Distribusi Sampling

Zainal Fikri
Definisi
• Statistika :
Cabang matematika yang merupakan metoda sains dalam hal
pengelolaan data
 Collecting, organizing, presenting, and analyzing  penarikan
kesimpulan
• Statistik :
Gambaran ttg data  struktur dan karakteristik
• Sampling
Adalah suatu proses pengambilan elemen (seperti: orang, organisasi,
dll) dari suatu populasi sehingga dengan mempelajari sampel dapat
dihasilkan kesimpulan yang benar tentang kondisi suatu populasi.
Populasi dan Sampel
• Populasi : keseluruhan objek yang menjadi pusat perhatian dalam
statistika
Parameter → besaran yang menggambarkan karakteristik dari populasi
• Sampel : Himpunan bagian dari populasi
Statistik sampel → besaran yang digunakan untuk menggambarkan
karakteristik suatu sampel
Statistik digunakan untuk pendugaan parameter
Metode Sampling
• Teori sampling didasarkan atas adanya pengaruh saling meniadakan
diantara anggota populasi → ‘Random Sampling’
• Random Sampling → pemilihan acak yang menjamin setiap anggota
populasi memiliki peluang yang sama untuk terpilih sebagai sampel

• Simple random Sampling

• Systematic Random Sampling → misal: tiap selang 10 NPM mahasiswa
• Stratified Random Sampling → populasi dibagi dalam kelas, kemudian
sampling acak dilakukan pada tiap-tiap kelas
• Cluster (area) Random Sampling → definisikan ‘clusters’ suatu
individu-individu & ambil sampel dari tiap cluster
Manfaat Sampling
• Estimasisuatuparameter populasi
• Pengujian hypotesa
• Peramalan

Sampling Distribution
Review:
• Parameter Populasi
– Sebuah parameter populasi selalu konstan
– Sebuah populasi hanya memiliki sebuah nilai μ
Sampling Distribution
Review:
• Statistik Sampel
– Merupakan variabel acak (random)
– Setiap statistik sampel memiliki sebuah distribusi peluang
(probability distribution)
– Distribusi peluang dari suatu statistik sampel disebut
‘distribusi sampling’
Distribusi Peluang Populasi
• Merupakan distribusi peluang yang diturunkan dari informasi
seluruh elemen populasi

Contoh 1 :
Ada 5 mahasiswa yang mengambil m.k. Statistika Lanjut dengan
hasil akhir masing2 adalah: 70, 78, 80, 80, 95

Jika tidak dilakukan pengelompokan, maka buatlah distribusi

peluang populasinya !
Distribusi Peluang Populasi
Jawab :
Tabel 1. Distribusi Peluang x
Distribusi Sampling Rata-rata
• Dalam suatu populasi, hanya ada 1 nlai rata-rata populasi μ
• Rata-rata sampel x, nilainya merupakan variabel acak sehingga memiliki
distribusi peluang = distribusi sampling rata-rata, x
• Contoh2:
Dari contoh 1 dengan 5 elemen anggota populasi, buatlah semua
kemungkinan sampel yang dapat terjadi jika masing2 sampel terdiri dari
3 score yang diambil tanpa pemulihan dari populasi tersebut.
Penyelesaian:
Jumlah kombinasi sampel yang terjadi dihitung dengan rumus
kombinasi:  5 5! (Kemungkinan kombinasi

 3
  3!(5  3)!  10 sampel)
 
Distribusi Sampling Rata-rata
Semua Kemungkinan Sampel & Distribusi Peluang Rata-rata
rata-rata dgn ukuran sampel = 3 Sampling
Distribusi Sampling Rata-rata
• Jika dipilih suatu sampel yang berukuran 3 dari populasi yang
berukuran 5, maka akan didapatkan 10 kemungkinan sampel
terpilih. Masing2 akan sampel memiliki Rata-rata Sampel x.
• table 3 menunjukkanpeluang rata-rata sampel x yang terdiri
dari 3 score yang diambil secara acak.
Sampling and Non-Sampling Error
• Sampling Error → perbedaan antara nilai suatu statistik sampel
dengan nilai parameter populasi.
Dalam kasus rata-rata, dimana diasumsikan bahwa sampel
diambil secara acak dan tidak terjadinon-sampling error
Sampling Error = x - μ
• Non-Sampling Error → Error yang terjadi dalam proses
pengumpulan, perekaman, atau tabulasi data.
Sampling and Non-Sampling Error
• Contoh3:
Berdasar populasi 5 score pd Contoh 1, yaitu 70, 78, 80, 80, 95.
• Rata-rata populasi adalah:
μ = (70+78+80+80+95)/5 = 80.60
• Kemudian, anggap diambil sebuah sampel secara acak dari
populasi tersebut, dan diperoleh score 70, 80, dan 95. Maka
diperoleh rata-rata sampel yaitu:
x = (70+80+95)/3 = 81.67
• Sehingga, Sampling Error = x -μ = 81.67 - 80.60 = 1.07
Sampling and Non-Sampling Error
• Kemudian, jika terjadi kesalahan dimana score 80 ditulis 82,
maka sebagai hasil sampel score 70, 82, dan 95. Maka
diperoleh rata-rata sampel yaitu:
x = (70+82+95)/3 = 82.33 Dan, x -μ = 82.33 - 80.60 = 1.73
• Sehingga disini perbedaanMean Sampel dan Mean Populasi
bukan menunjukkan Sampling Error, yang seharusnya = 1.07.
• Dalam kasus ini terjadi Non-Sampling Error, Non-Sampling
Error = 1.73 – 1.07 = 0.66
Mean dan Simpangan Baku x
• Rata-rata dan simpangan baku yang dihitung untuk distribusi
sampling x disebutMean danSimpangan Baku x dan dinotasikan
dengan μx dan σx
• Mean distribusi sampling x sama dengan mean populasinya.

• Simpangan baku σx tidak sama dengan simpangan baku

populasi σ (kecuali jika n=1).
Mean dan Simpangan Baku x
• Contoh 5 :
Rata-rata upah per jam dari 5000 karyawan suatu pabrik
reagen adalah $13.50 dengan simpangan baku $ 2.90. Jika x
adalah rata-rata sebuah sampel yg diambil acak dari 5000
karyawan tersebut, tentukan Mean dan simpangan baku
distribusi sampling untuk suatu sampel yang berukuran :
a. 30 b. 200
Bentuk Distribusi Sampling
• Bentuk distribusi sampling x berkaitan dengan dua kondisi,
yaitu :
1. Populasi dimana sampel diambil memiliki distribusi normal
2. Populasi dimana sampel diambil tidak memiliki distribusi
normal
A. Sampling dari populasi yang terdistribusi normal
• Jika populasi dimana sampel diambil memiliki distribusi normal
dengan mean μ dan simpangan baku σ, maka distribusi
sampling dari mean sampel x akan juga terdistribusi normal,
dengan mean dan simpangan baku:
Bentuk Distribusi Sampling
Bentuk Distribusi Sampling
B. Sampling dari populasi yang tidak terdistribusi normal
• Sering juga populasi dimana sampel diambil tidak terdistribusi
normal. Bentuk distribusi sampling x didasarkan pada teori batas
pusat (Central Limit Theorem).
• Berdasar teori tersebut, untuk suatu sampel yang berukuran
besar (n ≥ 30), distribusi sampling x adalah mendekati normal.
• Sehingga mean dan simpangan baku distribusi sampling x
adalah:
Bentuk Distribusi Sampling
Contoh6:
Rata-rata biaya sewa gedung Laboratorium di sebuah kota A
adalah $950 dengan simpangan baku $225. Kemudian, distribusi
populasi biaya sewa apartement tersebut miring ke kanan.
Hitung mean dan simpangan baku x dan bagaimana bentuk
distribusi samplingnya bila ukuran sampel:
a. 30 b. 100
Bentuk Distribusi Sampling
Penyelesaian:
Meskipun populasi terdistribusi tidak normal, jumlah sampel
adalah besar (n ≥ 30), sehingga berlaku Central Limit Theorem.
A. Anggap x adalah rata-rata sampel dari 30 penyewa. Maka,
distribusi samplingnya adalah mendekati normal dengan
mean dan simpangan baku:
Bentuk Distribusi Sampling
B. Anggap x adalah rata-rata sampel dari 100 penyewa. Maka,
distribusi samplingnya adalah mendekati normal dengan
mean dan simpangan baku:
Aplikasi Distribusi Sampling X
Contoh 7:
Suatu perusahaan memproduksi bohlam spektrofotometer. Bila
umur bohlam pada perusahaan tersebut terdistribusi normal
dengan rata-rata μ adalah 800 jam dan simpangan baku σ sama
dengan 40 jam. Hitunglah peluang bahwa suatu contoh acak
yang terdiri dari 18 bohlam, memiliki umur rata-rata x kurang dari
775 jam !
Aplikasi Distribusi Sampling X
Penyelesaian:
Karena populasi bohlam terdistribusi normal, maka sampel juga
terdistribusi normal meskipun ukuran sampel < 30, sehingga :

Ditanyakan P(x < 775)…?

Untuk menghitungnya, kita menggunakan distribusi normal
baku z, dimana: