DISTRIBUSI SAMPL

ING
 Statistika inferensial pada dasarnya berkenaan dengan penarikan
kesimpulan( generalisasi) pada populasi melalui sampel.
 Karakteristik populasi tercermin dari parameternya yaitu: µ (mean
populasi), σ (standar deviasi populasi), dan σ2 ( variansi populasi)
yang diperkirakan (estimasi) dari statistic sampel yaitu (mean
sampel), (standar deviasi sampel), dan ( variansi sampel).

 Statistik (
Sampel Parameter (µ, σ, σ2)
Populasi

Estimasi
 Populasi : totalitas dari semua objek/ individu yg
memiliki karakteristik tertentu, jelas dan lengkap
yang akan diteliti
 Sampel : bagian dari populasi yang diambil melalui
cara-cara tertentu yg juga memiliki karakteristik
tertentu, jelas dan lengkap yg dianggap bisa mewakili
populasi
 Populasi dapat finite (terbatas) atau infinite.
Populasi terbatas obyeknya dapat dihitung misalnya
produksi komputer setiap bulan, sedangkan populasi
tidak terbatas obyeknya tidak dapat dihitung
misalnya jumlah produksi komputer dari waktu ke
waktu
Metode Pengambilan Sampel (Sampling)
1. Sampling Random
2. Sampling Non Random
Penarikan sampel acak sederhana (simpel
random sampling) dari populasi terbatas
Sebuah sampel acak sederhana berukuran
n dari populasi terbatas berukuran N
adalah sampel yang dipilih sedemikian
rupa sehingga setiap kemungkinan sampel
berukuran n memiliki probabilitas yang
sama untuk dipilih.
TEKNIK PENGAMBILAN SAMPEL

1. Pengambilan sampel dengan

pengembalian (sampling with
replacement)
2. Pengambilan sampel tanpa
pengembalian(sampling without
replacement)
Bila dari suatu populasi yang finite dilakukan
sampling with replacement (pengembalian),
maka populasi tersebut menjadi infinite
DISTRIBUSI SAMPLING
 Parameter adalah karakteristik populasi, misalnya rata-rata
populasi, µ, standar deviasi, σ. Setiap populasi hanya memiliki
satu rata-rata, µ, dan satu standar deviasi, σ, populasi.

 Statistik adalah karakteristik sampel, misalnya rata-rata sampel,,

standar deviasi, . Dari suatu populasi terdapat sejumlah
kemungkinan kombinasi sampel. Karena setiap kombinasi
sampel mempunyai satu nilai statistik, maka untuk suatu populasi
terdapat sejumlah statistk yang merupakan suatu variabel random
yang memiliki distribusi probabilitas.

 Distribusi sampling adalah distribusi probabilitas dengan statistik

sampel sebagai variabel randomnya. Sehinga distribusi sampling
rata-rata adalah distribusi probabilitas dari semua rata-rata
sampel dengan ukuran tertentu yang ditarik dari suatu populasi.
 Misalkan ingin dibuat distribusi sampling rata-
rata sampel dengan ukuran sampel 2 yang
ditarik dari suatu populasi yang memiliki 4
unsur yaitu 3, 4, 6, dan 7. Rata-rata dan standar
deviasi populasinya adalah
 µ= =5
 σ ==2,5
Dari sampling without replacement dengan ukuran sampel 2
dari elemen populasi N=4 dapat diperoleh kombinasi
kemungkinan hasil sampel sebanyak :
=. Keenam kombinasi sampel beserta rata-rata sampelnya
adalah :
 Kombinasi Kemungkinan Hasil Sampel dan Rata-rata Sampel

Nilai Sampel (X) Rata- rata sampel ()

3 4 3,5
3 6 4,5
3 7 5
4 6 5
4 7 5,5

6 7 6,5
jumlah 30
Distribusi Frekuesi Rata-rata sampel :

Rata- rata sampel () Frekuensi (f)

3,5 1
4,5 1
5 2
5,5 1
6,5 1
6
Distribusi sampling rata-rata dengan ukuran sampel n = 2 :

Rata- rata sampel () Probabilitas

3,5 1/6

4,5 1/6

5 2/6

5,5 1/6

6,5 1/6

1
Distribusi Sampling Rata-rata
Pendekatan rata-rata sampel terhadap rata-rata
populasi. Pada contoh soal di atas, keenam
kombinasi sampel memiliki jumlah rata-rata
sampel =30, sehingga rata-rata distribusi
sampling rata-rata
=, ternyata=µ
Standar deviasi distribusi sampling rata-rata, =
ternyata ± σ
Jadi hubungan antara standar deviasi popuasi dengan standar
deviasi rata-rata sampel tidak seperti hubunga antara rata-rata
populasi dengan rata-rata distribusi sampling rata-rata. :
a. Untuk populasi finite
=
Dengan
N: banyaknya unsur populasi
n: banyaknya unsur sampel
= faktor koreksi finite,
untuk populasi infinite atau jika sampling dilakukan
dengan pengembalian, hubungan antara danσ
=
Central Limit Theorem
1. Rata-rata distribusi sampling rata-rata, akan
sama dengan rata-rata populasi, µ.
2. Standard deviasi rata-rata :
a. Untuk populasi infinite, =
b. Untuk populasi finite(hingga), =
3. Distribusi sampling mendekati normal jika
ukuran sampel cukup besar.
Contoh
Dalam sebuah lemari etalase toko emas kemilau terdapat 5 kotak cincin yang
bentuknya sama, yang pada setiap kotaknya berisi cicin dengan berat 2, 3, 5, 6, dan
9 gram. Sebuah sampel random diambil sebanyak 2 buah kotak cicin, dimana
pengambilan kotaknya dilakukan satu per satu tanpa pengembalian. Carilah :
a. Berat rata-rata seluruh cincin dalam kotak tersebut
b. Deviasi standar berat dari rata-rata seluruh cincin dalam kotak tersebut
c. Berat rata-rata dari distribusi sampling berat rata-rata sampel
d. Deviasi standar dari distribusi sampling berat rata-rata sampel
e. Penyelesaian :
Berat rata-rata seluruh cincin dalam kotak ialah :
µ = 2+3+5+6+9 =25 = 5,0 gram
5 5
Deviasi standar berat rata-rata seluruh cincin dalam kotak tersebut adalah :
Terdapat 5C2= 10 kombinasi yaitu:
Nilai sampel Rata2 Variansi
2 3 2,5 (2,5-5)2
c. Berat rata-rata dari distribusi 2 5 3,5 (3,5-5)2
sampling berat rata-rata sampel 2 6 4 (4,0-5)2
adalah: 50/10 = 5 gram,
2 9 5,5 (5,5-5)2
ternyata
3 5 4 (4,0-5)2
d. Deviasi standar dari distribusi 3 6 4,5 (4,5-5)2
sampling berat rata-rata sampel 3 9 6 (6,0-5)2
adalah 5 6 5,5 (5,5-5)2
gram
5 9 7 (7,0-5)2
6 9 7,5 (7,5-5)2
Jumlah 50 22,5
Penggunaan Distribusi Sampling Rata-rata

Jika variabel random rata-rata sampel , mempunyai distribusi normal

dengan rata-rata dan standar deviasi , atau biasa dituliskan dengan XN(, ),
maka variabel random standar Z dirumuskan sebagai:

Z=

Nilai Z berarti berapa besar standar deviasi ( ) suatu rata-rata sampel ( )

menyimpang dari dan berapa probabilitas yang sepadan dengan nilai Z
yang dihitung dengan rumus di atas, dapat dilihat pada Tabel
Contoh:
Suatu perusahaan ingin menduga rata-rata penjualan perbulan berdasar rata-
rata sampel yang dilakukan selama 100 bulan: Misalkan rata-rata penjualan
perbulan yang sebenarnya adalah 5.650 dengan standar deviasi 700. Berapa
bulan dari sampel tersebut akan memiliki rata-rata sampel antara 5.550 dan
5.750 ?
Jawab
n=100, µ=5.650;σ =700
Menrut Central limit theory
1. µ = =5650
2. untuk populasi infinite===70
Jika =5550, maka Z = =-1,43
Jika =5750, maka Z = = 1,43
Sehingga P(5550< <5750)=P(-1.43<Z<1.43)
= 0,4236+0,4236=0,8472
Jadi terdapat 0,8472x100=85 bulan dengan rata-rata
sampel antara 5550 sampai 5750
DISTRIBUSI SAMPLING PROPORSI

Proporsi merupakan perbandingan antara frekuensi suatu data

dengan frekuensi total, dan dapat dinyatakan dalam pecahan di
antara 0 sampai 1, atau persentase dari 0% sampai 100%
Didefinisikan; untuk proporsi populasi ialah :

Sedangkan proporsi sampel ialah

Dimana:
x = frekuensi suatu data
N = frekuensi total
Misalkan terdapat lima calon presiden yang
masing-masing berumur 30, 35, 45, 50 dan 55.
Sementara negara mengeluarkan peraturan bahwa
yang dapat diangkat menjadi presiden harus
berusia sekurang-kurangnya 40 tahun, maka
proporsi populasi yang berumur 40 tahun atau
lebih adalah
P = 3/5 = 0,6.
Kemudian diambil sampel dengan ukuran n = 3
without replacement sehingga diperoleh
kombinasi sampel sebanyak =10, dengan
distribusi sampling proporsi seperti berikut
Kombinasi Kemungkinan Hasil Sampel dan Proporsi Sampel
Kombinasi Sampel Proporsi Sampel (p)
30 33 45 1/3
30 35 50 1/3
30 35 55 1/3
30 45 50 2/3
30 45 55 2/3
30 50 55 2/3
35 45 50 2/3
35 45 55 2/3
35 50 55 2/3
45 50 55 3/3
Jumlah proporsi sampel = 6
Distribusi Frekuensi Proporsi Sampel
Proporsi Sampel (p) Frekuensi (f)
1/3 3
2/3 6
3/3 1
10
 Distribusi Sampling Proporsi
Proporsi Sampel Probablilitas
1/3 0,3
2/3 0,6
1 0,1
1

Distribusi Sampling Proporsi memiliki :

Rata-rata = , ternyata
dan
Standar Deviasi =
Standar deviasi distribusi sampling proporsi dapat dihitung
dengan cara lain, yaitu: untuk contoh diatas :

Jika populasi infinite atau sampling with replacement atau

populasi finite tetapi ukuran sampel kurang dari 5 % ukuran
populasi, maka dihitung dengan rumus:

Proporsi sampling akan memiliki distribusi mendekati normal

jika nP maupun n(1 - P) lebih besar atau sama dengan lima,
dengan variabel random standar Z, dirumuskan:

 Z= =
Proporsi sesungguhnya merupakan variabel random diskrit, karena itu
pendekatan distribusi normal membutuhkan faktor koreksi kontinuitas
yang besarnya 1/2n sehingga variabel random standarnya menjadi
Z=
Contoh:
Telah diketahui bahwa 2% barang kiriman adalah cacat. Berapa
probabilitas bahwa suatu pengiriman sebanyak 400 barang,
a. terdapat 3% atau lebih yang cacat.
b. sebanyak-banyaknya 3% yang cacat.
jawab:
= P = 0,02
=0,007

a. P=3%, maka
Z=

Sehingga P(p > 0,03) = P(Z > 1,25) = 0,5 - 0,3944 = 0,1056
Distribusi Sampling Selisih Dua Rata-rata
Misalkan diketahui dua populasi infinite dengan rata-rata dan
standar deviasi Kemudian dari kedua populasi diambil sampel
dengan ukuran n1 dan n2. Untuk seluruh sampel dengan ukuran
n1 yang diambil dari populasi pertama diperoleh distribusi rata-
rata, dengan rata-rata dan standar deviasi . Begitu juga untuk
seluruh sampel dengan ukuran n2 yang diambil dari populasi ke
dua, diperoleh distribusi sampling rata-rata, dengan rata-rata
standar deviasi, dan standar deviasi .
Distribusi sampling selisih rata-rata memiliki rata-rata
, dan standar deviasi :
=


Untuk sampling without replacement dan n relative besar
dibanding N, diperlukan factor koreksi dalam menghitung
standar deviasi rata-rata sampel.
Jika n1, n2 besar (n1,n2>30), distribusi sampling selisih rata-
rata akan mendekati normal, dengan variable random standar
 Z=
Contoh. Misalkan rata-rata pendapatan keluarga per hari di
daerah kota adalah 10.000 dengan standar deviasi 3000.
sementara rata-rata pendapatan keluarga per hari di daerah
pedesaan adalah 4.000 dengan standar deviasi 500. jika
diambil sampel random keluarga kota sebanyak 50 dan
keluarga di pedesaan sebanyak 200, berapa probabilitas
selisih rata-rata pendapatan keluarga per hari antara kota dan
pedesaan lebih dari 5000?
Jawab.
µ1 = 10000 µ2 = 4000
σ1 = 3000 σ2 = 500
n1 = 50 n 2 = 200
P() > 5000 =?
Z=
P(
Distribusi Sampling Selisih Proporsi
Dengan cara yang serupa di atas dapat diperoleh distribusi
sampling dua proporsi Distribusi sampling selisih proporsi
mempunyai rata-rata:

Standar Deviasi
=
Jika populasi finite dengan n > 0,05N, factor koreksi

Untuk sampling without replacement dan n relative besar

dibanding N, diperlukan factor koreksi dalam menghitung
standar deviasi proporsi
Jika distribusi sampling selisih proporsi ata akan mendekati
normal, dengan variable random standar
Z=
Contoh.
Lima persen barang dalam Gudang timur cacat, sepuluh persen barang dalam
Gudang Barat cacat. Bila diambil sampel random sebanyak 200 barang dari
Gudang timur dan 300 dari Gudang berat, berapa probabilitas beda prosentase
barang yang cacat dalam Gudang barat 2% lebih di banding Gudang timur.
Jawab: Gudang Barat Gudang Timur
n1 = 300 n2 = 200
P2 =0,1 P2 =0,05
Untuk P1- P2 = 0,02, maka :
 Z= =, sehingga
 P(
TERIMA KASIH