2.

5 Penyajian data

2.5.1 Penyajian Data Kualitatif

Untuk dapat menganalisi data kualitatif , terlebih dahulu kita perlu menyusun
secara sistematis.Penyajian data antar lain dalam bentuk table , grafik , pie chart
atau bar chart . Ukuran yang biasa di gunakan adalah :

- Frekuensi , banyaknya pengukuran yang terjadi ( kejadian ) untuk masing

– masing kategori.
- Frekuensi relative , proporsi frekuensi masing – masing kategori.
- Persentase frekuensi masing – masing kategori.

Contoh
Dalam suatu survey pendidikan umum , 400 sekolah di teliti
kualitaspendidikannya. Hasilnya untuk masing- masing sekolah di
kategorikan masuk kualitas A , B , C , atau D. hasil survey di sajikan
dalam bentuk table statistik , pie chart , dan bar chart.

Jawab :
Table statistik ( table 2.1 )

Kategor Frekuens
frekuensi relatif persen
i i
A 35 35/400=0,09 9%
B 260 260/400=0,65 65%
C 93 93/400=0,23 23%
D 12 12/400=0,03 3%
Total 400 1 100%

Untuk memperoleh gambar dalam bentuk pie chart , dan bar chart kita
dapa menggunakan MS. Office Excel , langkah – langkahnya adalah sbb :
- Tuliskan data dari table 2.1 ke dalam shift seperti pada gamba berikut :

Katego Frekuen
ri si
A 35
B 260
C 93
D 12
Total 400

- Blok cell kategori dan frekuensi dari A – D , dan 35 – 12

- Klik insert , pilih pie
- Pilih sesuai keinginan kita , apakah yang dua dimensi atau tiga dimensi ,
jika kita meilik yang 2 D maka akan muncul hasilnya sbb , untuk
memberikan label , klik kanan kemudia pilih add data labels.

12
35

93
A
B
C
D

260

Untuk membuat bar chart , lakukan langkah yang sama.

 300
260
250

200

150

100 93

50 35
12
0
A B C D

2.2.2 Penyajian data kuantitatif

Data kuantitatif adalah data yang di kelompokan dalam segmen

atau kategori yang berbeda dalam sebuah populas. Untuk penyajiananya
dapat di gunakan pie chart , bar chart atau line chart.
Contoh :

Penjuala
Bulan n

Januari 16.800

februari 19.300

Maret 21.100

April 21.200

Mei 20.700

Juni 19.200

Juli 16.100
 Agustus 14.900
Septemb
er 12.100

Oktober 11.900

Untuk melihat perubahan penjulan perbulan secara cepat , maka di buat grafik sbb
:

Penjualan
25,000
20,000
15,000
10,000 Penjualan
5,000
-
ri ri ret
pr
il ei ni li
Ju stu
s r
be obe
r
nua rua a A M Ju u m t
Ja feb M
Ag epte Ok
S

2.2.3 Penyusunan Tabel Distribusi Frekuensi

Langkah – langkah menyusun table distribusi frekuensi

- Tentukan rentang data , yaitu selisih data terbesar dengn data terkecil.
- Tentukan banyaknya kelas interval , hal yang sering di gunakan adalah
dengan menggunakan aturan Strurges yaitu rumus : b = 1+ 3,3 log ( n ) , di
mana n adalah banyaknya data.
r
- Tentukan lebar atau panjang kelas interval dengan rumus : p= , di mana
b
b = kelas interval dan r = rentang
- Tentukan ujung bawah kelas interval yang pertama ( nilai terkecil ).
- Masukan masing – masing frekuensi berdasarkan kelas interval yang
sesuai.
2.3.1 Ukuran Pemusatan

Rata – Rata

Rata – rata hitung / mean merupakan suatu bilangan tunggal yang di

gunakan untuk menwakili nilai pusat dari sebuah distribusi.

Rumus :

Median

Median merupakan nilai yang membagi serangkaian nilai variable ( data )

sedemikian rupa sehingga setengah dari rangkaian itu mempunyai nilai
yang lebih kecil dari atau sama dengan nilai beda media. Median dapat di
sebut rata – rata letak karena yang mejadi dasar adalah letak variable
bukan nilainya.

Rumus :

Modus
Modus adalah nilai data yang memiliki frekuensi trbanyak. Untuk data
tunggal snagat mudah untuk menentukan modus , yaki dengan mencari
nilai yang paling sering muncul atau frekuensinya paling tinggi>

Rumus :

2.3.2 Ukuran Lokasi

Salah satu ukuran numeric ynag penting adalah ukuran lokasi yaitu
ukuran sepanjang garis horizontal yang letaknya di tengah distribusi data.
Beberapa ukuran lokasi yang akan di bicarakan adalah kuartil , desil ,
persentil.

Kuartil

Kuartil 1 adalah suatu nilai yang berada pada posisi ¼ dari

banyaknya data setelah data tersebut di urutkan.

Kuartil 2 ( median ) adalah suatu nilai yang berada pada posisi ½

dari banyaknya data setelah data tersebut di urutkan.

Kuartil 3 adalah suatu nilai yang berada pada posisi ¾ dari

banyaknya data setelah data tersebut di urutkan.

Rumus :
Keterangan :
Q1 adalah kuartike ke-i
n adalah banyaknya data

Rumus kuartil data berkelompok

Keterangan :
Qi adalah kuartil ke-i
Tb adalah tepi bawah kelas kuartil
p adalah panjang kelas
n adalah banyak data
f adalah frekuensi kelas kuartil
F adalah frekuensi kumulatif sebelum kelas kuartil

Desil

Desil membagi data menjadi sepuluh bagian yang sama besar ,

sehingga letak dari Di ( desil ke – I ) di ringkas :

Keterangan :
Di adalah desilk e-i
n adalah banyaknya data

Rumus desil data berkelompok

D1 adalah desil ke-i
Tb adalah tepi bawah kelas kuartil
p adalah panjang kelas
n adalah banyak data
F adalah frekuensi kumulatif sebelum kelas kuartil
f adalah frekuensi kelas kuartil

Persentil
Jika data di bagi menajdi 100 bagian yang sama , makan ukuran itu
di sebut persentil

Rumus :

Keterangan :
Pi adalah pesentil ke-i
n adalah banyaknya data

2.3.3 Ukuran dispersi

Ukuran penyebaran ini menunjukan suatu variasi dari suatu

distribusi data. Dengan mengetahui variasi suatu data maka kita bias
mengambil kesimpulan secara lebih tepat tentang distribusi suatu data.

Rentang ( range )
 Nilai rentang ini menunjukan selisih antara data yang paling tinggi
dengan data yang paling rendah.

Rumus : range = data terbesar – data terkecil

Simpangan Rata – rata

Untuk menutup kekurangan dari nilai range maka bias di hitung
nilai simpangan rata – rata.
Rumus :

Koefisien Variansi

Koefisien Varinsi merupakah suatu ukuran variansi yang dapat di

gunakan untuk membandingkan suatu distribusi data yang mempunyai
satuan yang berbeda.
Rumus :

Keterangan :

KV = Koefisien Variasi

S = Simpangan Baku

χ = Nilai Rata-Rata
Simpangan Baku dan Variansi

Simpangan baku merupakan ukuran penyebaran yang paling banyak di

gunakan. Dengan menggunakan simpangan rata – rata hasil pengamatan
penyebaran sudah memperhitungkan seluruh nilai yang ada pada data. Namun
demikian karena dalam perhitungan menggunakan nilai absolute maka tidak dapat
di ketahui arah penyebarannya , dnegan simpangan bau kelemahan ini dapat di
atasi.

Rumus :

Rumus yg di gunakan untuk populasi hamper sama , namum pembaginya tanpa di

kurangkan dengan angka 1

2.4.1 Peluang

Kata “ probabiliatas atau “ peluang “ adalah kata yang biasa di pakai

dalam kehidupan sehari – hari. Suatu peristiwa yang mempunyai peluang untuk
terjadi mengandung arti bahwa ada harapan peristiwa itu akan terjadi. Jika ada
kepastian bahwa suatu peristiwa akan terjadi , maka peluang terjadinya peristiwa
itu adalah 1. Jika tidak ada peluang sama sekali , bahwa suatu peristiwa akan
tetrjadi , maka peluangnya adalah 0.

Peluang suatu kejadian

 Salah satu cara mendefinisikan peluang suatu kejadian adalah
megucapkannya dalam frekuensi relative terjadi nya kejadian bersangkutan. Pada
awalnya , peluang di definisikan dalam pengertian yang klasik berikut ini :

Rumus :

Peluang klasik memiliki cirri – cirri atau sifat sifat sbb :

Peluang Bersyarat

Peluang bersyarat B , bila A di ketahui di lambangkan P(B/A)

Kejadian Saling bebas

dua buah kejadian A dan B dapat dikatakan saling lepas apabila tidak ada
satupun elemen yang terjadi pada kejadian A yang sama dengan elemen yang
terjadi pada kejadian B, maka peluang salah satu A atau B mungkin terjadi,
rumusnya ialah:

P(A u B) = P(A) + P(B)

Kaidah Penggandaan. Bila dalam suatu percobaan kejadian A dan B

keduanya dpat terjadi sekalgus , maka P(B   A) = P(B) x P(AB)

Kaidah Penggadaan khusu s. Bila dua keajdian A dan B bebas saling bebas
, maka :

P( A B ) = P ( A ) P ( B )

Kaidah penggadaan umum. Jika dalam suatu proses percobaan kejadian –

kejadian A1, A 2 , ….. , AK dapat terjadi , maka P ( A 1 A2 A3 … AK dapat
terjadi , maka : P ( A1 A2 A3...... AK) = P ( A1).P( A2.I A1)P ( A3 I A 1 A2 )
… P ( AK I A1 A2 … A k-1 )

Jika kejadian – kejadian A1 , A2, A3 ….AK semuanya saling bebas , maka :

P ( A1 , A2 A3 … AK ) = P ( A1).P(A2).P(A3)…P(AK)

Kaidah Baye

Bila kejadian – kejadian B1, B2 10 untuk i= 1,2,…,k, maka untuk

sembarang kejadian yang merupakan bagian S berlaku

P(A)= P(B1)P(A I B1)+ P ( B2)P(A I B2) +…P(BK)P(A I B K)

Jika kejadian – kejadian B1,B2,…BK merupakan sekatan dari ruang S

dengan P(Bi ) 10 untuk i=1,2,…,k, maka untuk sembarang kejadian A yang
bersifat P( A )1 C ,

Untuk r= 1,2,…,k

P ( Br ) P( A IBr )
P( BR I A ) =
P ( B 1 ) P ( A IB 1 )+ P ( B 2 ) P ( A IB 2 )+ …+ P ( Bk ) P( AIBk)
2.4.2 Distribusi Peluang

Variabel random diskret

Dari suatu percobaan seringkali kita tertari terutama pada suatu fungsi
hasil percobaannya bukan pada hasil percobaannya itu sendiri. Sebagai contoh ,
dalam pelemparan dua dadu kita sering tertarik pada jumlah mata dadu yang
muncul dari kedua dadu tersebut , dan bukan pada hasil masing – masing dadu.
Besaran – besaran yang menjadi perhatian kita ini , dalam hal ini jumlah mata
dadu yang muncul untuk pelemparan dadu dan total banyaknya sisi gambar yang
muncul dalam pelemparan mata uang , atau lebih formalnya di sebut fungsi
bernilai real yang di definisikan pada ruang percobaannya ini , di kenal sebagai
variable random.

Fungsi distribusi kumutatif dari variable random X di definisikan sebgai:

F ( x ) = P (X ≤ x ) , untuk suatu bilangan real € R

Distribusi Bernoulli dan Binomial

Pada suatu percobaan yang hanya ada dua hasil yang mungkin yaitu “
sukses “ atau “ gagal “. Fungsi distribusi bernoulli di tuliskan dalam bentuk :

P ( x + i│) =(ni ) p ( 1 – p )
i n-I
dengan I = 0,1,2,…n.

Distribusi Geometrik

Percobaan geometric di definisikan sebagai suatu percobaan pada

percobaan Bernoulli yang di lakukan hingga mencapai sukses yg pertama , jia p
adalah peluang kejadian akan sukses. Fungsi peluang untuk distribusio Geometrik
di definisikan sebagai :

P ( X = x) = ( 1 – p ) x-1 p dengan I = 1,2,3,… dan 0 ≤p ≤1

Distribusi Poisson

Jika variabel random X menyatakan banyaknya hasil percobaan yang

terjadi dalam selang waktu tertentu , dan µ adalah rata –rata banyaknya hasil
percobaan dalam selang waktu tersebut , maka X berdistribusi Poisson denan
distribusi peluang :

e−µ µx
P ( X =x ) = ; x = 0,1,2,…
x!

Variabel Random Kontinu

Variabel random X di katakana variabel random kontinu jika terdapat

fungsi f(x) yang di sebut funsi densitas peluang dari X , sedemikian sehingga
funsgsi distribusi kumulatifnya dapat di tulis seagai :

F(x)= ∫ f ( t ) dt
−∞

Distribusi variabel kontinu yang sering di gunakan dalam penelitian pendidikan

adalah sbb :

- Distribusi Eksponensial
Variabel random X di sebut mempunyai distribusi eksponensial dengan
parameter
λ bila memiliki fungsi kepadatan peluang :

- Distribusi Normal dan normal baku

 Apabila X merupakan sebuah variabel yang mengikuti distribusi normal
dengan rata – rata µ dan simpangan baku σ , maka fungsi densitas untuk X
adalah:

- Distribusi Chi Kuadrat

Variabel Random X berdistribusi chi-kuadrat jika fungsi padatnya
diberikan

Peluang suatu kejadian dalam distribusi Chi kuadrat dapat di hitung dengan

2.5. Sampling dan Disribusinya

2.5.1 Sampling

Pengambilan sampel ( sampling ) dari populasi merupakan proses utama

dalam statistika induktif. Sampling di lakukan karena seorang peneliti tidak
mungkin meneliti seluruh populasi , apalagi jika populasi tersebut relative besar.
Penarikan sampel merupakan proses pemilihan sejumlah elemen dari populasi ,
sehingga dengan mempelajari sampel , suatu pemahaman karaktersistik subjek
sampel akan di mungkinkan untuk menggeneralisasi karakteristk elemen populasi.
 1. Probability Sampling adalah teknik sampling atau pengambilan sampel
yang memeberikan peluang yang sama bagi setiap unsur atau anggota
populasi untuk di pilih menjadi sampel.

Terdapat beberapa metode penarikan sampel yaitu :

a. sampling acak sederhana : dalam teknik ini setiap individu
memiliki peluang atau kesempatan yang sama untuk di jadikan subjek
penelitian.

b. Sampling acak berstrata proporsional ( proportioned stratified

random sampling )
metode ini merupakan suatu prosedur di mana subsample – subsample
acak sederhana di tarik dari setiap strata yang kurang lebih sama dalam
beberapa karateristik. Ada dua macam sampel acak berstrata ,yaitu:

- Sampling acak berstrata proposional : teknik ini di gunakan bila populasi

mempunyai anggota atau unsure yang tidak homogeny dan berstrata secara
proposional.
- Sampling acak berstrata disproporsional : teknik ini di guanakan untuk
menentukan jumlah sampel bila populasi berstrata tetapi kurang
proporsional.

c. Metode sampling berkelompok ( cluster sampling )

metode ini merupakan prosedur penarikan sampel probabilitas yang
memilih subpropulasi yang di sebut klaster , kemudian setiap elemen di
dalam kelompok di pilih sebagai anggota sampel . Teknik sampling ini di
gunakan untuk menentukan sampel bila objek yang akan di teliti sumber
datanya sangat luas. Dalam teknik ini , sebelum memilih klaster , populasi
harus di bagi ke dalam kelompok – kelompok yang bersifat mutually
exclusive.
2. Nonprobability Sampling adalah suatu prosedur penarikan sampel yang
bersifat subjektif. Dalam hal ini , probabilitas pemilihan elemen – elemen
populasi tidak dapat di tentukan. Hal ini di sebabkan setiap elemen
populasi tidak memiliki peluang yang sama untuk di pilih sebagai sampel.

a. Sampling sistematik : merupakan teknik sampling berdasarkan urutan

anggota populasi yang telah di beri no urut.

b. Sampling wilayah : merupakan bentuk sampling klaster dalam suatu

wilayah. Suatu kota yang menunjukan wilayah – wilayah dapat di jadikan
dasar pembentukan sampel wilayah dan selanjutnya bisa di peroleh data
dari penduduk yang berada dalam wilayah – wilayah tertentu.

c. Sampling Kemudahan : merupakan teknik sampling yang prosedurnya

dengan langsung menghubungi unit – unit sampling yang mudah di jumpai
. sering kali teknik ini di lakukan untuk menguji kuesioner atau di gunakan
dalam penelitian eksplorasi.

d. Sampling Pertimbangan : merupakan bentuk penarikan sampel

nonprobabilitas yang di dasarkan pada criteria – criteria tertentu. Kendala
yang di hadapi dalam poenggunaan sampling ini adalah tuntuan adanya
kejelian dari peneliti dalam mendefinisikan populasi dan membuat
pertimbangannya.

e. sampling Kuota : merupakan bentuk lain dari sampling pertimbangan.

Prinsipnya dalah karaterisktik – karakteristik tertentu yang releven yang
menjelaskan dimensi – dimensi populasi. Dalam hal ini , distribusi
populasi harus di ketahui.

f. Sampling Bola Salju : merupakan metode penarikan sampel yang dalam

hal ini responden yang berhasil di peroleh di minta untuk menunjukan
responden lainnya secara berantai. Teknik ini sangat tepat di gunakan bila
populasinya sangat spesifik , yaitu cara pengambilan sampel di lakukan
dengan cara berantai , mulai dari ukuran sampel yang kecil m semakin
lama semakin besar. Dalam pelaksanaanya pertama – tama di lakukan
wawancara terhadapa suatu kelompok atau seseorang responden yang
releven , dan untuk selanjutnya yang bersangkutan di minta untuk
menunjuk calon responden yang berikutnya yang memiliki spesifikasi atau
spesialisasi yang sama.

3. penentuan ukuran sampel : dalam suatu penelitian , penentuan ukuran

sampel ( sampel size ) merupakan hal yang sangat penting untu di
perhatikan , terutama jika penelitian di lakukan dengan cara survey dan
bertujuan untuk memperkirankan nilai karakteristik dari populasi yang di
telit. Dalam menentukan besar sampel , ada banyak alternative rumus
penentuan besar sampel yang bisa di pakai.

a. Tabel Krejcie dan Morgan

Krejcie dan morgan membuat daftar yang bisa di pakai untuk menentukan
jumlah sampel sbb:
b. table Isaac dan Michael
table penentuan jumlah sampel Isaac dan Michael memberikan
kemudahan penentuan jumlah sampel berdasarkan tingkat kesalahan 1 % ,
5 % dan 10 %. Dengan table ini , peneliti dapat secara langsung
menentukan besaran sampel berdasarkan jumlah populasi dan tingkat
kesalahan yang di kehendaki.
c. Aturan Slovin

Berbeda dengan dua table di atas , kita juga bisa menentukan ukuran atau
jumlah sampel dengan formula yang di kembangkan SLovin dengan
margin error yg di perkenakan berkisar antara 5% - 10% ,yakni denga
rumus
N
n=
1+ Nd 2
ket :
n=ukura n sampel yang di butu h kan
N = jumlah populasi
D= batas kesalahan yang di perkenakan ( 5% atau 10% )

2.5.2 Distribusi Sampling

1. teorema Limit Pusat adalah suatu dalil yang sangat penting perannya
dalam distribusi sampling , yang menyatakan bahwa untuk suatu populasi
dengan rata – rata µ dan variansi σ 2 , distribusi sampling rata – rata dari
semua kemungkinan sampel n yang di ambil dari populasi akan
terdistribusi secara normal dengan rata – rata µx dan deviasi standartσ x
, di mana nilai µx sama dengan rata rata populasi ( µ ) dan σ x sama dengan

σ
deviasi standart populasi di bagi akar n atau dengan ansumsi bahwa
√ n'
ukuran sampel cukup besar.
Bila x́ rata- rata ( mean ) sampel acak berukuran n yang di ambil dari
populasu dengan mean µ dan variansi σ x , maka bentuk limit dari
distribusi :
x−µ
´
z=σ
√n
Bila n- ∞ , maka distribusi normal baku N (0 , 1 )

Jika x́ dan s2masing masing adalah mean dan varins dari sampel acak
berukuran n yang di ambil dari populasi normal dengan mean µ dan
varians σ 2 , maka
´ µ❑
x−¿
t= ¿
s
√n
Merpakan nilai variabel random T yang berdistribusi t dengan derajat
bebas v = n-1
Jika s2 varian sampel random berukuran n yang di ambil dari populasi
normal dengan varian σ 2 , maka statistik
 2
(n−1) s
2=¿ 2
¿
σ
x
Berdistribusi Chi Kuadrat x 2 dengan derajat bebas db=n-1

Jika s21 dan s22 adalah varians dua sampel acak bebas yang berukuran n1 dan
n2 yang di tarik dari populasi normal dengan varians σ 12dan σ 22maka :

s 21
σ 21 σ 21 s 2

∫ s2 = σ 2 s2 1

2 1 2
2
σ 2

Berdistribusi F( v1 ,v2) dengan derajat babas v1 = n1−1 dan v 2=n2−1

2. Distribusi Sampling Rata – Rata adalah distribusi probabilitas rata –rata

sejumlah C sampel , N adalah ukuran populasi dan n adalah ukuran
sampel. Distribusi ini memiliki rata – rata µx dan deviasi standar σ x .

σ
Menurut Teorema Limit Pusat , µx = µ dan σ x = . Jika di susun ke dalam
√n
suatu distribusi , rata – rata tersebut sama seperti nilai – nilai dalam
distribusi skor mentah.

3. Faktor Koreksi untuk populasi terbatas

Jika populasi tidak terbatas ( infinite ) maka kita harus melakukan bebrapa
penyesuaian atau koreksi terhadap deviasi standart dari distribusi sampling

σ N −n
dengan cara mengalikan
√n
dengan suatu factor koreksi sebesar
√[ N−1 ]
σ N−n
, sehingga dapat di rumuskan sebagai σ x =
√n √[ N−1 ]
Factor koreksi diperlukan krena jika sampel suatu persentase cukup besar
dari populasinya , kita mengharapkan ukurtan nya kana lebih tepat
daripada ukuran sampel yang kebih kecil. Semakin besar ukuran sampel ,
semakin besar pengurangan kesalahan baku tersebut demikian pula
sebaliknya.

4. Distribusi Sampling Beda rata – rata

Misalnya , kita sedang meneliti 2 populasi , yaitu populasi 1 dan populasi
2 yang masing – masing memiliki ukuran N 1 dan N 2 , kemudian dari
masing – masing populasi tersebut kita mengambil sampel dengan ukuran
n1 dan n2. Pengambilan sampel n1dari populasi N 1 menghasilkan

N1
kombinasi sampel sebanyak [ ]
n1
dan pengambilan sampel n2 dari populasi

N2
N 2 menghasilkan sampel sebanyak
[ ]
n2
. Jika x́ adlah selisih x́ 1 dan x́ 2 '

yaitu , x́=x́ 1−x́ 2 '

Kita akan memiliki x́yang banyak sekali yang membentuk suatu distribusi
normal yang di sebut distribusi sampling beda rata - rata µx −x dan deviasi 1 2

standart atau kesalahan baku σ x −x Keduanya di rumuskan sebagai berikut:

1 2

σ
µx −x =µ1−µ2 dan 2
σ1 σ2
2

1 2 x 1−x 2=
√ ❑+ ❑
n1 n2

5. Distribusi Sampling Proporsi

n( X)
Proporsi populasi , di notasikan dengan π= dengan n ( X ) adalah
n(S)
banyaknya individu yang berkarakteristik X dan n ( S ) adalah total
seluruh individu yang di amati. Distribusi Proporsi berasal dari nilai – nilai
X yang berdistribusi Bernouli , yaitu bernilai 0 dan 1.
X
Andaikan X adalah banyaknya yang berhasil , dan ^p = maka distribusi
n'

X
bagi ^p = dapat di tentukan dengan cara sbb :
n'
Mean :
µ ^p=E ( ^p )= ( Xn )= npn =p
Variansi:

2 σ 2X pq 2
σ =σ = 2 =
^p , di mana q= 1-p
X
n n m

6. Distribusi Sampling Beda Proporsi

Misalkan terdapat 2 populasi binomial ( populasi yang di bedakan menjadi
2 kelompok , seperti merokok dan tidak merokok , setuju dan tidak setuju ,
dsb) dengan ukuran N 1 dan N 2 . dari kedua populasi tersebut masing –
masing di ambil sampel n1 dan n2 .
N1 N2
Kita akan memiliki kemungkinan kombinasi sampel sebesar dan .
n1 n2

N1
dengan kata lain ita memiliki proporsi sampel 1 ( p1 ) sebanyak dan
n1

N2
proporsi sampel 2 ( p2 ¿)sebanyak
¿ n2
Jika p adalah selisih p1dan p2 , maka distribusi romal dengan rata – rata
'

µ p − p dan deviasi
1 2

Stabdart σ p −p . 1 2

x1
p1=
Misalkan dari populsi 1 di peroleh estimasi proporsi , ^ , di mana X1
n1

X2
adalah banyaknya sukses pada sampel 1 . estimasi bagi populsi 2 , ˘^p2=
n2
, di mana X2 adalah banyak sukses pada sampel 2. Distribusi sampling
p1 − ^
bagi selisih dua proporsi , ^ p2 adalah
µ ^p −^p =E ( ^p1− ^p2 )
1 2

µ p − p =P −P
1 2 1 2