TUJUAN :
Memberikan pengertian tentang dasar-dasar Statistika dan
Probabilitas
Memberikan pengertian macam-macam distribusi (Binomial,
Hipergeometrik, Poisson, Normal standar, T test, F test, Chi-
Square test) dan cara pembacaan Tabel masing-masing distribusi
SASARAN :
Mahasiswa memahami pengertian Statistika dan Probabilitas dan
mampu mengaplikasikan dalam menyelesaikan masalah
Mahasiswa memahami pengertian distribusi, berbagai bentuk
distribusi, cara pembacaan Tabel, serta mampu mengaplikasikan
dalam menyelesaikan masalah
ISI :
8 UTS
15 UAS
DAFTAR PUSTAKA :
Statistika ?
Probabilitas ?
Ruang sample (Sample space)? Probabilitas ?
Data ?
Distribusi data :
Tabel Frekuensi : - Histogram
- Poligon
Pemusatan data :
- Mean (average)
- Median
- Modus
Dispersi data :
- Range
- Nilai tengah simpangan (mean deviation)
- Variansi (Variance)
- Simpangan baku (standard deviation)
- Koefisien Variasi (Coefficient of Variation)
Misal :
Banyaknya orang yang meninggal karena penyakit demam berdarah
dari bulan ke bulan selama setahun terakhir pada suatu provinsi
( 18, 12, 10, 78, 90, 100, 9, 2, 5, 3, 2, 3 )
Banyaknya kecelakaan di suatu jalan tol dalam 3 tahun terakhir
(100, 172, 80 )
Misal :
Pada suatu percobaan melantunkan sebuah dadu dan diamati nomor
yang muncul di muka sebelah atas, maka ruang sampelnya :
S = 1, 2, 3, 4, 5, 6
Pada suatu percobaan melantunkan sebuah mata uang dan diamati
sisi yang menghadap ke atas, maka ruang sampelnya :
S = A, G bila kita menyebut sisi kesatu adalah Angka (A) dan
sisi
lainnya Gambar (G)
atau
S = M, B bila kita menyebut sisi kesatu adalah Muka (M) dan
sisi
lainnya Belakang (B)
Pada suatu percobaan melantunkan sebuah dadu dan sebuah mata
uang sekaligus, dan diamati nomor yang muncul di muka sebelah atas
sisi yang menghadap ke atas, maka ruang sampelnya :
S = 1M, 1B, 2M, 2B, 3M, 3B, 4M, 4B, 5M, 5B, 6M, 6B
Soal :
Probabilitas (Probability)
Bila :
n = ukuran besarnya kejadian A akan terjadi
N = ukuran besarnya semua kejadian yang ada
Maka probabilitas kejadian A adalah :
n
P(A) =
N
Contoh :
Bila kartu bridge (berisi 52 kartu) dikocok dan diambil satu :
Probabilitas yang terambil kartu warna merah :
P(merah) = 26/52 = 1/2
Probabilitas yang terambil kartu diamond :
P(diamond) = 13/52 = 1/4
Probabilitas yang terambil kartu As
P(As) = 4/52 = 1/13
Berapa besar Probabilitas yang terambil kartu As warna merah ?
Berapa besar Probabilitas yang terambil kartu dengan angka 10
diamond ?
Soal :
1. Bila dua buah dadu dilantunkan sekaligus, berapa besar
probabilitasnya kedua sisi dadu yang menghadap keatas masing-
masing lebih besar dari 4 ?
2. Bila dua buah dadu dan sebuah uang logam dilantunkan sekaligus,
berapa besar probabilitasnya kedua sisi dadu yang menghadap
keatas masing-masing merupakan angka ganjil ?
3. Tiga ibu rumah tangga dipilih secara acak untuk ditanya apakah
mereka menggunakan sabun merk Rinso untuk mencuci pakaian.
a. Tuliskanlah anggota ruang sampel S dengan menggunakan huruf Y
untuk jawaban ‘ya’ dan T untuk ‘tidak’ ?
b. Berapa besar probabilitas kejadian A bahwa paling sedikit dua ibu
rumah tangga menggunakan sabun merk Rinso ?
c. Berapa besar probabilitas kejadian B bahwa tidak ada satupun ibu
rumah tangga yang menggunakan sabun merk Rinso ?
Statistika ?
dianalis /
Data Hasil / keluaran Diambil
keputusan
diolah
masuka
n organisasi keluaran
Xi 740
= = = 74
N 10
2. Median : Md
adalah suatu nilai pengamatan yang terletak ditengah-tengah bila
data yang dimiliki diurut / disusun dari terkecil ke terbesar (atau
sebaliknya, dari terbesar ke terkecil).
Median mempunyai sifat sedemikian rupa sehingga setengah dari
data pengamatan mempunyai nilai (lebih besar atau sama dengan)
sedangkan setengah lainnya mempunyai nilai (lebih kecil atau sama
dengan) nilai median tersebut.
Untuk mencari nilai Median (setelah data disusun / diurut) :
3. Modus (Mode)
adalah nilai pengamatan dengan frekuensi terbesar.
Xi fi
50 1
60 1
70 3
80 2
85 2
90 1
Modus = 70
Dalam hal ini sepatu jenis B merupakan modus, yaitu model / jenis
sepatu yang paling banyak disenangi masyarakat (yang paling laku).
Apa artinya bila Median sama dengan atau lebih besar atau lebih
dari .
Md
Median > Mean (Md > ) artinya lebih dari setengah data
pengamatan berada diatas
( > ) nilai rata-rata
Median < Mean (Md < ) artinya lebih dari setengah data
pengamatan berada
dibawah ( < ) nilai rata-rata
Dispersi data :
- Range
- Nilai tengah simpangan (mean deviation)
- Variansi (Variance)
- Simpangan baku (standard deviation)
- Koefisien Variansi (Coefficient of Variance)
Xi -
=
n
(Xi - )2
S2 =
( n-1 )
n n!
nCr = Cn, r = =
r r! ( n - r )!
Soal :
a. Bila ada 4 mahasiswa melamar untuk mendapatkan beasiswa,
sedangkan beasiswa yang tersedia untuk 2 orang, berapa kombinasi
yang mungkin ? (2 mahasiswa yang mendapatkan beasiswa dari 4
mahasiswa yang melamar) !
Jawab :
Banyaknya kombinasi yang mungkin :
4! 4x3x2x1
C4,2 = = = 6
2! 2! (2x1) (2x1)
Jawab :
Banyaknya cara memilih 2 dari 4 kimiawan adalah :
4! 4x3x2x1
C4,2 = = = 6
2! 2! (2x1) (2x1)
Banyaknya cara memilih 1 dari 3 fisikawan adalah :
3! 3x2x1
C3,1 = = = 3
1! 2! (1x1) (2x1)
Banyaknya cara untuk membentuk panitia terdiri dari 3 orang
yang beranggotakan 2
kimiawan dan 1 fisikawan = (6) (3) = 18
Distribusi Binomial
P ( S = x ) = C n,x px qn-x
n = 4 p=3/10
x = 3 q=1-p=7/10
P(S=3)= C 4,3 (3/10)3 (7/10)
4x3x2x1
= (3/10)3 (7/10) = 0,0756
3x2x1
Soal :
Suatu kotak berisi 8 buah bola pingpong, 3 diantaranya berwarna
merah.
a. Satu buah diambil secara random dari kotak tersebut, berapa besar
probabilitas yang terambil bola berwarna merah ?
b. Satu buah diambil secara random dari kotak tersebut, dilihat
warnanya dan dikembalikan lagi ke dalam kotak. Pengambilan ini
dilakukan 5 kali. Dari 5 kali pengambilan ini :
Berapa besar probabilitas yang terambil 2 bola merah ?
Berapa besar probabilitas yang terambil 4 bola merah ?
Jawab :
a. Probabilitas bola merah yang terambil : p = 3/8
b. Percobaan ini termasuk percobaan Bernoulli fungsi probabilitas
dapat dicari menggunakan fungsi probabilitas binomial :
P ( S = x ) = C n,x px qn-x
n = 5
p = P(merah) = 3/8
q = P(bukan merah) = 5/8
Probabilitas yang terambil 2 bola merah ( x = 2 ) :
5!
P(S=2) = C 5,2 (3/8)2 (5/8)3 = (3/8)2 (5/8)3 = 0,3433
2! 3!
Probabilitas yang terambil 4 bola merah ( x = 4 ) :
5!
P(S=4) = C 5,4 (3/8)4 (5/8) = (3/8)4 (5/8) = 0,0618
4! 1!
Distribusi Hipergeometris
= C3,2 x C7,2
Jadi probabilitas 2 bola merah terambil bila kita mengambil 4 bola
dari kotak tersebut :
C3,2 x C7,2
=
C10,4
3! 7! (3x2x1) (7x6x5x4x3x2x1
)
x x
2! 1! 2! 5! (2x1) (1x1) (2x1) (5x4x3x2x1)
= =
10! (10x9x8x7x6x5x4x3x2x1)
4! 6! (4x3x2x1) (6x5x4x3x2x1)
(3x2x1) (7x6x5x4x3x2x1)
x
(2x1) (1x1) (2x1) (5x4x3x2x1)
=
(10x9x8x7x6x5x4x3x2x1)
(4x3x2x1) (6x5x4x3x2x1)
(3) x (24) 1
= = = 0,05
(2) x (720) 20
Dalam hal ini, kita sebetulnya memiliki sebuah populasi N=10 dan
random sampel n=4 yang dipilih sekaligus tanpa pengembalian.
Secara singkat, percobaan diatas dapat dinyatakan dalam sebuah
teorema mengenai distribusi probabilitas hipergeometris dengan
parameter n, N, k dan K.
CK,k x CN-K,n-k
P (S = k) =
CN,n
II. Suatu kotak berisi 8 buah bola pingpong, dua diantaranya berwarna
merah. Dari kotak tersebut diambil 1 bola dan dilihat warnanya,
kemudian bola dikembalikan ke kotak semula. Pengambilan bola ini
dilakukan 6 kali. Jika bola yang terambil tersebut berwarna merah
kita katakan sukses. Dari 6 kali percobaan Bernoulli tsb.
tentukanlah probabilitas untuk s = 0, s = 1, s = 2, s = 3, s = 4, s = 5
dan s = 6, dan buat grafik distribusinya !
VII. Bila sebutir dadu dilempar 4 kali, berilah distribusi binomial f(x)
dimana x merupakan jumlah timbulnya mata dadu 6 !
IX. Dari setumpukan kartu bridge diambil 1 kartu kemudian dilihat dan
dikembalikan ke tumpukan semula. Dilakukan sebanyak 8 kali.
a. Dari 8 kali pengambilan kartu tsb., kita mengharapkan mendapat
kartu diamond sebanyak 5 kali, berapa besar probabilitasnya ?
b. Bila dari 8 kali pengambilan kartu tsb., setiap kali kita
mengharapkan mendapat kartu as, berapa besar probabilitasnya ?
XII. Sekumpulan kartu bridge / remi dikocok lalu diambil satu dan
dilihat jenis kartu yang terambil. Kartu yang diambil tidak
dikembalikan lagi ke tumpukan kartu semula. Tumpukan kartu
dikocok lagi dan diambil satu lalu dilihat jenis kartu yang terambil.
Setiap kartu yang diambil tidak dikembalikan lagi ke tumpukan kartu
semula Percobaan ini dilakukan sebanyak 6 kali. Buat grafik
distribusi probabilitas kartu As yang terambil !
XIII. Suatu kotak berisi 5 bola pingpong, 2 buah berwarna merah dan
1 buah masing-masing berwarna putih, hijau dan kuning. Dari kotak
tersebut diambil 1 bola dan dilihat warnannya. Setiap bola yang
diambil tidak dikembalikan ke kotak semula.Pengambilan bola ini
dilakukan 4 kali. Jika bola yang terambil tersebut berwarna merah
kita katakan sukses. Dari 4 kali percobaan tersebut, tentukanlah
probabilitas untuk k=0, k=1, k=2, k=3 dan k=4, dan buat grafik
distribusinya !
Distribusi Poisson
Misal : n=100
p=1/100
x=4
P ( S = x ) = Cn,x px qn-x
= (C100,4) (1/100)4 (99/100)96 ← sulit dihitung
x e-
f(x) = ( e = 2,71828 )
x !
n (n-1) (n-2) (n-x+1) x
P(S=x) = . . ...... . . (1- /n )n . (1- /n )-x
n n n n x!
n (n-1) (n-2) (n-x+1)
, , , ....., dan (1- /n )-x
n n n n
Distribusi Poisson :
x . e-
P(S=x) =
x!
merupakan suatu pendekatan bagi distribusi binomial yang n-
nya besar dan p-nya kecil.
Teorema :
Bila P(S=x) = Cn,x . px . (1- p)n-x dimana x = 0, 1, 2, ...... , n dan
bila p relatif kecil dibandingkan dengan n, maka :
x . e-
P(S=x) =
x!
Contoh soal:
Menurut data statistik, rata-rata seorang dari 100 petani yang
berdiam di desa-desa di Indonesia akan meminta berlangganan
majalah “Cara Bercocok Tanam”. Penerbit majalah tersebut
mengadakan sales promotion dengan jalan mengirim masing-
masing 50 surat untuk berlangganan yang telah dibubuhi
perangko kepada petani yang berdiam di desa-desa tertentu.
Berapa probabilitas penerbit akan menerima kembali surat
permintaan berlangganan sebanyak 5 dari masing-masing desa
yang bersangkutan ?
Jawab :
n = 50
p = 1/100
= n.p = 50 (1/100) = ½
x=5
x e- (1/2)5 (e-1/2)
f(x) = =
x! 5!
(1/32) (e-1/2)
= = (1/3840) (0.6066) = 0.00016
120
= C50,5 (1/100)5 (99/100)45 = 0.00013
Teorema :
Bagi distribusi Poisson yang dinyatakan dengan rumus :
x e-
P(S=x) = ,
x!
rata-rata (mean) dari variansnya dapat diberikan sebagai
berikut :
= n.p = σ 2
= rata-rata (mean)
σ 2 = varians
Deviasi standar adalah akar dari varians :
Contoh Soal :
Sebuah perusahaan import nasional telah melakukan sampling
terhadap kiriman beras dari luar negeri. Sampel terdiri dari 1
kg beras guna memeriksa jumlah butiran kerikil yang terdapat
dalam beras kiriman tersebut. Telah dilakukan pengambilan 50
sampel yang terdiri dari 1 kg beras dipilih secara random dan
jumlah butiran kerikil yang terdapat didalamnya ditabelkan
sebagai betikut :
Jawab :
X P(S=x)
0 0,68386
1 0,25987
2 0,04937
3 0,00625
4 0,00059
b.
xi xi 2 ( xi )2 (xi
- x )2
xi yi xi2 yi (xi yi)2 ( xi yi
)2
xi = 2, 3, 5, 6. 4
yi = 5, 6, 3, 2, 1
20 17 90 0 10 59 809 237
xi 20
x = = = 4
n 5
Soal :
Diketahui :
xi = 3, 3, 7, 6, 4, 2
yi = 11, 4, 3, 2, 3, 9
Hitung :
xi xi 2 ( xi )2 (xi - x )2
xi yi xi2 yi (xi yi)2 ( xi yi )2
xi2 yi - (xi yi)2
a =
( xi yi )2
Tugas :
Pelajari lebih lanjut dari buku-buku referensi :
Distribusi t (t Test)
Distribusi F (F Test)
Distribusi Chi-Kuadrat (Chi-Square Test)
Perhatikan penjelasan Dosen di kelas
Distribusi Poisson
Misal : n=100
p=1/100
x=4
P ( S = x ) = Cn,x px qn-x
= (C100,4) (1/100)4 (99/100)96 ← sulit dihitung
x e-
f(x) = ( e = 2,71828 )
x !
e merupakan nilai batas dari (1+1/k)k
Bila k maka hasilnya dapat dinyatakan sebagai :
e = 1 + (1/1!) + (1/2!) + (1/3!) + .................
n (n-1) (n-2) (n-x+1) x
P(S=x) = . . ...... . . (1- /n )n . (1- /n )-x
n n n n x!
Distribusi Poisson :
x . e-
P(S=x) =
x!
merupakan suatu pendekatan bagi distribusi binomial yang n-
nya besar dan p-nya kecil.
Teorema :
Bila P(S=x) = Cn,x . px . (1- p)n-x dimana x = 0, 1, 2, ...... , n dan
bila p relatif kecil dibandingkan dengan n, maka :
x . e-
P(S=x) =
x!
Contoh soal:
Menurut data statistik, rata-rata seorang dari 100 petani yang
berdiam di desa-desa di Indonesia akan meminta berlangganan
majalah “Cara Bercocok Tanam”. Penerbit majalah tersebut
mengadakan sales promotion dengan jalan mengirim masing-
masing 50 surat untuk berlangganan yang telah dibubuhi
perangko kepada petani yang berdiam di desa-desa tertentu.
Berapa probabilitas penerbit akan menerima kembali surat
permintaan berlangganan sebanyak 5 dari masing-masing desa
yang bersangkutan ?
Jawab :
n = 50
p = 1/100
= n.p = 50 (1/100) = ½
x=5
x e- (1/2)5 (e-1/2)
f(x) = =
x! 5!
(1/32) (e-1/2)
= = (1/3840) (0.6066) = 0.00016
120
= C50,5 (1/100)5 (99/100)45 = 0.00013
Teorema :
Soal :
Suatu obat baru diperkirakan dapat menurunkan kadar glukosa
darah (untuk menyembuhkan penyakit diabetes). Untuk
meneliti ini dipakai hewan percobaan yang sebagian diberi obat
tersebut dan sebagian tidak diberi (sebagai kontrol). Kemudian
kadar glukosa dalam darah hewan tadi ditentukan, dengan hasil
sebagai berikut :
Contoh soal :
Suatu pengukuran analisis dilakukan dengan metode A dan
metode B, dengan hasil sbb :
Metode A Metode B
95.6 93.3
94.9 92.1
96.2 94.7
95.1 90.1
95.8 95.6
96.3 90.0
94.7
Jawab :
Setelah dihitung maka didapat (simak penjelasan Dosen) :
A = 95.65 NA = 6 SA2 = 0.323 dfA = 6
–1=5
= 92.93 NB = 7 SB2 = 5.14 dfB = 7 – 1 = 6
B
SB2 5.14
F hitung = = = 15,9
SA2 0.324
P
DB
1 ….. ….. ….. ….. …..
2 ….. ….. ….. ….. …..
… ….. ….. ….. ….. …..
( O – E )2
2 =
E
O = Observed Value (Nilai pengamatan)
E = Expected Value (Nilai yang diharapkan)
Contoh permasalahan :
Untuk menyelidiki apakah kafein dapat menyebabkan orang
sukar tidur, maka diberikan obat kepada 72 orang, tanpa
mereka mengetahui bahan yang diberikan itu mengandung
kafein. Disamping itu sebagai kontrol diberikan "plasebo"
kepada 73 orang, sesuatu yang sebenarnya tidak mengandung
kafein. Penggunaan "plasebo" dimaksudkan untuk menghindari
efek psikologi.
Reaksi Reaksi
Jumlah
Kelompok I a b a+b
Kelompok II c d c+d
Jumlah a+c b+d a+b+c+d
B Eb (a+b) x (b+d)
Eb =
(a+b+c+d)
C Ec (a+c) x (c+d)
Ec =
(a+b+c+d)
D Ed (c+d) x (b+d)
Ea =
(a+b+c+d)
Sel
Nilai yang diharapkan
(a+c) x (a+b) 38 x 73
a Ea = = = 19,13
(a+b+c+d) 145
(a+c) x (c+d) 38 x 72
c Ec = = = 18,87
(a+b+c+d) 145
( O – E )2
2 =
E
(8-19,13)2 (65-53,87)2 (30-18,87)2 (42
-53,13)2
2 hitung
= + + +
19,13 53,87 18,87
53,13
= 6,48 + 2,30 + 6,56 + 2,33 = 17,67
Soal 1 :
Pada sebuah pabrik kacamata, pekerja produksi dibagi dalam 3 shift
setiap hari. Kacamata yang diproduksi masing-masing shift dalam
satu bulan dicatat berapa buah yang baik dan cacat, didapat data
sebagai berikut :
Misal :
- Bila promosi (x) meningkat nilai penjualan (y) akan
meningkat
Bila promosi (x) berkurang nilai penjualan (y) akan
menurun
Analisis Korelasi :
adalah alat statistik yang
dapat digunakan untuk
mengetahui derajat
hubungan linier antara
suatu variabel dengan variabel lain.
Ukuran statistik yang dapat menggambarkan hubungan linier
antara suatu variabel dengan variabel lain adalah Koefisien
Determinasi (r2) dan Koefisien Korelasi (r).
Soal :
Pada suatu percobaan membuat senyawa baru (X) di salah satu
laboratorium di lingkungan DEP.PERINDUSTRIAN, dilakukan dengan
menjalankan percobaan tersebut pada berbagai suhu. Diperoleh
data sebagai berikut :
Distribusi Normal
f(x) = e
Karena distribusinya kontinu, cara menghitung probabilitasnya
dilakukan dengan jalan menentukan luas di bawah kurvanya.
Tapi fungsi frekuensi normal ini tak memiliki integral yang
sederhana sehingga probabilitas umumnya dihitung dengan
menggunakan distribusi normal standar dimana variabel
randomnya ialah z dengan = 0 dan = 1.
Definisi :
Bila z merupakan variabel random yang kemungkinan harga-
harganya menyatakan bilangan-bilangan riil antara - dan +,
maka z dinamakan variabel normal standar bila dan hanya bila
probabilitas interval dari a ke b menyatakan luas dari a ke b
antara sumbu z, dan kurva normal dari persamaannya diberikan
sebagai :
f(z) dz =1
Contoh Soal :
Berapa probabilitas variabel random normal yang standar
merupakan nilai
antara:
a. 0 dan 1
b. -1 dan 2
c. 1 dan 2
Jawab :
Soal :
Bila x merupakan variabel random yang memiliki distribusi
normal dengan rata-rata = 24 dan deviasi standar (σ) =12,
berapa probabilitas 17,4 ≤ x ≤ 58,8 ?
Jawab :
Soal :
Nilai ujian fisika dasar mahasiswa tingkat 1 memiliki nilai rata-
rata () = 65 dan deviasi standar (σ) = 11. Distribusi nilai ujian
tersebut menyerupai distribusi normal.
a. Jika batas nilai lulus adalah ≥ 55, berapa persen mahasiswa
yang diperkirakan tidak lulus ?
b. Jika kita menginginkan mahasiswa yang lulus sekitar 90 %,
berapa batas minimum nilai lulus yang harus diberikan ?
Jawab :
Soal :
(Gunakan Tabel luas kurva normal standar)
Hipotesis statistik
Sebuah pernyataan tentang parameter yang menjelaskan
sebuah populasi (bukan sampel).
Statistik
Angka yang dihitung dari sekumpulan sampel.
Hipotesis nol (H0)
Sebuah hipotesis yang berlawanan dengan teori yang akan
dibuktikan.
Hipotesis alternatif (H1) atau hipotesis kerja (Ha)
Sebuah hipotesis (kadang gabungan) yang berhubungan dengan
teori yang akan dibuktikan.
Tes Statistik
Sebuah prosedur yang masukannya adalah sampel dan hasilnya
adalah hipotesis.
Daerah penerimaan
Nilai dari tes statistik yang menggagalkan untuk penolakan
hipotesis nol.
Daerah penolakan
Nilai dari tes statistik untuk penolakan hipotesis nol.
Kekuatan Statistik (1 − β)
Probabilitas kebenaran pada saat menolak hipotesis nol.
Tingkat signifikan test (α)
Probabilitas kesalahan pada saat menolak hipotesis nol.
Nilai P (P-value)
Probabilitas, mengasumsikan hipotesis nol benar.
Interpretasi[sunting | sunting
sumber]
Hipotesis
Hipotesis
nol (H0)
alternatif
benar
(H1) benar
(Orang
(Orang
tersebut
tersebut
tidak
bersalah)
bersalah)
Menerima
Keputusan
hipotesis nol
Keputusan yang salah
(Orang
yang benar (Kesalahan
tersebut
Tipe II)
dibebaskan)
Menolak
Keputusan
hipotesis nol
yang salah Keputusan
(Orang
(Kesalahan yang benar.
tersebut
Tipe I)
dipenjara)
Rumus[
Ada banyak jenis uji hipotesis yang
dikenal. Tabel berikut menjelaskan
rumus untuk masing-masing uji
hipotesis tersebut.
Asumsi /
Nama Rumus
Catatan
(Populasi
normal atau n
> 30) dan σ
diketahui.
(z adalah jarak
dari rata-rata
sehubungan
dengan simpa
Satu ngan
sampel z baku rata-
-test rata).
(En=One Untuk distribu
-sample si non-
z-test) normal memu
ngkinkan
untuk
dihitung
proporsi
terkecil dalam
sebuahpopula
si yang berada
di
dalam k simpa
ngan baku
untuk setiap k.
Dua Populasi
sampel normal dan o
z-test bservasi
(En=Two independen d
-sample an σ1 dn
z-test) σ2 diketahui
Satu
(Populasi
sampel t-
normal atau n
test
> 30) dan
(En=One
tidak
-sample
diketahui
t-test)
(Populasi
Pasangan normal dari
t-test perbedaan ata
(En=Pair u n >
ed t-test) 30) dan tid
ak diktahui
Dua
sampel t- (Populasi
test normal atau n
digabung 1 + n2 > 40) d
(En=Two an observasi
-sample independen d
pooled t- an σ1 =
test) σ2 idak
varians y [4] diketahui
ang sama
Dua
sampel t-
(Populasi
test
normal atau n
terpisah
1 + n2 > 40) d
(En=Two
an observasi
-sample
independen d
unpooled
an kedua σ1 ≠
t-test)
σ2 diketahui
varians ti
[4]
dak sama
Satu
proporsi
z-test n .p0 >
(En=One 10 dan n (1 −
- p0) > 10.
proportio
n z-test)
Dua
proporsi n1 p1 >
z-test 5 dan n1(1 − p
(En=Two 1) >
- 5 dan n2 p2 >
proportio 5 dan n2(1 − p
n z-test) 2) >
5 dan observa
digabung si independen.
kan
Dua
proporsi
n1 p1 >
z-test
5 dan n1(1 − p
(En=Two
1) >
-
5 dan n2 p2 >
proportio
5 dan n2(1 − p
n z-
2) >
test)
5 dan observa
si independen.
tidak
digabung
Chi-
squared
Populasi
test
normal
untuk
varians
Chi- df = k - 1 - #
squared parameter
test terestimasi
untuk • Semua
goodness jumlah yang
of fit diharapkan
paling tidak 5.
[5]
• Semua
jumlah yang
diharapkan
> 1 dan tidak
lebih dari
20% dari
jumlah yang
diharapkan
lebih kecil
dari 5[6]
Dua
sampel F
test untu Populasi
k normal
persamaa
Diurutkan
nvarians
(En=Two > dan
-sample H0 ditolak
F test for jika
equality
[7]
of
variances
)
Definisi simbol:
= Varia = x/n
, cs sampel =
probabil = Propors
itas Simpanga i
melakuk n baku sampel,
an sampe 1 (kecuali
kesalaha = ditentuk
n tipe I Simpanga an
(menola n baku sebelu
k sampe 2 mnya)
hipotesis = t =
nol pada statistik Dugaan
saat propors
hipotesis = deraj
at i
nol populas
benar) kebebasan
(En=Degr i
= =
ee of
Jumlah propors
freedom)
sampel i1
= Rata-
= =
rata
Jumlah propors
perbedaan
sampel i2
sampel
1
= =
= Dugaan
Jumlah Dugaan
rata-rata perbeda
sampel
2 perbedaan an
= populasi propors
Rata- = i
rata Simpanga
sampel n baku
= perbedaan =
Dugaan = Chi- minimu
rata-rata squared m
populasi statistik of n1 an
= d n2
Rata-
rata
populasi
1
= = F
Rata- statistik
rata
populasi
2
= Sim
pangan
baku po
pulasi
= Va
rians po
pulasi
= Sim
pangan
baku sa
mpel
=
Penjuml
ahan(dar
i angka
sejumla
k k)
Referensi[sunting | sunting sumber]
1. ^ R. A. Fisher (1925). Statistical
Methods for Research Workers,
Edinburgh: Oliver and Boyd,
1925, p.43.
2. ^ Cramer, Duncan; Dennis Howitt
(2004). The Sage Dictionary of
Statistics.
p. 76. ISBN 076194138X.
3. ^ Lehmann, E.L.; Romano,
Joseph P. (2005). Testing
Statistical Hypotheses (3E ed.).
New York:
4. ^ Weiss, Neil A.
(1999). Introductory Statistics (5th
ed.). p. 802. ISBN 0-201-59877-9
Referensi:
What is the difference between alpha level and a p-value? (n.d.). Retrieved
December 27, 2009, from website: http://docs.google.com/viewer?
a=v&q=cache:GEihe37N2_sJ:courses.washington.edu/p209s07/
lecturenotes/
Dalam ilmu statistika, para peneliti harus menggunakan kriteria uji untuk
memutuskan apakah menolak H0 atau menerima H0. Dalam perkembangannya,
banyak peneliti yang sering menggunakan P-Value untuk kriteria ujinya. P-
value lebih disukai dibandingkan kriteria uji lain seperti tabel distribusi dan selang
kepercayaan. Hal ini disebabkan karena p-value memberikan 2 informasi sekaligus,
yaitu disamping petunjuk apakah H0 pantas ditolak, p-value juga memberikan
informasi mengenai peluang terjadinya kejadian yang disebutkan di dalam H0(dengan
asumsi H0 dianggap benar). Definisi p-value adalah tingkat keberartian terkecil
sehingga nilai suatu uji statistik yang sedang diamati masih berarti (Kurniawan,
2008).
P-value dapat pula diartikan sebagai besarnya peluang melakukan kesalahan apabila
kita memutuskan untuk menolak H0 (Kurniawan, 2008). Pada umumnya, p-
value dibandingkan dengan suatu taraf nyata α tertentu, biasanya 0.05 atau 5%. Taraf
nyata α diartikan sebagai peluang kita melakukan kesalahan untuk menyimpulkan
bahwa H0 salah, padahal sebenarnyastatement H0 yang benar. Kesalahan semacam ini
biasa dikenal dengan galat/kesalahan jenis I (type I error, baca = type one error).
Misal α yang digunakan adalah 0.05, jika p-value sebesar 0.021 (< 0.05), maka kita
berani memutuskan menolak H0 . Hal ini disebabkan karena jika kita memutuskan
menolak H0 (menganggap statement H0 salah), kemungkinan kita melakukan
kesalahan masih lebih kecil daripada α = 0.05, dimana 0.05 merupakan ambang batas
maksimal dimungkinkannya kita salah dalam membuat keputusan.
Daftar Pustaka:
– 1.96 = (X – SampleMean)/s
1.96 = (X – SampleMean)/s
sehingga nilai X dapat diketahui:
****
Jadi agar nilai Sample Mean 10 kemungkinan 95% mencakup Population Mean
sebenarnya maka harus diberi rentang antara 4.84 – 15.16
—–
Nah point lain yang penting dari Confidence Interval kaitannya dengan
ukuran keakuratannya terhadap nilai Population Mean sesunggunya
adalah:
Semakin LEBAR rentang suatu nilai Sample Mean –> Semakin TIDAK AKURAT
nilai Sample Mean itu mewakili/mencakup Population Mean sesungguhnya.
Semakin SEMPIT rentang suatu nilai Sample Mean –> Semakin AKURAT nilai
Sample Mean itu mewakili/mencakup Population Mean sesungguhnya.
Naaah..Alhamdulillaah sekarang kita paham, kita sudah bisa menggunakan 2
parameter untuk mengukur keakuratan sebuah Sample
Mean terhadap Population Mean, yakni dengan melihat
* Standard Error nya?
* Rentang Confidence Intervalnya?
Rate This
BAB VSTATISTIK UNTUK YANG NON AHLI
STATISTK 5.1Bagaimana yang non ahli statistik
mengevaluasi uji statistik?Pada saat ini dimana pengobatan
sangat bergantung pada keahlian matematika, tidak ada
seorang dokter pun dapat mengupayakan sesuatu dengan
mengabaikan aspek statistik dari sebuah tulisan secara
keseluruhan untuk menjadi seorang yang”ahli”. Jika, sama
seperti saya, anda percaya bahwa diri anda bukanlah orang
yang ahli dalam perhitungan, ingatlah bahwa anda tidak akan
pernah sanggup untuk membuat sebuah mobil hanya karena
ingin mengemudi. Apa yang anda ingin ketahui mengenai
suatu uji statistik adalah uji apa yang tepat untuk digunakan
untuk permasalahan-permasalahan yang umum. Anda mesti
sanggup untuk menggambarkan dengan kata-kata apa fungsi
dari uji tersebut dan pada kondisi apa uji tersebut tidak valid
atau tidak layak. Kotak 5.1 memperlihatkan “trik-trik penjualan”
yang seringkali digunakan, yang kita butuhkan untuk perlu
diingat (untuk kita praktekkan maupun orang lain). Saya telah
menemukan satu cara yang terbaik untuk menarik kolegaku
yaitu memberikan komentar misalnya: “Ah, saya tahu
pengarang ini menggunakan uji F one tailed. Saya tiba-tiba
berpikir bahwa uji two tailed lebih sesuai untuk kondisi ini”.
Sebagaimana engkau mengetahui dari catatan di bawah, kamu
tidak harus melakukan uji F sendiri untuk setelah mengeluarkan
komentar seperti ini, tetapi kamu perlu memahami apa yang
dimaksud dengan tail (ekor).Daftar ringkasan pada lampiran 1,
dijelaskan secara detail pada bagian di bawah ini,
menghasilkan caraku tersendiri untuk mengukur adekuat
analisa statistic, dimana beberapa pembaca menganggap ini
begitu simple (mudah). Jika anda juga menganggap demikian,
lewatkan saja bagian ini dan lanjutkan ke presentasi yang lebih
komprehensif untuk para ahli dari non-statistik, “Statistik Dasar
untuk Dokter” seri dalam Jurnal Canada Medical Association, atau
lanjutkan ke buku text yang lebih mengarah ke statistic. Jika
sebaliknya, anda menemukan bahwa statistic sangat sulit,
turutilah poin ini sekali waktu dan lanjutkan membaca poin
selanjutnya hanya pada saat engkau merasa telah memahami
yang lalu. Tidak ada satupun poin yang menjelaskan secara
detail dari kalkulasi yang sebenarnya.
Kotak 5.1. 10 cara memanipulasi uji statistic ketika menuliskan
hasil· Masukkan semua datamu kedalam computer dan laporkan bermakna
(signifikan) untuk semua hubungan dimana “p<0,05” (lihat bagian 5.5a). · Jika
data dasar berbeda antara kelompok pada kelompok yang berbeda-beda, ingatlah
jangan menyesuaikannya (lihat bagian 5.2a).· Jangan menguji datamu untuk
mengetahui apakah mereka telah terdistribusi normal. Jika engkau melakukannya,
kamu mungkin akan terhalang dengan uji non-parametrik, yang tidak menarik
sama sekali (lihat bagian 5.2b).· Abaikan semua data yang hilang (“drop-out”)
dan tanpa respon, jadi analisis hanya terkonsentrasi pada subjek yang benar-benar
lengkap datanya (lihat bagian 4.6c).· Selalu asumsikan bahwa engkau bisa
membuat plot pada satu set data terhadap data lainnya dan kalkulasikan
sebuah “nilai r” (Pearson correlation coefficient) (lihat bagian 5.4a), dan sebuah
nilai r yang “bermakna” membuktikan sebab akibat (lihat bagian 5.4b).· Jika
outliers (nilai ekstrim) mengacaukan perhitunganmu, hilangkan saja. Tetapi jika
outliers atau nilai ekstrim ini membantu kasusmu, meskipun nampak bukan hasil
yang sebenarnya, tetap masukkan ke dalam laporanmu (lihat bagian 5.3c).· Jika
confidence interval dari hasilmu menunjukkan tidak ada perbedaan yang tumpang
tindih di antara kelompok, jangan masukkan ke dalam laporanmu. Lebih baik,
sebutkan dengan singkat dalam laporanmu tetapi jangan gambarkan dalam grafik
dan jangan masukkan ketika mengambil kesimpulan (lihat bagian 5.5b).· Jika
perbedaan dua kelompok menjadi bermakna dari empat setengah bulan sampai
enam bulan percobaan, hentikan percobaan dan mulailah menulis. Alternatifnya
jika dalam enam bulan hasilnya “mendekati bermakna”, perpanjang percobaan
untuk tiga minggu lagi (lihat bagian 5.2d)· Jika hasilmu terlihat kurang menarik,
cek kembali di komputermu dan lihat jika ada sub grup yang kelihatan berbeda.
Engkau mungkin menemukan intervensimu berjalan sampai semua wanita China
berumur 52 sampai 61 tahun (lihat bagian 5.2d).· Jika dalam analisa datamu
caramu merencanakan tidak memperlihatkan hasil yang engkau inginkan, buatlah
pola melalui seleksi uji lainnya (lihat bagian 5.2c).
Pertanyaan pertama yang dipertanyakan adalah, “Pernahkan
penulis menggunakan uji statistic?”. Jika mereka menyebutkan
angka dan mengklaim bahwa angka ini memiliki sebuah arti,
tanpa menggunakan metode statistic untuk membuktikannya,
sama artinya dengan bermain ski diatas es yang sangat
tipis. 5.2 Sudahkah pengarang meletakkan posisi yang
benar?Apakah mereka telah menentukan apakah kelompok
mereka dapatdibandingkan dan, jika perlu, menyesuaikan diri
pada latar belakang yang berbeda-beda?Kebanyakan pada
percobaan klinik perbandingan mencakup tabel atau paragraph
pada teks yang menunjukkan ciri dasar kelompok yang diteliti.
Misalnya sebuah tabel menggambarkan bahwa kedua
kelompok baik kelompok intervensi maupun kontrol sama
dalam hal distribusi umur dan jenis kelamin dan
mengindikasikan variabel kunci (misalnya besar rata-rata
gumpalan kanker). Jika ada perbedaan penting di antara
karakteristik dasar, meskipun ini terjadi karena tidak sengaja, ini
akan membuka tantangan baru pada interpretasi hasilmu. Pada
situasi ini, engkau dapat melakukan penyesuaian untuk
mencoba memasukkan perbedaan ini dan kemudian
memperkuat argumenmu. Untuk mengetahui bagaimana
membuat suatu penyesuaian, lihatlah bagian dari topik ini
dalam buku Douglas Altman Practical statistics for medical
research. Jenis data apa yang telah mereka peroleh dan apakah
mereka telah menggunakan uji stattistik yang relevan?Nomor
sering digunakan untuk melabel karakteristik sesuatu hal. Kita
dapat menggunakan nomor untuk menandai tinggi badan, berat
badan, dan sebagainya. Untuk karakteristik semacam ini,
pengukuran dapat diberlakukan sebagai nomor yang
sebenarnya. Kita dapat, misalnya, mengkalkulasi rata-rata berat
badan dan tinggi badan sekelompok orang dengan merata-
ratakan pengukuran. Tetapi menimbang contoh yang berbeda,
dimana kita menggunakan nomor untuk melabel karakter
sesuatu hal “kota asal”, dimana 1=London, 2=Manchester,
3=Birmingham, dan sebagainya. Kita masih bisa mengkalkulasi
rata-rata dari nomor ini untuk sampel tertentu dari kasus-kasus
tetapi kita tidak bisa menginterpretasi hasil secara komplit. Hal
yang sama terjadi dimana kita melabel suatu ciri “menyukai x”,
dengan 1=tidak sama sekali, 2=sedikit, 3=banyak. Selain itu,
kita bisa mengkalkulasi “rata-rata kesukaan” tetapi hasil
numerik tidak dapat diinterpretasikan kecuali kita mengetahui
bahwa perbedaan antara “tidak sama sekali” dan “sedikit”
persis sama dengan perbedaan antara “sedikit” dan
“banyak”.Semua uji statistik baik parametrik (misalnya mereka
mengasumsikan bahwa data sampel diambil dari bentuk
tertentu distribusi, misalnya distribusi normal) atau non-
parametrik (misalnya mereka tidak mengasumsikan bahwa data
sampel diambil dari tipe tertentu distribusi). Umumnya, uji
parametrik lebih kuat dari uji non-parametrik dan mestinya
digunakan jika memungkinkan. Uji non-parametrik
melihat ranking atau urutan nilai (yang mana yang terkeci, yang
mana data berikutnya, dan sebagainya), dan mengabaikan
perbedaan yang absolut diantara mereka. Seperti yang
mungkin engkau perkirakan, kemaknaan statistik lebih sulit
untuk mendemonstrasikan uji non-parametrik dan ini membuat
para peneliti untuk menggunakan statistik seperti nilai r (lihat
bagian 5.4) secara tidak relevan. Bukan hanya karena
nilai r (parametrik) lebih mudah untuk mengkalkulasi
dibandingkan menggunakan salah satu uji non-parametrik
misalnya σ Spearman, tetapi kecendrungan itu terjadi karena
memberikan hasil yang bermakna atau signifikan. Sayangnya
hal itu juga akan menghasilkan yang palsu dan salah terhadap
kemaknaan hasil, kecuali data layak terhadap uji yang
digunakan. Beberapa contoh persamaan antara uji parametrik
dan non-parametrik diperlihatkan pada Tabel 5.1.Pertimbangan
lain adalah bentuk distribusi dimana data diambil sebagai
sampel. Ketika saya di sekolah, kelasku membuat garis plot
jumlah uang saku yang diterima dan jumlah anak yang
menerima jumlah uang tersebut. Hasilnya membentuk suatu
histogram yang sama bentuknya dengan Gambar 5.1 – suatu
distribusi “normal”. (Istilah “normal” merujuk ke bentuk grafik
dan digunakan karena banyak finomena biologis menunjukkan
pola distribusi ini.) Beberapa variabel biologis misalnya berat
badan menunjukkan distribusi skew/miring, seperti yang terlihat
pada gambar 5.2. (Gambar 5.2 sebenarnya menunjukkan
kemiringan negatif, dimana berat badan kemiringannya akan
positif. Rata-rata berat badan orang dewasa laki-laki adalah 70
kg dan adapula orang yang beratnya 140 kg tetapi tidak ada
orang yang berat badannya kurang dari tidak ada, oleh karena
itu grafik tidak mungkin simetris. Data yang tidak-normal
(miring) kadang dapat ditransformasi untuk memberikan bentuk
grafik yang normal dengan membuat plot logaritma kemiringan
variabel ke pola yang halus dan kemaknaannya didiskusikan di
bawah ini. Selanjutnya, diskusi yang sangat jelas tentang
distribusi normal, lihat Bab 7 dari buku Martin Bland An
introduction to medical statistics.Menentukan kapan data
berdistribusi normal bukanlah latihan akademik, sejak hal itu
akan menentukan uji statistik yang digunakan. Misalnya, regresi
linear (lihat bagian 5.4) akan menghasilkan hasil yang salah
kecuali titik-titik pada grafik scatter membentuk distribusi
tertentu yaitu garis regresi, misalnya residual (jarak tegak lurus
dari tiap titik ke garis) harus secara normal terdistribusi.
Mentransformasi data untuk mencapai distribusi normal (jika ini
bisa dilakukan) bukan memanipulasi; ini hanya memastikan
bahwa nilai-nilai data memberikan penekanan dalam menilai
total efek. Menggunakan uji yang berdasarkan pada distribusi
normal untuk menganalisa data yang tidak berdistribusi normal
adalah jelas-jelas memanipulasi. Jika uji statistik pada artikel
tidak jelas, mengapa para penulis memilih untuk
menggunakannya dan apakah mereka telah memasukkan
sebuah rujukan/referensi?Kadang nampak seperti jumlah yang
tak terbatas dari uji statistik yang memungkinkan. Sebenarnya,
kebanyakan ahli statistik dapat bertahan dengan satu lusin
rumus. Sisanya adalah hal-hal yang kecil yang sulit
dimengerti dan hanya digunakan untuk indikasi-indikasi
khusus. Jika artikel yang kamu baca seperti menggambarkan
satu set data yang standar yang telah dikumpulkan dengan
cara yang standar, tetapi uji yang digunakan tidak jelas dan
tidak tercantum pada buku teks statistik dasar, engkau harus
mencium hal ini seperti seekor tikus. Pengarangnya harus,
pada kondisi ini, menyebutkan mengapa dia harus
menggunakan uji ini dan memberikan referensi (dengan nomor
halaman) untuk deskripsi yang pasti tentang itu. Apakah data
sudah dianalisa menurut protokol studi yang asli?Meskipun
engkau tidak tertarik pada pembuktian secara statistik, akal
sehat mesti mengatakan mengapa poin 8 dan 9 pada Kotak 5.1
sama dengan manipulasi yang serius. Jika engkau lama
mencari engkau pasti menemukan beberapa kategori
pemahaman yang nampak telah dilakukan secara khusus
dengan baik atau buruk. Meskipun demikian, setiap waktu
engkau melihat jika subgrup tertentu berbeda dari yang
seharusnya engkau mungkin meningkatkan kecendrungan yang
mungkin engkau temukan pada akhirnya satu yang muncul
seperti itu, meskipun perbedaan terjadi secara tidak
sengaja. Sama halnya jika engkau mengundi koin dengan
seseorang, tidak peduli sejauh mana engkau kalah, akan ada
suatu waktu dimana aengkau menang. Kebanyakan orang akan
setuju bahwa menghentikan permainan tidaklah adil untuk
bermain. Demikian juga dengan penelitian. Jika engkau
membuat hasil akhirmu positif juga akan membuat kesalahan
pada dirimu sendiri tentang kebenaran dari kasusmu.
Mengakhiri sebuah percobaan intervensi secara prematur untuk
alasan etis ketika subyek berada pada satu sisi yang sedang
berubah buruk adalah berbeda, dan didiskusikan di lain
kesempatan. Kembali dan cek datamu untuk menemukan “hasil
yang menarik” (analisis sub grup retrospektif atau, lebih
informal) dapat mengarah ke kesimpulan yang salah. Pada
studi pendahuluan pada penggunaan aspirin untuk mencegah
strok pada pasien yang terpengaruh, hasil menunjukkan efek
yang signifikan pada kedua kombinasi jenis kelamin dan analisa
sub grup retrospektif nampak menunjukkan bahwa dampak
terbatas pada laki-laki. Kesimpulan ini mengarah pada tidak
diberikannya aspirin pada wanita untuk beberapa tahun hingga
hasil dari penelitian lainnya menunjukkan bahwa dampak dari
sub grup ini terdapat kesalahan. Ini dan contoh lainnya
diberikan dalam sebuah artike oleh Oxman dan Guyatt, “Suatu
petunjuk konsumer untuk analisa sub grup”, yang menghasilkan
ceklist yang bermanfaat untuk menentukan apakah perbedaan
pada respon sub grup adalah nyata. 5.3 Data yang
berpasangan, tails dan outliersApakah uji berpasangan
dilakukan untuk data yang berpasangan? Siswa sering
kesulitan dalam menentukan kapan menggunakan uji statistik
yang berpasangan atau yang tidak berpasangan untuk
menganalisa data. Sebenarnya tidak ada yang misteri dari ini.
Jika engkau mengukur sesuatu dua kali untuk satu subyek
(misalnya tekanan darah pada saat berbaring dan berdiri),
engkau mungkin tidak hanya tertarik pada rata-rata perbedaan
antara tekanan darah pada saat berbaring dan pada saat berdiri
pada keseluruhan sampel, tetapi juga pada berapa banyak
tekanan darah individu berubah disebabkan oleh posisinya.
Pada situasi ini, engkau memiliki apa yang disebut dengan data
yang “berpasangan”, karena tiap pengukuran sebelumnya
berpasangan dengan satu pengukuran setelah itu. Pada contoh
ini, memiliki orang yang sama pada dua kesempatan yang
membuatnya berpasangan tetapi ada kemungkinan lainnya
(contoh, dua pengukuran pada pengisian tempat tidur dibuat
oleh rumah sakit yang sama). Pada situasi ini, dua set nilai
cenderung berhubungan secara bermakna (contoh, tekanan
darahku minggu depan akan lebih mendekati tekanan darahku
minggu lalu dibandingkan dengan tekanan darah orang dewasa
yang dipilih secara random minggu lalu). Dengan kata lain, kita
memperkirakan dua nilai “berpasangan” yang terpilih secara
random lebih dekat satu sama lain dibandingkan dua nilai yang
“tidak berpasangan” yang dipilih secara random. Jika kita tidak
menggunakan ini, dengan melakukan uji sampel “yang
berpasangan” yang relevan, kita akan berakhir dengan estimasi
bias dari kemaknaan hasil kita. Apakah uji dua sisi digunakan
meskipun dampak dari intervensi diperkirakan negatif?Konsep
uji dengan tails (ekor/sisi) membuatku selalu berpikir tentang
hantu dan ular, yang saya perkirakan hanya dampak dari
kebencianku terhadap statistik. Sebenarnya, istilah “tail”
merujuk kepada distribusi yang ekstrim- area hitam pada
Gambar 5.1. Katakan saja bahwa grafik menunjukkan tekanan
darah diastolik pada sekelompok individu yang merupakan
sampel random untuk diberi diet sodium rendah. Jika diet
sodium rendah secara signifikan menurunkan tekanan darah,
selanjutnya pengukuran tekanan darah pada subyek ini akan
cendrung ke “sisi/tail” bagian kiri grafik. Oleh karena itu kita
dapat menganalisa data dengan uji statistik yang didesain untuk
menunjukkan apakah tekanan darah yang rendah pasien dari
sampel cendrung meningkat secara kebetulan. Tetapi atas
dasar apa kita mengasumsikan bahwa diet rendah sodium
hanya dapat menurunkan tekanan darah, tetapi tidak pernah
menaikkan? Meskipun terdapat alasan fisiologis yang valid
pada contoh kasus tersebut, tidaklah ilmiah jika selalu
mengasumsikan bahwa engkau mengetahui arah dampak dari
intervensimu. Suatu obat yang bertujuan untuk menghilangkan
sakit kepala mungkin sebenarnya malah memperburuk dan
sebuah leaflet penyuluhan untuk menurunkan kecemasan,
malah meningkatkan. Oleh karena itu, analisa statistikmu
harusnya, secara umum, menguji hipotesis apakah tinggi atau
rendahnya nilai pada data meningkat secara kebetulan. Dalam
bahasa ahli statistik, artinya engkau membutuhkan uji dua
sisi/tail kecuali engkau mempunyai bukti yang kuat bahwa
perbedaan hanya dapat terjadi pada satu arah. Apakah
“outliers (nilai ekstrim)” dianalisa dengan akal sehat dan statistik
yang sesuai?Hasil yang tidak diharapkan mungkin cerminan
dari sifat dari subyek (misalnya, metabolisme yang tidak
biasanya), kesalahan pada saat interpretasi (misalnya, salah
membaca dalam membaca meteran), atau kesalahan dalam
menghitung (misalnya, salah menempatkan poin desimal).
Hanya yang pertama dari ini semua yang merupakan hasil yang
“sebenarnya” yang dimasukkan dalam analisa. Hasil yang
posisinya jauh dari yang lain nampaknya kurang asli atau
kurang benar, tapi mungkin saja benar. Beberapa tahun yang
lalu, ketika melakukan suatu proyek penelitian, saya mengukur
sejumlah level hormon yang berbeda pada kurang lebih 30
subyek. Satu subyek mempunyai level hormon kira-kira 100 kali
lebih tinggi dari yang lainnya. Saya berasumsi bahwa ini suatu
kesalahan, oleh karena itu saya memindahkan nilainya dua
desimal ke kiri. Beberapa minggu kemudian, saya bertemu ahli
yang telah menganalisa spesimen itu dan dia bertanya “Apapun
juga terjadi pada lelaki itu dengan acromegaly?Secara statistik
outlier itu dibenarkan (misalnya, untuk memodifikasi
dampaknya pada hasil secara keseluruhan) adalah suatu
manuver statistik yang canggih. Jika engkau tertarik, cobalah
bagian yang relevan pada buku Douglas Altman. 5.4 Korelasi,
regresi, dan sebab akibatApakah korelasi telah dibedakan
dengan regresi dan apakah koefisien korelasi (nilai r) telah
dihitung dan diinterpretasikan secara benar?Untuk kebanyakan ahli
non-statistik, istilah “korelasi” dan “regresi” adalah sinonim, dan
sedikit merujuk seakan-akan ke grafik scatter dengan titik-titik
yang menyebar secara tidak teratur mengikuti garis diagonal
yang muncul pada sumbu intercept. Engkau mungkin benar
dalam mengasumsikan bahwa jika dua hal tidak berkorelasi,
sudah tidak ada artinya untuk mencari regresinya. Tetapi
regresi dan korelasi merupakan dua istilah statistik yang
memiliki fungsi yang sangat berbeda.Nilai r (koefisien korelasi
Pearson’s product moment) merupakan pengukuran statistik
yang terlalu banyak digunakan dalam buku. Pada hakekatnya,
nilai r tidak valid kecuali memenuhi kriteria berikut:· Data
(populasi dimana data diambil) harus berdistribusi normal. Jika
tidak, uji non-parametrik dari korelasi harus digunakan sebagai
gantinya (lihat Tabel 5.1).· Dua variabel harus independen
secara terstruktur (yang satu tidak boleh dipaksakan untuk
membedakan dengan yang lain). Jika tidak, uji t berpasangan
atau uji berpasangan lainnya harus digunakan sebagai
gantinya. · Hanya satu pasang pengukuran yang harus dibuat
pada tiap subyek, karena pengukuran yang dibuat pada subyek
berikutnya harus independen secara statistik satu sama lain jika
kita bertujuan untuk memperoleh estimasi yang tidak bias dari
parameter populasi yang diteliti.· Setiap nilai r harus disertai
dengan nilai p, yang melihat sejauh mana kecendrungan suatu
hubungan pada kekuatan ini terjadi secara kebetulan (lihat
bagian 5.5), atau sebuah confidence interval, yang
menggambarkan rentang dimana nilai R “sebenarnya” cendrung
muncul. (Catat bahwa kasus bawah “r” menggambarkan
koefisien korelasi sampel, dimana kasus
atas “R”menggambarkan koefisien korelasi seluruh
populasi.)Ingat juga bahwa, meskipun jika nilai r sesuai dengan
perhitungan sekelompok data, itu tidak menggambarkan
bagaimana hubungannya, tetapi kekuatannya, adalah sebab
akibat (lihat penjelasan dibawah ini).Kemudian apa yang
dimaksud dengan regresi? Istilah “regresi” mengarah pada
persamaan metamatika dimana satu variabel (variabel target)
diprediksi dengan variabel yang lain (variabel independen).
Regresi, kemudian, mengindikasikan arah pengaruh, meskipun
pada bagian berikutnya membantah, bahwa itu tidak
membuktikan sebab akibat. Pada kasus regresi berganda,
persamaan matematika yang lebih kompleks (yang masih
menjadi rahasia komputer yang menghitungnya) dimana
variabel target diprediksi dari dua atau lebih variabel
independen (yang sering dikenal dengan co-
variabel).Persamaan regresi yang paling sederhana, yang
mungkin masih anda ingat ketika masih bersekolah,
adalahy = a + bx, diman y adalah variabel ndependen ( yang
diplot pada horizontal axis ) Tabel 5.1 Beberapa uji
statistik yang umumnya digunakan
Contoh uji
Parametrik
Uji Parametrik yang sama Tujuan Uji Contoh
Untuk
membandingkan
Membandingkan dua sampel berat badan
Uji t dua yang independen yang anak perempuan
sampel Uji Mann- diambil dari populasi yang dan berat badan
(berpasangan) Whitney U sama. anak laki-laki
Membandingkan dua set Untuk
data observasi pada satu membandingkan
Uji t satu Uji macam sampel (uji hipotesis berat badan bayi
sampel berpasangan perbedaan rata-rata antara sebelum dan
(berpasangan) Wilcoxon dua pengukuran adalah nol) setelah disusui
Untuk
menentukan
Variansi Analisis kapan tingkat
analisis satu variansi Secara efektif, generalisasi glukosa plasma
arah dengan dari tberpasangan atau uji lebih tinggi dari
menggunakan mengurutkan berpasangan Wilcoxon satu jam, dua
jumlah kuadrat (misalnya uji dimana tiga atau lebih set jam atau tiga
total (misalnya Kruskall- data observasi yang terdiri jam setelah
uji F) Wallis) dari satu jenis sampel makan.
Untuk
membandingkan
sensitifitas dan
pengkategorian
dari dua uji
diagnosis yang
Tidak Menguji hipotesis nol bahwa berbeda ketika
kesamaan proporsi estimasi dari diaplikasikan
secara sampel yang berpasangan pada sampel
langsung Uji McNemar adalah sama yang sama
Product Spearmen’s Mengukurkekuatanhubunga Untuk menilai
momen rank korelasi n garis lurus antara dua kapan dan
korelasi koefisien (σ) variabel kontinyu bagaimana
koefisien tingkat plasma
HbA1
berhubungan
dengan tingkat
trigliserid
plasma pada
(Pearson’s r) pasien diabetes
Untuk melihat
Menggambarkan hubungan bagaimana
Tidak ada numerik antara dua variabel puncak angka
Regresi kesamaan kuantitatif, satu nilai arus pernafasan
dengan metode secara diprediksi diantara nilai dengan tinggi
least square langsung lainnya badan
Untuk
menentukan
kapan dan
bagaimana umur
seseorang,
lemak tubuh dan
Menggambarkan hubungan konsumsi
Multiple Tidak ada numerik antara satu variabel sodium
regresi dengan kesamaan dependen dengan beberapa menentukan
metode least secara variabel prediktor (co- tekanan darah
square langsung variates) mereka
x adalah variabel independen (yang diplot pada vertical axis),
dan a adalahy-intercept. Tidak banyak variabel biologis yang
dapat diprediksi dengan persamaan sederhana tersebut. Berat
badan sekelompok orang, misalnya, bervariasi dengan tinggi
badannya tapi tidak secara linear. Saya dua kali lebih tinggi dari
anakku dan tiga kali dari berat badannya dan meskipun saya
empat kali lebih tinggi dari keponakanku yang baru lahir saya
lebih enam kali dari berat badannya. Berat badan, pada
dasarnya, mungkin bervariasi lebih dekat dengan akar kuadrat
tinggi seseorang dibandingkan dengan tinggi badan itu sendiri
(jadi mungkin lebih sesuai jika dikuadratkan dibandingkan
dengan regresi linear).Tentu saja, meskipun engkau telah
memasukkan data tinggi badan-berat badan yang memadai ke
dalam komputer untuk menghitung persamaan regresi yang
sangat baik untuk memprediksi berat badan seseorang dari
tinggi badannya, perkiraanmu masih nampak sangat kurang
karena berat badan dan tinggi badan sama sekali tidak
berkorelasi. Ada hal-hal lain yang mempengaruhi berat badan
sebagai tambahan terhadap tinggi badan dan kita dapat,
menggambarkan prinsip regresi berganda, masukkan data
umur, jenis kelamin, masukan kalori per hari, dan tingkat
aktivitas fisik ke dalam komputer dan hubungkan sejauh mana
dari tiap co-variabel ini berkontribusi terhadap persamaan
secara keseluruhan (atau model).Prinsip dasar telah
digambarkan disini, khususnya poin pada halaman
sebelumnya, harus membantumu untuk menentukan apakah
korelasi dan regresi digunakan secara benar pada artikel yang
engkau baca. Diskusi yang lebih detail mengenai hal ini dapat
ditemukan pada buku teks Martin Bland dan artikel ke empat
pada seri “Statistik dasar untuk kedokteran”.
Kotak 5.2 Uji untuk hubungan sebab akibat· Apakah terbukti dari eksperimen
sebenarnya pada manusia?· Apakah hubungannya kuat?· Apakah hubungan
konsisten dari satu penelitian ke penelitian lainnya?· Apakah layak hubungan
yang sementara (misalnya apakah dampak yang dipostulatkan lebih mengikuti
penyebab yang dipostulatkan?)· Apakah hubungan menimbulkan pemahaman
epidemiologi?· Apakah hubungan menimbulkan pemahaman biologis?
· Apakah hubungan spesifik?· Apakah hubungan sama dengan hubungan
sebab akibat yang pernah terbukti?
Apakah telah dibuat asumsi mengenai karakter dan arah dari
hubungan sebab akibat?Ingatlah kesalahan ekologis: hanya
karena sebuah kota memiliki jumlah pengangguran yang
banyak dan angka kejahatan yang sangat tinggi, tidak berarti
bahwa para pengangguran melakukan kejahatan! Dengan kata
lain, keberadaan hubungan antara A dan B tidak memberikan
penjelasan apa-apa mengenai keberadaan maupun arah dari
hubungan sebab akibat. Untuk mendemonstrasikan bahwa A
telah menyebabkan B (dibandingkan dengan B yang
menyebabkan A atau A dan B keduanya disebabkan oleh C),
engkau membutuhkan lebih dari satu koefisien korelasi. Kotak
5.2 memberikan beberapa kriteria, yang aslinya dikembangkan
oleh Sir Austen Bradford Hill, yang harus disesuaikan sebelum
memperkirakan hubungan sebab akibat. 5.5 Peluang dan
kepercayaanApakah “nilai p” telah dikalkulasi dan
diinterpretasikan dengan benar?Satu dari nilai pertama yang
dipelajari oleh mahasiswa statistik adalah nilai p; yaitu peluang
suatu outcome terjadi secara kebetulan. Praktek sains yang
standar, yang semuanya acak, umumnya menganggap suatu
nilai p yang kurang dari satu dari 100 (p< 0,01) sebagai “sangat
bermakna secara statistik”.Dengan definisi ini, kemudian, satu
kesempatan berhubungan dalam 20 (ini mestinya satu dari hasil
publikasi utama per isu jurnal) akan nampak bermakna ketika
sebenarnya tidak, dan satu dari 100 akan nampak sangat
bermakna dimana sebenarnya apa yang anakku sebut sebagai
“beruntung”. Karena jika engkau mesti menganalisa outcome
berganda dari kelompok datamu, engkau mesti mengoreksi
untuk melakukan hal ini (beberapa pengarang
merekomendasikan metode Bonferoni).Hasil dalam rentang
kemaknaan statistik (p<0,05 atau p<0,01 tergantung yang mana
yang engkau pilih sebagai batasannya) mengatakan bahwa
penulis harus menolak hipotesis nol (misalnya hipotesisnya
mengatakan bahwa tidak ada perbedaan yang nyata antara dua
kelompok). Tetapi sebagaimana yang saya kemukakan
sebelumnya (lihat bagian 4.6), suatu nilai p pada rentang yang
tidak bermakna menjelaskan kepadamu keduanya tidak ada
perbedaan diantara grup atau terlalu sedikit subyek untuk
mendemonstrasikan perbedaan jika ada. Itu tidak
memberitahukanmu yang mana.Nilai p mempunyai
keterbatasan lainnya. Gordon Guyatt dkk, pada artikelnya yang
pertama pada seri “Statistik dasar untuk kedokteran” mengenai
uji hipotesis yang menggunakan
nilai p,menyimpulkan:“Mengapa menggunakan satu point
pembatas (untuk pemaknaan statistik) jika pilihan tersebut
bebas? Mengapa membuat pertanyaan apakah sebuah
perlakuan itu efektif dalam bentuk dikotomi (pilihan ya-tidak) jika
lebih layak melihatnya sebagai suatu hal yang kontinyu?”Untuk
ini kita membutuhkan confidence interval, yang akan
dibicarakan selanjutnya. Apakah confidence interval telah
dihitung dan apakah tercermin pada kesimpulan penulis?Suatu
confidence interval, yang seorang ahli statistik yang baik dapat
mengkalkulasikannya pada hasil yang berkaitan dengan uji
statistik apa saja (uji t, nilai r, penurunan resiko absolut, jumlah
yang dibutuhkan untuk diobati, sensitivitas, spesifisitas dan
gambaran kunci lainnya dari suatu uji diagnosa), membuat
kamu mengestimasi keduanya yaitu percobaan “positif” (yang
menunjukkan perbedaan bermaksa secara statistik antara dua
sisi percobaan) dan percobaan “negatif” (yang nampak
menunjukkan tidak ada perbedaan), apakah kekuatan dari bukti
adalah kuat atau lemah dan apakah penelitian tersebut jelas
(misalnya tidak dibutuhkan lagi penelitian yang sama).
Perhitungan confidence interval telah tercakup dengan jelas
dalam buku Gardner dan Altman Statistics with confidence dan
interpretasinya telah tercakup oleh Guyatt dkk. Jika engkau
mengulang percobaan klinis sebanyak seratus kali, kamu tidak
akan persis memperoleh hasil yang sama setiap waktu.
Tetapi, rata-rata, engkau bisa membuat perbedaan level
tertentu (atau kurang berbeda!) diantara dua sisi percobaan.
Pada 90% percobaan perbedaan dua sisi akan berada dalam
batasan luas tertentu dan dalam 95% dari percobaan akan
berada pada batas tertentu, bahkan batasan yang lebih
luas. Sekarang jika, sebagaimana kasus biasanya, engkau
hanya melakukan satu percobaan bagaimana engkau
mengetahui seberapa dekat hasilnya ke perbedaan yang “riil”
diantara kelompok-kelompok tersebut? Jawabannya adalah
kamu tidak bisa. Tetapi dengan mengkalkulasi, katakanlah,
hasilmu berada pada 95% confidence interval, engkau bisa
mengatakan bahwa 95% peluang perbedaan yang “riil” berada
diantara dua batas. Kata-kata pada artikel harus dibaca seperti
ini:“Pada percobaan pengobatan kegagalan jantung, 33% dari
pasien yang diambil secara random untuk inhibitor ACE
meninggal, sedangkan 38% mereka yang diambil secara
random untuk hydralazine dan nitrat meninggal. Point estimasi
perbedaan di antara kelompok (satu estimasi terbaik dari
manfaat dalam melindungi hidup dengan menggunakan
inhibitor ACE) adalah 5%. 95% confidence interval berada pada
perbedaan ini adalah -1,2% sampai +12%.”Hasilnya akan
disebutkan seperti cara berikut ini:“Kelompok inhibitor ACE
memiliki 5% (95% CI -1,2 +12) lebih tinggi untuk bertahan
hidup”.Pada contoh khusus ini, 95% confidence interval
tumpang tindih dengan nol perbedaan dan, jika kita menuliskan
hasil sebagai suatu dikotomi (misalnya apakah hipotesis
“terbukti” atau “tidak terbukti”?), kita akan
mengklasifikasikannya sebagai percobaan negatif. Sebelumnya
sebagaimana Guyatt dkk berargumen, kemungkinan ada
perbedaan yang nyata dan kemungkinan berada lebih dekat
pada 5% dibandingkan keduanya -1,2% atau +12%.
Kesimpulan yang paling berguna dari hasil ini adalah “Segala
sesuatunya sama, sebuah inhibitor ACE adalah pilihan yang
cocok untuk pasien dengan kegagalan jantung, tetapi kekuatan
dari asumsi itu lemah”.Sebagaimana argumen pada bagian 8.3,
semakin luas percobaan (atau semakin luas hasil dari beberapa
percobaan), semakin sempit confidence interval dan oleh
karena itu hasil semakin mendekati kepastian.Dalam
menginterpretasi percobaan “negatif”, satu hal yang perlu
engkau ketahui adalah “apakah percobaan yang sangat besar
akan cenderung memperlihatkan manfaat yang bermakna?”.
Untuk menjawab pertanyaan ini, lihatlah batas atas 95%
confidence interval dari hasilnya. Hanya ada satu peluang di
dalam 40 (misalnya peluang 2½% jika 2½% dari hasil ekstrim
akan berada di bawah batas bawah 95% confidence interval)
bahwa hasil yang sebenarnya akan cenderung seperti ini atau
lebih dari ini. Sekarang tanyakan pada dirimu “apakah level
perbedaan ini akan bermakna secara klinis?” dan jika tidak,
engkau dapat mengklasifikasikan percobaan tidak hanya
negatif tetapi juga pasti. Jika sebaliknya, batas atas 95%
confidence interval menunjukkan level perbedaan kemaknaan
secara klinis diantara kelompok tersebut, percobaan mungkin
negatif tetapi tidak pasti. Hingga saat ini, penggunaan
confidence interval masih terbilang kurang umum di jurnal
kedokteran. Dalam suatu survei terhadap seratus artikel dari
tiga jurnal utama (The New England Journal of Medicine, Annals of
Internal Medicine, dan Canadian Medical Association Journal),
hanya 43% yang melaporkan confidence interval, sedangkan
66% memberikan nilai p. Gambaran ini mungkin saja agak
tinggi tetapi meskipun demikian banyak penulis tidak
menginterpretasikan confidence interval secara benar. Engkau
harus memeriksa secara hati-hati pada bagian diskusi untuk
melihat apakah penulis telah memasukkan secara benar (a)
apakah dan untuk apakah percobaan mereka menunjang
hipotesis mereka dan (b) apakah penelitian lebih lanjut perlu
dilaksanakan. 5.6 Garis bawah (menghitung resiko manfaat
dan kerugian)Apakah penulis mengemukakan dampak dari
sebuah intervensi atas dasar manfaat atau kerugian yang orang
harapkan?Memang baik untuk mengatakan bahwa suatu
intervensi khusus menghasilkan outcome yang memiliki
“perbedaan bermakna secara statistik” tetapi jika saya diminta
untuk meminum suatu obat baru saya ingin mengetahui sejauh
mana perubahan yang lebih baik (outcome) dibandingkan jika
saya tidak meminumnya. Empat kalkulasi sederhana (dan saya
menjanjikanmu ini sangat sederhana: jika engkau dapat
menambah, mengurangi, mengalikan, dan membagi engkau
akan dapat mengikuti bagian ini) yang membuat kamu dapat
menjawab pertanyaan ini secara obyektif dan dengan cara yang
berarti sesuatu untuk ahli non statistik. Kalkulasi ini adalah
pengurangan resiko relatif, pengurangan resiko absolut, dan
jumlah yang dibutuhkan untuk suatu perlakuan, dan odd
ratio.Untuk menggambarkan konsep ini, dan untuk membujuk
kamu untuk mengetahui ini, saya akan menceritakanmu tentang
suatu survei yang dilaksanakan oleh Tom Fahey dkk pada
tahun 1995. Mereka menulis kepada 182 pejabat kesehatan
pemerintahan di England (yang semuanya memiliki tanggung
jawab yang sama dalam membuat keputusan penting
pelayanan kesehatan) dan memberikan data berikut kepada
mereka mengenai empat program rehabilitasi yang berbeda
untuk korban serangan jantung. Mereka ditanya yang mana
yang lebih cenderung mereka danai.· Program A – yang
menurunkan angka kematian sebesar 20%.· Program B –
yang menghasilkan pengurangan absolut kematian sebesar
3%.· Program C – yang meningkatkan angka kelangsungan
hidup pasien dari 84% ke 87%.· Program D – yang bertujuan
untuk memasukkan 30 orang ke dalam program untuk
menghindari satu kematian. Dari 140 anggota yang merespon
hanya tiga yang mengatakan bahwa keempat “program”
sebenarnya berkaitan dengan hasil yang sama. 137 lainnya
memilih satu dari program dari yang lainnya, sehingga
mengungkapkan (dan juga yang mereka abaikan) kebutuhan
untuk memperoleh pelatihan dasar yang lebih baik mengenai
epidemiologi untuk pejabat kesehatan. Tabel 5.2 Dampak
pencangkokan jantung koroner untuk kelangsungan hidup
Dampaknya selama 10 tahun Jumlah pasien yang
dirandom dari tiap
Pengobatan Meninggal Hidup kelompok
Mari kita lanjutkan dengan contoh pada tabel 5.2, yang diambil
Fahey dkk dari suatu penelitian oleh Salim Yusuf dkk. Saya
telah menggambarkan tabel 2×2 yang memberikan detail
pengobatan macam apa yang diterima oleh pasien pada
percobaan yang diambil secara random dan apakah mereka
meninggal atau hidup 10 tahun kemudian. Matematika
sederhana menjelaskan bahwa pasien pada terapi medis
mempunyai 404/1324=0,305 atau 30,5% peluang untuk
meninggal pada 10 tahun kemudian (dan 0,695 atau 69,5%
peluang yang masih hidup). Kita sebut ini sebagai resiko
kematian CER (control event rate). Pasien yang secara random
diambil untuk CABG memiliki 350/1325=0,264 atau 26,4%
peluang untuk meninggal 10 tahun kemudian (dan 0,736 atau
73,6% peluang untuk tetap hidup). Kita sebut resiko kematian
ini dengan EER (experimental event rate). Relative
riskkematian, misalnya resiko pasien CABG dibandingkan
dengan kontrol, adalah CER/EER atau 0,264/0,305=0,87
(87%).Relative risk reduction, misalnya jumlah dimana resiko
kematian berkurang oleh CABG, (CER-EER)/CER=(0,305-
0,264)/0,305=0,041/0,305=13%.Absolute risk reduction (atau
perbedaan resiko), misalnya jumlah absolut dimana CABG
mengurangi resiko kematian pada 10 tahun kemudian, yaitu
0,305-0,264=0,041 (41%).Number needed to treat, misalnya
berapa banyak pasien membutuhkan CABG untuk mencegah,
dengan rata-rata, satu kematian bertambah selama 10 tahun,
adalah pengurangan resiko absolut (absolute risk reduction) yang
saling berkaitan, 1/ARR=1/0,041=24.Cara yang terakhir untuk
menggambarkan dampak dari pengobatan yang ingin saya
perkenalkan adalah odd ratio. Lihat kembali pada tabel 5.2
engkau akan melihat bahwa “odd” yang meninggal
dibandingkan dengan “odd” yang hidup untuk pasien pada
kelompok pengobatan medis adalah 404/921=0,44, dan untuk
pasien pada kelompok CABG adalah 350/974=0,36. Ratio dari
odd ini adalah menjadi 0,44/0,36=1,22, yang merupakan cara
lain dalam mengungkapkan fakta penelitian ini, pasien pada
kelompok CABG melakukan hal yang lebih baik.Rumus umum
untuk mengkalkulasi dampak “garis bawah” dari sebuah
intervensi dijelaskan di Lampiran 4 dan untuk mendiskusikan
apakah nilai sangat bermanfaat dan pada situasi yang mana,
lihatlah artikel Jaenschke dkk dalam seri “Statistik Dasar untuk
Kedokteran” atau Bab 7 (Menentukan terapi yang terbaik) dari
buku teks epidemiologi klinik Sackett
dkk. 5.7RingkasanKemungkinan terjadi kesalahan yang serius
dengan mengambil kemampuan (dan/atau kejujuran intelektual)
statistik pengarang sebagai jaminan. Statistik dapat menjadi
sains yang mengintimidasi dan pemahaman terhadap point
terbenarnya selalu membutuhkan bantuan para ahli. Tetapi
saya berharap bahwa bab ini menunjukkan kamu bahwa
statistik yang digunakan dalam sebagian besar artikel penelitian
medis dapat dievaluasi oleh non ahli dengan menggunakan
checklist yang sederhana seperti yang terdapat pada Lampiran
1. Terlebih lagi, engkau sebaiknya mengecek kembali artikel
yang engkau baca (atau yang engkau tulis) untuk mengetahui
kesalahan umum yang diberikan pada kotak 5.1.