KF2033 – Statistic Kejuruteraan Taburan Pensampelan

TABURAN PENSAMPELAN

TAKRIF : Statistik merupakan fungsi bagi pemboleubah rawak di dalam

sampel pemalar yang diketahui

Statistik digunakan untuk membuat pentabiran (anggaran atau

keputusan) mengenai parameter populasi yang tidak diketahui.
Oleh kerana statistik adalah fungsi bagi cerapan pembolehubah
rawak di dalam sampel, statistik itu sendiri merupakan
pembolehubah rawak. Secara praktikalnya, statistik untuk taburan
pensampelan menyediakan model teoritikal bagi histogram
kekerapan relatif bagi nilai-nilai yang mungkin bagi statistik yang
akan kita lihat melalui pensampelan berulang.

Bentuk bagi teoritikal taburan pensampelan untuk statistik akan

bergantung kepada taburan bagi pembolehubah rawak di dalam
sampel yang diperolehi.

1. TABURAN PENSAMPELAN BERKAITAN DENGAN TABURAN

NORMAL

Diketahui bahawa banyak fenomena di dalam dunia sebenar

mempunyai taburan kekerapan relatif yang boleh dimodelkan
secukupnya dengan taburan kebarangkalian normal. Di dalam
pelbagai aplikasi masalah, iainya adalah sesuai untuk
menggandaikan bahawa pembolehubah rawak di dalam sampel
rawak , X1, X2, …, Xn, masing-masing adalah tidak bersandar
secara umumnya, fungsi ketumpatan normal.

Teorem 1: Katakan X1, X2, …, Xn adalah sampel rawak saiz n daripada

taburan normal dengan min µ dan varians σ 2 . Maka

1 n
X = ∑ Xi
n i =1

adalah tertabur secara normal dengan min µ X = µ dan varians

σ2
σ X2 = .
n

1
KF2033 – Statistic Kejuruteraan Taburan Pensampelan

Diingatkan bahawa varians bagi setiap pembolehubah rawak X1,

X2, …, Xn adalah σ 2 dan varians bagi taburan pensampelan adalah
σ 2 . Dalam perbincangan selanjutnya, kita akan mempunyai
n
peristiwa merujuk kepada kedua-dua varians tersebut. Tatatanda
σ 2 akan digantikan untuk varians bagi pembolehubah X1, X2, …,
Xn dan σ X2 akan digunakan untuk menandakan varians taburan
pensampelan bagi pembolehubah rawak X .

Di bawah situasi Teoram 1, X adalah tertabur secara normal

σ2
dengan min µ X = µ dan varians σ = 2
X
. Didapati bahawa
n

X − µX X −µ
Z= =
σX σ
n

mempunyai taburan normal piawai, Z ~ N (0,1)

Contoh 1: Sebuah mesin boleh dinyahcaskan dengan purata µ kg setiap

botol. Mesin tersebut telah diperhatikan bahawa jumlah kandungan
yang boleh diisi oleh mesin adalah tertabur secara normal dengan
σ = 1.0 kg. Sampel bagi n = 9 botol penuh dipilih secara rawak
daripada hasil mesin pada hari yang diberikan (kesemua botol
adalah daripada aturan mesin yang sama) dan kandungan setiap
kg yang diisi diukur. Dapatkan kebarangkalian bahwa min sampel
adalah di antara 0.3 kg daripada min sebenar µ bagi bagi aturan
tersebut.

Penyelesaian 1:

2
KF2033 – Statistic Kejuruteraan Taburan Pensampelan

Contoh 2: Merujuk kepada contoh 1. Berapa banyakkah cerapan patut berada

di dalam sampel min jika kita berkehendakan bahawa X berada di
antara 0.3 kg daripada µ dengan kebarangkalian 0.95?

Penyelesaian 2:

Teorem 2: Katakan X1, X2, …, Xn ditakrifkan sebagai di Teorem 1. Maka

( X − µ ) adalah tak bersandar, pembolehubah rawak normal
Zi = i
σ
piawai, di mana I=1, 2, …, n, dan

⎛X −µ⎞
n n 2

∑
i =1
Zi = ∑⎜ i
i =1 ⎝ σ ⎠
⎟

mempunyai taburan χ 2 dengan n darjah kebebasan.

Bagi mendapatkan nilai χα , maka Kb( χ 2 > χα ) = α

2 2

bagi pembolehubah rawak dengan taburan χ 2 (lihat Rajah 1).

Sebagai contoh, jika pembolehubah rawak χ 2 yang diminati
mempunyai 10 darjah kebebasan (d.k), cari χ 02.90 . Oleh itu, jika X
mempunyai taburan χ 2 dengan 10 d.k., Kb( X > 4.86518) = 0.10 .

3
KF2033 – Statistic Kejuruteraan Taburan Pensampelan

Rajah 1: Taburan χ 2

f (u )

0 u
χα 2

Contoh 3: Jika Z1, Z2, …, Z6 ditandakan sebagai sampel rawak daripada

taburan normal piawai, dapatkan b diberi

⎛ 6 2 ⎞
Kb⎜ ∑ Z i ≤ b ⎟ = 0.95
⎝ i =1 ⎠

Penyelesaian 3:

4
KF2033 – Statistic Kejuruteraan Taburan Pensampelan

Teorem 3: Katakan X1, X2, …, Xn adalah sampel rawak daripada taburan

normal dengan min µ dan varians. σ 2

(n − 1) S 2 1 n
Maka
σ 2
=
σ 2 ∑(X
i =1
i − X )2

mempunyai taburan dengan n-1 darjah kebebasan. X dan S2

adalah pembolehubah rawak tak bersandar.

Contoh 4: Dalam contoh 1, kandungan kg daripada mesin botol adalah

diandaikan mempunyai taburan normal dengan σ 2 = 1 . Katakan,
kita mencadangkan untuk memilih sampel rawak 10 botol dan
menyukat isi kandungan bagi setiap botol. Jika kesepuluh
pemerhatian digunakan untuk mengira S2, ianya adalah berguna
untuk mendapatkan nilai selang yang akan mengandungi S2
dengan kebarangkalian yang tinggi. Dapatkan nilai bagi b1 dan b2
diberi
Kb(b1 ≤ S 2 ≤ b2 ) = 0.90

Penyelesaian 4:

(n − 1)b1 3.325
3.325 = a1 = = 9b1 atau b1 = = 0.369
σ 2
9
dan
(n − 1)b2 16.919
16.919 = a3 = = 9b2 atau b2 = 1.880
σ 2
9

5
KF2033 – Statistic Kejuruteraan Taburan Pensampelan

Takrif 1: Katakan Z adalah pembolehubah rawak normal piawai dan katakan

W adalah tertabur secara χ 2 dengan v darjah kebebasan. Maka,
jika Z dan W adalah tak bersandar,
Z
T =
wv
dikatakan mempunyai taburan t dengan v darjah kebebasan (d.k)

Rajah 2: Perbandingan Normal piawai dan fungsi ketumpatan t

Normal Piawai

Contoh 5: Kekuatan tensil bagi jenis wayar adalah tertabur secara

normal dengan min µ dan varians σ 2 tidak ketahui. Enam
wayar telah dipiliih secara rawak daripada gelungan yang
besar; dan X1 adalah kekuatan tensil bagi setiap bahagian i ,
disukat untuk = 1, 2, …, 6. Min µ dan varians σ 2 pupulasi

boleh dianggarkan daripada X dan S 2 . Oleh kerana

σ X2 = σ 2 n , didapati bahawa σ X2 boleh dianggarkan daripada

S 2 n . Dapatkan kebarangkalian bagi penghampiran bahawa

X adalah di antara 2 S n daripada min µ populasi

sebenar.

6
KF2033 – Statistic Kejuruteraan Taburan Pensampelan

Penyelesaian 5:

⎡ ⎛ σ ⎞ ⎛ σ ⎞⎤ ⎡ ⎛X −µ⎞ ⎤
Kb ⎢− 2⎜ ⎟ ≤ ( X − µ ) ≤ 2⎜ ⎟⎥ = Kb ⎢− 2 ≤ n ⎜⎜ ⎟ ≤ 2⎥
⎟
⎣ ⎝ n⎠ ⎝ n ⎠⎦ ⎢⎣ ⎝ S ⎠ ⎦⎥
= Kb(−2 ≤ Z ≤ 2) = 0.9544

7
KF2033 – Statistic Kejuruteraan Taburan Pensampelan

2. TEOREM HAD MEMUSAT

Jika kita membuat sampel daripada populasi normal, Teorem 1

menerangkan kita bahawa X mempunyai taburan pensampelan
normal. Tetapi apa yang boleh kita katakan mengenai taburan
pensampelan bagi X jika pembolehubah bagi Xi adalah tidak
tertabur secara normal? Kemujurannya ialah X akan mempunyai
taburan pensampelan iaitu penghampiran normal jika saiz sampel
adalah besar. Secara formalnya, pernyataan ini daripada
keputusan ini dipanggil Teorem Had Memusat. Sebelum kita
menyatakan tentang teorem ini, kita akan lihat serba sedikit
penyiasatan secara empirikal yang mengisahkan taburan
pensampelan X .

Komputer telah digunakan untuk mendapatkan sampel rawak

bersaiz n daripada fungsi ketumpatan eksponen dengan min 10,
iaitu berdasarkan populasi dengan ketumpatan

⎧ y
⎛ 1 ⎞ −10
⎪ ⎜ ⎟e , y>0
f ( y) = ⎨ ⎝ 10 ⎠
⎪⎩ 0 , selainya

Graf bagi fungsi ketumpatan adalalah diberikan seperti di Rajah 3.

Min sampel bagi setiap sampel dan kekerapan relatif histogram
bagi nilai min sampel untuk 1000 sampel dikira, setiap saiz adalah
n=5. ditunjukkan dalam Rajah 4.

Perhatian bahawa, Rajah 4 menunjukkan histogram bahawa

“roughly mound-shaped”, tetapi histogram adalah sedikit pencong.

8
KF2033 – Statistic Kejuruteraan Taburan Pensampelan

Rajah 5 adalah graf histogram kekerapan relatif bagi nilai min

sampel untuk sampel dengan setiap saiz n=25. Dalam kes ini,
Rajah 6 menunjukkan “mounded shaded” dan menghampiri
histogram yang simetri, yang boleh dihampirkan dengan fungsi
ketumpatan normal.

Diketahui bahawa E ( X ) = µ X = µ dan V ( X ) = σ X2 = σ 2 n . Untuk

fungsi ketumpatan eksponen yang digunakan di dalam simulasi ini

µ = E ( X i ) = 10 dan σ 2 (10) 2 = 100 . Maka, sebagai contoh, kita lihat
bahawa
σ2 100
E ( X ) = µ X = 10 dan V ( X ) = σ =
2
X
=
n n

Rajah 3: Fungsi Ketumpatan Eksponen

f(y)

0 y

9
KF2033 – Statistic Kejuruteraan Taburan Pensampelan

Rajah 4: Histogram Kekerapan Relatif : min sampel bagi 1000

sampel (n=5) daripada taburan eksponen

Frekuensi relatif

0.20
0.18
0.16
0.14
0.12
0.10
0.08
0.06
0.04
0.02
x
1.0 3.25 5.50 7.75 10.0 12.25 14.5 16.75 19.0 21.5

Rajah 5: Histogram kekerapan relatif ; min sampel bagi 1000

sampel (n=25) daripada taburan eksponen

Frekuensi relatif

0.20
0.18
0.16
0.14
0.12
0.10
0.08
0.06
0.04
0.02

5 6 7 8 9 10 11 12 13 15 16 x

10
KF2033 – Statistic Kejuruteraan Taburan Pensampelan

Bagi setiap nilai n (5 dan 25),kita kira purata bagi 1000 min sampel
yang terhasil. Varians cerapan bagi 1000 min sampel juga
dikirakan bagi setiap n. Keputusan dapat ditunjukkan seperti Jadual
1. Bagi setiap kajian empirikal (n=5 dan n=25), purata cerapan bagi
min sampel dan varians adalah hampir sama dengan nilai secara
teori.

Jadual 1: Pengiraan untuk 1000 min sampel

Purata bagi Varians bagi σ

Saiz µX = µ σ X2 =
1000 Min 1000 Min
Sampel n
Sampel Sampel

n=5 9.86 10 19.63 20

n =25 9.95 10 3.93 4

Teorem 4: Katakan X1, X2, …, Xn, adalah pembolehubah rawak tak bersandar
dan tertabur secaman dengan E ( X i ) = µ dan V ( X i ) = σ 2 < ∞ .

Ditakrif sebagai
⎛X −µ⎞ 1 n
U n n ⎜⎜ ⎟ dimana X = ∑ X i
⎟
⎝ σ ⎠ n i =1

Oleh itu fungsi taburan bagi U n aken menumpu kepada fungsi

taburan normal piawai sebagai n → ∞ .

11
KF2033 – Statistic Kejuruteraan Taburan Pensampelan

Contoh 7: Pencapaian skor ujian bagi keseluruhan sekolah menengah di

dalam negeri mempunyai min 60 dan varians 64. Sampel rawak
n=100 pelajar daripada sebuah sekolah tinggi yang besar
mempunyai skor min 58. Adakah cukup bukti untuk mencadangkan
bahawa sekolah tersebut adalah terendah? (Kirakan
kebarangkalian bahawa min sampel paling tinggi adalah 58 apabila
n=100)

Penyelesaian 7:

12
KF2033 – Statistic Kejuruteraan Taburan Pensampelan

Contoh 8: Masa perkhidmatan untuk pelanggan yang datang melalui kaunter

pembayaran di dalam sebuah kedai runcit adalah pembolehubah
rawak tak bersandar dengan min 1.5 minit dan varains 1.0.
Anggarkan kebarangkalian bahawa 1000 pelanggan yang dapat
dilayan dalam masa kurang daripada 2 jam dari jumlah masa
perkhidmatan.

Penyelesaian 8:

13
KF2033 – Statistic Kejuruteraan Taburan Pensampelan

TABURAN t ditakrifkan sebagai jika X 1 , X 2 ,..., X n bagi sampel rawak yang

tertabur secara normal dengan tidak diketahui kedua-dua min µ dan varians σ 2 ,

X −µ
maka pembolehubah T = ~ tα ,n −1 . Ianya juga boleh ditakrifkan sepertimana
S n
dalam Takrifan 1 diatas.

Jika sekarang, katakanlah tα ,k adalah nilai bagi pembolehubah T dengan k

darjah kebebasan dimana dilingkungi kebarangkalian α . Ini bermakna tα , k

adalah bahagian atas ekor 100 α titik peratus bagi taburan t dengan k darjah
kebebasan. Melalui jadual, nilai t dengan 10 darjah kebebasan yang mempunyai
keluasan 0.05 kekanan adalah t 0.05,10 = 1.812

atau Kb(T10 > t 0.05,10 ) = Kb(T10 > 1.812 ) = 0.05.

α α

t1−α ,k = −tα ,k tα , k

Rajah 6 : TABURAN t

Contoh 9: (a) Dapatkan dua nilai t simetri dimana t 0.01,11 .

(b) Jika X ~ t (4) , dapatkan nilai t supaya

(i) Kb( X < t ) = 0.99
(ii) Kb( X > t ) = 0.05

(iii) Kb( X < t ) = 0.95

14
KF2033 – Statistic Kejuruteraan Taburan Pensampelan

Contoh 10: Jika X ~ t (8) ,

(i) Kb( X < −2.9 )
(ii) Kb( X > 3.36 )
(iii) Kb(− 2.9 < X < 3.36 )

TABURAN Chi-square , χ 2 ditakrifkan sebagai jika X 1 , X 2 ,..., X n bagi sampel

rawak yang tertabur secara normal dengan min µ dan varians σ 2 , dan S 2

adalah sampel varians, maka pembolehubah χ 2 =

(n − 1)S 2 ~ χ α2 ,n −1 . Ianya juga
σ 2

boleh ditakrifkan sepertimana dalam Teorem 2 diatas.

∞
χα , maka Kb( χ > χ α ,k ) = ∫ f (u )du = α
2 2 2
Bagi mendapatkan nilai bagi
χα2 , k

pembolehubah rawak dengan taburan χ 2 (lihat Rajah 1 sebelum ini ). Sebagai

contoh, jika pembolehubah rawak χ 2 yang diminati mempunyai 10 darjah

kebebasan, cari χ 02.05,10 = 18.31 . Oleh itu, jika X mempunyai taburan χ 2

Kb( χ 2 > χ 02.05,10 ) = Kb( χ 2 > 18.31) = 0.05 , manakala bawah 5% pula , χ 02.95,10 = 3.94

f (u )

α = 0.05 α = 0.05

0 u
χ 02.05,10 = 18.31
χ 02.95,10 = 3.94

Rajah 7 : Taburan χ 2

15