The Central Limit Theorem

Ayundyah Kesumawati
Prodi Statistika FMIPA-UII

March 30, 2015

Ayundya Theorem
 Sifat-Sifat Distribusi Sampel

Sifat-sifat dari distribusi sampel tersebut dikenal

dengan Central Limit Theorem
1. Bentuk distribusi dari rata-rata sampel akan
mendekati distribusi normal meskipun distribusi
populasi tidak normal
2. Rata-rata dari rata-rata sampel sama
dengan rata-rata populasi (µ)
3. Standar deviasi dari rata-rata sampel sama
dengan standar deviasi populasi (σ) dibagi
dengan akar jumlah sampel.
σ
Dikenal dengan istilah Standar Error (SE) = √
n
 Distribusi Probabilitas Individu

Laporan tahunan RS Sayang Ibu menyatakan bahwa

ada sebanyak 500 kelahiran hidup selama setahun
terakhir di RS tersebut.
Rata-rata berat badan bayi adalah 3000 gram dengan
simpangan baku sebesar 500 gram. Distribusi berat
badan bayi mengikuti distribusi normal. Anda wajib
tertarik melihat data tersebut maka hitunglah
probabilitas untuk mendapatkan berat bayi sebagai
berikut:
a.Bayi dengan berat badan saat lahir lebih dari 3500
gram ? b.Bayi dengan berat badan bayi saat lahir
antara 2500 s/d 3500
gram?
c.Bayi dengan berat badan bayi saat lahir 2000 s/d
2500 gram? d.Dinas Kesehatan di mana RS tersebut
berada mengatakan
bahwa ada sebesar 20% kelahiran bayi BBLR
(<2500 gram). Coba hitung apakah data RS
tersebut memberikan prevalensi kejadian BBLR
lebih tinggi atau lebih rendah dari laporan Dinas
Kesehatan tersebut?
 Distribusi Sampel

Sebanyak 500 kelahiran hidup selama setahun

terakhir di Rumah sakit tersebut. Rata-rata berat
badan bayi adalah 300 gram dengan simpangan baku
sebesar 500 gram. Distribusi berat badan bayi
mengikuti distribusi normal.
Anda tertarik melihat data berat badan bayi di RS
tersebut (Contoh 1). Dengan berdasarkan perhitungan
besar sampel, Anda mengambil sampel sebanyak 49
kelahiran hidup dari catatan medis (medical record) di
RS tersebut. Coba hitung berapa probabilitas Anda
akan mendapatkan nilai rata-rata sampel Anda
tersebut sebagai berikut:
a.Kurang dari 2800 gram ?
b.lebih dari 3150 gram?
c.Antara 2900 gram sampai 3100 gram
d.Antara 2999 gram sampai 3001 gram (persis
dama dengan 3000 gram)
if X is the mean of a random sample of size n taken from a
population with mean µ anda finite variance σ2, then
the limiting form of the distribution of
X− µ (1)
Z= σ/√n
as n → ∞ is the standard normal distribution n(z; 0, 1).
Figure:Ilustrasi Teorema Limit
Central
1.An electrical firm manufactures light bulbs that
have a length of life that is aproximately normally
distributed, with mean equal to 800 hours anda a
standart deviation of 40 hours.
Find the probability that a random sample of 16
bulbs will have an average life of less than 775
hours.
Penyelesaian
Distribusi sampling dari X akan didekati dengan
menggunakan
40
distribusi normal, dengan µX = 800 dan σX = √ = 10.
16
P[X < 775] =
ΣX µX 775 − Σ
−√ < 800
P σ/ n
10
= P [Z < −2, 5]
= 0, 0062
1. Suatu perusahaan penerbangan ingin menghitung
probabilitas bahwa rata-rata berat badan para
penumpang dalam salah satu jet akan melebihi
155 pon, apabila semua tempat duduk sebanyak
81 buah penuh (merupakan sampel, jadi n =
81).Suatu pendapat mengatakan bahwa kalau
seluruh penumpang jet diselidiki satu per satu
(sensus), maka akan diperoleh rata-rata
sebenarnya sebesar µ= 150 pon dengan
simpangan baku σ = 21 pon. Berdasarkan
keterangan ini, hitunglah berapa besarnya nilai
probabilitas bahwa rata-rata berat badan para
penumpang jet lebih dari 155 pon
Penyelesaian
untuk X = 155 pon,
X− µ 155 − 150
Z= √ √ = 2, 14
21/ 81
=
σ/ n
Jadi P[X > 155] = P(Z > 2, 14) = 0, 5 − 0, 4838 = 0,
0162.
Maka, besarnya probabilitas bahwa rata-rata berat
badan penumpang melebihi 155 pon adalah
sebesar 0,0162 ≈ 1,6 %
Statistik Induktif adalah pengambilan kesimpulan
mengenai nilai sebenarnya dari parameter (yang
dihitung berdasarkan populasi), yang didadsarkan
atasperhitungan sampel, sehingga kesimpulan
tersebut mengandung unsur ketidakpastian. Artinya
kesimpulan tersebut bisa benar bisa juga salah.
Statistik Induktif meliputi dua hal yaitu :
1 Teori

2
pendugaan
pengujian
hipotesis
 Taksiran (Pendugaan) Tunggal

Suatu penduga tunggal (point estimator) adalah

pendugaan yang terdiri dari satu nilai saja.
contoh:
rata-rata konsumsi susu per bulan tiap keluarga
sebanyak 35 kaleng (X =35 sebagai penduga dari µ),
ataupun persentase nasabah yang tidak puas sebesar
24 % (pˆ=0,25) sebagai penduga
P. X dan pˆ disebut penduga atau estimator µ dan p
yang merupakan parameter.
di bawah ini, akan diberikan beberapa penduga dan
parameter, yaitu:
Penduga X p s r b
ˆ
Paramet µ p σ ρ B
er
Pendgua tunggal merupakan fungsi dari nilai observasi
yang berasal dari sampel dengan n elemen. Apabila
penduga diberi simbol θˆ (=theta topi) dan X1, X2, ...,
Xn merupakan suatu sampel acak, maka ˆθ=f (X1, X2,
..., Xn).
Misalnya, apabila
1
θˆ = X = Σ X
i
n
dan
apabila
1 − X )2
θˆ = S 2 = i
Σ n−
(X 1

maka nilai θ akan berbeda-beda dari sampel yang satu

dengan sampel yang lainnya. Dari suatu populasi
dengan N elemen akan diperoleh sebanyak K sampel.
 Sifat-sifat Penduga

1 θ merupakan penduga tak bias dari θ jika E(θˆ)=θ

2 θˆ merupakan penduga konsisten bagi θ apabila
nilai θˆ cenderung mendekati nilai parameter θ
untuk n yang semakin besar mendekati tak
terhingga
3 θˆ merupakan penduga yang efisien bagi θ
jika penduga θˆ memiliki varians tau standar
deviasi yang lebih kecil dibandingkan dengan
penduga lainnya.
4 θˆ merupakan penduga yang cukup bagi θ
apabila θˆ mencakup seluruh informasi tentang
θ yang terkandung di dalam sampel.
Semangatlah dalam hal yang bermanfaat untukmu,
minta tolonglah pada Allah, dan jangan malas
(patah semangat). (HR. Muslim no. 2664).