DI SUSUN OLEH
KELOMPOK IV :
YUSI NURSIAM
ILHAM SANJAYA
DOSEN PEMBIMBING :
DR. Ns. Meri Neherta, M.Biomed
Puji syukur kami haturkan atas kehadirat allah SWT. Dimana atas rahmat dan
karunia-Nya saya telah dapat menyusun Makalah ini yang berjudul Biostatistik Teori
banyak permasalahan. Namun berkat arahan dan dukungan dari berbagai pihak akhirnya
makalah ini dapat diselesaikan. Oleh karena itu penyusun mengucapkan terima kasih
kepada dosen Mata perkuliahan Biostatistik, yaitu Ibu DR. Ns. Meri Neherta,
Penyusun menyadari makalah ini belum sempurna, maka dari itu penyusun
berterima kasih apabila ada kritik dan saran yang membangun untuk penyempurnaan
makalah ini.
Akhir kata, semoga makalah ini dapat bermanfaat bagi kita semua khususnya
Penyusun
BAB I
PENDAHULUAN
dalam kehidupan sehari-hari. Minsalnya, bila kita akan menyeberang jalan dan
melihat ada kendaraan yang akan lewat maka kita akan membuat estimasi
tentang kecepatan kendaraan, lebar jalan, dan kecepatan kita untuk membuat
diputuskan dengan segera, tetapi dengan informasi yang tidak lengkap atau
bahkan tidak terdapat informasi sama sekali maka dilakukan estimasi seperti kita
Bila waktu dan informasi cukup memadai maka dapat dilakukan estimasi
teori peluang. Dalam metode statistika, teori estimasi digunakan untuk menaksir
parameter populasi seperti rata-rata atau proporsi variabel tertentu yang terdapat
1 Tujuan umum
suatu penelitian.
2 Tujuan Khusus
Estimasi
Estimasi
Estimasi
TINJAUAN PUSTAKA
estimasi merupakan peristiwa yang dialami oleh setiap orang dalam kehidupan
sehari-hari. Minsalnya, bila kita akan menyeberang jalan dan melihat ada
kendaraan yang akan lewat maka kita akan membuat estimasi tentang kecepatan
kendaraan, lebar jalan, dan kecepatan kita untuk membuat keputusan, apakah
diputuskan dengan segera, tetapi dengan informasi yang tidak lengkap atau
bahkan tidak terdapat informasi sama sekali maka dilakukan estimasi seperti kita
1 Estimasi Parameter
haruslah mempunyai sifat dengan tidak bias, efisien, dan konsisten. Salah
satu persoalan penting dalam inferensi statistic adalah estimasi parameter
bersangkutan.
statistic tersebut dianamakan estimator tak bias dari parameter tersebut dan
nilainya disebut estimasi tak bias, jika sebaliknya maka statistiknya disebut
Contoh :
adalah :
𝑁−1 2
𝜇𝑠2 = 𝜎
𝑁
𝑁
𝑠2 = 𝑠2
𝑁−1
3 Estimasi Efisien
rentang yang kecil saja sudah mengandung nilai parameter. Sementara itu,
distribusi sampling dari dua statistic mempunyai mean (atau ekspetasi) yang
sama, maka statistic dengan varians yang lebih kecil disebut sebagai
estimator efisien dari mean, sementara kedua statistic yang satunya disebut
Contoh :
yang sama yaitu mean populasinya dengan demikian populasi sampel lebih
kecil dari varians distribusi sampling median. Oleh karena itu mean
memberikan estimasi mean efisien dari mean populasi. Dari seluruh statistic
paling efisien.
Contoh :
Bila kita ingin mengetahui persentase penduduk suatu kota yang menderita
keratitis. Untuk itu, kita ambil sampel sebanyak 100 orang yang berkunjung ke
rumah sakit mata dan ternyata terdapat 5 orang yang menderita penyakit
keratitis. Dari hasil tersebut dibuat taksiran bahwa 5% penduduk kota tersebut
n= besarnya sampel
𝑃 = 5⁄100 = 5%
2.4. Titik estimasi jumlah ciri tertentu sampel (x) terhadap ciri tertentu
Titik estimasi jumalh cirri tertentu dalam variabel yang terdapat pada sampel
populasi.
Rumus : 𝑥 ′ = (1⁄𝑓)𝑥
f = n/N
n = banyaknya sampel
N = besarnya populasi
sebanyak 500 orang per minggu. Dari jumlah tersebut diambil sebanyak 50
orang sebagai sampel dan dari 50 orang tersebut terdapat 10 orang penderita
wanita.
𝑛 50 1
𝑓= = =
𝑁 500 10
50
𝑛 = 1( ) × 10 = 100
500
500 orang yang berobat kerumah sakit. Dengan kata lain, diestimasikan bahwa
dari 500 orang yang berobat kerumah sakit tersbut 100 orang diantaranya adalah
wanita.
2.5. Titik estimasi deviasi standar sampel terhadap deviasi standar populasi
(𝝈)
normal. Dari pemeriksaan tersebut dihasilkan rata-rata 102 mg% dari hasil
(𝑥 − 𝑥)2
𝑠 = √∑
𝑛−1
Hasil s = 6,01 merupakan nilai estimasi deviasi standar terhadap gula darah
populasi. Hasil ini tidak bias karena sebagai penyebut digunakan koreksi n-1.
2.6. Bentuk Estimasi
Minsalnya nilai mean sampel dianggap sebagai nilai mean populasi. Dengan
Estimasi dari suatu parameter populasi yang terdiri dari satu bilangan
tunggal yang disebut dengan estimasi titik (point Estimation) dari parameter
tersebut.
Contoh :
Dari suatu penelitian terhadapa suatu sampel ibu hamil di kabupaten Cianjur
dari 210 ibu didapatkan Hb rata-rata 7,2 gr%. Kalau kita menduga kadar Hb
ibu hamil di daerah Cianjur dengan estimasi titik, kita katakana kadar Hb ibu
nilai dalam sampel seperti nilai median ataupun nilai mode atau salah satu
dari nilai pengamatan, namun yang dikatakan tidak bias adalah nilai mean.
Kelemahan estimasi titik adalah kita tidak dapat mengetahui berapa kuat
kebenaran dugaan kita tahu. Dan kemungkinan besar akan salah. Kelemahan
(estimasi interval).
2 Estimasi interval
Estimasi dari suatu parameter populasi yang terdiri dari dua bilangan dimana
interval dari parameter. Dasar estimasi interval ini adalah bahwa sampel-
sampel yang diambil dari suatu populasi akan berdistribusi (normal) pada
Dengan ini kita tentukan batas minimum dan maksimum terletak dinilai µ.
Jarak dari batas tertinggi dan terendah ditentukan sebagai confiden interval
Rumus :
Atau
X – Z.SE ≤ µ ≤ X + Z.SE
Keterangan :
interval)
SE = Standart Error
Dari suatu sampel random sebanyak 100 orang ibu hamil yang diambil dari
n Sampel = 100
𝜎 = 5 gr%
CI = 95%
Jawaban :
9.5 gr% - 1.96 x 0.5 gr% ≤ µ ≤ 9.5 gr% + 1.95 x 0.5 gr% 8.5 gr% ≤ µ ≤
10.48 gr%
Artinya :
1 Kita yakin 95% bahwa Hb ibu hamil di Cianjur terletak anatara 8.52 gr%
2 Kalau kita ambil berulang kali sampel yang besarnya 100 ibu di daerah
itu, maka 95% dari mean sampel-sampel tersebut berada pada nilai 8.52
95%, 90% ataupun 99% kebenaran taksiran ini benar. Dengan kata lain,
Anggaplah µs dan αs adalah mean dan deviasi (error standar) dari distribusi
sampling dari suatu statistic S. maka, jika distribusi sampling S adalah kira-kira
turut sekitar 68.27%, 95.45% dan 99.73%. nilai kritis dilambangkan dengan Zc
Tingkat
99.73% 99% 98% 96% 95.45% 95% 90% 80% 68.27% 50%
keyakinan
Zc 3.00 2.58 2.33 2.05 2.00 1.96 1.645 1.28 1.00 0.6745
Jika statistik S adalah Mean sampel (X) maka limit keyakinan 95% dan
diatas. Dengan menggunakan nilai-nilai dari αx. kita melihat bahwa limit
𝜎 𝑁−𝑛
X + Zc menjadi √
√𝑛 𝑁−1
populasi finit N.
b Sampel kecil (n < 30) dan normal populasi
tingkat keyakinan. Sebagai contoh, jika –t0.975 dan t0.975 adalah nilai dari T
dimana 2.5% dari luas areanya yang terletak dalam setiap ekor dari
interval adalah :
𝑆 𝑆
𝑋 − 𝑡0.975 < 𝜇 < 𝑋 + 𝑡0.975
√𝑛 √𝑛
𝑆
𝑋 ± 𝑡𝑐
√𝑛
Dimana nilai 𝑡𝑐 dapat dilihat pada tabel Nilai Persentil 𝑡𝑝 untuk distribusi
Jadi, perbandingan antara sampel besar dan sampel kecil adalah sama
hanya saja yang lebih akurat adalah teori sampel besar karena didalam teori
sampel besar dan sampel kecil adanya terdapat kesamaan yaitu S sehingga
standart deviasi pada sampel tersebut dapat digunakan sebagai pengganti deviasi
𝑝𝑞 𝑝(1−𝑝)
diperoleh dari 𝜇𝑝 = 𝑝 𝐦𝐞𝐧𝐣𝐚𝐝𝐢 𝜎𝑝 = √ 𝑛 = √ dengan menggantikan
𝑛
𝑝𝑞 𝑝(1 − 𝑝)
𝑃 ± 𝑧𝑐 √ = 𝑃 ± 𝑧𝑐 √
𝑛 𝑛
Dalam kasus sampling dilakukan terhadap suatu populasi infinit atau jika
sampling dilakukan dengan penggantian dari suatu populasi finit. Dengan cara
𝑝(1 − 𝑝) 𝑁 − 𝑛
𝑃 ± 𝑧𝑐 √ √
𝑛 𝑁−1
Jika sampling dilakukan tanpa penggantian dari suatu populasi dengan ukuran
finit N tertentu. Perhatikan bahwa hasil-hasil ini diperoleh dari persamaan rumus
Jika S1 dan S2 adalah dua sampel statistic dengan distribusi sampling kira-kira
ditentukan oleh :
keyakinan untuk selisih dari dua mean populasi, dalam kasus dimana populasi
tersebut infinit dan memiliki deviasi standar yang telah diketahui, 𝜎1 dan 𝜎2
ditentukan oleh :
𝜎12 𝜎22
𝑋1 − 𝑋2 ± 𝑧𝑐 𝜎X1 −X2 = 𝑋1 − 𝑋2 ± 𝑧𝑐 √ +
𝑛1 𝑛2
seringkali lebih mudah untuk memiliki estimasi tunggal atau titik. Untuk
nol. Dalam hal ini, akan lebih mudah untuk terlebih dahulu menghitung
PENUTUP
A Kesimpulan
Bila waktu dan informasi cukup memadai maka dapat dilakukan estimasi
teori peluang. Dalam metode statistika, teori estimasi digunakan untuk menaksir
parameter populasi seperti rata-rata atau proporsi variabel tertentu yang terdapat
Spiegel Murray R dkk. 2004. Probabilitas dan Statistik Schaum’s. Jakarta : Erlangga
Hastono Sutanto P. 2010. Statistik Kesehatan. Jakarta Utara: PT Raja Grapindo Persada
Jakarta : EGC