PERTEMUAN 1

KLASIFIKASI STATISTIKA DAN

DISTRIBUSI SAMPLING
Mata Kuliah : Metode Statistika II [Teori]
Politeknik Statistika STIS
2 KLASIFIKASI STATISTIKA
 Kita sekarang hidup di era yang didominasi oleh informasi.
 Kita terus-menerus “dibombardir” dengan statistik dan
informasi statistik. Sebagai contoh:
Survei Pelanggan , Berita Medis
Polling Politik , Prediksi Ekonomi
Informasi Pemasaran , Data Scanner
 Pikirkan seberapa sering Anda menggunakan data dalam
kehidupan sehari-hari.
 Tidak ada cara untuk menghindari penggunaan data.
Apakah Statistika itu?!
TIM DOSEN MS II [TEORI]
3 KLASIFIKASI STATISTIKA
“Statistika adalah cara untuk mendapatkan informasi dari data”

Statistika

Data Informasi
Data: Fakta, khususnya Informasi:
fakta numerik, Pengetahuan yang
dikumpulkan bersama- dikomunikasikan
sama untuk referensi berkaitan dengan
atau informasi. beberapa fakta tertentu.

TIM DOSEN MS II [TEORI]

4 KLASIFIKASI STATISTIKA
 Statistika adalah ilmu yang mempelajari cara pengumpulan,
pengolahan, penyajian, dan analisis data serta cara
pengambilan keputusan secara umum berdasarkan hasil
penelitian.
 Di dalam statistika ada Ketidakpastian dan Variasi
 Tujuan pengumpulan dan analisis data adalah untuk
mendapatkan informasi. Metode statistik menyediakan alat
untuk mendapatkan informasi dari data. Metode ini terbagi
menjadi dua cabang, yaitu Statistik Deskriptif dan Statistik
Inferensia

TIM DOSEN MS II [TEORI]

5 KLASIFIKASI STATISTIKA
 Statistik deskriptif menggambarkan kumpulan data yang
sedang dianalisis, tetapi tidak memungkinkan kita untuk
menarik kesimpulan. Oleh karena itu kita perlu cabang statistik
lain: statistik inferensia.

 Statistik inferensia juga merupakan seperangkat metode,

tetapi digunakan untuk menarik kesimpulan atau inferensi
tentang karakteristik populasi berdasarkan data sampel.

TIM DOSEN MS II [TEORI]

6 KLASIFIKASI STATISTIKA
Inferensi Statistik merupakan proses pembuatan suatu estimasi,
prediksi, atau keputusan mengenai suatu populasi berdasarkan
suatu sampel.
Populasi
Sampel

Inferens

Statistik
Parameter
Apa yang bisa kita simpulkan tentang parameter populasi
TIM DOSEN MS II [TEORI]

berdasarkan statistik sampel?

7 KLASIFIKASI STATISTIKA
 Kita menggunakan statistik untuk membuat kesimpulan/
inferensi tentang parameter.
 Oleh karena itu, kita dapat membuat estimasi, prediksi, atau
keputusan tentang populasi berdasarkan data sampel.
 Dengan demikian, kita dapat menerapkan apa yang kita
ketahui tentang sampel ke populasi yang lebih besar di mana
sampel tersebut diambil.

TIM DOSEN MS II [TEORI]

8 KLASIFIKASI STATISTIKA
Statistik inferensia digunakan untuk menarik kesimpulan.
Kesimpulan bisa induksi dan deduksi.
 Kesimpulan induksi : penarikan kesimpulan yang bersifat
umum dari berbagai kasus yang bersifat khusus atau
individual (dari khusus ke umum)
 Kesimpulan deduksi : penarikan kesimpulan dari keadaan
umum atau proses penalaran dari satu atau lebih pernyataan
umum untuk mencapai kesimpulan logis tertentu (dari umum
ke khusus)
Kesimpulan statistika adalah induksi.
TIM DOSEN MS II [TEORI]
9 KLASIFIKASI STATISTIKA
Ada dua macam jenis populasi, yaitu populasi terbatas dan
populasi tidak terbatas (tak terhingga).
 Populasi Terbatas
Populasi terbatas mempunyai sumber data yang jelas
batasnya secara kuantitatif sehingga dapat dihitung
jumlahnya.

 Populasi Tak Terbatas

Populasi tak terbatas yaitu sumber datanya tak dapat
ditentukan batas-batasnya sehingga relatif tidak dapat
dinyatakan dalam bentuk jumlah.
TIM DOSEN MS II [TEORI]
10 KLASIFIKASI STATISTIKA
Berdasarkan sifatnya populasi dapat digolongkan menjadi
populasi homogen dan populasi heterogen.
 Populasi homogen
Populasi homogen adalah sumber data yang unsurnya
memiliki sifat atau keadaan yang sama sehingga tidak perlu
mempermasalahkan jumlahnya secara kuantitatif.
 Populasi heterogen
Populasi heterogen adalah sumber data yang unsurnya
memiliki sifat atau keadaan yang berbeda (bervariasi)
sehingga perlu ditetapkan batas-batasnya baik secara
kuantitatif maupun secara kualitatif.
TIM DOSEN MS II [TEORI]
11 KLASIFIKASI STATISTIKA
Let’s Discuss!

Tiga puluh enam persen dari penduduk DKI dewasa memiliki

alergi. Sebuah sampel 1.200 orang dewasa yang dipilih secara
acak menghasilkan 33,2% memiliki alergi.

Apa yang menjadi populasi, sampel, variabel, data,

eksperimen, statistik, parameter?

TIM DOSEN MS II [TEORI]

12 KLASIFIKASI STATISTIKA
 Populasi – orang dewasa di DKI
 Sampel – 1200 orang dewasa yang dipilih secara acak
 Variabel – alergi
 Data – ya atau tidak
 Experimen – bisa dengan tanya jawab/wawancara
 Statistik – 33.2% (persen dengan alergi dari sampel) p̂
 Parameter – 36% (persen dengan alergi dari populasi) p
kebetulan nilai parameter diketahui

TIM DOSEN MS II [TEORI]

13 KLASIFIKASI STATISTIKA
Berdasarkan parameter yang ada, statistik dibagi menjadi

 Statistik PARAMETRIK : berhubungan dengan inferensi statistik

yang membahas parameter-parameter populasi; jenis data
interval atau rasio; distribusi data diketahui, misalnya distribusi
normal.

 Statistik NONPARAMETRIK : inferensi statistik membahas

parameter-parameter populasi; jenis data nominal atau
ordinal; distribusi data tidak diketahui.
TIM DOSEN MS II [TEORI]
14 KLASIFIKASI STATISTIKA
Berdasarkan jumlah variabel dibagi menjadi

 Analisis UNIVARIAT : hanya ada 1 pengukuran (variabel) untuk

n sampel atau beberapa variabel tetapi masing-masing
variabel dianalisis sendiri-sendiri. Contoh : korelasi motivasi
dengan pencapaian akademik.

 Analisis MULTIVARIAT : dua atau lebih pengukuran (variabel)

untuk n sampel di mana analisis antar variabel dilakukan
bersamaan. Contoh : pengaruh motivasi terhadap
pencapaian akademik yang dipengaruhi oleh faktor latar
belakang pendidikan orang tua, faktor sosial ekonomi, faktor
sekolah.
TIM DOSEN MS II [TEORI]
 15 Review Distribusi Teoritis
Dengan
Pengembalian Binomial
p sangat kecil Poisson
(WR)

n besar

Pengambilan p tidak sangat kecil Normal

Sampel n kecil (sekitar 0,5)

Tanpa Normal Baku

Pengembalian Hipergeometrik
(WOR)
- Chi-Square
- Student-t
TIM DOSEN MS II [TEORI]
- Fisher
16 DISTRIBUSI SAMPLING
Proses Inferensia

Distribusi Sampling adalah distribusi peluang dari statistik sampel

TIM DOSEN MS II [TEORI]
17 DISTRIBUSI SAMPLING RATA-RATA
Distribusi sampling bagi rata-rata adalah distribusi peluang dari
seluruh kemungkinan nilai-nilai dari rata-rata sampel

B D
A C
Membangun Distribusi Sampling
 Anggap terdapat suatu populasi …
 Ukuran populasi N=4
 Variabel random X
adalah umur dari individu
 Nilai dari x: 18, 20,
22, 24 (tahun)
TIM DOSEN MS II [TEORI]
18 DISTRIBUSI SAMPLING RATA-RATA
Membangun Distribusi Sampling
Ringkasan ukuran dari distribusi populasi:
Rata-rata:
 4   20  1 4   22  1 4   24  1 4 
4
E  X      xi P  xi   18 1
i 1

1 1
 18  20  22  24   84   21
4 4
Varians dan standar deviasi:
 4  14   5
4
Var  X       xi    P  xi   18  21    24  21
2 2 2
2 1
i 1

  2, 2361
TIM DOSEN MS II [TEORI]
19 DISTRIBUSI SAMPLING RATA-RATA
Distribusi dari X

TIM DOSEN MS II [TEORI]

20 DISTRIBUSI SAMPLING RATA-RATA
Ingin diambil sampel sebanyak n=2 dengan pengembalian, all
possible sample-nya adalah:

16 Rata-rata
Sampel

16 kemungkinan
sampel (sampling
TIM DOSEN MS II [TEORI] dengan

pengembalian)
21 DISTRIBUSI SAMPLING RATA-RATA
Distribusi sampling dari semua rata-rata sampel:
Distribusi Rata-
16 Rata-rata Sample
rata Sample

TIM DOSEN MS II [TEORI]

22 DISTRIBUSI SAMPLING RATA-RATA
Ringkasan ukuran dari Distribusi Sampling:
Rata-rata:

     
7
E  X    x   xi P  xi   18 1  19 2   24 1  21
i 1
16 16 16

Varians dan standar error:

7
Var  X       xi   x  P  xi 
2 2
x
i 1

2 1  2 2  2 1 
 18  21    19  21      24  21    2,5
 16   16   16 
 x   x2  2,5  1,5811
TIM DOSEN MS II [TEORI]
23 DISTRIBUSI SAMPLING RATA-RATA
Perbandingan populasi dengan distribusi samplingnya:

Populasi, N = 4 Distribusi Rata-rata

Sampel, n = 2
μ  21 σ  2,2361 μ x  21 σ x  1,5811

TIM DOSEN MS II [TEORI]

24 DISTRIBUSI SAMPLING RATA-RATA
Skema Distribusi Sampling

TIM DOSEN MS II [TEORI]

25 DISTRIBUSI SAMPLING RATA-RATA
Secara Umum

Simpangan baku dari distribusi sampling dinamakan standard

error

TIM DOSEN MS II [TEORI]

26 DISTRIBUSI SAMPLING RATA-RATA
Teorema
Bila semua kemungkinan sampel acak berukuran 𝑛 diambil
dengan pemulihan/pengembalian dari suatu populasi
terhingga berukuran 𝑁 yang mempunyai rata-rata 𝜇 dan
simpangan baku 𝜎 , maka untuk 𝑛 yang cukup besar,
distribusi sampling bagi rata-rata 𝑋 akan menghampiri
distribusi normal dengan rata-rata 𝜇𝑋 = 𝜇 dan simpangan
baku 𝜎𝑋 = 𝜎 𝑛 .
𝑋−𝜇
Dengan demikian 𝑍 = adalah peubah acak yang
𝜎 𝑛
berdistribusi normal baku.
TIM DOSEN MS II [TEORI]
27 DISTRIBUSI SAMPLING RATA-RATA
Teorema
Bila semua kemungkinan sampel acak berukuran 𝑛 diambil
tanpa pemulihan/pengembalian dari suatu populasi
terhingga berukuran 𝑁 yang mempunyai rata-rata 𝜇 dan
simpangan baku 𝜎, maka distribusi sampling bagi rata-rata
sampel 𝑋 akan menghampiri distribusi normal dengan rata-
rata dan simpangan baku
𝜇𝑋 = 𝜇
𝜎 𝑁−𝑛
𝜎𝑋 = .
𝑛 𝑁−1
TIM DOSEN MS II [TEORI]
28 DISTRIBUSI SAMPLING RATA-RATA
𝑁−𝑛
 Faktor disebut sebagai faktor koreksi populasi
𝑁−1
terhingga.
 Jika ukuran populasinya relatif besar terhadap ukuran
sampel maka nilai faktor koreksi akan mendekati 1
sehingga bisa diabaikan.
 Untuk populasi yang besar atau tak hingga, diskrit
ataupun kontinu, berlaku teorema limit pusat (central
limit theorem)

TIM DOSEN MS II [TEORI]

29 DISTRIBUSI SAMPLING RATA-RATA
CENTRAL LIMIT THEOREM

Bila sampel acak berukuran 𝑛 (cukup besar) ditarik dari suatu

populasi besar atau tak hingga dengan rata-rata 𝜇 dan varians
𝜎 2 , maka rata-rata sampel 𝑋 akan menyebar menghampiri
distribusi normal dengan rata-rata 𝜇𝑋 = 𝜇 dan simpangan baku
𝜎𝑋 = 𝜎 𝑛 .
𝑋−𝜇
Dengan demikian 𝑍 = adalah peubah acak yang
𝜎 𝑛
berdistribusi normal baku.

 Untuk keperluan praktis, ukuran sampel sebesar 30 bisa

dikatakan cukup besar untuk menggunakan distribusi normal
sebagai suatu pendekatan distribusi sampling dari 𝑋 .
TIM DOSEN MS II [TEORI]
30 DISTRIBUSI SAMPLING RATA-RATA
 Distribusi sampling dari rata-rata sampel acak yang
diambil dari sembarang populasi adalah approximately
normal untuk sufficiently large sample size.
 Semakin besar ukuran sampel, distribusi sampling dari 𝑋
akan semakin mendekati distribusi normal.
 Jika populasi berdistribusi normal, maka 𝑋 berdistribusi
normal untuk semua nilai n.
 Jika populasi tidak normal, maka 𝑋 mendekati normal
hanya untuk jumlah n yang besar.

TIM DOSEN MS II [TEORI]

31 DISTRIBUSI SAMPLING RATA-RATA
Contoh:
Anggap sebuah populasi punya rata-rata μ = 8 and
simpangan baku σ = 3. Anggap sebuah sampel acak
diambil dengan n = 36. Berapa peluang bahwa rata-
rata sampel akan terletak antara 7.8 dan 8.2?

Walaupun populasi tidak berdistribusi normal, central

limit theorem dapat digunakan(𝑛 ≥ 30) sehingga
distribusi sampling untuk 𝑋 akan mendekati distribusi
normal.
TIM DOSEN MS II [TEORI]
32 DISTRIBUSI SAMPLING RATA-RATA
Diperoleh :
Rata-rata 𝜇𝑋 = 8
𝜎 3
Simpangan baku 𝜎𝑋 = = = 0,5
𝑛 36

 
 7,8-8 X -μ 8,2-8 
P(7.8  X  8.2)  P  
 3 σ 3 
 
 36 n 36 
 P(-0,4  Z  0,4)  0,3108

TIM DOSEN MS II [TEORI]

33 DISTRIBUSI SAMPLING RATA-RATA

 Jarang sekali varians populasi diketahui sehingga harus

diestimasi dari varians sampel. Oleh karena itu digunakan
distribusi Student-t.

Teorema
Bila 𝑥 dan 𝑠 2 masing-masing adalah rata-rata dan varians suatu
sampel acak berukuran 𝑛 yang diambil dari suatu populasi
normal dengan rata-rata 𝜇 dan varians 𝜎 2 maka
𝑥−𝜇
𝑡=
𝑠 𝑛
merupakan sebuah nilai peubah acak yang berdistribusi
Student-t dengan derajat bebas 𝑣 = 𝑛 − 1
TIM DOSEN MS II [TEORI]
34 DISTRIBUSI SAMPLING RATA-RATA
LATIHAN 1

1. Bila semua sampel ukuran 16 diambil dari suatu populasi

normal dengan rata-rata 50 dan simpangan baku 5,
berapakah peluang bahwa rata-rata sampel 𝑋 akan
berada pada selang dari 𝜇𝑋 − 1,9𝜎𝑋 sampai 𝜇𝑋 − 0,4𝜎𝑋 ?
Anggap bahwa rata-rata sampel dapat diukur sampai
tingkat ketelitian berapapun.

TIM DOSEN MS II [TEORI]

35 DISTRIBUSI SAMPLING RATA-RATA
2. Sebuah mesin minuman diatur agar jumlah minuman
yang dikeluarkan untuk setiap gelas rata-rata 240 mililiter
dengan simpangan baku 15 mililiter. Secara periodik
mesin itu diperiksa dengan cara mengambil 40 gelas
dan kemudian dihitung rata-ratanya. Bila rata-rata 40
gelas berada pada selang 𝜇𝑥 ± 2𝜎𝑥 , mesin dianggap
masih bekerja dengan baik dan tidak perlu diperbaiki.
Pada suatu hari, petugas menemukan bahwa dari 40
gelas yang diambil diperoleh rata-rata 236 mililiter dan
menyimpulkan bahwa mesin tidak perlu diperbaiki.
Apakah keputusan ini wajar? Berikan alasannya.
TIM DOSEN MS II [TEORI]
36 DISTRIBUSI SAMPLING BEDA RATA-RATA
 Jika sampel acak diambil dari dua populasi independen
yang masing-masing berdistribusi normal maka distribusi
dari 𝑋1 − 𝑋2 akan berdistribusi normal.
 Jika kedua populasi tidak normal tapi ukuran sampel
besar (𝑛 ≥ 30) maka distribusi dari 𝑋1 − 𝑋2 akan
berdistribusi mendekati normal (Sesuai CLT)

TIM DOSEN MS II [TEORI]

37 DISTRIBUSI SAMPLING BEDA RATA-RATA
Teorema
Bila sampel acak berukuran 𝑛1 dan 𝑛2 diambil dari dua
populasi independen yang besar dan tak hingga masing-
masing dengan rata-rata µ1 dan µ2 dan varians 𝜎12 dan 𝜎22 ,
maka beda kedua rata-rata sampel 𝑋1 − 𝑋2 akan
menyebar menghampiri normal dengan rata-rata dan
simpangan baku
𝜎12 𝜎22
𝜇𝑋1−𝑋2 = 𝜇1 − 𝜇2 dan 𝜎𝑋1 −𝑋2 = +
𝑛1 𝑛2
𝑋1 −𝑋2 −(𝜇1 −𝜇2 )
Sehingga 𝑍 =
𝜎2 2
1 +𝜎2
𝑛1 𝑛2

merupakan peubah acak yang berdistribusi normal baku.

TIM DOSEN MS II [TEORI]
38 DISTRIBUSI SAMPLING BEDA RATA-RATA
 Jika varians populasi tidak diketahui maka gunakan distribusi
Student-t
 Jika varians populasi tidak diketahui, ada 2 asumsi yang
mungkin: varians populasi sama dan varians populasi
berbeda
1. Asumsi varians populasi sama (𝜎12 = 𝜎22 )
𝑋1 −𝑋2 −(𝜇1 −𝜇2 )
𝑡= ~ 𝑡𝑛1 +𝑛2 −2
𝑆𝑝 1 𝑛1 + 1 𝑛2

𝑛1 −1 𝑆12 + 𝑛2 −1 𝑆22
Dengan 𝑆𝑝2 =
𝑛1 +𝑛2 −2

TIM DOSEN MS II [TEORI]

39 DISTRIBUSI SAMPLING BEDA RATA-RATA
2. Asumsi varians populasi berbeda (𝜎12 ≠ 𝜎22 )
𝑋1 −𝑋2 −(𝜇1 −𝜇2 )
𝑡= ~𝑡𝑣
𝑆12 𝑛1 + 𝑆22 𝑛2

2
𝑆12 𝑛1 +𝑆22 𝑛2
dengan 𝑣 = 2 2
𝑆12 𝑛1 (𝑛1 −1) + 𝑆22 𝑛2 (𝑛2 −1)

TIM DOSEN MS II [TEORI]

40 DISTRIBUSI SAMPLING BEDA RATA-RATA
Contoh:
Gaji pertama lulusan MBA dari lulusan 2 universitas
berdistribusi normal dengan rata-rata dan simpangan baku
sebagai berikut.

Universitas 1 Universitas 2
Rata-rata 62.000 $/th 60.000 $/th
Simpangan baku 14.500 $/th 18.300 $/th
Ukuran sampel 50 60

Apakah distribusi sampling dari 𝑋1 -𝑋2 ?

TIM DOSEN MS II [TEORI]
41 DISTRIBUSI SAMPLING BEDA RATA-RATA
Solusi

𝑋1 -𝑋2 akan berdistribusi normal dengan

Rata–rata 𝜇𝑋1 −𝑋2 = 𝜇1 − 𝜇2 = 62.000 − 60.000 = 2.000

𝜎12 𝜎22
Simpangan baku 𝜎𝑋1 −𝑋2 = + = 3.128,3
𝑛1 𝑛2

TIM DOSEN MS II [TEORI]

42 DISTRIBUSI SAMPLING BEDA RATA-RATA
LATIHAN 2
1. Suatu sampel acak ukuran 25 diambil dari populasi
normal dengan rata-rata 80 dan simpangan baku 5.
Sampel acak kedua ukuran 36 diambil dari populasi
normal yang lain dengan rata-rata 75 dan standar
deviasi 3. Hitunglah peluang bahwa rata-rata sampel
yang dihitung dari 25 pengukuran akan melampaui
rata-rata sampel yang dihitung dari 36 pengukuran
paling sedikit 3,4 tapi kurang dari 5,9.

TIM DOSEN MS II [TEORI]

43 DISTRIBUSI SAMPLING BEDA RATA-RATA
2. Sebaran tinggi anjing terrier keturunan tertentu
mempunyai rata-rata 72 cm dan simpangan baku 10
cm. Sementara itu, sebaran tinggi anjing pudel
keturunan tertentu mempunyai rata-rata 28 cm dan
simpangan baku 5 cm. Seandainya rata-rata sampel
dicatat sampai ketelitian berapapun, hitunglah
peluang bahwa rata-rata 64 anjing terrier akan
melampaui rata-rata 100 pudel sebanyak-banyaknya
44,2 cm.

TIM DOSEN MS II [TEORI]

44 DISTRIBUSI SAMPLING PROPORSI
Teorema
Jika X adalah peubah acak binomial dengan rata-rata 𝜇 =
𝑛𝑝 dan varians 𝜎 2 = 𝑛𝑝𝑞, maka bentuk limit dari distribusi
𝑋 − 𝑛𝑝
𝑍=
𝑛𝑝𝑞
untuk n → ∞ adalah distribusi normal baku.

TIM DOSEN MS II [TEORI]

45 DISTRIBUSI SAMPLING PROPORSI
PENDEKATAN NORMAL PADA BINOMIAL
Distribusi binomial dengan 𝑛 = 20 dan 𝑝 = 0,5

TIM DOSEN MS II [TEORI]

46 DISTRIBUSI SAMPLING PROPORSI
Jika didekati dengan distribusi normal, maka akan diperoleh
𝜇 = 10 dan 𝜎 = 2,24
Ingat !

Sehingga
𝜇 = 20 0,5 = 10 dan 𝜎 = 20 0,5 0,5 = 2,24

TIM DOSEN MS II [TEORI]

47 DISTRIBUSI SAMPLING PROPORSI
Jadi pendekatan distribusi normal pada binomial akan baik
jika:
 Ukuran sampel 𝑛 besar
 Peluang sukses tidak dekat dengan nol atau 1 (dekat 0,5)

Untuk pendekatan akan memberi hasil yang baik jika terpenuhi

2 kondisi :
1. 𝑛𝑝 ≥ 5
2. 𝑛(1 − 𝑝) ≥ 5

TIM DOSEN MS II [TEORI]

48 DISTRIBUSI SAMPLING PROPORSI
Estimator titik dari proporsi 𝑃 pada percobaan binomial
dinyatakan dalam statistik
𝑋
𝑃=
𝑛
Di mana X adalah banyaknya sukses dari 𝑛 ulangan
Dengan menggunakan konsep nilai harapan dan varians maka

  X
P  E P  E 
 np
 p
2
Pˆ
2
X n
ˆ  
X
    var P  var  
n
n  n
 X2 np 1  p  p 1  p 
 2  2

n n n
p 1  p 
Standard error
TIM DOSEN MS II [TEORI]  Pˆ 
n
49 DISTRIBUSI SAMPLING PROPORSI
Proporsi sampel dapat di standarisasi menjadi distribusi normal
baku dengan menggunakan formula
Pˆ  p
Z
p 1  p 
n
Jika populasi finite (terhingga) dan pengambilan sampel tanpa
pengembalian, maka varians-nya menjadi
p 1  p   N  n 
2
Pˆ
ˆ
  Var P    n

 N  1


p 1  p   N  n 
Standard error  Pˆ   
TIM DOSEN MS II [TEORI] n  N  1 
50 DISTRIBUSI SAMPLING BEDA PROPORSI
Dengan mengambil dua sampel acak dari dua populasi yang
saling independen, maka peubah 𝑃1 dan 𝑃2 akan independen
satu sama lain, dapat disimpulkan bahwa 𝑃1 − 𝑃2 berdistribusi
hampir normal dengan rata-rata

E  pˆ1  pˆ 2    pˆ1  pˆ 2  p1  p2
Dan varians

p1 1  p1  p2 1  p2 
Var  pˆ1  pˆ 2    2
pˆ1  pˆ 2  
n1 n2
TIM DOSEN MS II [TEORI]
51 DISTRIBUSI SAMPLING BEDA PROPORSI
Simpangan baku dari 𝑃1 − 𝑃2

p1 1  p1  p2 1  p2 
 pˆ  pˆ  
1 2
n1 n2

Z
 pˆ1  pˆ 2    p1  p2 
Sehingga
p1 1  p1  p2 1  p2 

n1 n2

TIM DOSEN MS II [TEORI]

52 DISTRIBUSI SAMPLING BEDA PROPORSI

TIM DOSEN MS II [TEORI]

53

TERIMA KASIH

TIM DOSEN MS II [TEORI]