Distribusi Sampling

1
 Topik Bahasan
 Rerata distribusi sampling
 Proporsi distribusi sampling
 Sampling dengan populasi terbatas

2
Mengapa menggunakan
Ditrisbusi Sampling?
 Statistik sampel digunakan untuk
mengestimasi parameter populasi
 Contoh:
X  50 Estimasi rerata populasi 
 Masalah: Sampel yang berbeda menghasilkan
estimasi yang berbeda
 Sampel yang besar memberikan estimasi yang
lebih baik; tapi biaya (cost) menjadi lebih mahal
 Seberapa bagus estimasi tersebut?
 Pendekatan penyelesaian: Dasar teoritis
adalah distribusi sampling

3
 Distribusi Sampling
 Distribusi probabilitas teoritis dari
suatu statistik sampel
 Statistik sampel merupakan
variabel random
 rerata sampel, proporsi sampel
 Berasal dari semua kemungkinan
sampel dengan ukuran yang sama

4
 Pengembangan Distribusi
Sampling
 Asumsikan ada suatu populasi …
B C
 Ukuran populasi N=4
 Variable random, X,
adalah masa kerja kary.
 Nilai X: 18, 20,
22, 24 diukur D
dalam tahun A

5
 Pengembangan Distribusi
Sampling (Lanjutan)

Ringkasan Pengukur Distribusi Populasi

N

X i
P(X)
 i 1
.3
N
.2
18  20  22  24
  21
4 .1
N 0
 X 
2
i A B C D X
  i 1
 2.236 (18) (20) (22) (24)
N
Distribusi yang seragam
6
 Pengembangan Distribusi
Sampling lanjutan

Semua kemungkinan sampel berukuran n=2

Obs Observasi kedua
Prt 18 20 22 24
Rerata 16 Sampel
18 18,18 18,20 18,22 18,24
20 20,18 20,20 20,22 20,24 Obs Observasi kedua
Prt 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 sampel diambil 22 20 21 22 23
secara bergantian 24 21 22 23 24
7
 Pengembangan Distribusi
Sampling
(lanjutan)

Iktisar Pengukur Distribusi Sampling

N

X i
18  19  19    24
X  i 1
  21
N 16
N

X  X 
2
i
X  i 1

N
18  21  19  21     24  21
2 2 2

  1.58
16
9
 Perbandingan Distribusi
Populasi dg Samplingnya
Populasi Distribusi rerata sample
N=4 n=2
  21   2.236  X  21  X  1.58
P(X) P(X)
.3 .3

.2 .2
.1 .1
0 0 _
A B C D X 18 19 20 21 22 23 24 X
(18) (20) (22) (24)

10
 Ciri-ciri Ikhtisar Pengukur
 X  
 e.g.: X tidak bias
 Standard error (standard deviation) dari
distribusi sampling  X kurang dari standard
error pada estimator yang tidak bias lain

 Untuk sampling dengan pengantian X 
(replacement): n
 Bila n naik,  X turun

11
 Ketidakbiasan
P(X)
Tidak bias Bias

X X

12
 Kurang Variabilitas
P(X)
Median
Distribusi
Sampling Rerata
Distribusi
Sampling

 X
13
 Effek Pembesaran Sampel
Ukuran
P(X) sampel lebih
besar

Ukuran
sampel lebih
kecil

 X
14
 Bila Populasi Normal
Distribusi Populasi
Central Tendency   10
X  

Variasi   50
 Distribusi Sampling
X 
n n4 n  16
Sampling dg X 5  X  2.5
penggantian
 X  50 X
15
 Bila Populasi Tidak Normal
Distribusi Populasi
Central Tendency   10
X  

Variasi   50
 Distribusi Sampling
X 
n n4 n  30
Sampling dg X 5  X  1.8
penggantian
 X  50 16
X
 Teori Central Limit
Bila Distribusi
ukuran Sampling
sampel menjadi
cukup hampir
besar normal
terlepas dari
bentuk
populasi

X
17
 Berapa Besar Sampel Agar
Bisa Dikatakan Cukup?
 Untuk hampir semua distribusi, n>30
 Untuk distribusi simetris, n>15
 Untuk distribusi normal, rerata distribusi
sampling selalu berdistribusi normal
berapapun ukuran sampel

18
 Apa Yang Sudah Anda
Dipelajari Pada Bab Ini?
 Mendiskusikan distribusi sampling
dan rerata sampel
 Menguraikan distribusi sampling
dari proporsi sampel

19