Biostatistik Intermediat 1

7/21/2019 Biostatistik Intermediat 1

http://slidepdf.com/reader/full/biostatistik-intermediat-1 1/127

BiostatistikIntermediat

Indang Trihandini



Metode Pembelajaran

• Student Centered Learning – Modul (chapter)

– Diskusi

– Output (hasil statistik dari program SPSS) – Case based learning

– Tugas

• Prasyarat – Biostatistik Dasar

– Metodologi Penelitian



Deskripsi mata kuliah• Mendapatkan kemampuan menerapkan pendekatan

kuantitatif tingkat intermediet dalam memahami

masalah kesehatan masyarakat serta pemecahannya

Pokok bahasan teknik biostatistik deskriptif dan

inferensia! sampai menerapkan beberapa teknikstatistik tingkat lan"ut yaitu analisis regresi linier!

analisis #arians dan analisis regresi logistik! analisis

Sur#i#al Mata a"aran ini menggunakan Bahasa

$ndonesia sebagai bahasa penyampaian danmenggunakan bahasa $nggris pada buku ru"ukan



Subkompetensi

• Mahasis%a mampu men"elaskan lingkup dan

peran biostatistik dalam area kesehatan

masyarakat (C&' ' P&)

• Mahasis%a mampu membedakan "enis data dan

skala #ariable dalam riset penelitian kesehatanmasyarakat (C' *' P)

• Mahasis%a mampu menerapkan teknik statistic

deskriptif (ukuran pusat! #ariasi! dan posisi)

sesuai skala #ariable (C*' ' P)• Mahasis%a mampu men"elaskan teori dasar

peluang dan membedakan beberapa sebaran

peluang teoritis tersering diterapkan pada data

riset kesehatan masyarakat (C' *' P)



Subkompetensi

• Mahasis%a mampu menerapkan cara

mengeksplorasi data! mengenali kualitas data!

dan men"elaskan teknik imputasi yang dapat

dipakai pada data riset kesehatan masyarakat

(C*' ' P&)

• Mahasis%a mampu menerapkan metode statistic

inferensia dengan estimasi dan u"i hipotesis

statistic berdasarkan skala #ariabel (C*' *' P*)

• Mahasis%a mampu menerapkan analisis statisticu"i +! u"i t! u"i chi,s-uare! asosiasi dan korelasi

sederhana sesuai "enis data! skala #ariable dan

rancangan penelitian (C*' *' P*)



Subkompetensi

• Mahasis%a mampu menerapkan teknik

pengambilan sampel dari populasi pada riset

kesehatan masyarakat (C*' *' P*)

• Mahasis%a mampu menerapkan analisisbiostatistik lan"ut. regresi linier ganda! regresi

logistic ganda! analisis #arians ganda (C*' *'

P)

• Mahasis%a mampu menelaah kesalahan dalamanalisis biostatistik dan interpretasinya dalam

riset kesehatan masyaraka (C/' *' P*)



Subkompetensi

• Mahasis%a mampu mengorganisasikan

penya"ian hasil analisis biostatistik berdasarkan

data riset kesehatan masyarakat maupun

registrasi #ital! baik secara tertulis dan lisan!ditu"ukan kepada professional kesehatan

masyarakat maupun kalangan a%am (C/' /'

P/)



MATRIKS KEGIATAN

Pertemuanke-

Sub-kompetensi

Tahap Pembelajaran

Pokok Bahasan

Media

KriteriaPenilaian(Indikator)

O L Teknologi

(!) (!) (!)

&

& 01 1 &12ingkup dan peranbiostatistik

2aptop! 2CD3e#ie%Makalah(indi#idual) 41 /1 &1 5ariabel dan data

2aptop!2CD! artikel

di "urnal

& * /1 /1 1Statistik deskriptif.ukuran pusat! ukuran#ariasi! ukuran posisi

2aptop!2CD! artikeldi "urnal!perangkatlunakstatistik

Diskusi 6elp!Presentasi

& * /1 /1 1Penya"ian data. tabelmaster! tabelfrekuensi! tabel silangdan grafik

2aptop!

2CD! artikeldi "urnal!perangkatlunakstatistik




Pertemuanke-

Sub-kompetensi

Tahap Pembelajaran

PokokBahasan

Media

KriteriaPenilaian

(Indikator)

O L Teknologi

(!) (!) (!)

/ 41 /1 &1

Peluang 7sebaranpeluangteoritis

2aptop!2CD!perangkatlunakstatistik


4 41 /1 &1 8ksplorasiData

2aptop!

2CD!perangkatlunakstatistik


9 41 /1 &1ImputasiData

2aptop!2CD! artikeldi "urnal!perangkat

lunakstatistik


* : 41 /1 &1 Sampel





Pertemuanke,

Sub,kompetensi

Tahap Pembela"aran

PokokBahasan

Media6riteria

Penilaian($ndikator)

O 2 ; Teknologi

(<) (<) (<)

/

9 41 /1 &1Statisticinferensia.u"i hipotesis



= 41 /1 &1Teknik u"istatisticsederhana

4 = 41 /1 &1

Teknik u"i

statisticsederhana



6 0 41 /1 &1

nalisisstatistik#ariabelganda.analisisregresi linier


Presentasimakalahindi#idu

= ;TS



Pertemuanke-

Sub-kompetensi

Tahap Pembelajaran

Pokok Bahasan

MediaKriteria

Penilaian(Indikator)

O L Teknologi

(!) (!) (!)

: 0 41 /1 &1

nalisis statistik#ariabel ganda.analisis regresilogistik



0 0 41 /1 &1 ;kuran 3isiko

2aptop!2CD! artikel

di "urnal!perangkatlunakstatistik


10 0 41 /1 &1 nalisis statistik#ariabel ganda.

analisis #arians

2aptop!2CD! artikeldi "urnal!perangkat

lunakstatistik

Presentasimakalah

indi#idu

11 2.9 50 40 10 Analisis statistikSurvival1





Pertemuanke-

Sub-kompetensi

Tahap Pembelajaran

Pokok Bahasan

MediaKriteria

Penilaian(Indikator)

O L Teknologi

(!) (!) (!)

12 2.9 50 40 10 Analisis statistikSurvival2



&* &1 /1 41 &16esalahan pada

statistik

2aptop!2CD! artikel

di "urnal

Presentasimakalah

indi#idu

&/ && 1 =1 &1Penya"ian hasilanalisis biostatistik

2aptop!2CD! artikeldi "urnal!perangkatlunakpenya"iandata


3e#ie%

&9 ;SMC>8ssay



Penilaian

Bentuk Instrumen "rekuensi Bobot (!)

Tugas Kelompok 2embar penilaian &4

Tugas Indi#idu 2embar penilaian 12 1

TS Soal u"ian & 4$S Soal u"ian & /1

Total &11



Pedoman Kriteria Penilaian

%ilai $ngka %ilai &uru' Bobot

*+,, /!11

,* , *!=1.*, B? *!*1

.,*. B *!11

/*., B, !=1

/,*/ C? !*1*/, C !11

0,* D &!11

0, 8 1!11



Tanal Praktikum Indi!idu

• Oktober 1&4

• 0 Oktober 1&4

• *1 Oktober 1&4



Session "

•

Pertanyaan• Sur#ei! 3egistrasi

• $nduksi #s deduksi

• Skala #ariabel• @enis #ariabel. dependen #s independen'

• @enis data. primer! sekunder! tersier

• Data berkelompok #s $ndi#idu• Data rutin #s ad hoc



Session "

• ;kuran pusat! ukuran #ariasi! ukuran

posisi

• Tabel master! tabel frekuensi! tabelsilang

• Arafik. histogram! ogi#e! stem7leaf! bo,

plot! bar! garis! scatter



Session #

• Teori dasar peluang! hukum

penambahan 7 perkalian' peluang

kondisional 7 independen'• Sebaran peluang teoritis. +! t! binomial'

• Sebaran sampel 7 Teorema 2imit Pusat'



Session #

• Cara eksplorasi data dengan statistik 7

grafik

• Simpulan kualitas data• Bias

• @enis imputasi data



Session $

• Besar sampel untuk estimasi 7 u"i

hipotesis'

• Teknik sampling random. sederhana!sistematik! stratifikasi! klaster



Session %

• 8stimasi. titik 7 selang

• 6onsep kepercayaan 7 kekuatan studi

• ;"i hipotesis statistik' u"i satu atau duaarah



Session &

• ;"i +! u"i t!

• ;"i chi,s-uare!

• 6orelasi (r dan rs)!• sosiasi pada tabel silang (koefisien O3!

33! C)



Session '

• nalisis regresi linier sederhana 7 ganda



Session (

• nalisis regresi logistik sederhana 7

ganda'



Session )

• nalisis #arians satu arah 7 ganda arah



Session "*

• Sur#i#al analysis



Session ""

• Co regression



Session "#

• $nterpretasi

• 6esalahan dalam praktikterapan analisis

statistik'• 6esalahan dalam menyimpulkan hasil

analisis statistik



Session "$

• Penya"ian hasil analisis biostatistik riset

atau registrasi #ital dengan

narasitulisan• Penya"ian lisan hasil analisis biostatistik

dengan bantuan media



Session "%

• Critical re#ie%



Da+tar Rujukan

•3umsay! Deborah Intermediate Statistics for Dummies$ndianapolis! $ndiana! ;S. iley Publishing $nc 11=

• Prasetyo! Sabarinah' $%an ria%an Biostatistik Dasar untuk

Rumah Sakit, Bahan Ajar. Depok ;$. E6M;$! 11:

• Manfred Stommel! PhD' 6atherine @ Dont"e! PhD! EFP,BC!

Statistics for Advanced Practice Nurses and HealthProfessionals, Springer Publishing Company! 1&/

• Da#id M 2e#ine! PhD' Da#id E Stephan Even You Can Learn

Statistics! Second 8dition Pearson 8ducation! $nc1&1

• ndy Eield! Discovering Statistics Using Spss! Sage! 110

• Mendel Suchmacher' Mauro Aeller! Practical Biostatistics A User-Friendly Approach for Evidence-Based edicine! 8lse#ier $nc! 1&

• nders 6allen Understanding Biostatistics @ohn iley 7 Sons! 1&&



Sesi "

6OFS8P DS3 STT$ST$6 . induktif Gdeduktif! parameter G statistik! populasi Gsampel! stat deskriptif G stat inferensial! data G#ariable (pembagian #ariable.noir dan

katagorikal G numeric) M8TOD8 STT$ST$6 . pengumpulan data!

pengolahan data! penya"ian data dan analisisdata

3$FA6SF DT . numerik (mean! median!mode! #arian!standar de#iasi! koef #ariasi!$>3 ) dan kategorik ( proporsipersentase)



Deduksi,Induksi

Pendekatan scientific melalui logika Dua "enis penalaran! yaitu Penalaran Deduktif dan

Penalaran $nduktif Penalaran deduktif merupakan prosedur yang

berpangkaldari obser#asi dan berakhir pada suatu

kesimpulan atau pengetahuan baru yang bersifat lebihkhusus Metode ini dia%ali dari pembentukan teori!konsep!

hipotesis! definisi operasional! instrumen danoperasionalisasi

Penalaran induktif merupakan prosedur yang berpangkaldari hasil pengamatan empirik dan berakhir pada suatukesimpulan atau pengetahuan baru yang bersifat umum

6edua penalaran tersebut dapat digunakan secarabersama,sama dan saling mengisi



Populasi dan Sampel

tribut dan Subyek

• Penelitian biasanya menyangkut sasaranberupa atribut dari subyek tertentu (subyekpemilik atribut)

Populasi dan Sampel• da populasi dan sampel atribut (data) dan ada "uga populasi dan sampel subyek (responden)



STATISTI-S

Types of data

Normal distribution

Describing data

Boxplots

Standard deviationsSkewed distributions

Sample size

Statistical errors

Power calculations

Clinical vs statistical signicance

Problem of multiple tests

Paired t test

!N"#!

$epeated measures !N"#!

C%i&s'uare test

$egression

Condence intervals (C)s*

Correlation

Summary of common tests

Subgroup analyses

Two&sample t test

Parametric vs Non&parametric

Non&parametric tests

+ann&,%itney - test

C) (di. between two proportions*

/ogistic regression

Survival analysis

!bsolute and $elative $isks

Number Needed to Treat (NNT*

Summaries of proportions

"dds and "dds $atio



DATA

Data adalah bentuk kata "amak! sedangkan

bentuk tunggalnya adalah datum Data

diperoleh melalui pencatatan (recording )

terhadap berbagai hal di institusi pelayanankesehatan! "umlah dan "enis obat,obatan yang

diberikan kepada pasien! "umlah dan "enis

bahan laboratorium yang dipakai! besarnya

uang yang dikeluarkan untuk pembelian barang! "umlah ke"adian infeksi nosokomial pada pasien



Sumber data

Data di rumah sakit atau puskesmas atau klinik

dapat dikumpulkan secara rutin! dan dapat

disebut sebagai data rutin1 Hal ini dikenal

dalam sistem pencatatan dan pelaporan rumahsakit Famun kadang kala institusi tersebut

mengadakan pengumpulan data yang sifatnya

temporer! atau se%aktu sa"a! hal ini dapat

sebut sebagai data ad ho2 Sur#ei yangdilakukan se%aktu,%aktu sa"a menghasilkan

data ad hoc



Data Primer !s Data

Sekunder

Data pri"er adalah data yang diperoleh

dari proses pengumpulan yang dilakukan

sendiri langsung dari sumber datanya yaitu

subyek yang diteliti

Data se#under adalah data diperoleh dari

institusi yg telah mengumpulkan datanya!atau tidak langsung dikumpulkan dari

sumber data yaitu subyek yang diteliti



Data Indi!idu !s Data

Areat

Data yang diperoleh melalui pengukuran padasatu subyek atau indi#idu dapat disebut sebagaidata indi#idu1 Contohnya seperti pengukurankadar hemoglobin! lama hari ra%at pasien! biayapera%atan tiap pasien Dapat pula diperoleh datapersen pasien infeksi nosokomial tiap bangsal

pera%atan 6arena unitnya adalah bangsalpera%atan! yang terdiri dari para pasien! makadapat disebut sebagai data agregat3 yaitu berupaagregasi (kumpulan) pasien dalam setiap bangsal



Data erpasanan !s Data

erkelompok

Data diperoleh dari pengukuran berulang (repeated"easures) pada subyek yang sama! maka data yangdiperoleh disebut sebagai data berpasangan ataudependen ( paired data) Misalnya data tekanan darahpasien sebelum diberi obat dan sesudah diberi obat!pengetahuan pasien tentang penanggulangan asmasebelum dan sesudah penyuluhan diberikan di ruangtunggu pasien

Sedangkan data yang diperoleh dari subyek kelompokyang berbeda! misalnya data lama hari ra%at pasienpada kelompok yang dira%at di ruang kelas satu dankelas dua' atau kelompok pasien tinggal di daerahurban atau kelompok rural disebut data berkelompok

atau data independen



Trans+ormasi Data

Mendapatkan informasi selalu dia%ali olehproses yang bera%al dari data! atau denganhasil trans'ormasi data Sehingga dapatdiartikan bah%a informasi haruslah sesuatu

yang siap pakai untuk mengambil keputusan 4ata (pendekatan kuantitati')! segala sesuatu

terukur secara "elas (dengan angka)! prosestersebut dikenal sebagai prosedur statistik

Prosedur statistik dimulai dari pengumpulandata! pengolahan dan penya"ian data! sertaanalisis dan penyimpulan yang merupakaninformasi



• Nominal : gender, type of customer(loyalty), flavor/color liked, etc.

• Ordinal/Ranking :type of user, preferred

brand, brand awareness, etc.• nterval: !ttitudinal or satisfaction scales.

!re you satisfied wit" your education at # of $%

&issatisfied 'atisfied• Ratio: ncome, price willing to pay, age, etc.

* &!!

3 4 521



Type of

Measurement

Fominal

T%o

categories

More thant%o categories

Ere-uency tableProportion (percentage)

Ere-uency table

Category proportions(percentages)

Mode

Type of

descripti#e analysis



3atio means

Type of

MeasurementType of

descripti#e analysis

Ordinal3ank order

Median

$nter#al rithmetic mean



Data dari skala Kateorik

.Analisis Deskripti+/

–Ukuran konsentrasi:Proporsi/Ratio/Rate

–Ukuran dispersi: StandarDeviasi

+



Data dari skala numerik .Analisis

Deskripti+/

• Data ini diringkaskan dalambentuk ukuran konsentrasi nilai (nilai tengah) dan

ukuran dispersi/ penyebaran nilai – Ukuran konsentrasi: Mean/

Median/Mode/ koefisien/

indeks – Ukuran dispersi: Standar

Deviasi

+-



0e!el Penukuran

Fominal 3atio$ncreasing a%ility to use higher level statistical analyses

• Fon,parametric testing is generally performed

%ith nominal and ordinal le#el data

• Parametric testing %ith inter#al and ratio

Summari1in 2ualitati!e Data



Summari1in 2ualitati!e Data

Ere-uency Distribution (sho%s ho% many)

3elati#e Ere-uency Distribution (sho%s %hat

fraction)

Percent Ere-uency Distribution (sho%s %hat

percentage)

Bar Araph

Pie Chart

Both these are graphical means for displaying

any of abo#e



A frequency distriuti!n is a taular summary !f data s"!#in$ t"e frequency %!r numer& !f items in eac" !f several n!n!verlappin$ classes.

A frequency distriuti!n is a taular summary !f data s"!#in$ t"e frequency %!r numer& !f items in eac" !f several n!n!verlappin$ classes.

'"e !(ective is t! pr!vide insi$"ts a!ut t"e data t"at cann!t e quickly !tained y l!!kin$ !nly a

t"e !ri$inal data.

'"e !(ective is t! pr!vide insi$"ts a!ut t"e data t"at cann!t e quickly !tained y l!!kin$ !nly a

t"e !ri$inal data.

)requency Distriuti!n



DES-RIBING DATA

+0!N!verage or arit%metic mean of t%edata

+0D)!N

T%e value w%ic% comes %alf way

w%en t%e data are ranked in order

+"D0 +ost common value observed

• )n a normal distribution1 mean and median are t%e

same

• )f median and mean are di.erent1 indicates t%at t%edata are not normally distributed

• T%e mode is of little if any practical use

0ih t d t



0ihat data333

• 8ksplorasi dataI

– Mengenali data yang hilang

– Mengenali data yang salah salah

se%aktu.

• 8ntry data• Catat data

• 8diting 7 cleaning data

• Proses koleksikumpul data



Data Anal4sis

*!n+rmat!ry,-pl!rat!ry



Apa akibat data salah atau

hilan5

• Bentuk sebaran data konsekuensi.

– Statistik deskriptif G nilai yg disa"ikan

– Statistik inferens J sebaran peluang teoritis



56

Eksplorasi Data

• Mengetahui sifat data

• Beberapa cara eksplorasi.

& Descripti#e statistics. mean K median Histogram! Stem 7 leaf

* Bo plot

/ Formal Probability Plot4 Aoodness of Eit Test . 6,S test

St ti tik D k i ti+



5

Statistik Deskripti+

• ;kuran Pusat (Central &endency )• Mean K (ΣLi) n

• Median K Obser#ed #alue at the mid

• Modus K The most fre-uent obser#ed

• Proportion K (Σ L ) (Σ L ?B)

• 5ariasi• Standard de#iation K Σ(Li,L)N (n,&)

• 3ange K ma , min• Posisi

• >uartile K >&! >! >*

• $nter >uartile 3ange K >* G >&

T b l S b 6 k i



Tabel Sebaran 6rekuensi

•

• Tabel +1 Pasien patah tulang di ra5at di P4

• 6S 73 8an +99

• Umur (th) Frekuensi %•

• 15-19 7 4,7

• 20-24 18 12,3

• 25-29 21 14,3

• 30-34 30 20,4

•

35-39 28 19,0• 40-44 27 18,4

• 45-49 16 10,9

•

• Jumlah 147 100,0



Pareto Diaram



60

Bentuk5



61

Bentuk5



62

Bentuk5



6/

Bentuk5 Modus5



Stem 7 0ea+

• Batang Daun

• & !/!4

• 1!&!&!*!4!9!=

• * !/!4!4!9!9!9!:!0

• / *!/!/!9!9!=!=!0!0!0

•

4 &!*!/!4!9!=!:!0• 9 &!*!/!/!9!:

• = 1!&!/!4



Stem and 0ea+

• fre-uency distribution table that

pro#ides a #isual picture of the

distribution



Stem and 0ea+

• 8ach ra% score has t%o parts. a stem!

consisting of all but the last digit! and the

leaf! the last digit in the number



Stem and 0ea+

urrent !alar" !tem-an#-$ea &l't

Freuen" !tem * $ea

2+00 1 + 55

2+00 2 + 47

6+00 3 + 001234

3+00 4 + 016

1+00 5 + 0

2+00 tremes (./81250)

!tem i#th 10000

ah lea 1 ase(s)

Each stem represents 10 thousand,



urrent !alar" !tem-an#-$ea &l't Freuen" !tem * $ea

2+00 1 + 55

2+00 2 + 47

6+00 3 + 001234

3+00 4 + 016

1+00 5 + 0

2+00 tremes (./81250)

!tem i#th 10000

ah lea 1 ase(s)

p ,so the 1 (stem) = 10,000

There are two cases (frequency=2) with 15,000,

two cases with 20,000 (actually, 24,000 and 2,000),! cases with "0,000 ("0, "0, "1, "2, "", and "4

thousand) in this data set#



Stem and 0ea+ in SPSS

• To create a stem and leaf in SPSS! select the

follo%ing.

•

nalye• Descripti#es

• 8plore

• Select stem and leaf in plotsQ

• Click continue

• Click O6

Stem 7 0ea+ Plot



0

Stem 7 0ea+ Plot

•Histogram like picture

• &st digit of each data #alue is placed in thestem! 7 nd digit in the leaf

• 8g Data. /! &! /9! 90! :=! 0! */! 40! :&! 0=! 9/! 91! :=! :&! 90! ==!

=4! /=! =*! :! 0&! =/! =1! 94! :9! :=! 9=! 90! /0! 4=! 44! 9:! =/! 99! :&!01! =4! :! *=! 0/

• & 0

• * / =

• / 9 = 0

• 4 0 = 4• 9 0 / 1 0 4 = 0 : 9

• = = 4 * / 1 / 4

• : = & = & 9 = &

• 0 = & 1 /

•



Bo8,plot

&1:F K

A3O;P

diseasehealthy

T r e a d m i l l t i m e

i n

s e c o n d s

&/11

&)11

&111

:11

911

/11

&4



Bo8 Plot

• Aunakan >&! >! >*

• Batas ima"iner. – Pagar dalam. &!4R$>3 dari >& atau >* – Pagar luar. &!4R$>3 dari Pagar dalam

• Data ada di luar pagar luar K – 8treme Outlier

• Data ada di antara P2 7 PD K – Potential outlier



Bo8plot -omponents



Bo8 Plot

Aunakan >&! >! >*

Batas ima"iner.

Pagar dalam. &!4R$>3 dari >& atau >*Pagar luar. &!4R$>3 dari Pagar dalam

Data ada di luar pagar luar K8treme Outlier

Data ada di antara P2 7 PD KPotential outlier

Bo8 Plot



76

Bo8 Plot

R

OE $E >& > >* $E OE

Min Ma

5ariasi tinggi rendah (J$>3)

$dentiifikasi pencilan nilai ekstrim

Bentuk Simetris atau tidak



Measures o+ dispersion

• 3ange Distance bet%een the highest and lo%est

scores in a distribution'

• sensiti#e to etreme scores'• compensate by calculating inter-uartile range

(distance bet%een the 4th and =4th percentilepoints) %hich represents the range of scores for

the middle half of a distribution;sually used in combination %ith other measuresof dispersion



Rane

Source.

5551animatedso't5are12om: statglos:sgrange

1htm

http://www.animatedsoftware.com/statglos/sgrange.htm






Source.

http.psecs#teduSoScicon#ertedDispersion$bo

Dianosti9s :ith Bo8plots



Dianosti9s :ith Bo8plots

;isuali1ation Te9hni<ues= Bo8 Plots



;isuali1ation Te9hni<ues= Bo8 Plots

–

$n#ented by @ Tukey – nother %ay of displaying the distribution of data – Eollo%ing figure sho%s the basic part of a bo plot

!utlier

10t" percentile

25t" percentile

5t" percentile

50

t"

percentile

10t" percentile

Bo8 Plot



2

Bo8 Plot

• R

•

• OE $E >& > >* $E OE

• Min Ma

• 5ariasi tinggi rendah (J$>3)

• $dentiifikasi pencilan nilai ekstrim

• Bentuk Simetris atau tidak



Diaram Pie

ya

tidak



Diaram Bar

A3O;P

diseasehealthy

C o u n t

&14

&11

04

01

:4

:1

=4

Bar Diaram



Bar Diaram

8ducation

CollegeFo College

C o u n t

91

41

/1

*1

)1

&1

1

Status

&

1



Bar Diaram

8ducation

CollegeFo College

C o u n t

41

/1

*1

)1

&1

Status

1

&

S



S9atter Plot

hasil coba pertama

)1&:&9&/&)&1

h a s i l c o b a

a k h i r

&:

&9

&/

&)

&1

:

9



S9atter plots

• s2atter plot illustrates the relationship

bet%een t%o continuous #ariables



• scatter plot

illustrates the #aluesof (#ertical ais)

#ersus the

corresponding #aluesof L (horiontal ais)

S9atter plots



• Scatter plots can pro#ide ans%ers to thefollo%ing -uestions.

• re #ariables L and correlatedI(as one #ariable goes up! the other #ariablegoes updo%n)

S9atter plots



• Scatter plots can pro#ide ans%ers to thefollo%ing -uestions.

• $s there a linear relationship bet%een L andI (as one #ariable goes up! the other#ariable goes updo%n)

S9atter plots

8

7



S9atter plots

• Scatter plots can pro#ide ans%ers to the follo%ing

-uestions.

•

$s there a cur#ilinear relationship bet%een #ariablesL and I (s goes up L goes up! then at a peak!

as L continues to go up! goes do%n

X

1086420

Y

6

5

4

3

2

1

0

8

7



S9atter plots

• Scatter plots can pro#ide ans%ers to the follo%ing

-uestions.

•

$s there a cur#ilinear relationship bet%een #ariablesL and I (s goes up L goes up! then at a peak!

as L continues to go up! goes do%n

X

1086420

Y

6

5

4

3

2

1

0

&11111

:1111



S9atter plots

• Scatter plots can pro#ide ans%ers to the

follo%ing -uestions.

• re there outliersI (Do one or more pointsstray from the trendI)

Current Salary

&/1111&1111&11111:111191111/111111111

B e g i n n i n g

S a l a r y

91111

/1111

1111

1

G +ik G i



Gra+ik Garis

2

342

43

52

53

6263

72

73

32

bl&4 bl&5 bl&6 bl&7

$8+elati

$8+awar

$8!nggrek

Pl t 22



96

Plot 22

4es2ripti#es

)11* =/ & 19) /0MeanFilai (supan

Statist ic Std 8rror



9

&=0)*/

))&4&4

&0:1&1

&:=&41

0)49:

09)&)*

91&

/11&

*/11

&4&9

)0& )99

,0:) 4)9

2o%er Bound

;pper Bound

04< Confidence

$nter#al for Mean

4< Trimmed Mean

Median

5ariance

Std De#iation

Minimum

Maimum

3ange

$nter-uartile 3ange

Ske%ness

6urtosis

2ema k 3esponden

Dot Plot



One of the simplest graphical

summaries of data is a dot plot

horiontal ais sho%s the range of

data #alues

Then each data #alue is represented bya dot placed abo#e the ais

Dot Plot



50 60 0 0 90 100 1150 60 0 0 90 100 110

*!st %&*!st %&

'uneup 3arts *!st

8 8 88888 8888888888 88 8 88 8 8 888 8 888 8 88888 8888888888 88 8 88 8 8 888 8 88

888 88 8 8 88 88 8 8 88 88 88 88 88 8 88 88 88 88 88 8 8

!t used muc" anym!re. *!mm!n#"en $rap"ical dra#in$ t!!ls #ereprimitive.

>istoram



An!t"er c!mm!n $rap"ical presentati!n !f

quantitative data is a "ist!$ram. '"e variale !f interest is placed !n t"e "!ri!ntal a-is.

A rectan$le is dra#n a!ve eac" class interval #it"

its "ei$"t c!rresp!ndin$ t! t"e intervalUs frequency relative frequency !r percent frequency.

7nlike a ar $rap" a "ist!$ram "as n! natural separati!n et#een rectan$les !f ad(acent classes.

In inf!rmal discussi!ns ar $rap"s and"ist!$rams are !ften equated. In t"is classy!u s"!uld e careful t! keep t"em strai$"t.

>istoram



22

44

66

1010

1212

1414

1616

11

PartsCost (9*

PartsCost (9*

: r e ' u e n c y

: r e ' u

e n c y

50−59 60−69 0−9 0−9 90−99 10011050−59 60−69 0−9 0−9 90−99 100110

'uneup 3arts *!st

>istoram .-ommon 9ateories/



Symmetric

– 2eft tail is the mirror image of the right tail – 8amples. heights and %eights of people

>istoram .-ommon 9ateories/

8 e l a t i v e ) r e q u e n c

y

8 e l a t i v e ) r e q u e n c y

.05.05

.10.10

.15.15

.20.20

.25.25

./0./0

./5./5

00



Ske:ness o+ distributions

• Measures look at ho% lopsideddistributions are — ho% far from theideal of the normal cur#e they are

• hen the median and the mean aredifferent! the distribution is ske%ed

The greater the difference! thegreater the ske%



• Distributions that trail a%ay to the left are

negati#ely ske%ed and those that trail

a%ay to the right are positi#ely ske%ed

• $f the ske%ness is etreme! the

researcher should either transform the

data to make them better resemble a

normal cur#e or else use a different setof statistics — nonparametric statistics — to

carry out the analysis

Di++erent Shapes o+



Di++erent Shapes o+

Distributions

Source. http.faculty#assaredulo%ryf11/gif



Ske:ness o+ distributions

Source. http.%%%polityorgahtmlgo#docsreportsaidsimagesimage1gif

Distribution of posting frequency on Usenet



>istoram



Moderately Ske%ed 2eft

– longer tail to the left – 8ample. eam scores



.05.05

.10.10

.15.15

.20.20

.25.25

./0./0

./5./5

00

>istoram



Moderately 3ight Ske%ed

– 2onger tail to the right – 8ample. housing #alues



.05.05

.10.10

.15.15

.20.20

.25.25

./0./0

./5./5

00



>istoram

Highly Ske%ed 3ight – #ery long tail to the right

– 8ample. eecuti#e salaries



.05.05

.10.10

.15.15

.20.20

.25.25

./0./0

./5./5

00



Kurtosis

• Measures of kurtosis look at ho% sharply

the distribution rises to a peak and then

drops a%ay



*umulative Distriuti!ns



*umulative frequency distriuti!n− s"!#s t"e numer !f items #it" values less t"an !r equal t!

t"e upper limit !f eac" class..

*umulative frequency distriuti!n−

s"!#s t"e numer !f items #it" values less t"an !r equal t! t"e upper limit !f eac" class..

*umulative relative frequency distriuti!n G s"!#s t"e pr!p!rti!n !f items #it" values less t"an !r equal t! t"e upper limit !f eac" class.

*umulative relative frequency distriuti!n G s"!#s

t"e pr!p!rti!n !f items #it" values less t"an !r equal t! t"e upper limit !f eac" class.

*umulative percent frequency distriuti!n G s"!#s

t"e percenta$e !f items #it" values less t"an !r equal t! t"e upper limit !f eac" class.

*umulative percent frequency distriuti!n G s"!#s

t"e percenta$e !f items #it" values less t"an !r equal t! t"e upper limit !f eac" class.

-umulati!e Distributions



Hudson uto 3epair

59

69

9

9

99

109

*!st %& *umulative)requency

*umulative8elative

)requency

*umulative3ercent

)requency

2

15

/1

/

45

50

.04

./0

.62

.6

.90

1.00

4

/0

62

6

90

100

2 : 1/ 15;50 ./0%100&

<$ive



An !$ive is a $rap" !f a cumulativedistriuti!n.

'"e data values are s"!#n !n t"e "!ri!ntala-is.

S"!#n !n t"e vertical a-is are t"e=

• cumulative frequencies !r

• cumulative relative frequencies !r

• cumulative percent frequencies '"e frequency %!ne !f t"e a!ve& !f eac" class

is pl!tted as a p!int.

'"e pl!tted p!ints are c!nnected y strai$"tlines.

<$ive



• >ecause t"e class limits f!r t"e partsc!stdata are 5059 6069 and s! !n t"ereappear t! e !neunit $aps fr!m 59 t! 6069 t! 0 and s! !n.

• '"ese $aps are eliminated y pl!ttin$ p!ints"alf#ay et#een t"e class limits.

• '"us 59.5 is used f!r t"e 5059 class 69.5is used f!r t"e 6069 class and s! !n.

?uds!n Aut! 8epair

<$ive #it"

*umulative 3ercent )requencies



3arts*!st %& 3arts*!st %&

2020

4040

6060

00

100100

* u m u

l a t i v e 3 e r c e n t ) r e q u e n c y

* u m u l a t i v e 3 e r c e n t ) r e q u e n c y

50 60 0 0 90 100 11050 60 0 0 90 100 110

%9.56&

q

'uneup 3arts *!st 'uneup 3arts *!st




• 5ariance (S)

– #erage of s-uared distances of indi#idualpoints from the mean

– High #ariance means that most scores arefar a%ay from the mean 2o% #arianceindicates that most scores cluster tightly

about the mean


St d d D i ti .SD/



summary statistic of ho% much scores

#ary from the mean

S-uare root of the 5ariance – epressed in the original units of

measurement

– ;sed in a number of inferential statistics

Standard De!iation .SD/

;arian9e !s3 Standard



De!iation

Population

Sample

Standard

De#iation

5ariance

N?RMA0 DISTRIB@TI?N



N?RMA0 DISTRIB@TI?N

!$0! B0;"ND T,"ST!ND!$D D0#)!T)"NS

!B"#0 T<0 +0!N

+0!N

C!S0S D)ST$)B-T0D

S;++0T$)C!//;!B"-T T<0 +0!N

T<0 0=T0NT ": T<0>SP$0!D? ": D!T!

!$"-ND T<0 +0!N @+0!S-$0D B; T<0

ST!ND!$DD0#)!T)"N

STANDARD DE;IATI?N MEAS@RE ?6 T>E

SPREAD ?6 ;A0@ES ?6 A SAMP0E AR?@ND



SPREAD ?6 ;A0@ES ?6 A SAMP0E AR?@ND

T>E MEAN

valuesof Number

+ean*Sum(#alueSD

5

SD decreases as a functionofA

• smaller spread of valuesabout t%e mean

•larger number of values

)N ! N"$+!/D)ST$)B-T)"N1 3": T<0 #!/-0S ,)///)0 ,)T<)N 5 SDs ":

T<0 +0!N

T<0 S-!$0 ":T<0 SD )S EN",N!S T<0 #!$)!NC0

STANDARD DE;IATI?N AND



SAMP0E SIE

nF42

nF32

nF432

!s sample sizeincreases1 soSD decreases

SKECED DISTRIB@TI?N



SKECED DISTRIB@TI?N

+0!N

+0D)!N @ 32 ":#!/-0S ,)// /)0"N 0)T<0$ S)D0": T<0 +0D)!N

D?ES A ;ARIAB0E 6?00?C A



N?RMA0 DISTRIB@TI?N5

• $mportant because parametric statistics

assume normal distributions

• Statistics packages can test normality• Distribution unlikely to be normal if.

– Mean is #ery different from the median

– T%o SDs belo% the mean gi#e an impossibleans%er (eg height V1 cm)

Biostatistik Intermediat 1

Documents

Transcript of Biostatistik Intermediat 1