11/23/2017

DISTRIBUSI SAMPEL
PERTEMUAN 8 DAN 9

DEFINISI
 Variansi Sampel:
• Distribusi peluang dari suatu statistik disebut distribusi sampel Untuk sampel random X1, X2, ... , Xn berukuran n,
• Simpangan baku distribusi sampel suatu statistik disebut galat variansi sampel didefinisikan oleh statistik
baku/simpangan baku 2
nX 
• Rata-rata Sampel :  i
 X 2   nX 2  X 2    i 1 
 X i  X 
n n n
2
Untuk sampel random X1, X2, ... , Xn berukuran n,  i   i 
rata-rata sampel didefinisikan oleh statistik S 2  i 1   i 1    i 1  n
n
n 1 n 1 n 1
 Xi
X  i 1
n

DISTRIBUSI DAN RATA-RATA DISTRIBUSI SAMPLING (1)

Rata-rata populasi ()

Distribusi frekuensi
populasi • Distribusi sampling dari statistik adalah distribusi
probabilitas semua nilai statistik yang dihitung dari
sampel random berukuran sama (yang diambil
X X X X X X X
X
X
X X
X
X X X
X
X
X
dari populasi tertentu).
• Distribusi sampling X adalah distribusi probabilitas
Titik sampel semua nilai statistik X dari sampel random
berukuran n.
Sample mean (X )

1
 11/23/2017

DISTRIBUSI SAMPLING(2) DISTRIBUSI SAMPLING(3)

Populasi uniform dari integer 1 s/d 8:

X P(X) XP(X) (X-x) (X-x)2 P(X)(X-x)2 Uniform Distribution (1,8) • Ada 8x8 = 64 sampel Setiap sampel memliki rata-rata.
1 0.125 0.125 -3.5 12.25 1.53125 0.2 berbeda berukuran 2 dari Contoh, rata-rata sampel (1,4)
2 0.125 0.250 -2.5 6.25 0.78125 distribusi uniform 1s/d8: adalah 2.5.
3 0.125 0.375 -1.5 2.25 0.28125
4 0.125 0.500 -0.5 0.25 0.03125 Samples of Size 2 from Uniform (1,8) Sample Means from Uniform (1,8), n = 2

P(X)
5 0.125 0.625 0.5 0.25 0.03125 0.1
6 0.125 0.750 1.5 2.25 0.28125 1 2 3 4 5 6 7 8 1 2 3 4 5 6 7 8
7 0.125 0.875 2.5 6.25 0.78125
8 0.125 1.000 3.5 12.25 1.53125 1 1,1 1,2 1,3 1,4 1,5 1,6 1,7 1,8 1 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5
0.0 2 2,1 2,2 2,3 2,4 2,5 2,6 2,7 2,8 2 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0
1.000 4.500 5.25000 1 2 3 4
X
5 6 7 8
3 3,1 3,2 3,3 3,4 3,5 3,6 3,7 3,8 3 2.0 2.5 3.0 3.5 4.0 4.5 5.0 5.5
4 4,1 4,2 4,3 4,4 4,5 4,6 4,7 4,8 4 2.5 3.0 3.5 4.0 4.5 5.0 5.5 6.0
E(X) =  = 4.5 5 5,1 5,2 5,3 5,4 5,5 5,6 5,7 5,8 5 3.0 3.5 4.0 4.5 5.0 5.5 6.0 6.5
V(X) = 2 = 5.25 6 6,1 6,2 6,3 6,4 6,5 6,6 6,7 6,8 6 3.5 4.0 4.5 5.0 5.5 6.0 6.5 7.0
SD(X) =  = 2.2913 7 7,1 7,2 7,3 7,4 7,5 7,6 7,7 7,8 7 4.0 4.5 5.0 5.5 6.0 6.5 7.0 7.5
8 8,1 8,2 8,3 8,4 8,5 8,6 8,7 8,8 8 4.5 5.0 5.5 6.0 6.5 7.0 7.5 8.0

DISTRIBUSI SAMPLING(4) SIFAT DISTRIBUSI SAMPLING

Uniform Distribution (1,8)

Distribusi probabilitas dari rata-rata sampel disebut distribusi sampling rata-rata 0.2

sampel.
Sampling Distribution of the Mean • Bandingkan dist. populasi

P(X)
0.1
X P(X) XP(X) X- X (X- X)2 P(X)(X- X)2

1.0 0.015625 0.015625 -3.5 12.25 0.191406

dan dist. sampling rata-rata:
•
0.10
1.5 0.031250 0.046875 -3.0 9.00 0.281250
2.0 0.046875 0.093750 -2.5 6.25 0.292969 Keduanya memiliki pusat yang 0.0
1 2 3 4 5 6 7 8
P(X)

2.5 0.062500 0.156250 -2.0 4.00 0.250000

3.0 0.078125 0.234375 -1.5 2.25 0.175781 0.05 sama. X

3.5 0.093750 0.328125 -1.0 1.00 0.093750

4.0
4.5
0.109375
0.125000
0.437500
0.562500
-0.5
0.0
0.25
0.00
0.027344
0.000000 0.00
• Distribusi sampling cenderung Sampling Distribution of the Mean

5.0 0.109375 0.546875 0.5 0.25 0.027344

5.5 0.093750 0.515625 1.0 1.00 0.093750
1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0 5.5 6.0 6.5 7.0 7.5 8.0
X
membentuk kurva lonceng, 0.10

6.0 0.078125 0.468750 1.5 2.25 0.175781

simetris dan variansi yang
P(X)
6.5 0.062500 0.406250 2.0 4.00 0.250000
0.05
7.0
7.5
0.046875
0.031250
0.328125
0.234375
2.5
3.0
6.25
9.00
0.292969
0.281250 E ( X )    4.5 lebih kecil.
X
V ( X )   2  2. 625
8.0 0.015625 0.125000 3.5 12.25 0.191406
0.00
X 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0 5.5 6.0 6.5 7.0 7.5 8.0
1.000000 4.500000 2.625000 SD ( X )    1.6202 X
X

TEOREMA LIMIT PUSAT

SAMPLING DARI POPULASI NORMAL
Bila X rataan sampel ukuran acak n 0.25
n=5

Sampling dari populasi normal dengan rata-rata  dan deviasi standar , yang diambil dari populasi dengan 0.20
P(X)

0.15

 rataan  dan variansi  yang

2 0.10
2
akan menghasilkan distribusi sampling normal:
X ~ N (, )
0.05
0.00
n X

berhingga, maka bentuk limit dari

n=20
distribusi Z  X   0.2

Sampling Distribution of the Sample Mean

P(X)

Artinya: n 0.1

•Rata-rata tetap.
Bila n ∞ ialah distribusi normal
0.4
0.0
Sampling Distribution: n =16 X
•Variansi mengecil. 0.3
Sampling Distribution: n =4
baku n(z,0,1) Large n
f(X)

0.2
0.4

0.1
Sampling Distribution: n =2 Seberapa besar ukuran sampel n: 5? 0.3
f(X)

Normal population 0.2

0.0
Normal population 20? or 100? 0.1
0.0
 Hampiran normal untuk X umumnya -

X

cukup baik bila n≥ 30

2
 11/23/2017

TEOREMA LIMIT PUSAT DISTRIBUSI STUDENT’S T

IndoAuto membuat engine dengan rata-rata power 220 hp dan
deviasi standar 15 hp. IndoJeep memeriksa 100 sampel, berapa
probabilitas power kurang dari 217 hp?
Jika deviasi standar populasi, , tidak diketahui, dan digantikan dengan deviasi standar
sampel, s (diasumsikan populasi normal) akan dihasilkan statistik: t  X  
s
n
mengikuti distribusi t dengan (n - 1) degrees of freedom.

 
 217   
X 
P ( X  217)  P  
    • Distribusi t berbentuk bell-shaped dan
 
 n n  simetris. Standard normal
• Nilai ekspektasi t adalah 0. t, df=20
    t, df=10
  
217  220  217  220  • Variansi t lebih besar dari 1, dan
 P Z   P Z  
 15   15  mendekati 1 jika degrees of freedom
   
 100   10  membesar (semakin runcing dan 

mendekati normal).
 P ( Z  2)  0.0228

DEGREES OF FREEDOM (1)

DISTRIBUSI STUDENT’S T
Sebuah sampel berukuran n=4 memiliki data
 Jika z ~ n(0,1) dan v ~  2k independen, bila diamati variabel x1=10 x2=12 x3=16 x4=?

 x  14
Z
random T (standarisasi dengan variansi dari Sedemikian sehingga rata-rata sampel adalah
V /k x
sampel/tidak diketahui), maka t akan berdistribusi : n
Dengan 3 nilai data dan rata-rata, nilai sampel ke-4 dapat ditentukan:
 ( k 21 ) 1
f (t )  t 

k 1
k  ( k2 ) 2
( tk  1) 2

adalah distribusi t-student dengan degree of freedom

sebesar k.  x 12  14  16  x4
x=   14 x4  56  12  14  16
n 4
x 4  56
12  14  16  x  56
4
16

DEGREES OF FREEDOM (2) DEGREES OF FREEDOM (3)

Degrees of freedom adalah jumlah pengukuran (tidak selalu jumlah data mentah)
Jika hanya diketahui dua nilai data dikurangi batasan dalam pengukuran. Sebuah batasan adalah kuantitas yang dihitung
x1=10 x2=12 x3=? x4=? x  14 dari pengukuran.
Dua nilai data yang lain tidak dapat ditentukan secara unik.
Rata-rata sampel adalah sebuah “batasan” dari pengukuran sampel. Setelah menghitung
12  14  x  x4
x
rata-rata, degrees of freedom tersisa adalah (n-1). Variansi sampel dihitung dari sisa (n-1)
3 data yang masih bebas:
x=   14
n 4

12  14  x  x4  56
3  ( x  x ) 2

s 2 

(n  1)
17

3
 11/23/2017

DISTRIBUSI SAMPLING PROPORSI

DEGREES OF FREEDOM (4) p
n=2, p = 0.3
0 .5

0 .4

Seorang manager mendapat alokasi anggaran €150.000 untuk 4 proyek Proporsi sampel is adalah prosentase sukses
0 .3

P(X)
0 .2

investasi. Berapa banyak degrees of freedom yang dimiliki manager dari n percobaan Bernoulli. 0 .1

tersebut?
0 .0
0 1 2

X
p 
n=10,p=0.3

Proporsi sample : 0.3

Rumuskan : x1 + x2 + x3 + x4 = 150,000 n 0.2

Proyek ke 4 dapat ditentukan setelah mendapatkan perkiraan 3 anggaran

P(X)
0.1

proyek lainnya. Misalkan x1=40,000; x2=30,000 ; x3=50,000, maka

Jika ukuran sampel, n, meningkat, distribusi 0.0

x4=150,000-40,000-30,000-50,000=30,000 sampling p mendekati distribusi normal

0 1 2 3
X
4 5 6 7 8 9 10

dengan rata-rata p dan deviasi standar n=15, p = 0.3

Manager tersebut memiliki (n-1)=3 degrees of freedom.

p(1  p)
0.2

P(X)
n 0.1

0.0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 X
0 1 2 3 4 5 6 7 8 9 10 1112 13 1415
15 1515 15 15 1515 15 151515 1515 15 1515 ^p

PROPORSI SAMPEL
DISTRIBUSI CHI-SQUARE

Anggap 25% orang tertarik pada produk air mineral H2O. Sebuah sampel  Diketahui Z1 , Z 2 , , Z k berdistribusi normal dan saling independen
random 100 calon pembeli dipilih. Berapa probabilitas bahwa paling tidak dengan karakteristik E (Zi )  0 dan V (Z i )  1, bila diamati variabel
20% sampel menyatakan ingin membeli H2O. random  2  Z12  Z 22    Z k2 (contoh variansi, sum of square
n  100   atau mean square), maka  2 akan berdistribusi :
p  0.25   1 k
1
p  p .20  p f  2 (u )  u 2 e  u/ 2 u>0
P ( p > 0.20)  P  >  2 k / 2  ( k2 )
 p (1  p ) p (1  p ) 
np  (100)( 0.25)  25  E ( p )    0 otherwise
n n 
  k
1
dimana ( k2 )   x 2 e  x dx , adalah distribusi chi-square dengan
p (1  p ) (.25)(.75)  
  0.001875  V ( p ) .20 .25   .05  0
n 100  P z >   P z > 
 degree of freedom k.
 (.25)(.75)  .0433
 
p (1  p ) 100
 0.001875  0.04330127  SD( p )  P ( z > 1.15)  0.8749
n

DISTRIBUSI F TABEL T

 Jika w dan y adalah variabel random chi-square independen,

masing-masing dengan degree of freedom u dan v. Bila diamati
W/u
variabel random F  (rasio dua buah sum of square atau
Y/v
mean square), maka variabel random f akan mengikuti
distribusi :
u
1
 ( u 2 v )  (u / v ) u / 2  f 2

h( f )  0<f<
 ( u2 )  ( 2v )(u / v ) f  1
( u  v )/ 2

 0 otherwise
adalah distribusi f dengan degree of freedom u (pembilang)
dan v (penyebut).

4
 11/23/2017

SOAL LATIHAN I SOAL LATIHAN II

1. Pemuaian suatu batang baja bila diberi beban tertentu telah
diketahui berdistribusi normal dengan rataan 0,05 cm dan simpangan
baku 0,01 cm. Carilah peluangnya bahwa pemuaian :
a. Lebih dari 0,1 cm
b. Kurang dari 0,04 cm
c. Antara 0,025 dan 0,065 cm
1. Diketahui sampel acak berukuran 24 dari suatu populasi normal,
carilah k sehingga :
a. P(-k<T<k) =0,90
b. P(k<T<2,807) = 0,095
2. Suatu perusahaan menyatakan bahwa baterai yang dipakai dalam
mainan elektroniknya akan tahan rata-rata 30 jam. Untuk
mempertahankan nilai ini, 16 baterai diuji setiap bulan. Bila
diperoleh nilai t berada di antara –t0,025 dan t0,025 maka perusahaan
puas dengan pernyataannya. Kesimpulan apa yang seharusnya
diambil perusahaan dari sampel acak yang mempunyai rataan X BAR
27,5 jam dengan simpangan baku 5 jam? Anggap baterai
berdistribusi normal.