggaplah bahwa alih-alih hanya mengambil satu sampel dari 100 bobot bayi baru lahir dari setiap
benua, peneliti medis mengambil sampel acak berulang dari populasi umum, dan menghitung mean sampel untuk setiap
kelompok sampel.
Jadi, untuk Amerika Utara, dia menarik data untuk 100 anak baru lahir yang tercatat di AS, Kanada dan Meksiko
sebagai berikut: empat 100 sampel dari rumah sakit terpilih di AS, lima 70 sampel dari Kanada dan tiga 150 catatan dari
Meksiko, dengan total dari 1200 bobot bayi baru lahir dikelompokkan dalam 12 set. Ia juga mengumpulkan data sampel
100 bayi berat lahir dari masing-masing 12 negara di Amerika Selatan.
Bobot rata-rata yang dihitung untuk setiap set sampel adalah distribusi sampling dari mean. Tidak hanya mean
yang dapat dihitung dari sampel. Statistik lain, seperti deviasi standar, varians, proporsi, dan kisaran dapat dihitung
dari data sampel.
 CONTOH DISTRIBUSI SAMPLING

2. Penelitian Survei
Misalnya seseorang mengadakan survei tentang skor GRE mahasiswa dan
menghitung bahwa standar deviasi adalah 1. Sangat kecil kemungkinannya dia
akan mendapatkan hasil yang sama jika mengulang survei (Dia mungkin
mendapatkan 1,1, 1,2, atau 0,9).

Oleh karena itu, dia perlu mengulangi jajak pendapat sebanyak mungkin
(yaitu dia menarik semua sampel yang mungkin berukuran n dari populasi). Dia
akan memiliki rentang deviasi standar – satu untuk setiap sampel. Distribusi
probabilitas semua deviasi standar adalah distribusi sampling dari deviasi
standar.
 KESIMPULAN

Dari penjelasan yang dikemukakan, dapatlah dikatakan bahwa dalam

membuat distribusi sampling dalam arti penelitian harus mampu memilih
sampel acak dengan ukuran tertentu (N) dari populasi, menghitung statistik
yang dipilih untuk sampel ini (misalnya mean), memetakan statistik ini pada
distribusi frekuensi, serta ulangi langkah-langkah ini berkali-kali.

Disisi lainnya, penting untuk dicatat bahwa distribusi sampling bersifat

teoritis, dan peneliti tidak memilih jumlah sampel yang tidak terbatas.
Sebaliknya, mereka melakukan pengambilan sampel berulang dari populasi
yang lebih besar, dan menggunakan teorema batas pusat untuk membangun
distribusi sampling.
THANKS
Do you have any questions?
wafiqm341@gmail.com
085384726559

CREDITS: This presentation template was created

by Slidesgo, including icons by Flaticon,
infographics & images by Freepik

Please keep this slide for attribution