Arif Nugroho Triutomo

18/433436/PKU/17349
KMPK

Biostatistik
Rangkuman Pertemuan ke 4

Probabilitas Diskrit
Jika suatu variabel acak memiliki sejumlah besar nilai dengan probabilitas positif, maka fungsi
probabilitas-massa bukan ukuran ringkasan yang berguna. Ukuran lokasi dan penyebaran dapat
dikembangkan untuk variabel acak dengan cara yang sama seperti yang dikembangkan untuk sampel.
Analog ke aritmatika berarti x disebut nilai yang diharapkan dari variabel acak, atau mean populasi,
dan dilambangkan dengan E (X) atau µ. Nilai yang diharapkan mewakili nilai "rata-rata" dari variabel
acak. Ini diperoleh dengan mengalikan setiap nilai yang mungkin oleh masing-masing probabilitas dan
menjumlahkan produk ini di atas semua nilai yang positif (itu adalah, bukan nol) probabilitas

Variabel Acak
Mewakili nilai numerik yang mungkin dari peristiwa yang tidak pasti
Variabel acak ada 2 yaitu
 Variabel acak diskrti (terdapat rentan nilai)
 Variabel acak berkelanjutan (bergelombang)
Variabel acak diskrit
Hanya dapat mengasumsikan jumlah yang dapat dihitung nilai-nilai
Contohnya
Putaran dadu dua kali Misalkan X adalah berapa kali 4 muncul (maka X bisa 0, 1, atau 2 kali)
lemparan koin 5 kali. Misalkan X adalah jumlah kepala (lalu X = 0, 1, 2, 3, 4, atau 5)

Analog ke varians sampel (s2) untuk variabel acak disebut varians dari variabel acak, atau varians
populasi, dan dilambangkan dengan Var (X) atau s2. Variasinya mewakili penyebaran, relatif terhadap
nilai yang diharapkan, dari semua nilai yang positif kemungkinan. Secara khusus, varians diperoleh
dengan mengalikan kuadrat jarak setiap nilai yang mungkin dari nilai yang diharapkan dengan
probabilitas masing-masing dan menjumlahkan semua nilai yang memiliki probabilitas positif.
Varians dari variabel acak diskrit, dilambangkan dengan Var (X), didefinisikan oleh di mana xi adalah
nilai yang mana variabel acak mengambil probabilitas positif. Simpangan baku dari variabel acak X,
dilambangkan dengan sd (X) atau s, adalah ditentukan oleh akar kuadrat dari variasinya.
Variabel Acak diskrit Ukuran Ringkasan
 Varians dari variabel acak diskrit
 Standar Deviasi dari variabel acak diskrit

Distribusi probabilitas
 Distribusi Probabilitas Binomial
Sejumlah observasi yang tetap, misalnya, 15 kali pelemparan koin; sepuluh bola lampu yang
diambil dari gudang
 Dua saling eksklusif dan kolektif kategori lengkap
mis., Kepala atau ekor di setiap lemparan koin; cacat atau tidak bola lampu rusak
Umumnya disebut "sukses" dan "gagal"
Probabilitas keberhasilan adalah p, probabilitas kegagalan adalah 1 - p
 Probabilitas konstan untuk setiap observasi
misalnya, Probabilitas mendapatkan ekor sama setiap kali kita lempar koin
 Observasi bersifat independen
Hasil dari satu pengamatan tidak mempengaruhi hasil dari yang lain
 Dua metode sampling
Populasi tak terbatas tanpa penggantian
 Arif Nugroho Triutomo
18/433436/PKU/17349
KMPK

Populasi terbatas dengan penggantian

Pengaturan kemungkinan Distribusi Binomial

 Seorang pasien sembuh atau meninggal setelahnya pengobatan
 Pabrik pembuatan label item sebagai baik cacat atau diterima
 Penawaran yang kuat untuk kontrak akan didapatkan kontrak atau tidak
 Sebuah perusahaan riset pemasaran menerima survei tanggapan “ya saya akan beli” atau
“tidak akan saya lakukan tidak"
 Pelamar kerja baru menerima tawaran itu atau menolaknya
Aturan kombinasi
Jumlah kombinasi memilih X objek dari n objek adalah
Distribusi Poisson
Terapkan Distribusi Poisson saat:
 Anda ingin menghitung berapa kali suatu peristiwa terjadi di area peluang tertentu
 Probabilitas suatu peristiwa terjadi di satu area peluang adalah sama untuk semua bidang
peluang
 Jumlah kejadian yang terjadi dalam satu area peluang tidak bergantung pada jumlah kejadian
yang terjadi di area peluang lain
 Probabilitas bahwa dua atau lebih peristiwa terjadi dalam suatu area peluang mendekati nol
sebagai area peluang menjadi lebih kecil
 Jumlah rata-rata acara per unit lambang lambda

Distribusi Probabilitas Continues and Normal

Distribusi probablitas dibedakan menjadi distribusi probabilitas Discrite dan distribusi probabilitas
kontinus

1. Kali ini akan membahas Distribusi Probabilitas Kontinus. Distribusi Probabilitas kontiuous adalah
adalah variabel yang dapat mengasumsikan nilai apa pun pada suatu kontinum (Dapat
mengasumsikan jumlah yang tak terhitung banyaknya nilai-nilai)
 ketebalan kulit
 waktu yang dibutuhkan untuk pulih dari penyakit
 suhu rektal
 tinggi, dalam cm atau berat dalam kilogram
2. Ini berpotensi mengambil nilai apa pun, tergantung hanya pada kemampuan mengukur akurat
3. Probabilitas Normal Fungsi Densitas
Rumus untuk probabilitas normal fungsi kerapatan adalah

Dimana
e = konstanta matematika diperkirakan oleh 2,71828
π = konstanta matematika yang diperkirakan oleh 3.14159
μ = mean populasi
σ = deviasi standar populasi
X = nilai apa pun dari variabel kontinyu
 Arif Nugroho Triutomo
18/433436/PKU/17349
KMPK

4. The Standardized Normal

 Setiap distribusi normal (dengan mean apapun dan kombinasi deviasi standar) dapat diubah
menjadi standar distribusi normal (Z)
 Perlu mengubah unit X menjadi unit Z
5. Translation to the Standardized Normal Distribution
Terjemahkan dari X ke standar normal ("Z" distribusi) oleh mengurangi rata-rata X dan
membaginya dengan standar deviasinya:

Distribusi Z selalu memiliki mean = 0 dan

standar deviasi = 1

6. The Standardized Normal Fungsi Kerapatan Probabilitas

Formula untuk standar normal fungsi kepadatan probabilitas

Dimana
e = konstanta matematika diperkirakan oleh 2,71828
π = konstanta matematika yang diperkirakan oleh 3.14159
Z = nilai dari distribusi normal standar
7. The Standardized Normal Distribution
Juga dikenal sebagai distribusi "Z". Berarti 0 Standar Deviasi adalah 1

Nilai di atas rata-rata memiliki nilai-Z positif,

nilai-nilai di bawah rata-rata memiliki nilai-Z negatif
 Arif Nugroho Triutomo
18/433436/PKU/17349
KMPK

8. Membandingkan unit X dan Z

Perhatikan bahwa distribusinya sama, hanya saja skala telah berubah. Kami dapat
mengungkapkan masalah unit asli (X) atau dalam unit standar (Z)
9. Menemukan Probabilitas Normal
Probabilitas diukur berdasarkan area di bawah kurva

10.Probabilitas sebagai Area Di Bawah Kurva

Luas total di bawah kurva adalah 1,0, dan kurva adalah simetris, jadi setengahnya di atas rata-
rata, setengahnya di bawah

11.Aturan Empiris
Apa yang bisa kita katakan tentang distribusi nilai sekitar mean? Ada beberapa aturan umum:

μ ± 2σ mencakup sekitar 95% dari X's

μ ± 3σ mencakup sekitar 99,7% dari X's

12.Tabel Normal Standar

Tabel Normal Yang Kumulatif Standar di buku teks (Lampiran di Rosner) memberikan probabilitas
kurang dari nilai yang diinginkan untuk Z (yaitu, dari infinity negatif hingga Z)
 Arif Nugroho Triutomo
18/433436/PKU/17349
KMPK

Kolom memberikan nilai Z ke titik desimal kedua

Baris ini menunjukkan

nilai Z ke yang pertama
titik desimal

Nilai dalam
tabel memberi
probabilitas dari Z = - ∞
hingga Z yang diinginkan
nilai
P(Z < 2.00) = 0.9772

13.Prosedur Umum untuk Mencari Probabilitas

Untuk menemukan P (a <X <b) ketika X adalah didistribusikan secara normal:
 Gambarkan kurva normal untuk masalah dalam hal X
 Menerjemahkan nilai-X ke nilai-Z
 Gunakan Tabel Normal Standar
14.Menemukan Probabilitas Normal
 Anggaplah X normal dengan mean 8,0 dan standar deviasi 5.0
 Temukan P (X <8.6)

Anggaplah X normal dengan rata-rata 8,0 dan standar deviasi 5.0. Temukan P (X <8.6)

15.Solusi: Menemukan P (Z <0,12)

Probabilitas normal standar
Tabel (Bagian)
 Arif Nugroho Triutomo
18/433436/PKU/17349
KMPK

16.Probabilitas Ujung Atas

 Anggaplah X normal dengan mean 8,0 dan standar deviasi 5.0.
 Sekarang Cari P (X> 8.6)

17.Menemukan nilai X untuk yang Kemungkinan Diketahui

Langkah-langkah untuk menemukan nilai X untuk yang diketahui kemungkinan:
1. Temukan nilai Z untuk yang diketahui kemungkinan
2. Konversi ke unit X menggunakan rumus:

18.Mengevaluasi Normalitas
 Tidak semua variabel acak kontinyu terdistribusi secara normal
 Penting untuk mengevaluasi seberapa baik data set diperkirakan dengan distribusi normal
 Buat diagram atau grafik
 Untuk set data berukuran kecil atau sedang, lakukan stemand- tampilan daun dan
tampilan kotak-dan-kumis simetris?
 Untuk set data besar, apakah histogram atau poligon muncul berbentuk lonceng?
 Hitung ukuran ringkasan deskriptif
 Apakah mean, median dan mode memiliki persamaan nilai-nilai?
 Apakah rentang interkuartil kira-kira 1,33 σ?
 Apakah kisarannya kira-kira 6 σ?
 Amati distribusi kumpulan data
 Lakukan sekitar 2/3 dari observasi kebohongan dalam rata-rata 1 standar deviasi?
 Lakukan sekitar 80% dari observasi yang ada dalam rata-rata 1,28 standar deviasi?
 Lakukan sekitar 95% dari observasi yang ada dalam mean 2 standar deviasi?
 Evaluasilah plot probabilitas normal
 Apakah plot probabilitas normal kira-kira linear dengan kemiringan positif?
19.Normal Probability Plot
 Plot probabilitas normal
 Atur data ke dalam susunan yang dipesan
 Temukan kuantil normal standar yang sesuai nilai-nilai
 Arif Nugroho Triutomo
18/433436/PKU/17349
KMPK

 Plot pasang titik dengan nilai data yang diamati pada sumbu vertikal dan standar normal nilai
kuantil pada sumbu horizontal
 Evaluasilah plot untuk bukti linearitas
20.Normal Probability Plot
Plot probabilitas normal untuk data dari distribusi normal kira-kira linier:

Plot nonlinear menunjukkan penyimpangan dari normalitas