<\/p>\n
Dalam statistik, kita sering kali ingin menggunakan sampel<\/a> untuk menarik kesimpulan tentang populasi melalui pengujian hipotesis<\/a> atau interval kepercayaan .<\/span><\/p>\n Sebagian besar rumus yang kami gunakan dalam pengujian hipotesis dan interval kepercayaan mengasumsikan bahwa sampel tertentu secara kasar mengikuti distribusi normal .<\/span><\/p>\n Namun, untuk merumuskan hipotesis ini dengan aman, kita perlu memastikan bahwa ukuran sampel kita cukup besar. Secara khusus, kita perlu memastikan bahwa kondisi sampel yang besar<\/strong> terpenuhi.<\/span><\/p>\n Kondisi sampel besar:<\/strong> ukuran sampel minimal 30.<\/span><\/p>\n<\/blockquote>\n Catatan:<\/strong> Di beberapa buku teks, ukuran sampel yang \u201ccukup besar\u201d didefinisikan sebagai minimal 40, namun angka 30 lebih umum digunakan.<\/em><\/span><\/p>\n Jika kondisi ini terpenuhi, dapat diasumsikan bahwa distribusi sampling rata-rata sampel<\/a> mendekati normal. Asumsi ini memungkinkan kita menggunakan sampel untuk menarik kesimpulan tentang populasi tempat sampel diambil.<\/span><\/p>\n Alasan penggunaan angka 30 didasarkan pada teorema limit pusat. Anda dapat membaca lebih lanjut tentang hal ini di posting blog<\/a> ini.<\/span><\/p>\n Misalkan sebuah mesin tertentu membuat kerupuk. Distribusi berat cookies ini condong ke kanan dengan rata-rata 10 ons dan standar deviasi 2 ons. Jika kita mengambil sampel acak sederhana sebanyak 100 kue kering yang diproduksi oleh mesin ini, berapakah probabilitas berat rata-rata kue kering dalam sampel ini kurang dari 9,8 ons?<\/span><\/p>\n Untuk menjawab pertanyaan ini, kita dapat menggunakan kalkulator CDF biasa<\/a> , namun pertama-tama kita perlu memverifikasi bahwa ukuran sampel cukup besar untuk mengasumsikan bahwa distribusi rata-rata pengambilan sampel adalah normal.<\/span><\/p>\n Dalam contoh ini, ukuran sampel kita adalah n = 100<\/strong> , yang jauh lebih besar dari 30. Meskipun faktanya distribusi bobot cookie sebenarnya condong ke kanan, karena ukuran sampel kita “cukup besar”, kita dapat berasumsi bahwa distribusinya rata-rata pengambilan sampel adalah normal. Jadi kita bisa dengan aman menggunakan kalkulator CDF biasa untuk menyelesaikan masalah ini.<\/span><\/p>\n Seringkali, ukuran sampel dianggap “cukup besar” jika lebih besar dari atau sama dengan 30, namun jumlah ini mungkin sedikit berbeda tergantung pada bentuk distribusi populasi.<\/span><\/p>\n Khususnya:<\/span><\/p>\n Bergantung pada bentuk distribusi populasi, Anda mungkin memerlukan ukuran sampel yang lebih besar atau kurang dari 30 agar teorema limit pusat dapat diterapkan.<\/span><\/p>\n Pengantar teorema limit pusat<\/a> Dalam statistik, kita sering kali ingin menggunakan sampel untuk menarik kesimpulan tentang populasi melalui pengujian hipotesis atau interval kepercayaan . Sebagian besar rumus yang kami gunakan dalam pengujian hipotesis dan interval kepercayaan mengasumsikan bahwa sampel tertentu secara kasar mengikuti distribusi normal . Namun, untuk merumuskan hipotesis ini dengan aman, kita perlu memastikan bahwa ukuran sampel […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n\n
Contoh: Memeriksa status sampel besar<\/strong><\/span><\/h3>\n
Perubahan kondisi sampel besar<\/strong><\/span><\/h3>\n
\n
Sumber daya tambahan<\/strong><\/span><\/h3>\n
Pengantar Distribusi Sampling<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"