Nama : Novy Nur Kusumawardhani

NIM : 16/403319/PKU/16137
Minat : KMPK 2016
TUGAS TUTORIAL BIOSTATIKA
LABORATORY 2
A. Creating Table
1. Recall variable wdiff in the previous practical exercise. Describe the distribution of wdiff in
terms of its center, shape, and spread, including any plots you use. Any outliers of this
variable? What does this tell us about how people feel about their current
weight?

a. Central tendency
Membuat variable baru wdiff pada stata: gen wdiff= weight-wtdesire
Membuat distribusi variable wdiff pada stata : sum wdiff, detail
Tabel 1. Weight differences

1%
5%
10%
25%
50%
75%
90%
95%
99%

Percentiles
-25
-10
0
0

Smallest
-500
-311
-110
-91

10
21
40
59.5
100

Largest
235
246
300
300

Mean

: 14,589 pouns

Median

: 10 pounds

Obs
Sum of Wgt.

20000
20000

Mean
Std. Dev.

14.5891
24.04586

Variance
Skewness
Kurtosis

578.2032
1.447632
24.61669

b. Shape
Untuk melihat distribusi normalitas variabel wdiff maka pada stata : hist wdiff, normal
Diperoleh sebagai berikut:

(bin=43, start=-500, width=18.604651)

.005

Density
.01

.015

.02

Gambar histrogam yang diperoleh sebagai berikut:

-600

-400

-200

wdiff

200

400

Gambar 1. Distribusi normalitas variabel wdiff

Berdasarkan histogram di atas, diketahui bahwa histogram berjenis right skewed. Puncak
pada histogram adalah single unimodal.
c. Outliers

-600

-400

-200

wdiff

200

400

Melihat ada dan tidaknya outliers pada stata dngan perintah : graph box wdiff

Gambar 2. Graph box

Batas bawah : Q1-1.5*IQR= 0-1.5*21= -31.5
Batas atas

: Q3+1.5*IQR= 21+1.5*IQR= 21+1.5*21= 52.5

Jadi outlier berada pada angka di bawah -31.5 dan di atas 52.5
Jumlah data outlier dapat diketahui dengan perintah pada stata :
count if(wdiff<-31.5|wdiff>52.5)
Hasilnya ada sebanyak 1294 data outlier.

d. Pandangan responden terkait berat badan saat ini

Untuk mengetahui pandangan responden tentang berat badan mereka saat ini dapat
diketahui pada stata menggunakan : gen wdiffcategory=1 if weight== wtdesire
Diperoleh hasil: (14384 missing values generated)
replace wdiffcategory=0 if!( weight== wtdesire)
Diperoleh hasil: (14384 real changes made)
Memberikan label tingkat kepuasan responden menggunakan perintah:
lab varwdiffcategory "satisfaction"
Kode yang digunakan adalah 0 jika responden merasa tidak puas dan 1 jika responden
merasa puas.
lab def kode_wdiff 0"unsatisfied" 1"satisfied"
lab val wdiffcategory kode_wdiff
tab wdiffcategory
satisfactio
n

Freq.

Percent

Cum.

unsatisfied
satisfied

14,384
5,616

71.92
28.08

71.92
100.00

Total

20,000

100.00

Berdasarkan tabel distribusi frekuensi di atas dapat dismpulkan bahwa sebagian besar
responden merasa tidak puas dengan berat badan yang saat ini dimiliki yaitu sebesar
71.92 persen dan responden yang merasa puas hanya sebesar 28.08 persen.
2. Using numerical summaries and a side-by-side box plot, determine if men tend to view their
weight differently than women.
Pertama yang dilakukan dengan menggunakan perintah pada stata :
graph box weight, over (gender)

100

200

weight
300

400

500

Hasil box plot diperoleh sebagai berikut :

Gambar 3. Box plot perbedaan laki-laki dan perempuan dalam melihat berat badan mereka
Melihat perbedaan berat badan antara laki-laki dan perempuan menggunakan perintah pada
stata : bysort gender: sum wdiff, detail
-> gender = f
wdiff

1%
5%
10%
25%

Percentiles
-15
0
0
0

50%
75%
90%
95%
99%

Smallest
-83
-80
-61
-50

10
27
48
63
108

Largest
200
220
246
300

Obs
Sum of Wgt.

10431
10431

Mean
Std. Dev.

18.15118
23.99713

Variance
Skewness
Kurtosis

575.8624
2.260822
12.22118

-> gender = m
wdiff

1%
5%
10%
25%
50%
75%
90%
95%
99%

Percentiles
-35
-15
-6
0

Smallest
-500
-311
-110
-91

5
20
35
50
100

Largest
200
210
235
300

Obs
Sum of Wgt.

9569
9569

Mean
Std. Dev.

10.70613
23.49262

Variance
Skewness
Kurtosis

551.9034
.5972216
40.45286

3. Now its time to get creative. Find the mean and standard deviation of weight and determine
what proportions of the weights are within one standard deviation of the mean.

Membuat tabel distribusi frekuensi untuk mengetahui mean dan standart deviasi variabel
berat badan dengan perintah: sum weight, detail
weight

1%
5%
10%
25%
50%
75%
90%
95%
99%

Percentiles
100
115
124
140

Smallest
68
70
78
78

165
190
220
240
290

Largest
400
405
495
500

Obs
Sum of Wgt.

20000
20000

Mean
Std. Dev.

169.683
40.08097

Variance
Skewness
Kurtosis

1606.484
.9556563
4.995356

Mean 169.683 170 dan Standar deviasi 40.08097 40

The Standard Deviation Rule:
a. Approximately 68% of the observations fall within 1 standard deviation of the mean.
Mean 1 SD
Mean + 1*SD = 170 + 40 = 210
Mean - 1*SD = 170 40 = 130
Jadi 68% observasi akan jatuh pada rentang nilai 130-210
b. Approximately 95% of the observations fall within 2 standard deviations of the mean.
Mean 2 SD
Mean + 2*SD = 170 + 2*40 = 90
Mean -2*SD = 170 2*40 = 250
Jadi 95% observasi akan jatuh pada rentang nilai 90-250
c. Approximately 99.7% (or virtually all) of the observations fall within 3 standard
deviations of the mean.
Mean 3 SD
Mean + 3*SD = 170 + 3*40 = 290
Mean - 3*SD = 170 2*40 = 50
Jadi 99.7% observasi akan jatuh pada rentang nilai 50-290
4. Can you create Z-Scores for the height and weight? Please construct histogram for those
Z-score and compare with a histogram of standard normal distribution. Ask your tutor to
create this normal distribution for you.

Mencari mean dan standart deviasi variabel tinggi badan dengan menggunakan perintah
pada stata: sum height, detail
height
Percentiles
59
61
62
64

1%
5%
10%
25%
50%

Smallest
48
48
49
50

67

75%
90%
95%
99%

70
73
74
76

Largest
82
83
84
93

Mean

: 67.1829

Std. Dev

: 4.125954

Obs
Sum of Wgt.

20000
20000

Mean
Std. Dev.

67.1829
4.125954

Variance
Skewness
Kurtosis

17.0235
.1036046
2.62141

Menghitung z-score dengan perintah: gen zscore_height =(height-67.183)/4.126

Mengetahui histogram Z score variabel tinggi badan dengan perintah: hist zscore_height,
normal

.2

Density

.4

.6

(bin=43, start=-4.6492972, width=.2536383)

-4

-2

0
2
zscore_height

Gambar 4. Z-score tinggi badan

Mencari mean dan standart deviasi variabel berat badan dengan menggunakan perintah
pada stata: sum weight,detail

weight
Percentiles
100
115
124
140

1%
5%
10%
25%
50%

Smallest
68
70
78
78

165

75%
90%
95%
99%

Largest
400
405
495
500

190
220
240
290

Obs
Sum of Wgt.

20000
20000

Mean
Std. Dev.

169.683
40.08097

Variance
Skewness
Kurtosis

1606.484
.9556563
4.995356

Membuat variable z-score berat badan dengan perintah: gen zscore_weight =(weight169.68)/40.08
Membuat histogram Z-score berat badan dengan perintah: hist zscore_weight, normal

.1

Density
.2

.3

.4

(bin=43, start=-2.536926, width=.25066147)

-2

2
4
zscore_weight

Gambar 5. Z-score berat badan

5. You are asked to present a relationship between height and weight in this data set using
graphical method. Can you identify possible outliers in the data set for weight and
height? Please discard outliers of weight and height data and recreate the scatterplot
between weight and height.
Membuat grafik hubungan antara berat badan dan tinggi badan dengan grafik. Dengan
menggunakan tabel distribusi frekuensi yang telah dibuat sebelumnya (jawaban pada
nomor 4, dengan menggunakan perintah sum weight, detail dan sum weight, detail),

maka nilai batas bawah Q1 dan batas atas Q3 variabel berat badan dan tinggi badan dapat
dihitung.
a. Berat badan:
Q1: 140
Q2: 165
Q3: 190
IQR: Q3-Q1 = 190-140 = 50
Batas bawah: Q1-1.5*IQR= 140-1.5*50=65
Batas atas: Q3+1.5*IQR= 190+1.5*50=265
Menentukan jumlah outlier variabel berat badan dengan perintah:
count if (weight<65|weight>265)
Jumlah outlier: 441
Nilai ekstrim Q3+3*IQR: 190+3*50=340
b. Tinggi badan:
Q1: 64
Q2: 67
Q3: 70
IQR: Q3-Q1 = 70-64=6
Batas bawah: Q1-1.5*IQR= 64-1.5*6=55
Batas atas: Q3+1.5*IQR= 70+1.5*6=79
Menentukan jumlah outlier variabel tinggi badan dengan perintah:
count if (height<55|height>79)
Jumlah outlier: 36
Nilai ekstrim Q3+3*IQR= 70+3*6=88
Berdasarkan perhitungan di atas, maka grafik berat badan dan tinggi badan dengan
menghilangkan nilai outlier, dapat dibuat scatter dengan perintah sebagai
berikut:scatter height weight if (height<88 & weight<340)

90
80
Height in inches
70
60
50
0

100

200
Weight in pounds

300

400

Gambar 6. Grafik berat badan dan tinggi badan setelah outlier dihilangkan
B. Creating Table
1. Read following article by Annesley, T. M.with entitled Bring Your Best to the Table. Clin. Chem.,
56(10), 1528-1534, 2010. Please create a scientific table using data presented in Figure 1 from this
article. Your table should be submitted on the words file and it must use a format similar to table 2 in
this article.
Serum antiproxin and interleukin-6 in patiens with congestif heart failure
Classification

Healthy (n=266)
Asymptomatic heart failure
Symptomatic heart failure (n=295)

266
318
295

Antiproxin
Concentration
ng/L
99 (66-174)
216 (147-296)
556 (248-791)

pa

0.034
<0.00
1

Interleukin-6
Concentration ng/L

pb

662 (326-948)
841 (448-1227)
1269 (825-1572)

0.152
0.029

aMedian (interquartil range)

bValue compared with healthy
individuals

2. Look at Table 9 in Annesleys article. This table can be improved in several ways to make it more
clear and informative. Please retype and modify this table. Compare your suggested changes with
those provided at the end of this article.
Table 9. Effect of tacrolimus or sirolimus on everolimus measurement
Specimen (blood)
Measured
Bias %)
concentration

+ 10.0 g/L everolimus

+ 10.0 g/L everolimus + 10.0 g/L tacrolimus
+ 10.0 g/L everolimus + 10.0 g/L sirolimus
a value compared with everolimus alone.
*P < 0.05 considered significant

9.9 /L
10.5 /L
14.3 /L

-1
5
43

0.052
<0.001