Metode Sampling

dan
Teorema Limit Pusat
Nama Kelompok :
1. Ani Filzatul R (191500035)
2. Helma Setya W (191500041)
3. Veronica Rista S (191500043)
4. Nikita Finsca W P (191500165)
5. Nabilah Khoirun N (191500195)
 Tujuan Pembelajaran
1
Menjelaskan 4 metode untuk mengambil 4
sampel suatu populasi Menjelaskan teorema batas pusat dan
menentukan mean dari kesalahan standar dari
distribusi sampling mean sampel
2
Menentukan kesalahan
pengambilan sampel
5
Menerapkan Teorema batas pusat
3 untuk menghitung
Menjelaskan distribusian sampling
dari sampel rata-rata
 Proses memilh item/anggota dari
populasi sehingga kita dapat
mengguna-kan informasi ini untuk
membuat
Samplin
penilaian atau kesimpulan tentang g
populasi

Popula
si Seluruh k
elompok
atau obje individu
Bagian atau subset dari k yang
populasi tersebut Sampel dipertimb
angkan
Alasan Mengambil sampel
01 Menghemat Waktu

02 Menghemat Biaya

03 Menghemat Tenaga

04 Memperoleh Hasil yang Memadai

 Metode Sampling
Systematic Stratified
Simple Random Cluster
Random Random
Sampling Sampling Sampling Sampling

Sampel yang Unsur pertama Menentukan

dipilih sehingga dari sampel yang sebuah sampel
setiap item atau dipilih secara secara berkelom-
Digunakan untuk
anggota dalam acak sedangkan mengambil pok.
populasi memiliki unsur-unsur Pengambilan
sampel dengan
kesempatan selanjutnya sampel dari jenis
berdasarkan
yang sama untuk dipilih secara pada tingkatan ini dilakukan
terpilih menjadi sistematis berdasarkan
tertentu.
sampel menurut suatu dengan kelompo-
pola tertentu. k atau area
tertentu.
 Simple Random Sampling

Metode pengambilan sampel yang paling bayak digunakan adalah pengambilan sampel acak
sederhana. Sampel Acak Sederhana merupakan sampel yang dipilih sehingga setiap item atau
anggota dalam populasi memiliki kesempatan yang sama untuk terpilih menjadi sampel.

CONTOH:
Misalkan populasi yang diminati adalah 750 pemain Baseball Liga Utama dalam daftar nama aktif dari
30 tim pada akhir musim 2017. Presiden serikat pemain ingin membentuk komite yang terdiri dari 10
pemain untuk mempelajari masalah gegar otak. Salah satu cara untuk memastikan bahwa setiap
pemain dalam populasi memiliki kesempatan yang sama untuk terpilih menjadi anggota Komite
Konsultasi adalah dengan menuliskan setiap nama dari 750 pemain pada secarik kertas dan
meletakkan semua potongan kertas tersebut ke dalam sebuah kotak.
Setelah potongan kertas tercampur rata, seleksi pertama dilakukan dengan menggambar secarik
kertas dari kotak yang mengidentifikasi pemain pertama. Sobekan kertas tidak dikembalikan ke kotak.
Proses ini diulang sembilan kali lagi untuk membentuk panitia. (Perhatikan bahwa probabilitas setiap
seleksi meningkat sedikit karena slip tidak diganti. Namun, perbedaannya sangat kecil karena
populasinya 750. Probabilitas setiap seleksi adalah sekitar 0,0013, dibulatkan menjadi empat tempat
desimal.)
Systematic Random Sampling
Unsur pertama dari sampel yang dipilih secara acak sedangkan unsur-unsur selanjutnya dipilih secara sis
tematis menurut suatu pola tertentu.

Contoh Systematic Random Sampling :

Pengambilan sampel acak sederhana digunakan dalam pemilihan hari, waktu, dan titik awal. Tetapi pros
edur sistematis digunakan untuk memilih pelanggan yang sebenarnya. Sebelum menggunakan pengamb
ilan sampel acak sistematis, kita harus mengamati dengan cermat urutan fisik populasi. Jika tatanan fisik
berkaitan dengan karakteristik populasi, maka pengambilan sampel secara acak sistematis tidak boleh di
gunakan karena sampel dapat menjadi bias. Misalnya, jika kita ingin mengaudit faktur di laci file yang dip
esan dalam jumlah dolar yang meningkat, pengambilan sampel acak sistematis tidak akan menjamin sa
mpel acak yang tidak bias. Metode pengambilan sampel lainnya harus digunakan. 
 Stratified Random Sampling (pengambilan sampel acak berstrata)

Digunakan untuk mengambil sampel dengan berdasarkan pada tingkatan tertentu.

Contoh :
Misalnya, mahasiswa dapat dikelompokkan sebagai penuh waktu atau paruh waktu. Sebagai laki-
laki atau perempuan, atau sebagai mahasiswa baru, mahasiswa tingkat dua, junior, atau senior.
Biasanya strata dibentuk berdasarkan atribut atau karakteristik yang dimiliki anggota. Sampel acak
dari setiap strata diambil dalam jumlah yang sebanding dengan ukuran strata jika dibandingkan
dengan populasi. Setelah strata ditentukan, kami menerapkan pengambilan sampel acak sederhana
dalam setiap kelompok atau strata untuk mengumpulkan sampel. 
 Cluster Sampling

Menentukan sebuah sampel secara berkelompok. Pengambilan sampel dari jenis ini dilakukan
berdasarkan dengan kelompok atau area tertentu. Jenis sampling ini sering digunakan untuk
mengurangi biaya pengambilan sampel populasi yang tersebar di wilayah geografis yang luas.
Kesalahan P Sampel digunakan untuk memperkirakan karakt-
eristik populasi. Misalnya, mean sampel digunak-
engambilan an untuk memperkirakan mean populasi. Namun
karena sampel adalah sebagian dari populasi, tid-
Sampel ak mungkin sampel rata-rata akan sama persis
dengan rata-rata populasi.
Demikian pula, kecil kemungkinannya deviasi
standar sampel akan terjadi sama persis dengan
deviasi standar populasi.
Oleh karena itu kita dapat menduga perbedaan
antara statistik sampel dan yang sesuai paramet-
er populasi. Perbedaan ini disebut kesalahan
pengambilan sampel.
CONTOH:
Lihat contoh/ solusi pada halaman 213, dimana kami mempelajari jumlah kamar disewakan di tempat
tidur dan sarapan Foxtrot Inn di Tryon, North Carolina. Populasi adalah jumlah kamar yang disewa masi
ng-masing dari 30 hari pada Juni 2017. Temukan rata-rata populasi. Pilih tiga sampel acak selama 5 hari
Menghitung rata-rata kamar disewa untuk setiap sampel dan membandingkannya dengan populasi ber
arti. Apa kesalahan pengambilan sampel dalam setiap kasus?

SOLUSI
Selama sebulan, total ada 94 rental. Jadi rata-rata jumlah unit disewa per malam adalah 3,13. Ini adala
h populasi berarti. Oleh karena itu kami menunjuk ini dengan huruf Yunani μ.
Sampel acak pertama dari lima malam menghasilkan jumlah kamar berikut disewakan: 4, 7, 4, 3, dan 1.
Rata-rata sampel ini adalah 3,80 kamar, yang kami tetapkan sebagai x1. Bilah di atas x mengingatkan
kita bahwa itu adalah rata-rata sampel, dan subskrip 1 menunjukkan itu adalah rata-rata sampel
pertama.

Kesalahan pengambilan sampel untuk sampel pertama adalah perbedaan antara populasi rata-rata
(3,13) dan rata-rata sampel pertama (3,80). Oleh karena itu, kesalahan pengambilan sampel (x1 − μ) =
3,80 − 3,13 = 0,67. Sampel acak kedua 5 hari dari populasi semua 30 hari pada Juni mengungkapkan
jumlah kamar berikut yang disewa: 3, 3, 2, 3, dan 6. Rata-rata dari lima nilai ini adalah 3,40, ditemukan
oleh
Kesalahan pengambilan sampel adalah (x2 − μ) = 3,4 − 3,13 = 0,27. Dalam sampel acak ketiga,
rata-rata adalah 1,80 dan kesalahan pengambilan sampel adalah −1,33.

Masing-masing perbedaan ini, 0,67, 0,27, dan −1,33, adalah kesalahan pengambilan sampel yang
dibuat dalam memperkirakan rata-rata populasi. Terkadang kesalahan ini adalah nilai positif,
menunjukkan bahwa sampel berarti terlalu berlebihan rata-rata populasi.
lain kali mereka adalah nilai negatif, menunjukkan nilai sampel kurang dari rata-rata populasi.
 SAMPLING DISTRIBUTION OF THE SAMPLE MEAN
(Distribusi Pengambilan Sampel Dari Sarana Sampel )

DISTRIBUSI SAMPLING DARI SARANA SAMPEL Distribusi probabilitas dari semua

kemungkinan rata-rata sampel dari ukuran sampel tertentu.

Contoh/solusi sebelumnya bervariasi dari satu sampel ke berikutnya.

Misalkan Rata-rata sampel pertama 5 hari adalah 3,80 kamar, dan sampel kedua rata-rata adalah
3.40 kamar. Populasi berarti adalah 3,13 kamar. Jika kita mengatur semua sampel yang mungkin 5
hari ke dalam distribusi probabilitas, hasilnya disebut distribusi pengambilan sampel dari rata-
rata sampel.
CONTOH:
Tartus Industries memiliki 7 karyawan produksi (dianggap populasi). Penghasilan per jam
setiap karyawan diberikan dalam Tabel 8–2.
Employee Hourly Earnings Employee Hourly Earnings

Joe $14 Jan $14

Sam 14 Art 16

Sue 16 Ted 18

Bob 16

Pertanyaan:
1. Apa artinya distribusi sampel sampel untuk sampel ukuran 2?
SOLUSI

1. Untuk sampai pada distribusi sampel sampel berarti, kita perlu memilih semua
kemungkinan sampel 2 tanpa penggantian dari populasi, lalu menghitung

rata-rata setiap sampel. Ada 21 sampel yang mungkin, ditemukan dengan menggunakan
mula (5–9) pada halaman 145.

Dimana N = 7 adalah banyaknya item dalam populasi dan n = 2 adalah banyaknya  

item dalam sampel. 
 TEOREMA BATAS PUSAT

TEOREMA BATAS TENGAH Jika semua sampel dengan ukuran tertentu dipilih dari populasi, maka
distribusi pengambilan sampel dari nilai rata-rata adalah sekitar distribusi. Perkiraan ini meningkat
dengan sampel yang lebih besar.

Untuk lebih menggambarkan Theorema Batas Pusat, jika populasi mengikuti distribusi probabilitas
normal, maka untuk ukuran sampel apapun, distribusi pengambilan sampel dari rata-rata sampel
juga akan normal.

Jika distribusi populasi simetris (tetapi tidak normal), Anda akan melihat bentuk normal distribusi
rata-rata sampel muncul dengan sampel sebagai kecil seperti 10. Di sisi lain, jika anda mulai dengan
distribusi yang miring atau memiliki ekor, mungkin memerlukan sampel 30 atau lebih untuk
mengamati fitur normalitas.
 Kesalahan Standar Rata-rata

Di bagian ini, kami juga sampai pada kesimpulan penting lainnya.

1. Rata-rata distribusi sarana sampel akan sama persis dengan populasi berarti jika kita dapat memilih
semua sampel yang mungkin dengan ukuran yang sama dari
Populasi. Yaitu:
μ = μx

Bahkan jika kita tidak memilih semua sampel, kita dapat mengharapkan sampel berarti dekat dengan
rata-rata populasi.

2. Akan ada lebih sedikit dispersi dalam distribusi sampel dalam populasi. Jika simpangan baku
populasi σ, simpangan baku distribusi sarana sampel σ∕√n. Perhatikan bahwa ketika kita
meningkatkan ukuran sampel, kesalahan standar rata-rata berkurang.
 MENGGUNAKAN DISTRIBUSI SAMPLING DARI SARANA SAMPEL

Kita bisa menggunakan sebuah rumus untuk mengubah distribusi normal menjadi distribusi
normal standar. Untuk menghitung nilai Z, kita dapat menggunakan tabel normal standar, rumus
untuk mencari nilai az adalah:

Dalam rumus ini, x adalah nilai variabel acak, μ adalah rata-rata populasi, dan σ adalah
simpangan baku populasi. 
Namun, ketika kami mengambil sampel dari populasi, kami tertarik pada distribusi X,
mean sampel, bukan X, nilai satu observasi. Itu adalah perubahan pertama yang kami
buat dalam rumus (7–5). Yang kedua adalah bahwa kami menggunakan kesalahan
standar dari rata-rata n observasi daripada deviasi standar populasi. Artinya, kami
menggunakan σ ∕√n di penyebutnya, bukan σ. Oleh karena itu, untuk menemukan
kemungkinan mean sampel dalam rentang tertentu, pertama-tama kita menggunakan
rumus berikut untuk menemukan nilai z yang sesuai. Kemudian kami menggunakan
Lampiran B.3 atau perangkat lunak statistik untuk menentukan probabilitas. 
Contoh:
Departemen jaminan kualitas untuk Cola Inc. menyimpan catatan mengenai jumlah cola dalam
botol jumbo-nya. Jumlah sebenarnya dari cola di setiap botol sangat penting, tetapi jumlahnya
bervariasi dari satu botol ke botol berikutnya. Cola Inc. tidak ingin mengisi botol terlalu banyak
karena akan bermasalah dengan kebenaran dalam pelabelan. Sebaliknya, ia tidak dapat meme
nuhi setiap botol karena akan memberikan cola, sehingga mengurangi keuntungannya. Catatan
yang disimpan oleh departemen jaminan kualitas menunjukkan bahwa jumlah cola mengikuti
distribusi probabilitas normal. Jumlah rata-rata per botol adalah 31,2 ons dan deviasi standar p
opulasi adalah 0,4 ons. Pada pukul 8 pagi hari ini teknisi kualitas secara acak memilih 16 botol
dari jalur pengisian. Jumlah rata-rata cola yang terkandung dalam botol adalah 31,38 ons.
Apakah ini hasil yang tidak mungkin? Apakah kemungkinan prosesnya memasukkan terlalu ba
nyak soda ke dalam botol? Dengan kata lain, apakah kesalahan pengambilan sampel 0,18 ons ti
dak biasa?
Solusi:
Kami menggunakan hasil dari bagian sebelumnya untuk menemukan kemungkinan bahwa kami dapat
memilih sampel 16 (n) botol dari populasi normal dengan rata-rata 31,2 (μ) ons. dan deviasi standar po
pulasi 0,4 (σ) ounce dan temukan mean sampel  
menjadi 31,38 (x) atau lebih. Kami menggunakan rumus (8–2) untuk mencari nilai z.
Pembilang persamaan ini, x - μ = 31,38 - 31,20 = 0,18, adalah kesalahan pengambilan sampel.  
Penyebut, σ ∕ √n = 0,4∕√16 = 0,1, adalah kesalahan standar daris ampling  distribusi mean sampel. Jad
i nilai z menyatakan kesalahan pengambilan sampel dalam  satuan standar — dengan kata lain, kesal
ahan standar. Selanjutnya, kami menghitung kemungkinan nilai az lebih besar dari 1,80. Dalam Lam
piran B.3,  cari probabilitas yang sesuai dengan nilai az 1,80. Ini adalah 0,4641. Kemungkinan nilai az
lebih besar dari 1,80 adalah 0,0359, ditemukan oleh 0,5000 - 0,4641. Apa yang kita simpulkan? Kecil
kemungkinannya, kurang dari peluang 4%, kita dapat memilih Sampel yang terdiri dari 16 pengamat
an dari populasi normal dengan rata-rata 31,2 ons dan  deviasi standar populasi 0,4 ons dan menem
ukan rata-rata sampel sama dengan atau  lebih besar dari 31,38 ons. Kami menyimpulkan prosesnya
adalah memasukkan terlalu banyak cola ke dalam  botol. Teknisi kualitas harus menemui pengawas
produksi tentang pengurangan  jumlah soda di setiap botol. Informasi ini diringkas dalam Bagan 8–
7.
Bagan 8–7
 KESIMPULAN

Sampling merupakan Proses memilh item/anggota dari populasi sehingga kita dapat menggunakan
informasi ini untuk membuat penilaian atau kesimpulan tentang populasi.

Populasi merupakan Seluruh kelompok individu atau objek yang dipertimbangkan.

Sampel merupakan bagian atau subset dari populasi tersebut.

Alasan Mengambil sampel Menghemat Waktu Menghemat Biaya Menghemat Tenaga

Memperoleh Hasil yang Memadai.
Sampel dipilih sehingga setiap item atau anggota dalam populasi memiliki kesempatan yang sama
untuk terpilih menjadi sampel.

Systematic Random Sampling merupakan Unsur pertama dari sampel yang dipilih secara acak
sedangkan unsur-unsur selanjutnya dipilih secara sistematis menurut suatu pola tertentu.

Stratified Random Sampling digunakan untuk mengambil sampel dengan berdasarkan pada tingkatan
tertentu.
Cluster Sampling Menentukan sebuah sampel secara berkelompok. Pengambilan sampel dari jenis ini dilakukan b
erdasarkan dengan kelompok atau area tertentu.

Kesalahan Pengambilan Sampel Sampel digunakan untuk memperkirakan karakteristik populasi. Misalnya, mean
sampel digunakan untuk memperkirakan mean populasi. Namun karena sampel adalah sebagian dari populasi, tid
ak mungkin sampel rata-rata akan sama persis dengan rata-rata populasi. Demikian pula, kecil kemungkinannya de
viasi standar sampel akan terjadi sama persis dengan deviasi standar populasi.

Teorema Batas Tengah yakni jika semua sampel dengan ukuran tertentu dipilih dari populasi, distribusi pengambil
an sampel dari nilai rata-rata adalah sekitar distribusi. Perkiraan ini meningkat dengan sampel yang lebih besar.
Untuk lebih menggambarkan Theorema Batas Pusat, jika populasi mengikuti distribusi probabilitas normal, maka
untuk ukuran sampel apa pun, distribusi pengambilan sampel dari rata-rata sampel juga akan normal.
Rata-rata distribusi sarana sampel akan sama persis dengan populasi berarti jika kita dapat memilih semua sampel
yang mungkin dengan ukuran yang sama bahkan jika kita tidak memilih semua sampel, kita dapat mengharapkan s
ampel berarti dekat dengan rata-rata populasi. Akan ada lebih sedikit dispersi dalam distribusi sampel dalam popu
lasi.
Thank You