MAKALAH STATISTIK KESEHATAN

“ DISTRIBUSI SAMPLING ”

Disusun Oleh:

KELOMPOK 2

1. Christian Anggakusuma Rahman P23133117009

2. Dyah Nur Setia Palupi P23133117011
3. Khalisha Azizah Fasyah P23133117022
4. Rizky Amalia P23133117032

Tingkat 3-D4 A

Dosen Mata Kuliah :

Catur Puspitawati, ST., MKM.

PROGRAM STUDI DIV SANITASI LINGKUNGAN POLITEKNIK

KESEHATAN KEMENKES JAKARTA II
Jln. Hang Jebat III/F3 Kebayoran Baru Jakarta 12120 Telp. 021.7397641, 7397643

Tahun 2020
A. PENDAHULUAN
 Sampling : Penentuan (pemilihan) anggota sampel (unit analisis) dari populasinya
dengan cara-cara tertentu. Selanjutnya terhadap unit analisis yang terpilih dilakukan
pengamatan mengenai karakteristik tertentu, melalui proses kuantifikasi, baik melalui
pengukuran maupun penghitungan.
 Sampel (sample) : Sebagian dari anggota populasi yang diambil dengan cara-cara
tertentu.
 Populasi (population) : Keseluruhan hasil yang mungkin terjadi dari suatu proses
pengukuran atau penghitungan mengenai karakteristik tertentu.
 Sampel acak (random sample) : Sebagian dari populasi yang diambil dengan cara-
cara tertentu, dan setiap anggota populasi memiliki peluang yang sama
untuk terambil ke dalam sampel.
 Sampling juga diartikan sebagai : pengumpulan data dengan cara
memeriksa (mengukur atau menghitung) karakteristik setiap anggota sampel.
 Sensus : Pengumpulan data dengan cara memeriksa karakteristik seluruh anggota
populasi.
 Kelebihan Sampling di banding Sensus :
(1) Biaya relatif lebih kecil
(2) Waktu lebih cepat
(3) Ketelitian lebih tinggi
 Sampel acak diperoleh dengan teknik sampling acak :
(1) Sampling Acak Sederhana (Simple Random Sampling)
(2) Sampling Acak Stratifikasi (Stratified Random Sampling)
(3) Sampling Acak Berklaster (Clustered Random Sampling)
(4) Sampling Acak Sistematis (Systematic Random Sampling)
 Sampel non acak (non random sample) diperoleh dengan cara :
(1) Accidental Sampling
(2) Quota Sampling
(3) Purposive sampling
(4) Snow ball sampling
 Distribusi Sampling akan meliputi
(1) Distribusi sampling rata-rata
(2) Distribusi sampling beda dua rata-rata
 (3) Distribusi sampling proporsi
(4) Distribusi sampling beda dua proporsi

B. KONSEP DISTRIBUSI SAMPLING

Di dalam statistik deskriptif telah dibahas tentang cara mendapatkan deskripsi dari data yang
diolah atau sengaja dikumpulkan untuk mendapatkan informasi yang terkandung di
dalamnya. Di dalam statistik inferens kita akan membahas bagaimana menggeneralisasi
informasi yang telah didapatkan. Sebagai contoh, dari suatu survei cepat yang dilakukan di
Tangerang dengan mewawancarai sebanyak 210 orang ibu yang memiliki balita (sampel)
diperoleh dari yang melakukan pemeriksaan sampai K4 sebanyak 20%. Hasil yang diperoleh
ini adalah informasi dari 210 ibu balita. Sebenarnya maksud kita melakukan suatu
pembaharuan data tersebut ingin mengetahui jumlah ibu yang melakukan pemeriksaan sesuai
K4 di Kabupaten Tangerang. Data dari mengumpulkan sebanyak 210 ibu ini ingin kità
perlakukan menjadi informasi untuk populasinya (Tangerang). Untuk itu akan dipakai
metode statistik inferens. Jadi, statistik inferens adalah semua cara atau metode yang di.
pergunakan untuk menggeneralisasi hasil dari suatu sampel menjadi hasil populasi.

Dasar-dasar di dalam statistik menyimpulkan ini adalah "a. distribusi sampling". Dengan
demikian, sebelum membicarakan materi estimasi dan uji hipotesis perlu dibahas apa yang
disebut distribusi sampling .

Distribusi sampling adalah distribusi dari mean-mean sampel yang diambil secara berulang
kali dari suatu partisipasi, untuk itu perlu kita ketahui tentang ketentuan yang dapat
membedakan beberapa ukuran antara sampel dan partisipasi.

Ukuran-ukuran untuk sampel dan jumlah adalah sebagai berikut.

Sampel populasi
Nilai Statistik Parameter
(karakteristik)
x́

Mean (rata-rata)
s
Ơ
Standar deviasi
n
N
Jumlah Unit
Misalnya kita mempunyai suatu populasi yang mempunyai mean = dengan N elemen dan

standar deviasi Ơ.

1. Dilakukan pengambilan sampel random besarnya n (x 1,x2, …xn), dihitung rata-rata x dan
simpangan baku s. Sampel yang diambil berulang kali ini akan menghasilkan bermacam-
macam nilai rata-rata. Dari sampel satu sampai sampel ke m didapatkan rata-rata hitung x́
1…………x́

2. Mean atau rata-rata dari sampel-sampel ini (x́ 1………..x́ m) kalau disusun akan membentuk
suatu distribusi. Distribusi dari nilai mean-mean sampel inilah yang disebut distribusi
sampling harga mean
 C. SIFAT – SIFAT DISTRIBUSI SAMPLING

Sifat distribusi sampling ini disebut Central Limit Theorem (teorema limit pusat).
Sifat inilah yang mendasari teori inferens. Sifat-sifat tersebut adalah sebagai berikut:
 Sifat 1
Apabila sampel-sampel random dengan elemen masing-masing diambil dari suatu
populasi normal, yang mempunyai mean = µ varianσ 2, distribusi sampling harga
mean akan mempunyai mean sama dengan µ varianσ 2/n atau standar deviasi σ 2/√ .n
standar deviasi distribusi sampling harga mean ini dikenal sebagai “Standar Error”
(SE).

 Sifat 2
Apabila populasi berdistribusi normal, distribusi sampling harga mean juga akan
berdistribusi normal. Maka, berlaku sifat seperti persamaan di bawah ini (z score
adalah nilai deviasi relative antara nilai sampel dan populasi = nilai distribusi normal

x́−μ
standar): Z =  SE

 Sifat 3
Walaupun mempunyai populasi berdistribusi sembarang, kalau diambil sampel-
sampel berulang kali secara random, distribusi harga meannya akan membentuk
distribusi normal.

Contoh: Dipunyai Populasi lima orang penderita penyakit “D” yang masa
inkubasinya

Sebagai berikut:

No.Pasien Masa Inkubasi (hari)

1 2
2 3
3 6
4 8
5 11
 2+ 3+6+8+ 11
µ    = =6
5

σ 2 = ∑ ¿¿ ¿ = 10,8
σ    = √10,8 = 3,29 hari
Diambil sampel dengan besar n = 2.
Dari populasi di atas kemungkinan sampel yang terjadi 52 = 25
Sampel-sampel tersebut seperti tertera di dalam tabel dibawah ini:

Sampel Pasien yang terpilih Masa Inkubasi Mean

1 1;1 2;2 2
2 1;2 2;3 2,5
3 1;3 2;6 4
4 1;4 2;8 5
5 1;5 2;11 6,5
6 2;1 3;2 2,5
7 2;2 3;3 3
8 2;3 3;6 4,5
9 2;4 3;8 5,5
10 2;5 3;11 7
11 3;1 6;2 4
12 3;2 6;3 4,5
13 3;3 6;6 6
14 3;4 6;8 7
15 3;5 6;11 8,5
16 4;1 8;2 5
17 4;2 8;3 5,5
18 4;3 8;6 7
19 4;4 8;8 8
 20 4;5 8;11 9,5
21 5;1 11;2 6,5
22 5;2 11;3 7
23 5;3 11;6 8,5
24 5;4 11;8 9,5
25 5;5 11;11 11

Dari distribusi sampling (Data pada kolom 4) didapatkan:

x́ =
2+ 2,5+4 +5+6,5+2,5+3+ 4,5+5,5+7+ 4+ 4,5+6+ 7+8,5+5+5,5+7 +8+9,5+ 6,5+7+8,5+ 9,5+11
25
= 6 =μ
10,8
Varian ( SE)2 =∑ ¿¿ ¿ = 5,4 nilai tidak lain,adalah σ 2/n , = = 5,4
2
SE =√ 5,4=2,32hari

Distribusi sampling harga mean dari kedua puluh lima sampel yang diperoleh dari lima
populasi di atas kalau digambarkan dalam bentuk kurva akan membentuk kurva yang simetris
(kurva normal umum). Sebagai sifat dari distribusi sampling, maka sifat-sifat kurva normal
dapat diperlakukan.

Contoh soal

Selama ini diyakini bahwa kadar hemoglobin (Hb) orang sehat( μ ) = 12 gr % dan (σ )
= 2,5 gr %. Seseorang mahasiswa telah mengambil sebanyak 25 orang pengunjung suatu
Puskesmas. Hitunglah probabilitas dari rata-rata Hb sampel tadi.

a.) >13 gr %
b.) Antara 11 sp 13,5 gr %
Penyelesaian
a.) μ = 12 gr %
σ = 2,5 gr %
n = 25
σ 25
SE = = = 0,5 gr %
√ n √ 25

13−12
Z= = 2 → tabel = 0,4772 =
0,5
∴ p(x >13 gr % ) = 0,5 – 0,4772 = 0,0228
11−12
b.) Z1 =2,0 → tabel=0,4772
0,5
13,5−12
c.) Z2 =3,0 →tabel=0,4887 +
0,5
∴ p(μ gr < x́<13 ,5 gr %) = 0,9759

D. PERHITUNGAN DISTRIBUSI SAMPLING

Selanjutnya kita akan membahas 4 jenis distribusi sampling, yaitu rata-rata, beda
rata-rata, proporsi, dan beda proporsi.

1. Distribusi Sampilng Rata Rata

Distribusi sampling rata-rata adalah distribusi probabilitas yang berisi daftar

semua rata-rata sampel yang mungkin jika kita mengambil sejumlah sampel dari
populasi, beserta dengan probabilitas setiap rata-rata sampel. Jika kita memiliki
populasi yang terdiri atas tiga orang, yaitu A, B, C, lalu mengambil sampel
sebanyak 2 orang, ada C atau 3 kombinasi sampel yang mungkin terpilih, yaitu
AB, AC, dan BC.

Jika kita mengambil 10 sampel dari Populasi sebesar 60, kita akan memiliki C 60
10.

Kita tahu bahwa ukuran populasi (N) biasanya sangat besar dan ukuran sampel (n)
relatif lebib kecil. Oleh karenanya, jika kita melakukan pengambilan sampel n dan
N Populasi. kita akan memiliki C Nn . Dengan demiuian, kombinasi C Nn sangat besar.
Setiap kombinasi sampel memiliki ukuran (statistik sampel), misalnya rata-rata
sampel (x́). Maka. jika kita mengambil n sampel dan N Populasi, kita akan
memiliki x́ yang cukup banyak.

Telah disebutkan bahwa rata-rata sampel, yaitu x́, merupakan variabel acak
schingga mempunyai distribusi sendiri. Disrbusi x́ disebut distribusi sampel dan rata-
rata. Menurut dalil batas memusat (the central limit theorem), iika populasi
terdistnbusi secara normal, yang banyak tersebut juga akan terdistribusi secara
normal. Distribusi x́ tersebut adalah distribusi sampling atau tepatnya distribusi
sampling rata-ratu. Distribusi sampling rata-rata merupakan distribusi normal, yang
berbentuk lonceng, simetris, dan memiliki rata rata sebesar dan deviasi standar
.

Contoh1
PT Green Bay Packer memiliki 7 karyawan bagian produksi (dianggap sebagal
populasi) dengan keterangian upah per jam setiap karyawan seperti berikut.

Seorang peneliti ingin mengetahui rata-rata upah per jam karyawan di

perusahaan tersebut. Untuk melakukannya, ia dapat menggunakan dua cara. yaitu

a. Meneliti seluruh populasi

Rata-rata populasi adalah

7+ 9+8+8+ 7+8+9
μ=
7

b. Meneliti sampel
Misalnya. peneliti tersebut mengambil sampel sebanyak 4 karyawan, maka ada 35
kombinasi sampel yang mungkin terambil, yaitu dari perhitungan

7!
C 74=
( 7−4 ) ! 4 !

7x 6 x5 x 4 x3 x 2x 1
¿
( 3 x 2 x 1) 4 x 3 x 2 x 1
 5040 5040 5040
¿ = = =35
( 6 ) 24 144 144

Masing masing kombinasi sampel memiliki statistik sampel atau (rata rata
sampel). Tiga puluh lima rata rata sampel tersebut disajikan pada TABEL 5.4.

Tiga puluh lima rata-rata sampel tersebur membentuk suatu distribusi

sampling rata-rata. Sebelum menggambar distribusi sampling rata-rata untuk contoh
ini , kita membuat distribusi frekuensinya terlebih dahulu, seperti yang tergambar
pada Gambar 5.4. Distribusi sampling 1 rata-rata peristiwa pengambilan sampel
sebesar 4 dar populasi sebesar 7 adalah sebagai berikut.

Distribusi sampling tersebut memiliki rata-rata μ xdan deviasi standarσ x , yang

dihitung dengan rumus

Deviasi standar distribusi sampling rata-rata disebut juga galat baku mean
(standard error of mean).

Dalil batas memusat ( The Central Limit Theorem )

 Dalil batas memusat adalah suatu dalil yang sangat penting peranannya dalam
distribusi sanpling, yang menyatakan bahwa untuk suatu populasi dengan rata-rata μ
dan varian σ , distribusi sampling rata-rata dan semua kemungkinan sampel berukuran
n yang diambil dari populasi akan terdistribusi secara normal dengan rata-rata μ x́ dan
deviasi standar σ x́ di mana nilai μ x́ sama dengan rata rata populasi (μ), dan σ x́ sama

σ
dengan deviasi standar populasi dibagi akar n atau dengan asumsi bahwa ukuran
√n
sampel cukup besar.

Dengan kata lain, dalam pemilihan sampel acak sederhana dengan ukuran n
dan suatu populasi yang berasal dar distribusi apa pun (binomial, Poisson. dan
sebagainya), distribusi dar ratar rat? sampel dapat didekati dengan distribusi
probabiitas normal untuk ukuran sampel yang besar. Beberapa hal penting yang perlu
diingat dan dalil tersebut adalah sebagai berikut (Atmaja, 2010).

1. Jika ukuran sampel (n) cukup besar, distribusi rata-rata sampel akan mendekati
normal, tidak peduli apakah populasinya terdistribusi secara normal atau tidak.
Perhatikan tampilan gambar distribusi rata rata sampel untuk n = 2,5,30 berikut.

σ
2. μ x́ =μ dan σ x́ =¿
√n
Keterangan:
μ x́ = rata-rata dari distrbusi sampling rata-rat.a
μ =rata-rata populasi
σ x́ =deviasi standar dan distrbusi sampling rata-rata
σ =deviasi standar populasi
n = ukuran sampel
 3. Tidak ada angka yang pasti tentang “ukuran sampel yang cukup besar", tetapi
biasanya angka n > 30 dianggap cukup besar.

1.1 Distribusi Sampling Rata - Rata

Pada hakikatnya, distribusi sampling rata-rata adalah distribusi probabilitas rata-rata

sejumlah C sampel: N adalah ukuran populasi dan n adalah ukuran sampel yang diambil
dari populasi. Distribusi ini memiiki rata rata μ x́, dan deviasi standar σ x́ . Sementara itu,
menurut dalil batas

σ
memusat μ x́ =μ dan σ x́ =¿ Jika disusun ke dalam suatu distribusi, rata-rata tersebut
√n
sama seperti nilai-nilai dalam distribusi skor mentah. Distnbusi semacam ini disebut
distribusi sampel rata-rata (sample distribution of means).

Selanjutnya dapat dihitung rata-rata dari distribusi sampel rata—rata (means of sample
distribution of means). Rata-rata distribusi ini akan sama dengan rata-rata Populasi (Partino,
2010).

Contoh
Bank Pasti Aman menghitung tabungan seluruh nasabahnya. Setelah penghitungan, bank
tersebut mendapati bahwa rata-rata tabungan setiap nasabahnya sebesar Rp2.000,- dengan
deviasi standar Rp600,-. Apabila seorang peneliti mengambil sampel sebanyak 100 nasabah,
berapa probabilitas jika

a. rata rata sampel akan terletak antara Rp1.900.- dan Rp2.050,

b. rata-rata sampel akan lebih besar dari Rp2.050.

c. rata-rata sampel akan lebih kecil dar Rpl.900

d. rata-rata sampel akan atau lehih kecil dan Rpl.900

Jawab:

Jika peneliti mengambil sampel 100 dari populasi 600. akan terdapat C 600
100kombinasi

sampel yang mungkin. Dengan kata lain, akan terdapat sebanyak C 600
100rata-rata

sampel. Jumlah rata-rata sampel tersebut cukup banyak sehingga distribusinya normal
 (hal ini konsisten dengan dalil batas memusat). Distribusi sampling rata-rata ini
memiliki rata-rata dan deviasi standar sebagai berikut.

μ x́ =μ=2000

σ 600
σ x́ =¿ σ x́ =¿ =60
√n √100
Selanjutnya, untuk menyelesaikan soal tersebut, kita akan menerapkan
konsep menghitung luas daerah kurva normal.

x́−μx́
x x́

1900−2000
Untuk x́ =1900, z.= =-1,67 = 45,25 %
60

2050−2000
maka x́=2050, z.= =O,83 = 29.67%%
60

maka P (190O < x́< 2050) = 45,25% + 29,67%= 74,9%

Faktor Koreksi Untuk Popolasi Terbatas

Jika populasi (keseluruhan objek Penelitian) sangat besar, kita asumsikan populasi tersebut
tak terbatas (infinite). Bagaimana jika populasi tidak tak terbatas atau tidak sangat besar?
Dalam kasus ini, kita harus melakukan beberapa penyesuaian koreksi terhadap deviasi
 σ
standar dari distribusi sampling dengan cara mengalikan dengan suatu faktor koreksi
√n
sebesar

N −n σ N −n
√ , atau Rumus 5.2 σ x́ =¿ x√
N −1 √n N −1

Keterangan:
N = ukuran populasi (yang terbatas/tidak besar)
n = ukuran sampel

Mengapa faktor koreksi ini perlu dan apa efeknya? Jika sampel adalah suatu Persentase yang
cukup besar dari populasinya, kita mengharapkan ukurannya akan lebih tepat daripada ukuran
suatu sampel yang lebih kecil. Perhatikan efek dari faktor koreksi, misalnya kita mengambil
sampel dengan ukuran 100 dari populasi berukuran 1.000, besar faktor koreksinya adalah
0.9492. Jika dikalikan dengan faktor koreksi tersebut, deviasi standar distribusi sampling
rata-rata (atau galat baku mean) akan berkurang sebesar 1 — 94,92% = 5%. Semakin besar
ukuran sampel,semakin besar pengurangan galat baku tersebut, demikian pula sebaliknya.

Jika n/N Iebih kecil dar 5%, faktor koreksi mendekan I sehingga muncul aturan jib n/N lebih
kecil dari 5,5. faktor koreksi tidak perlu digunakan, kalaupun digunakan, pengaruhnya tidak
akan banyak karena nilainya mendekati 1.
Contoh
Bila sampel acak dengan n= 10 dipilih dan populasi sebesar 40 dengan rata-rata 5,5 dan
deviasi standar 2,9155. Berapa rata-rata dan deviasi distribusi sampling rata-rata?
Jawab:
Menurut dalil batas memusat dan Penyesuaian terhadap koreksi,

μ x́ =μ=5,5 dan

σ N −n 2,9155 40−10 2,9155 30

σ x́ =¿
√n
x
√ N −1
=
√ 10
x
√ =
40−1 3,1622
x
39 √
=0,9219 x √ 0,7692

= 0,921 x 0,877 =0,8077

2. Distribusi Sampling Beda Rata - Rata

Misalnya. kita sedang meneliti 2 populasi, yaitu populasi 1 dan populasi 2.

yang masing-masing memiliki ukuran N1 dan N2. kemudian dari masing-masing
populasi tersebut kita mengambil sampel dengan ukuran n1 dan n2.

Pengambilan sampel n, dan populasi N1 menghasilkan kombinasi sampel

sebanyak C Nn 11 dan penganbilan sampel n2 dan populasi N, menghasilkan kombinasi

sampel sebanyak C Nn 22 . Dengan kata lain kita memiliki x́ 1 (rata-rara sampel dari
populasi 1) dan x́ 2 (-rara sampel dari populasi 2) yang cukup bunyak. Jika x́ adalah
selisih x́ 1, dan x́ 2 (atau x́=x́ 1 ,−x́ 2). kita akan memiliki x́ yang banyak sekali yang
membentuk suatu distribusi normal yang disebut distrribusi sampling beda rata rata .
Disrtribusi sampling ini memiliki rata rata x́ 2- dan deviasi standar atau galat baku
σ x́ 1 ,−x́ 2.

Gambar 5.6 menggambarkan bahwa distribusi sampling beda rara-rata

sebenarnya merupakan distribusi probabilitas variabel x́ 1 ,−x́ 2.Sementara itu, proses
terbentuknya distribusi tersebut terlihat pada gambar 5.7
 N1 N1
Sampel sebanyak C n 1 menghasilkan rata – rata sampel 1 x́ 1 sebanyak C n 1 . Sampel
sebanyak C Nn 22 menghasilkan rata – rata sampel 1 x́ 2 sebanyak C Nn 22 .

Jika kita mengurangi x1 dan x2, kita akan mnedpaat variabel x1 - x2 yang banyak sekali
yang mmebentuk distribusi normal

Menurut dalil batas memusat

μ x́ 1 ,−x́2 = μ1−¿ μ ¿
2

σ 21 σ 22
σ x́ 1 ,−x́ 2=
√ +
n1 n2

Contoh
 Lampu pijar merek Ampuh memliki rata-rata daya tahan 4.500 jam dengan
deviasi sundar 500 jam. sedangkan lampu pijar merek Baik nemiliki rata - rata
daya tahan 4.000 jam dengan deviasi standar 400 jam. Jika diambil sampel
masing-masing 100 buah lampu pijar dan diteliti, berapa probabilitas bahwa
selisih rata rata daya tahan kedua lampu pijar tersebut Iebih besar dari 600
jam?
Jawab

μ x́ 1 ,−x́2 = μ1−¿ μ ¿ = 4500 – 4000 = 500

2

σ 21 σ 22 500 2 4002 250000 160000

σ x́ 1 ,−x́ 2=
√ + =
n1 n2 √ +
100 100
=
√
100
+
100
= √ 2500+1600

= √ 2500+1600= √ 4100 = 64
Distribusi Sampling Proporsi

Selanjutnya diketahui bahwa rata-rata digribusi sampling proporsi adalah

sama dengan proporsi popubsi ( μ Ṕ) dan devisi standar distribusi sampling proporsi
(galat baku proporsi atau standard error of proportion) σ Ṕ) adalah sama dengan

P(1− p)
√ n
Untuk populasi yang terbatas atau n/N < 5%, kita gunakan faktor koreksi

N −n
sebesar
√ N −1
Contoh

Dari 1000 buah mobil yang diproduksi, diketahui 100 di antaranya cacat.
jika diambil sampel acak sebanyak 500 buah mobil dari populasi tersebut dan
diteliti. berapa besar probabilitas proporsi mobil yang cacat Iebih besar dari 12%?

Jawab:
P= Proporsi mobil yang rusak = 100/1000 = 10%

μ Ṕ=P 10 %=0,1

P(1− p) 0,1(1−0,1) 0,09

σ Ṕ =
√ n
=
√ 500
=
√
500
=√ 0,00018 = 0,013
Probabilitas (p>0,12)

x−μ Ṕ−μ Ṕ 0,12−0,1

Z= = = = 1,54 = 43,82 %
σ σ Ṕ 0,013
Prob >0,12 = 50% - 43,82% = 6,18%

3. Distribusi Sampling Beda Proporsi

Pada dasarnya, proses terbentuknya distribusi sampling beda proporsi ini sama
dengan pembentukan distribusi sampling beda rata-rata. Misalnya. terdapat 2 populasi
binomial (populasi yang dibedakan menjadi 2 kelompok. Seperti merokok dan tidak
merokok. Setuju dan tidak setuju, dan sebagainya) dengun ukuran N1, dan N2. Dari
kedua populasi tersebut musing-masing kita ambil sampel sebesar n1, dun n2. kita
akan memiliki kemungungkinan kombinasi sampel sebesar C1 dan C2. Dengan kata
lain kita memiliki proporsi sampel I (p1) sebanyak C Nn 11 dan proporsi sampel 2 (p2)

sebanyak C Nn 22 . Jika Ṕ itu adalah selisih Ṕ1 dan Ṕ2, atau Ṕ1 - Ṕ2 kita akan

mendapatkan Ṕ1 - Ṕ2 banyak yang membentuk distribusi normal μ Ṕ1 - Ṕ2 dengan

rata rata - dan deviasi standar σ Ṕ1 - Ṕ2,

Contoh Soal

Di suatu kota, ada dua jenis pasta gigi yang dipasarkan yaitu a dan b. Biasanya
dari seluruh produk pasta gigi a terdapat 5% tidak memenuhi kualitas, sedangkan
daripasta gigi b akan terdapat 4% yang tidak memenuhi kualitas. Jika Diambil sampel
random dari kedua jenis pasta gigi masing-masing100 buah untuk dibandingkan
jumlah pasta gigi yang tidak memenuhi kualitas, maka berapa probabilitas bahwa
jumlah pasta gigi A yang tidak memenuhi kualitas akan kurang daeri 1,5% dari
jumlah pasta gigi B yang tidak memenuhi kualitas?

Diketahui: π A = 0,05 nA=100

π B = 0,05 nB=100

Ditanya: P (PA – PB < 0,015)

 DAFTAR PUSTAKA

Hastono Sutanto Priyo dan Sabri Luknis. 2010. Statistik Kesehatan. Rajawali Pers, Jakarta.
Ronald E. Walpole, Pengantar Statistika, Edisi Terjemahan, Penerbit Gramedia, Jakarta
Statistika Probabilitas : Teori dan Aplikasi Sudaryono, M.Pd.