DISTRIBUSI SAMPLING

Distribusi Sampel 1
 Pengertian dan konsep dasar
Kebutuhan akan sampling:
Peneliti sering harus mengkaji suatu
sistem fisik di mana fungsi distribusi dan
karakteristik populasinya tdk diketahui.
Dalam kondisi spt itu mereka hrs
mengandalkan data sampel dlm
membantu memahami sifat2 distribusi tsb.

Distribusi Sampel 2
Teknik sampling berguna untuk:

Mengestimasi parameter populasi (spt mean

populasi, varians populasi) yg tdk diket
berdasarkan pengetahuan dan karakteristik
sampel (mean sampel, varians sampel).
 estimasi
Menentukan apakah perbedaan yang teramati
pd dua sampel adl benar2 signifikan (berarti)
atau karena variasi yg sifatnya kebetulan.
 uji hipotesis

Distribusi Sampel 3
Proses Inferensi secara statistik

Distribusi Sampel 4
Pengertian dan Konsep Dasar lanjutan)

Populasi terhingga memiliki jumlah keseluruhan

anggota tetap dan terdaftar.
Dalam sampling acak (random), setiap anggota
populasi memiliki kesempatan yang setara untuk
dipilih sebagai sampel
Sampling dengan penggantian dapat memilih
masing-masing anggota populasi lebih dari sekali
Distribusi sampling adalah distribusi nilai statistik
sampel

Distribusi Sampel 5
Dengan adanya variasi nilai pengamatan
pada sampel, nilai statistik sampel, spt
mean, standar deviasi, dll jg akan
bervariasi antara sebuah sampel dg
sampel lainnya.
Nilai statistik sampel spt mean x, nilai
standar deviasi s, dll jg mrpk variabel2
acak yg dinotasikan dg X, S, dll.

Distribusi Sampel 6
Utk memahami terminologi dari distribusi
sampling, bayangkanlah seluruh sampel
berukuran 5 yg dpt dibentuk dr suatu
populasi spt gambar pd slide berikut.

Distribusi Sampel 7
Distribusi Sampling

Gambar7.1

Distribusi Sampel 8
Utk msg2 sampel tsb dpt dihitung sebuah
statistik sampel spt mean, standar deviasi,
dll yg nilainya tentu akan berbeda pd msg2
sampel.
Dg cara dmkn bisa diperoleh suatu
distribusi nilai statistik sampel2 tsb.
Distribusi ini disebut distribusi sampling
(sampling distribution).

Distribusi Sampel 9
Contoh:
Suatu populasi tdr dr 5 hsl pengukuran bernilai 2, 3,
6, 8, 11. Jk dr populasi ini hendak digunakan 2 hsl
pengukuran sbg sampel distribusi mean-mean
sampling yg bisa dibentuk jk sampling tanpa
pengembalian dpt ditentukan sbb:
Kemungkinan sampel yg bisa dibentuk:
(2,3) (2,6) (2,8) (2,11) (3,6) (3,8) (3,11) (6,8)
(6,11) (8,11)
Mk mean sampel yg terbentuk adl:
2,5 4,0 5,0 6,5 4,5 5,5 7,0 7,0 8,5 9,5
Distribusi Sampel 10
Shg distribusi mean sampling dr sampel yg
terbentuk adl:

Mean 2,5 4,0 4,5 5,0 5,5 6,5 7,0 8,5 9,5
sampel

Frekuensi 1 1 1 1 1 1 2 1 1

Peluang 1/10 1/10 1/10 1/10 1/10 1/10 2/10 1/10 1/10

Distribusi Sampel 11
A. DISTRIBUSI SAMPEL DARI MEAN
Jika dilakukan perhitungan untuk sampel random
yang berlainan dari suatu populasi yang sama,
maka diperoleh distribusi statistik sampel random
tersebut.
Distribusi mean sampling adalah distribusi mean
aritmetika dari seluruh sampel acak berukuran n
yang mungkin dipilih dari suatu populasi
Distibusi sampel dari mean dimaksudkan sebagai
distribusi probabilitas x, dimana x adalah mean dari
sampel random.

Distribusi Sampel 12
Mean x dari sampel random ukuran n yang
diambil dari populasi normal dengan mean 
dan variansi 2 akan berdistribusi normal pula
dengan:
x =  (lihat slide 10)

x2 = 2/n untuk populasi tak berhingga

Untuk populasi berhingga ukuran N,

 N n
2
x 
2

n N 1

Distribusi Sampel 13
Bila populasi tidak diketahui distribusinya,
berhingga atau tidak disampel, maka
distribusi sampel x masih akan
berdistribusi hampir normal dengan mean
 dan variansi 2/n asal saja ukuran
sampel besar.

Hasil ini merupakan akibat langsung

teorema limit sentral.

Distribusi Sampel 14
Teorema Limit Sentral
Bila x adalah mean sampel random
ukuran n yang diambil dari populasi
normal dengan mean  dan variansi 2
yang berhingga, maka limit distribusi:
x
z
/ n
bila n→ merupakan distribusi normal
baku
Distribusi Sampel 15
Hampiran normal untuk x umumnya cukup
baik jika n≥30 terlepas dari bentuk
populasinya.
Bila n<30 hampirannya hanya akan baik
bila populasinya tidak jauh dari normal.
Bila populasinya diketahui normal, maka
distribusi sampel x akan tepat berdistribusi
normal, dan ukuran sampel tidak jadi soal.

Distribusi Sampel 16
Distribusi Sampel 17
 Dua populasi
Teorema 2:
Bila sampel bebas ukuran n1 dan n2
diambil secara acak dari dua populasi,
diskret maupun kontinu, masing2 dengan
mean 1 dan 2 dan variansi 12 dan 22
maka distribusi sampel dari selisih mean
x1-x2, berdistribusi hampir normal dengan
mean dan variansi:

Distribusi Sampel 18
  x  x  1   2
1 2

 2
2 2
 ( x x )
2
 1

1 2
n1 n2
sehingga:
( x1  x2 )  ( 1   2 )
z
( 1 / n1 )  ( 2 / n2 )
2 2

secara hampiran merupakan peubah

normal baku
Distribusi Sampel 19
B. DISTRIBUSI SAMPEL (n-1)s2/2

Bila sampel acak ukuran n diambil dari populasi

normal dengan mean  dan variansi 2, dan
variansi sampel s2 dihitung, maka diperoleh
statistik s2.

n  1s 2

 2

merupakan variabel random berdistribusi chi-

square dengan derajat kebebasan =n-1

Distribusi Sampel 20
Teorema 3
Bila s2 merupakan variansi sampel acak
ukuran n yang diambil dari populasi
normal dengan variansi 2 maka variabel
random:

 
2 n  1s 2


2

Berdistribusi chi-square dengan =n-1

Distribusi Sampel 21
Peluang suatu sampel acak
menghasilkan 2 lebih besar dari suatu
nilai tertentu sama dengan luas di bawah
kurva di sebelah kanan nilai tersebut.
Nilai tersebut dinyatakan dengan 2
Jadi 2 menyatakan nilai 2 yang di
sebelah kanannya terdapat daerah
seluas .

Distribusi Sampel 22
 Distribusi Chi-square

2 menyatakan nilai 2 yang di sebelah

kanannya terdapat daerah seluas .
Distribusi Sampel 23
Tepat 95% distribusi chi-kuadrat dg derajat kebebasan
() = n-1 terletak antara 0,9752 dan 0,0252.
Kecil kemungkinannya mendpt nilai 2 di sebelah
kanan 0,0252 kecuali bila 2 yg dipakai sgt kcl. Begitu
pula Kecil kemungkinannya mendpt nilai 2 di sebelah
kiri 0,9752 kecuali bila 2 yg dipakai sgt besar.
Dg kata lain, mungkin sj mendpt nilai 2 di sebelah
kanan 0,0252 atau di sblh kiri 0,9752. Tapi jk ini tjd
kemungkinan besar nilai 2 yg dipakai keliru.

2 
n  1s 2

2
Distribusi Sampel 24
C. DISTRIBUSI t
Variansi populasi biasanya tidak diketahui. Untuk
sampel ukuran n≥30, taksiran 2 yang baik dapat
diperoleh dengan menghitung s2.
Untuk sampel ukuran <30, s2 berubah cukup besar
dari sampel ke sampel, sehingga (x-)/(s/n) tidak
lagi berdistribusi normal baku.
Dalam hal ini kita menghadapi distribusi statistik
yang disebut T.
x
T 
s/ n
Distribusi Sampel 25
Distribusi T dan Z berbeda karena variansi T bergantung
pada ukuran sampel n dan variansi ini selalu >1. Hanya
bila ukuran sampel n→ kedua distribusi menjadi sama.

[Link]

Distribusi Sampel 26
Peluang suatu sampel acak menghasilkan nilai t
= (x-)/(s/n) yang terletak antara dua nilai yang
tertentu sama dengan luas di bawah kurva
distribusi t antara kedua absis yang berpadanan
dengan kedua nilai tersebut.
Karena distribusi t setangkup terhadap rataan
nol, maka t1- = -t yaitu nilai t di sebelah
kanannya 1- atau luas sebelah kirinya , sama
dengan minus nilai t yang luas bagian kanannya
.

Distribusi Sampel 27
Untuk =10, t0,025=-2,228, ini berarti untuk n=11,
diambil dari populasi normal terletak antara -2,228
dan 2,228 dengan peluang 0,95  lihat tabel

Sifat setangkup distribusi t

Distribusi Sampel 28
Tepat 95% dari distribusi t dengan derajat
kebebasan n-1 terletak antara –t0,025 dan
t0,025.

Jadi bila didapat nilai t di bawah –t0,025

atau di atas t0,025 maka kita cenderung
percaya bahwa suatu kejadian yang
jarang terjadi telah terjadi atau anggapan
tentang  keliru.

Distribusi Sampel 29
E. DISTRIBUSI F
Nilai statistik F didefinisikan sebagai
u / 1
F 
v / 2
dengan u dan v variabel acak chi-
kuadrat dengan derajat kebebasan 1
dan 2

Distribusi Sampel 30
Distribusi F:

Γυ1  υ 2 /2υ1/υ 2   υ1/2 1

υ1/2
f
h(f) 
Γυ1/2 Γυ 2 /2 1  υ1f/υ2  υ1  υ 2 /2

untuk 0<f<
= 0 untuk f lainnya
Berlaku hubungan:

f1 1 ,2  

1
f 2 ,1 
Distribusi Sampel 31
Teorema 5
Bila s12 dan s22 variansi peubah acak
ukuran n1 dan n2 yang diambil dari 2
populasi normal, masing-masing dengan
variansi 12 dan 22 maka:
s1 /  1
2 2
F 2
s2 /  2
2

Berdistribusi F dengan derajat kebebasan

1=n1-1 dan 2=n2-1
Distribusi Sampel 32
Distribusi Sampel 33