DISTRIBUSI
SAMPLING
KELOMPOK 3
ANGGOTA KELOMPOK 3
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
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)
SEx=s√n
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
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