FROM SAMPLES TO POPULATIONS

Dari sampel ke populasi

Dalam ilmu sosial, kita sering ingin menemukan sesuatu tentang sekelompok orang
tertentu. Misalnya, kami mungkin ingin mengetahui orang-orang partai mana yang
berencana untuk memilih hari sebelum pemilihan, atau proporsi orang dewasa percaya
bahwa ganja harus dilegalisir.

Kita bisa bertanya kepada semua orang di negara ini pertanyaan ini. Namun akan agak
tidak praktis; Biaya akan sangat besar! Kabar baiknya adalah bahwa kita tidak perlu,
seperti yang dicapai dengan benar, sampel perwakilan bervariasi dengan cara yang
sistematis dan membuat perkiraan yang baik dari hal-hal dalam populasi yang ingin kami
cari tahu. Dengan menggunakan sampel untuk memperkirakan nilai populasi
menghemat sejumlah besar waktu dan uang.

Terjemahan :

Contoh: populasi dan contoh untuk pertanyaan penelitian

1.Apa pendapatan rata-rata pekerja penuh waktu di Inggris Raya? Populasi: Semua
pekerja penuh waktu di Inggris Raya. Contoh: 1000 pekerja penuh waktu dipilih secara
acak oleh nomor asuransi nasional mereka.

2.Berapa banyak waktu remaja Inggris yang melakukan gks menghabiskan pekerjaan
rumah setiap hari? Populasi: Semua remaja Inggris di tahun 10 dan 11. Sampel: Sampel
dari 600 remaja di tahun 10 dan 11 dari pilihan sekolah yang berbeda di seluruh negeri.
3.Proporsi MP Inggris akan memilih masuk ke Euro? Populasi: Semua anggota parlemen
Inggris. Contoh: 100 MPS dengan terampil dipilih untuk mencerminkan anggota
parlemen di berbagai pihak dan wilayah Inggris.

SAMPLING (contoh)

Beberapa titik kunci pada sampling adalah sebagai berikut.

Pertama, populasi harus sangat jelas didefinisikan. Misalnya, tentang pekerja ‘penuh
waktu’:

FROM SAMPLES TO POPULATIONS

Dari sampel ke populasi.

• Berapa jamnya penuh waktu?

• Saya menyimpulkan?

Kedua, properti minat harus jelas didefinisikan dengan jelas. Misalnya, ambil
‘Pendapatan rata-rata’:

• Wha To kita maksudkan dengan ‘rata-rata’: Mean; Median?

• Apa yang kita maksud dengan ‘pendapatan’: Apakah itu termasuk lembur atau mobil
perusahaan, misalnya?

Ketiga, sampel harus mewakili populasi. Meminta 1000 orang di Aberdeen, misalnya,
pendapatan rata-rata mereka tidak akan mewakili Inggris Raya secara keseluruhan.
Kita perlu memilih sampel kita dengan sangat hati-hati untuk meminimalkan:

• Kesalahan sampling
• Kode variabilitas sampling.

Jargon ini dijelaskan di bawah ini.

Types of error in samples(Jenis kesalahan dalam sampel).

Ada beberapa alasan mengapa karakteristik sampel tidak akan identik dengan
karakteristik penduduk.
Tiga jenis kesalahan digambarkan sebagai berikut.

SAMPLING VARIABILITY (Variabilitas Sampling)

Jika kita mengambil sampel berulang dari populasi yang sama, sarana dan standar
penyimpangan sampel yang berbeda tidak akan sama.
 Misalnya, misalkan kita tertarik untuk memperkirakan ketinggian rata-rata kelas kuliah.
Kita mungkin percaya bahwa kita bisa memilih satu baris secara acak dan mengambil
rentang rata-rata orang yang duduk di barisan tersebut sebagai perkiraan. Kami
mengharapkan setiap mean akan berbeda karena kebetulan dan karenanya perkiraan
kami akan bervariasi tergantung pada baris yang dipilih. Bahkan mungkin ada satu artinya
yang sangat berbeda, misalnya jika tim rugby semuanya duduk bersama di barisan
belakang.

SAMPLING ERROR (Kesalahan sampling).

Perkiraan dari sampel (seperti rata-rata) tidak akan sama persis dengan nilai populasi
yang diperkirakan: dengan kata lain perkiraan akan ‘dalam kesalahan’.
Kesalahan ‘Di sini tidak menyiratkan kecerobohan, namun merupakan artefak metode
yang digunakan untuk memilih sampel. Mungkin ada beberapa bias yang terlibat dalam
metode sampling. Misalnya, memilih sampel dari direktori telepon secara sistematis
akan mengecualikannya tanpa telepon dan orang-orang yang ada.

BEGINNING STATISTICS
(Statistik Awal)
Mantan direktori. Kesalahan sampling dapat dikurangi dengan menggunakan metode
optimum untuk memilih sampel.

NON-SAMPLING ERROR (Kesalahan non-sampling) .

Ini adalah kesalahan lain, tidak terhubung dengan metode sampling. Sebagai contoh:

• Pertanyaan survei Poo R RUBAH dapat ditafsirkan oleh responden.

• Pewawancara dapat secara tidak sadar bias hasil atau rekor tanggapan pertanyaan
secara tidak benar.
• Kesalahan dapat dilakukan saat mengkodekan atau mengetik tanggapan.

Ada sejumlah besar teori statistik yang ditujukan untuk memperkirakan kesalahan
sampling dan merekomendasikan strategi sampling optimal yang meminimalkan
kesalahan. Jika ragu menghubungi ahli !! Bagian selanjutnya menjelaskan beberapa
strategi sampling yang paling umum digunakan.

Representative samples (Sampel perwakilan).

Ada dua strategi pengambilan sampel dasar, sebagai berikut.
SIMPLE RANDOM SAMPLE (Sampel acak sederhana).
Dalam sampel acak sederhana, setiap anggota suatu populasi memiliki kesempatan
yang sama untuk dipilih. Ini adalah setara dengan sampel dari undian nasional, di mana
kita menempatkan semua anggota populasi ke dalam topi dan menarik nama mereka.

STRATIFIED SAMPLE (Sampel stratifikasi).

Ini digunakan jika kita tahu ada kelompok tertentu dalam populasi yang mungkin berbeda
satu sama lain.
Misalnya, jika kita tertarik dengan proporsi pemungutan suara anggota parlemen untuk
masuk ke euro, kita tahu bahwa kelompok-kelompok anggota parlemen tertentu dapat
memilih dengan cara tertentu, jadi kami ingin memastikan bahwa kami memasukkan
semuanya. Dengan kata lain kita ingin sampel mencerminkan berbagai strata pada
populasi.
Stratifikasi yang paling umum digunakan dalam banyak sampel adalah dengan seks dan
usia. Ini karena saat Anda bertambah tua Anda sering mengubah pandangan Anda (Julie
akan mengatakan bahwa Anda mendapatkan lebih konvensional, tapi tidak
bersangkutan ini!) Dan pria sering memiliki pandangan yang berbeda kepada wanita.
Berapa banyak anggota masing-masing stratum yang ada dalam sampel?
• Jumlahnya biasanya (tapi tidak selalu) proporsional ke jumlah pada populasi.
• Seringkali ide bagus untuk memasukkan angka yang lebih besar dari variabel yang lebih
variabel dan karena itu kurang dapat diprediksi.

FROM SAMPLES TO POPULATIONS

(Dari sampel ke populasi)

How large should a sample be? (Seberapa besar sampelnya?)

Ini adalah pertanyaan yang rumit!
Ukuran sampel akan mencerminkan ukuran populasi, namun biasanya tidak boleh
sebanding dengan ukuran populasi. Sebagai populasi semakin besar, ukuran sampel
yang dibutuhkan untuk perkiraan yang akurat tidak akan secara proporsional lebih besar
setelah titik tertentu.
Pilihan ukuran sampel akan tergantung pada hal berikut.

VARIABILITY AMONG MEMBERS OF THE POPULATION(Variabilitas di antara anggota

populasi)
Populasi dengan variabilitas yang lebih besar (deviasi standar tinggi) memerlukan ukuran
sampel yang lebih besar. Jika populasi sangat seragam, sampel kecil akan memadai
untuk mendapatkan perkiraan yang akurat. Untuk mengambil ini ke ekstrim yang tidak
masuk akal, jika setiap orang di populasi persis sama maka seseorang hanya perlu
mencicipi satu orang untuk mendapatkan perkiraan ‘sempurna’ dari apa pun yang
mencoba untuk memperkirakan!
LEVEL OF PRECISION NEEDED FOR ESTIMATE (Tingkat presisi yang dibutuhkan untuk
perkiraan)
Ketepatan yang lebih besar yang dibutuhkan, semakin besar sampel yang harus
digunakan. Sampel yang lebih besar akan memberikan perkiraan yang lebih tepat. Perlu
dicatat di sini (seperti yang akan kita lihat nanti) bahwa kenaikan presisi tidak meningkat
secara seragam dengan ukuran sampel. Setelah beberapa saat kenaikan ketepatan
untuk kenaikan ukuran sampel yang konstan menjadi semakin kecil.

COST OF SAMPLING (Biaya sampling).

Sampling bisa sangat memakan waktu dan mahal. Pada akhir hari Anda hanya
mengumpulkan data jika Anda benar-benar perlu. Oleh karena itu ukuran sampel tidak
perlu tidak perlu.

THE SAMPLING DISTRIBUTION FOR THE MEAN (Distribusi sampling untuk rata-rata)
Jangan ditunda dengan judul bagian ini: Ini tidak seburuk kedengarannya!
Kami telah mengatakan bahwa jika kita mengambil banyak sampel dari populasi, sarana
setiap sampel akan sedikit berbeda.
Misalkan kita mengambil lima sampel A ke E, masing-masing dari lima wanita, dan
menanyakan berapa banyak anak yang mereka miliki. Data hipotetis ditunjukkan pada
Tabel 8.1.

Tabel 8.1 Data hipotetis untuk lima sampel dari lima wanita who’s meminta HOP
banyak anak yang mereka miliki

BEGINNING STATISTICS
(Statistik Awal)
Kita kemudian bisa menghitung jumlah rata-rata anak untuk setiap sampel, seperti pada
Tabel 8.2. Misalnya, jumlah rata-rata anak-anak di sampel A akan menjadi:
Tabel 8.2 Jumlah anak-anak untuk lima sampel wanita.

Sarana sampel berbeda disebut contoh sampel.

Jika sampelnya mewakili, sebagian besar sampel berarti akan sangat dekat dengan rata-
rata populasi sejati. Namun sejumlah kecil sampel akan memiliki rata-rata yang jaraknya
jauh dari populasi. Ini mengarahkan kita;

Fakta yang menakjubkan Nomor 1 Distribusi sampel berarti akan kira-kira

mengikuti distribusi normal.

Gambar 8.1 menunjukkan distribusi sampel berarti.

FROM SAMPLES TO POPULATIONS

(Dari sampel ke populasi)
Jika w e-mengambil notbah yang mudah masuk akal, maka:

fakta yang menakjubkan nomor 2 Mean sampel berarti akan kira-kira sama dengan
populasi sejati sebenarnya.
Jika Anda bingung dengan semua cara yang berbeda ini, lihat kembali contoh wanita dan
jumlah anak mereka. Lima berarti pada Tabel 8.2 adalah contohnya. Untuk menemukan
mean sampel ini berarti, kami menambahkan lima sarana bersama dan membagi lima:

Jadi, rata-rata sampel berarti adalah 1,36 anak-anak, dan dari fakta yang menakjubkan 2
sehingga oleh karena itu kita dapat mengatakan bahwa mean populasi mungkin akan
sekitar 1,36 juga.
Dengan kata lain, perkiraan terbaik dari jumlah anak-anak yang rata bagi semua wanita
Inggris adalah 1,36. Sekarang pertimbangkan sampel yang berarti: Apakah mereka akan
bervariasi sebanyak nilai sebenarnya dalam populasi? Pada Gambar 8.2, baris mana
yang menunjukkan distribusi semua nilai pada populasi dan yang menunjukkan
distribusi sampel berarti?

Distribusi dengan penyebaran yang jauh lebih luas adalah distribusi keseluruhan
populasi. Distribusi dengan rentang yang jauh lebih sempit adalah distribusi sampel
berarti.
Mengapa ini?
Nilai untuk keseluruhan populasi akan mencakup beberapa nilai ekstrim

BEGINNING STATISTICS
(Statistik Awal)
Yang membuat jangkauan yang lebih luas. Tapi sarana sampel berarti \ sehingga oleh
pada menghitungnya, Anda akan secara efektif menyingkirkan nilai ekstrim.
Untuk menggambarkan hal ini, jika sampel dari lima wanita memiliki 2, 0,1,1 dan 9 anak-
anak masing-masing:
• Distribusi populasi akan mencakup nilai ekstrim 9.
• Masa sampel E masih akan menjadi 2,6, yang tidak terlalu ekstrem sama sekali.
Mengambil rata-rata moderat efek nilai ekstrim.

Jadi sampel berarti kurang bervariasi daripada nilai sebenarnya pada populasi. Ini berarti
bahwa standar deviasi sampel berarti lebih kecil dari standar deviasi keseluruhan
populasi.
Sebenarnya, sebuah formula untuk menghitung standar deviasi sampel yang berarti.
Deviasi standar dari sampel berarti dikenal sebagai kesalahan standar (SE):

Dengan kata-kata, kesalahan standar sama dengan standar deviasi penduduk yang
dibagi dengan akar kuadrat dari ukuran sampel.
Kami menyebut standar deviasi sampel berarti kesalahan standar (SE) membedakannya
dari standar penyimpangan sampel atau populasi biasa.
Kesalahan standar sangat berguna. Misalnya, karena kita tahu bahwa sampel berarti
mengikuti distribusi normal, kita dapat mengatakan bahwa 68% dari semua sarana
sampel akan terbentang antara rata-rata dan satu kesalahan standar di kedua sisi,
seperti pada Gambar 8.3. Ide ini memungkinkan kita untuk memperkirakan kemungkinan
sampel tertentu berarti jauh lebih besar atau lebih kecil dari rata-rata populasi. Kita dapat

FROM SAMPLES TO POPULATIONS

(Dari sampel ke populasi)
Hitunglah Z-Score untuk contoh berarti untuk melihat seberapa tinggi atau lebih rendah
dari pada rata-rata populasi.
Sebelum melihat beberapa contoh, mari kita sekarang menggabungkan tiga fakta
menakjubkan: bersama-sama mereka dikenal sebagai teorema batas pusat (tanpa
alasan yang nyata!).

Forantsia Teorema Nomor 1: Teorema batas pusat jika sampel ukuran N dipilih dari
populasi, sarana sampel kira-kira didistribusikan secara normal

Seberapa besar sampel yang kita butuhkan untuk ini bekerja?

• Jika distribusi populasi normal, ukuran sampel sekitar 10 atau lebih dibutuhkan.
• Jika distribusi tidak normal (jika sudah miring, misalnya), ukuran sampel harus minimal
30.
Apa gunanya semua ini? Hal ini terutama berguna untuk melihat apakah sampel berarti
Anda telah menemukan berbeda dengan populasi karena adanya (variabilitas sampling)
atau apakah sampel benar-benar sangat berbeda dengan populasi. Ini juga
memungkinkan Anda untuk memperkirakan ketepatan sampel yang Anda ambil.
Contohnya untuk mengikuti beberapa aplikasi dari teorema. Metode ini merupakan
dasar untuk pengujian hipotesis yang diperkenalkan secara lebih formal di Bab 11.

Terjemahan:
EXAMPLE: THE IQ OF STUDENTS
(Contoh: IQ siswa)
IQS pada populasi umum biasanya didistribusikan dengan rata-rata 100 dan deviasi
standar 15. Anda mengambil sampel acak dari 40 siswa dan menemukan bahwa Feir
Mean K3 adalah 107. Mengingat bahwa seseorang siap menerima tindakan FKAT K3,
apakah siswa benar-benar lebih cerah daripada populasi rata-rata?
Apa yang sebenarnya kita coba cari tahu di sini adalah kesempatan sampel dari 40 siswa
yang memiliki IQ rata-rata 107 atau lebih karena kebetulan (bukan kecerdasan yang lebih
tinggi). Hal ini dapat ditunjukkan pada diagram, seperti pada Gambar 8.4.

BEGINNING STATISTICS
(Statistik Awal)

Pertama kita harus mengetahui distribusi sampling untuk cara sampel ukuran 40.
Menurut teorema batas pusat, sarana sampel akan didistribusikan secara normal
dengan:

Selanjutnya kita bisa menghitung Z-Score dengan menggunakan rumus:

Skor Z 2,95 cukup tinggi. Melihat up Z = 2.95 pada tabel normal (Tabel al.l) memberikan
area 0,4984 antara rata-rata dan Z = 2.95. Jadi area di atas Z = 2.95 akan 0,5 – 0.4984 =
0.0016.
Ini memberitahu kita bahwa probabilitas mendapatkan sampel 40 orang dengan IQ rata-
rata 107 atau lebih hanya kebetulan sangat rendah (kurang dari 1%). Oleh karena itu, kita
dapat menyimpulkan bahwa kita memiliki bukti bahwa siswa benar-benar mendapat
kecerdasan yang lebih tinggi daripada populasi umum.
 Perhatikan bahwa meskipun kesempatan mendapatkan sampel dari 40 siswa dengan IQ
rata-rata 107 atau lebih sangat rendah, kesempatan untuk mendapatkan individu dengan
IQ 107 atau lebih jauh lebih tinggi, karena individu bervariasi lebih dari sekedar sampel.
Z-score untuk individu dengan skor 107 akan menjadi:

FROM SAMPLES TO POPULATIONS

(Dari sampel ke populasi)
Melihat skor Z-0,47 pada tabel normal memberi area 0,1808. Oleh karena itu area di atas
z = 0,47 akan menjadi 0,5 – 0,1808 = 0.3192. Jadi, kemungkinan seseorang memiliki IQ
107 atau lebih adalah 0.3192 (sekitar 32%) yang cukup masuk akal.

Terjemahan:
Contoh: Bobot siswa.
Anda memiliki BEPER mengatakan bahwa bobot siswa laki-laki biasanya didistribusikan
dengan rata-rata 70,31 kg dan standar deviasi 2,74 kg. Anda memutuskan bahwa Kuliah
Anda mewakili siswa laki-laki dan bahwa, berat badan, siswa laki-laki akan duduk secara
acak di sekitar teater kuliah. Anda mencontoh barisan belakang dan saat Anda
menimbang sembilan pria yang duduk di sana, berat rata-rata mereka adalah 72,22 kg.
Bisakah hasil ini hove terjadi ove untuk kebetulan, atau tim rugby duduk bersama di
barisan belakang?)
Menurut badan-badan teorema benturan, bobot rata-rata sampel sembilan pria akan
didistribusikan secara normal dengan:

Apa probabilitas memiliki sampel rata-rata 72,22 kg atau lebih? Ini adalah area yang
teduh pada Gambar 8.5.

BEGINNING STATISTICS
(Statistik Awal).
Daerah antara rata-rata dan Z = 2,09 adalah 0,4817 (dari tabel normal, tabel al.l), dan
begitu luas di atas Z = 2,09 akan menjadi 0,5 – 0,4817 = 0,0183.
Kemungkinan sampel pria dari populasi biasa siswa laki-laki yang memiliki berat rata-
rata 72,22 kg atau lebih banyak adalah 0.0183 atau 1,83%; Dengan kata lain
probabilitasnya sangat kecil. Kita harus menyimpulkan bahwa mungkin ada sekelompok
orang yang tidak normal di deretan belakang, mungkin tim rugby (apakah mereka takut
atau apa?).
Terjemahan:
Contoh: pengisian botol
Sebuah peraturan Uni Eropa baru menyatakan bahwa produsen anggur harus memberi
Anda 750 ml di setiap botol jika tidak mereka mendapatkan kesedihan dari Brussels.
Sayangnya mesin pengisian botol tunduk pada variabilitas. Untuk berada di sisi yang
aman, Monsieur de Vin menetapkan mesin pembotolannya hingga memasukkan 755 ml
anggur di setiap botol. Mesin ini memiliki variasi alami yang memberikan standar deviasi
18 ml.

keesokan harinya, Madame Bruxelles, »Inspektur I, datang dan melakukan pemeriksaan

acak dari 3 botol Monsieur de Vin. Apa kesempatan Monsieur De Vin mendapatkan
kesedihan dari Brussels?

Yang ingin kita ketahui adalah proporsi sampel yang akan mengandung kurang dari 750
ml anggur rata-rata, karena Monsieur de Vin akan berada dalam masalah jika rata-rata
sampelnya kurang dari 750 ml. Proporsi adalah bagian yang teduh pada Gambar 8.6.
(Selalu menggambar diagram untuk membantu pertanyaan-pertanyaan ini.)
Kita bisa menggunakan teorema batas pusat, meski kita tidak tahu apakah jumlah dalam
setiap botol biasanya didistribusikan, karena n = 36. Ingatlah bahwa populasi dalam
kasus ini (dimana kita berarti contoh ini daripada 12 botol!) Apakah semua botol
Monsieur de Vin, dan sampel adalah 36 botol yang dipilih secara acak.

FROM SAMPLES TO POPULATIONS

(Dari sampel ke populasi)
Menurut badan benteng pusat, sampel 36 botol akan didistribusikan secara normal
dengan:

Dari tabel normal, area antara rata-rata dan z = -1,67 adalah 0.4525. Jadi daerah di bawah
z = -1.67 akan menjadi 0,5 – 0.4525 = 0,0475. Oleh karena itu kemungkinan botol
Monsieur de Vin gagal dalam tes tersebut adalah 0,0475 atau 4,75%.
Apa yang akan kamu lakukan Risiko itu? Beli mesin yang lebih andal? Tingkatkan jumlah
mesin yang harus diberikan? Salah satu strategi ini mungkin berhasil. Dalam statistik,
kita sering menggunakan risiko 5% sebagai titik cut-off. Dalam contoh ini, kemungkinan
sampel gagal kurang dari 5%, jadi Monsieur de Vin bisa lebih dari 95% yakin sampelnya
akan lulus. Jika dia ingin lebih percaya diri, dia harus mengatur ulang mesinnya untuk
memasukkan lebih banyak anggur di setiap botol (tapi ini akan meningkatkan biaya).
Seperti dalam hidup, ini adalah pertanyaan tentang menimbang risiko, biaya dan
manfaat strategi yang berbeda.
 Guidelines for using the sampling distribution for the mean
(Pedoman untuk menggunakan distribusi sampling untuk mean)
Dari ketiga contoh tersebut, harus jelas bahwa strategi untuk menjawab pertanyaan yang
melibatkan distribusi sampling untuk mean adalah:
1.Temukan ratanya rata dan standar sampel.
2.Buatlah diagram.
3.Hitung Z-Score.
4.Lihatlah ke atas probabilitas di meja normal dan menarik kesimpulan.

Terjemahan:
Pertanyaan praktek
8.1 Pekerja santai dalam pekerjaan tertentu dibayar dengan upah rata-rata £ 4,60 per jam
dengan standar deviasi sebesar £ 0,40. Upah biasanya didistribusikan.
(a) Apa probabilitas pekerja individu yang menghasilkan £ 4,50 atau kurang per jam?
 BEGINNING STATISTICS
(Statistik Awal)

Terjemahan:
(b) Apa probabilitas mendapatkan satu sampel 20 pekerja dengan upah rata-rata £ 4,50
atau kurang?
(c) Apa probabilitas mendapatkan contoh 50 pekerja dengan upah rata-rata £ 4,50 atau
kurang?
(d) Mengapa jawaban Anda ke bagian (a), (b) dan (c) berbeda?
8.2 Pekerja santai di industri lain dibayar rata-rata £ 5,10 per jam dengan standar deviasi
sebesar £ 0,50. Pekerja di perusahaan tertentu percaya bahwa mereka sedang buzep.
Sampel dari 30 pekerja santai dari perusahaan ini memiliki upah per jam rata-rata £ 4,50.
Apakah ini upah rata-rata yang rendah kemungkinan akan terjadi karena kebanyakan atau
pekerja di perusahaan ini benar-benar sulit dilakukan?
Petunjuk: Temukan ratanya rata dan standar sampel dari sampel. Gambarlah diagram
dan temukan Z-Score untuk sampel. Apa probabilitas mendapatkan sampel dengan rata-
rata £ 4,50 atau kurang kebetulan?
8.3 Usia rata-rata saat lahir di Inggris dan Wales adalah 28,5 tahun (kantor untuk statistik
nasional, 1997E). Deviasi standar sekitar 4,6 tahun. Anda percaya bahwa wanita di
daerah yang direbus memiliki kelahiran mereka pada usia yang lebih muda daripada rata-
rata. Anda mengambil sampel 100 kelahiran dari rumah sakit setempat dan menemukan
usia ibu pada saat lahir. Usia rata-rata dalam sampel adalah 28,0 tahun. Apakah wanita-
wanita ini benar-benar memiliki kelahiran pada usia yang lebih muda atau mungkin
bedanya karena variabilitas sampling?