Upload
khangminh22
View
4
Download
0
Embed Size (px)
Citation preview
Populasi dan Sampel
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
Parameter vs statistik
Parameter : peubah acak yang menjelaskan ciri populasi
Statistik : peubah acak yang menjelaskan ciri sampel
Distribusi Sampling-Statistika 2 10
Ukuran/Ciri Parameter
Populasi
Statistik Sampel
Rata-Rata µ x
Selisih 2 Rata-rata : nilai mutlak : nilai mutlak
Standar Deviasi =
Simpangan Baku
σ S
Varians = Ragam σ ² s²
Proporsi ρ : phi atau p
Selisih 2 proporsi : nilai mutlak : nilai mutlak
Beda antara Statistik Sampel Vs Parameter Populasi
1 2 x x1 2
1 2 p p1 2
p p atau
1 2
Distribusi Sampling merupakan distribusi teoritis (distribusi kemungkinan) dari semua hasil sampel yang mungkin, dengan ukuran sampel yang tetap n, pada statistik (karakteristik sampel) yang digeneralisasikan ke populasi.
Merupakan jembatan, karena melalui distribusi sampling dapat diketahui karakteristik populasi
DISTRIBUSI SAMPLING
Ukuran populasi
Ukuran sampel
cara penarikan sampel
Distribusi sampling suatu statistik bergantung pada :
Penarikan Sampel Acak dapat dilakukan dengan 2 cara, yaitu :
Penarikan sampel tanpa pemulihan/tanpa pengembalian : setelah didata, anggota sampel tidak dikembalikan ke dalam ruang sampel.
Penarikan sampel dengan pemulihan : bila setelah didata, anggota sampel dikembalikan ke dalam ruang sampel.
Berdasarkan Ukurannya, maka sampel dibedakan menjadi
Sampel Besar jika ukuran sampel (n) ≥ 30
Sampel Kecil jika ukuran sampel (n) < 30
Distribusi Penarikan Sampel = Distribusi Sampling
Jumlah Sampel Acak yang dapat ditarik dari suatu populasi adalah sangat banyak.
Nilai setiap Statistik Sampel akan bervariasi/beragam antar sampel.
Suatu statistik dapat dianggap sebagai peubah acak yang besarnya sangat tergantung dari sampel yang kita ambil.
Karena statistik sampel adalah peubah acak maka ia mempunyai distribusi yang kita sebut sebagai : Distribusi peluang statistik sampel = Distribusi Sampling = Distribusi Penarikan Sampel
DISTRIBUSI SAMPLING
Distribusi dari besaran-besaran statistik seperti rata-rata, simpangan baku, proporsi yg mungkin muncul dr sampel-sampel
Jenis-jenis Distribusi Sampling
1. Distribusi Sampling Rata-rata
2. Distribusi Sampling Proporsi
3. Distribusi Sampling yang Lain
DISTRIBUSI SAMPLING BAGI MEAN
Populasi : 0, 1, 2, 3
Keempat obsv. tsb menyusun populasi nilai-nilai sebuah var. Random x yang memiliki dist. Peluang
F(x) = ¼ ; x = 0, 1, 2, 3
= E(x) =
=(0).(1/4) +...+ (3)(1/4) = 3/2
2 = E[ (X) - ]2
=
= 5/4
3
0
)(x
xfx
3
0
22222
4
)2/33()2/32()2/31()2/30()()(
x
xfx
Ambil sampel berukuran 2 (dengan pemulihan )
No Sampel x No Sampel x
1 0,0 0 9 2,0 1.0
2 0,1 0.5 10 2,1 1.5
3 0,2 1.0 11 2,2 2.0
4 0,3 1.5 12 2,3 2.5
5 1,0 0.5 13 3,0 1.5
6 1,1 1.0 14 3,1 2.0
7 1,2 1.5 15 3,2 2.5
8 1,3 2.0 16 3,3 3.0
Distribusi sampling bagi x dgn pemulihan
x f F(x)
0 1 1/16
0.5 2 2/16
1.0 3 3/16
1.5 4 4/16
2.0 3 3/16
2.5 2 2/16
3.0 1 1/16
0
0.05
0.1
0.15
0.2
0.25
0 0.5 1 1.5 2 2.5 3
f(x)
x = E(x) =
= (0).(1/16) + (0.5)(2/16)+ …. + (3)(1/16)
= 3/2
x =
x2 = E[X - ]2 =
=(0-3/2)2(1/16)+(0.5-3/2)2(2/16)+..+(3-3/2)2(1/16)
=5/8
x2 =2/ n
3
0
)(x
xfx
3
0
2 )()(x
xfx
Teorema 1 : populasi tak terhingga
Bila semua kemungkinan random sampel berukuran n dengan pemulihan dari suatu populasi terhingga berukuran N yang mempunyai mean dan simpangan baku , maka untuk n yang cukup besar,
Distribusi sampling bagi mean x akan menghampiri normal dengan mean x= dan simpangan baku x
=/n . Sehingga :
Merupakan suatu nilai bagi variabel random normal baku
z.
n
xz
/
Misalkan sampel berukuran 2 diambil tanpa pemulihan
No Sample x No. Sampel x
1 0,1 0.5 7 1,0 0.5
2 0,2 1.0 8 2,0 1.0
3 0,3 1.5 9 3,0 1.5
4 1,2 1.5 10 2,1 1.5
5 1,3 2.0 11 3,1 2.0
6 2,3 2.5 12 3,2 2.5
Distribusi sampling bagi x tanpa pemulihan
x f F(x)
0.5 2 1/6
1.0 2 1/6
1.5 4 1/3
2.0 2 1/6
2.5 2 1/6
x = E(x) =
= (0.5).(1/6) + .+ (2.5)(1/6) = 3/2
x =
2x = E[ (X) - ]2
=(0.5-3/2)2(1/6) +..+ (2.5 - 3/2)2(1/6) = 5/12
2x
x
xfx )(
14
24
2
4/5
1
2
N
nN
n
Teorema- 2 : populasi terhingga
Bila semua kemungkinan sampel random berukuran n diambil tanpa pemulihan dari suatu populasi terhingga berukuran N yang mempunyai mean dan simpangan baku maka distribusi sampling bagi x akan menghampiri normal dengan mean dan simpangan baku :
x =
2x
1
2
N
nN
n
Distribusi Sampling-Statistika 2 26
disebut sebagai FAKTOR KOREKSI populasi terhingga.
Faktor Koreksi (FK) akan menjadi penting jika sampel berukuran n diambil dari populasi berukuran N yang terhingga/ terbatas besarnya.
Jika sampel berukuran n diambil dari populasi berukuran N yang sangat besar maka FK akan mendekati 1 hal ini mengantar kita pada dalil ke-3 yaitu Dalil limit pusat.
N n
N
1
Dalil Limit Pusat berlaku untuk :
- penarikan sampel dari populasi yang sangat besar,
- distribusi populasi tidak dipersoalkan
Beberapa buku mencatat hal berikut : Populasi dianggap BESAR jika ukuran sampel KURANG DARI 5 % ukuran populasi atau n
N 5%
Teorema 3. DALIL LIMIT PUSAT
Bila sampel random berukuran n ditarik dari suatu populasi yang besar atau tak hingga dengan mean dan ragam 2 maka mean sampel x akan menyebar menghampiri distribusi normal dengan mean x = dan simpangan baku 2
x =2/n . Sehingga :
n
xz
/
DISTRIBUSI SAMPLING BAGI BEDA DUA MEAN
Populasi 1 : 3, 5, 7
Populasi 2 : 0,3
1 = 2 = 53
753
3
8
3
)57()55()53( 2222
1
4
9
2
)2/33()2/30( 222
2
2
3
2
30
Sampel diambil dari populasi 1 n1 =2Sampel diambil dari populasi 2 n2 =3
Dari Populasi 1 Dari Populasi 2
No. Sampel X1 No. Sampel X2
1 3,3 3 1 0,0,0 0
2 3,5 4 2 0,0,3 1
3 3,7 5 3 0,3,0 1
4 5,3 4 4 3,0,0 1
5 5,5 5 5 0,3,3 2
6 5,7 6 6 3,0,3 2
7 7,3 5 7 3,3,0, 2
8 7,5 6 8 3,3,3 3
9 7,7 7
x1–x2 = x1 - x2 = 1 - 2
2x1- x2 = 2
x1 + 2x2 = 1
2/n + 22/n
Selisih Dua Nilai mean
X1 X2
3 4 5 4 5 6 5 6 7
0 3 4 5 4 5 6 5 6 7
1 2 3 4 3 4 5 4 5 6
1 2 3 4 3 4 5 4 5 6
1 2 3 4 3 4 5 4 5 6
2 1 2 3 2 3 4 3 4 5
2 1 2 3 2 3 4 3 4 5
2 1 2 3 2 3 4 3 4 5
3 0 1 2 1 2 3 2 3 4
Distribusi sampling bagi x1-x2 dengan pemulihan
x1-x2 f F(x1-x2)
0 1 1/72
1 5 5/72
2 12 12/72
3 18 18/72
4 18 18/72
5 12 12/72
6 5 5/72
7 1 1/72
x1 – x2 = (x1-x2) f(x1-x2) = (1).(1/72)+……+ (7)(1/72) = 3.5
2x1- x2 = [(x1-x2)- 3.5]2 f(x) hitung !!!
x1 – x2 = x1 - x2 = 1 - 2 = 5 – 3/2 = 3.5
2x1- x2 =2
x1+2x2=2
2/n1+12/n2= 8/3 + 9/4 = 25/12
2 3
Teorema 5
Bila sampel independen berukuran n1 dan n2 diambil
dari dua populasi yang besar atau tak hingga, masing-
masing dengan mean 1 dan 2 dan ragam 12 dan
22, maka kedua mean sampel x1-x2 akan menyebar
menghampiri distribusi normal dengan mean dan
simpangan baku :
x1 – x2 = 1 - 2 dan 2x1- x2 =
Dengan demikian : 2
2
2
1
2
1
nn
)/()/(
)()21(
2
2
21
2
1
21
nn
xxz
Contoh 4 :
Sebuah sampel berukuran n1 = 5 diambil secara random dari sebuah populasi yang menyebar normal dengan mean 1 = 50 dan ragam 1
2 = 9 dan diperoleh mean sampel x1. Sebuah sampel random yang kedua yang berukuran n2 = 4 diambil independen dari sampel pertama, dari populasi lain yang juga menyebar normal tetapi dengan mean 2 = 40 dan ragam 2
2
= 4 dan diperoleh mean sampelnya x2. Berapa P(x1-x2 < 8.2) ?
Jawab :
x1 – x2 = 1 - 2 = 50 – 40 = 10
2x1- x2 = 2
2/n + 12/n =9/5 + 4/4 = 2.8
x1 –x2 = 8.2
P(x1-x2 < 8.2) = P(z<-1.08) = 0.1401
08.1)8.2(
)102.8(
z
Distribusi Sampling-Statistika 2 37
Dalam pengerjaan soal DISTRIBUSI SAMPLING RATA-RATA perhatikan asumsi-asumsi dalam soal sehingga anda dapat dengan mudah dan tepat menggunakan dalil-dalil tersebut!
Contoh 1:
PT AKUA sebuah perusahaan air mineral rata-rata setiap hari memproduksi 100 juta gelas air mineral. Perusahaan ini menyatakan bahwa rata-rata isi segelas AKUA adalah 250 ml dengan standar deviasi = 15 ml. Rata-rata populasi dianggap menyebar normal.
1. Jika setiap hari diambil 100 gelas AKUA sebagai sampel acak DENGAN
PEMULIHAN, hitunglah :
a. standard error atau galat baku sampel tersebut?
b. peluang rata-rata sampel akan berisi kurang dari 253 ml?
2. Jika sampel diperkecil menjadi 25 gelas, hitunglah :
a. standard error atau galat baku sampel tersebut?
b. peluang rata-rata sampel akan berisi lebih dari 255 ml?
Distribusi Sampling-Statistika 2 38
JAWAB :
SOAL 1
Diselesaikan dengan DALIL 1 karena PEMULIHAN
Diselesaikan dengan DALIL 3 karena POPULASI SANGAT BESAR
Diketahui:
N = 100 000 000 = 250 = 15 n = 100
P( < 253) = P(z < ?)
GALAT BAKU =
Jadi P( < 253) = P(z < 2.0) = 0.5 + 0.4772 = 0.9772
xn
15
100
15
1015.
z
253 250
15
3
152 0
. ..
Distribusi Sampling-Statistika 2 39
Soal 2
Diselesaikan dengan DALIL 3 karena POPULASI SANGAT BESAR
Diketahui:
N = 100 000 000 = 250 = 15 n = 25
P( > 255) = P(z > ?)
GALAT BAKU =
Jadi P( > 255 ) = P(z > 1.67) = 0.5 - 0.4525 = 0.0475
xn
15
25
15
530.
z
255 250
30
5
30167
. ..
Teorema-4.(Bila ukuran sampel kecil (n < 30)
Bila x dan s2 masing-masing adalah mean dan ragam suatu sampel random berukuran n yang diambil dari suatu populasi normal dengan mean dan ragam 2maka
merupakan sebuah nilai variabel random X yang mempunyai distribusi T dengan v = n – 1 derajat bebas.
ns
xt
/
Sampel Kecil: Student’s t Distribution
Pada banyak kasus sering dijumpai tidak tersedia informasi
tentang variansi populasi, sehingga dipergunakan variansi yg
berasal dari sampel sebagai pengganti S. Bilamana sampel
berukuran besar (n≥30) maka penggantian σ dengan S cukup
baik dan kita bisa mempergunakan variabel normal Z spt biasa
dalam perhitungan:
Jikalau sampel kecil (n<30) maka S2 akan berfluktuasi cukup
besar dari sampel ke sampel sehingga perlu statistik yg lebih baik.
Jika sampel kecil akan tetapi berasal dari distribusi normal, maka
statistik T berikut ini:
nS
XZ
/
nS
XT
/
Sampel Kecil: Student’s t Distribution
Variabel T tsb akan mengikuti distribusi probabilitas yg disebut
Distribusi Student T (Student adalah nama samaran dari penemu
distribusi ini yg bernama Gosset), dengan derajat kebebasan v=n-
1. Distribusi ini bentuknya serupa sekali dengan distribusi normal:
rata-rata=0 dan bentuknya simetrik. Akan tetapi untuk sampel
kecil maka ekor distribusinya lebih tinggi dibandingkan distribusi
normal, jadi bentuknya ditentukan oleh derajat kebebasan.
t0
ν=∞
ν=2
Tabel Student’s t Distribution
Tabel distribusi student diberikan untuk nilai kritis t yg terkait
dengan luas ekor kanan dari distribusi t, untuk berbagai nilai
derajat kebebasan yg berbeda.
Distribusi Sampling Variansi S2
Bilamana ingin dipelajari variasi dari data maka fokus studi adalah pada distribusi variansi sampel S2 untuk mendapatkan kesimpulan tentang variansi populasi σ2.
Sampel random berukuran n diambil dari populasi normal dengan rata-rata μ dan variansi σ2. Diperolah bahwa variansi sampel S2. Maka statistik :
Akan memiliki distribusi chi-squared dengan derajat kebebasan ν=n-1.
n
k
k XXSn
12
2
2
22 )()1(
Distribusi Chi-Squared
Ditabelkan nilai variabel χ2 yang terkait dengan luas (α)
ekor kanan dari distribusi chi-squared untuk berbagai derajat kebebasan.
2
22 )1(
Sn
χ2χα2
α
Tabel Distribusi Chi-Squared
Tabel nilai kritikal χ2α yang terkait dengan luas (α) ekor
kanan dari distribusi chi-squared untuk berbagai derajat kebebasan (v)
Distribusi F
Salah satu perbandingan yg dilakukan dalam statistik adalah
perbandingan variabilitas atau variansi dari dua buah sampel.
Statistik yg dipergunakan dalam membandingkan variansi 2 buah
sampel dinamakan distribusi F.
Jika S12 dan S2
2 adalah variansi dari 2 buah sampel random yg tak
saling bergantung (independen) dengan ukuran n1 dan n2 yg
diambil dari populasi normal dengan variansi σ12 dan σ2
2, maka
statistik F:
Mengikuti distribusi F dengan derajat kebebasan v1=n1-1 dan v2=n2-1.
Distribusi F bersifat asimetrik . bentuknya bergantung pada derajat
kebebasannya
2
2
2
2
2
1
2
1
/
/
S
SF
Perbandingan Variansi: Distribution F
f0
ν=(10,30)
ν=(6,10)
fα0
α
Jika fα (v1,v2) menyatakan nilai kritis f dengan luas ekor kanan α untuk
derajat kekebasan v1,v2, maka: (perhatikan urutan v1 dan v2)
),(
1),(
21
121
f
f