Oleh:
Darnah Andi Nohe
i
Biostatistika 1
Oleh:
Darnah Andi Nohe
Penerbit
ii
Kupersembahkan buku ini untuk:
Ibuku Andi Donno Petta Asseng (Alm) dan
Ayahku Andi Nohe Petta Longi.
Suamiku Agri Andi Mappiajo, terima kasih telah memberiku waktu
yang banyak untuk menulis buku ini.
Dan anak-anakku:
Andi Syaifullah Al Maslulil Agri,
Andi Ahmad Dzaky Palewai Agri dan
Andi Muhammad Akhtar Al Fadi Agri,
iii
PRAKATA
iv
Kesehatan Masyarakat (FKM) Universitas Mulawarman dan Ibu
Hj. Masitah, SKM, MQIH selaku dekan FKM Universitas
Widyagama Mahakam Samarinda atas sambutannya yang hangat
disertai respon yang positif atas hadirnya buku ini. Terima kasih juga
kepada Jeli Brian Andika, S. Si yang telah membantu selama proses
penulisan buku ini serta semua pihak yang tidak dapat disebutkan
satu persatu.
Akhir kata, semoga buku ini bermanfaat bagi kita semua dan
tentunya buku ini masih jauh dari kesempurnaan sehingga saran dan
kritik yang konstruktif untuk perbaikan buku ini sangat penulis
harapkan. Saran dapat disampaikan melalui email:
darnah.98@gmail.com, pin BB: 29253A63 atau nomor Hp:
085250014187.
v
SAMBUTAN DEKAN FKM
UNIVERSITAS MULAWARMAN
vi
SAMBUTAN DEKAN FKM
UNIVERSITAS WIDYAGAMA MAHAKAM
vii
DAFTAR ISI
Prakata ......................................................................................... iv
Sambutan Dekan FKM Universitas Mulawarman .................. vi
Sambutan Dekan FKM Universitas Widyagama Mahakam ... vii
Daftar Isi ...................................................................................... viii
Bab 1 Mengenal Statistika ......................................................... 1
1.1. Pengantar ................................................................... 1
1.2. Pengertian Statistika .................................................. 1
1.3. Pembagian Statistika .................................................. 2
1.4. Jenis-jenis Statistika ................................................... 5
1.5. Syarat Data yang Baik ............................................... 11
1.6. Jenis-jenis Variabel .................................................... 11
Bab 2 Teknik Sampling .............................................................. 14
2.1. Pengantar ................................................................... 14
2.2. Pengertian Populasi dan Sampel ................................ 14
2.3. Ukuran Sampel .......................................................... 15
2.4. Cara Pengambilan Elemen Sampel ............................ 19
2.5. Teknik Sampling ........................................................ 21
2.6. Probability Sampling ................................................. 23
2.7. Nonprobability Sampling ........................................... 29
Bab 3 Penyajian Data ................................................................. 32
3.1. Pengantar ................................................................... 32
3.2. Tabel .......................................................................... 32
3.3. Grafik ......................................................................... 41
Bab 4 Ukuran Pemusatan .......................................................... 49
4.1. Pengantar ................................................................... 49
4.2. Ukuran Pemusatan ..................................................... 49
4.3. Ukuran Letak ............................................................. 60
viii
Bab 5 Ukuran Penyebaran ......................................................... 72
5.1. Pengantar ................................................................... 72
5.2. Ukuran Penyebaran .................................................... 72
5.3. Kemenjuluran (Skewness) ......................................... 80
5.4. Keruncingan (Kurtosis) .............................................. 82
Bab 6 Probabilitas ....................................................................... 87
6.1. Pengantar ................................................................... 87
6.2. Pengertian Probabilitas .............................................. 87
6.3. Menentukan Probabilitas Suatu Peristiwa ................. 90
6.4. Probabilitas Gabungan Beberapa Peristiwa ............... 92
6.5. Probabilitas Peristiwa Saling Bebas .......................... 96
6.6. Probabilitas Bersyarat ................................................ 97
6.7. Metode Perhitungan Peristiwa ................................... 99
Bab 7 Distribusi Probabilitas ..................................................... 103
7.1. Pengantar ................................................................... 103
7.2. Disribusi Binomial (Bernoulli) dan Multinomial ...... 103
7.3. Distribusi Hipergeometrik ......................................... 109
7.4. Distribusi Poisson ...................................................... 112
7.5. Distribusi Normal ...................................................... 115
7.6. Pendekatan Normal terhadap Distribusi Binomial .... 120
Bab 8 Distribusi Sampling ......................................................... 123
8.1. Pengantar ................................................................... 123
8.2. Distribusi Sampling Rata-Rata .................................. 129
8.3. Distribusi Sampling Proporsi ..................................... 133
8.4. Distribusi Selisih Rata-Rata ....................................... 135
8.5. Distribusi Selisih Proporsi ......................................... 136
Bab 9 Teori Estimasi .................................................................. 138
9.1. Pengantar ................................................................... 138
9.2. Ciri-ciri Estimator yang Baik ..................................... 138
9.3. Cara Mengestimasi Nilai Parameter .......................... 140
9.4. Menentukan Ukuran Sampel ..................................... 151
ix
Referensi ...................................................................................... 155
Glosarium .................................................................................... 157
Distribusi Binomial ..................................................................... 159
Distribusi Poisson ........................................................................ 171
Tabel Z ......................................................................................... 177
Tabel t ........................................................................................... 183
x
Biostatistika 1
BAB 1
MENGENAL STATISTIKA
1.1 Pengantar
Statistika merupakan bagian dari matematika yang
dikembangkan di atas teori peluang untuk membantu manusia
memecahkan berbagai persoalan kehidupan. Pengolahan informasi
statistika mempunyai sejarah jauh ke belakang sejak awal peradaban
manusia. Pada zaman awal Masehi, bangsa-bangsa mengumpulkan
data statistik untuk mendapatkan informasi deskriptif mengenai
pajak, perang, hasil pertanian, dan bahkan pertandingan atletik. Pada
abad ke 17, petugas gereja Katolik menggunakan statistika untuk
mencatat kematian (mortality), kelahiran (fertility), migrasi
(migration) dan perkawinan (wedding).
Seiring dengan berkembangnya ilmu pengetahuan dan
teknologi, peranan statistika semakin luas dan digunakan di berbagai
bidang seperti kesehatan, ekonomi, sosial, pendidikan, pertanian dan
perusahaan. Statistika telah mampu melakukan pengambilan
keputusan melalui generalisasi dan peramalan periode yang akan
datang.
1.2 Pengertian Statistika
Sebelum kita berbicara lebih jauh tentang metode-metode
statistika, sebaiknya kita mengerti terlebih dahulu definisi statistika.
Statistika adalah ilmu yang mempelajari bagaimana merencanakan,
mengumpulkan, menyajikan, menginterpretasikan data, menganalisis
dan menarik kesimpulan dari hasil analisis.
1
Darnah Andi Nohe
2
Biostatistika 1
3
Darnah Andi Nohe
4
Biostatistika 1
5
Darnah Andi Nohe
6
Biostatistika 1
7
Darnah Andi Nohe
8
Biostatistika 1
9
Darnah Andi Nohe
10
Biostatistika 1
11
Darnah Andi Nohe
12
Biostatistika 1
13
Darnah Andi Nohe
BAB 2
TEKNIK SAMPLING
2.1 Pengantar
Pada Bab 1 kita mengenal statistika induktif yaitu statistika
yang berkenaan dengan penarikan kesimpulan umum tentang
populasi berdasarkan data sampel. Agar hasil penelitian yang
dilakukan terhadap sampel bisa tetap dipercaya dan mewakili
karakteristik populasi, maka teknik pengambilan sampel harus
dilakukan secara benar. Teknik pengambilan sampel dikenal dengan
nama teknik sampling.
Pada Bab ini, akan dibahas tentang pengertian populasi dan
sampel, ukuran sampel, teknik sampling dan kesalahan sampling.
2.2 Pengertian Populasi dan Sampel
Populasi (universe) adalah keseluruhan objek pengamatan
yang menjadi perhatian kita. Objek yang dimaksud bukan hanya
manusia, tetapi bisa juga berupa hewan, tumbuhan, darah dan benda-
benda lainnya yang ada di alam. Setiap satuan objek dari populasi
disebut elemen atau unsur populasi.
Populasi berdasarkan ukurannya terbagi menjadi populasi
terbatas (finite) dan populasi tidak terbatas (infinite). Populasi
terbatas adalah populasi yang jumlah elemennya diketahui dengan
pasti, misalnya jumlah pasien rawat inap di rumah sakit X tahun
2012 sebanyak 1.200 orang, akseptor IUD di wilayah kerja
puskesmas X bulan Februari 2013 sebanyak 35 orang, dan lain
sebagainya.
Sedangkan populasi tak terbatas adalah populasi yang jumlah
elemennya berubah-ubah sehingga tidak dapat diketahui dengan pasti
14
Biostatistika 1
15
Darnah Andi Nohe
16
Biostatistika 1
17
Darnah Andi Nohe
N n N n N n
75 63 400 196 3000 341
80 66 420 201 3500 346
85 70 440 205 4000 351
90 73 460 210 4500 354
95 76 480 214 5000 357
100 80 500 217 6000 361
110 86 550 226 7000 364
120 92 600 234 8000 367
130 97 650 242 9000 368
140 103 700 248 10000 370
150 108 750 254 15000 375
160 113 800 260 20000 377
170 118 850 265 30000 379
180 123 900 269 40000 380
190 127 950 274 50000 381
200 132 1000 278 75000 382
210 136 1100 285 1000000 384
Sumber: Krejcie dan Morgan (1970) dalam Uma Sekaran
(1984)
Jika kita menggunakan rumus Slovin akan memberikan jumlah
sampel yang hampir sama dengan Tabel 2.1 untuk nilai α = 5%.
Berikut adalah rumus Slovin:
N
n=
1 + Nα 2
Dimana:
n : banyaknya sampel
N : banyaknya populasi
α : tingkat signifikansi
18
Biostatistika 1
Contoh 2.1
Misalnya akan dilakukan pengambilan sampel dari populasi yang
berjumlah 120 orang, jika α = 5% maka diperoleh jumlah sampel
menurut rumus Slovin berikut:
N 120
n= = = 92,3 orang.
1 + Nd 2
1 + 120(0,05) 2
19
Darnah Andi Nohe
N!
C(N, r) =
r!( N − r )!
Dimana:
C: kombinasi.
N : jumlah populasi.
r: ukuran sampel
Lambang “!” dibaca faktorial, didefinisikan bahwa 1! = 1,
0! = 1 dan n!= n x (n-1) x (n-2) x …x 3 x 2 x 1.
Contoh 2.1
Misalnya diketahui di dalam suatu kotak terdapat 8 jenis obat, jika
dilakukan pengambilan sampel berukuran 4 tanpa pengembalian,
maka banyaknya sampel yang diambil adalah:
8! 8x7x6x5x4!
C(8,4) = = = 70 sampel.
4!(8 − 4)! 4! 4x3x2x1
Jika kita mengambil sampel yang berukuran 1 dari dalam kotak akan
diperoleh jumlah sampel berikut:
8! 8x7!
C(8,1) = = = 8 sampel.
1!(8 − 1)! 1x 7!
20
Biostatistika 1
Contoh 2.2
Misalnya diketahui populasi 4 orang penderita penyakit malaria, jika
diambil sampel berukuran 2, maka banyaknya sampel yang diambil
adalah N n = 42 = 16 orang. Jika inisial 4 populasi tersebut adalah A,
B, C dan D maka kemungkinan yang sampel yang bisa terpilih
adalah AA, AB, AC, AD, BB, BC, BD, CC, CD, DD, DC, DB, DA,
CB, CA dan BA.
2.5 Teknik Sampling
Secara umum, teknik pengambilan sampel terdiri dua macam
yaitu teknik pengambilan sampel secara acak (random sampling /
probability sampling) dan teknik pengambilan sampel secara tidak
acak (nonrandom sampling/ nonprobability sampling). Pembagian
teknik sampling secara skema dapat dilihat pada Gambar 2.1.
Probability sampling adalah teknik pengambilan sampel yang
memberikan kesempatan (probabilitas) yang sama kepada setiap
elemen populasi untuk terpilih sebagai sampel. Misalnya akan
dilakukan pengambilan sampel sebanyak 45 dari 100 penderita gagal
jantung, maka setiap penderita tersebut mempunyai probabilitas
sebesar 45/100=0,45 untuk terpilih menjadi sampel.
Sedangkan nonprobability sampling merupakan teknik
pengambilan sampel yang tidak memberi kesempatan yang sama
pada setiap elemen populasi untuk menjadi sampel. Misalnya
seorang peneliti mengambil 25 rumah tetangga sebagai sampel untuk
mengetahui adanya jentik di tempat penampungan air minum, berarti
rumah yang letaknya jauh dari rumah peneliti tidak mempunyai
kemungkinan untuk terpilih atau nilai probabilitasnya 0.
21
Darnah Andi Nohe
22
Biostatistika 1
Teknik Sampling
23
Darnah Andi Nohe
24
Biostatistika 1
25
Darnah Andi Nohe
100
n1 = x140 = 63,6 ≈ 64 balita.
220
dan banyaknya balita perempuan adalah:
120
n2 = x140 = 76,4 ≈ 76 balita.
220
Terlihat bahwa 64 + 76 = 140 atau n1 + n 2 = n. Setelah menentukan
jumlah sampel dari setiap stratum secara proporsional, dilanjutkan
pengambilan sampel dari setiap stratum secara acak.
Non proportionate stratified random sampling artinya
pengambilan sampel dilakukan secara tidak proporsional pada setiap
stratum.
Contoh 2.5
Misalnya pada populasi berjumlah 24 orang terdiri dari 1
berpendidikan S3, 3 S2 dan 20 S1 (status pendidikan dianggap
sebagai stratum), jika akan diambil sampel (n) sebanyak 10 orang
maka banyaknya sampel yang berpendidikan S3 adalah:
1
n1 = x10 = 0,04 ≈ 0 .
24
Banyaknya sampel yang berpendidikan S2:
3
n2 = x10 = 1,25 ≈ 1
24
Banyaknya sampel yang berpendidikan S1:
20
n3 = x10 = 8,3 ≈ 8
24
Berdasarkan perhitungan pengambilan sampel secara proporsional,
tidak ada sampel dari populasi yang berpendidikan S3. Karena
peneliti tetap menginginkan S3 terwakili, maka 1 orang yang
berpendidikan S3 tersebut dijadikan sampel. Kemudian diambil
26
Biostatistika 1
27
Darnah Andi Nohe
Contoh 2.6
Misalnya akan dilakukan penelitian untuk mengetahui prevalensi
pengguna alat kontrasepsi IUD pada wanita usia subur di Kabupaten
X yang terdiri dari 23 kecamatan, kemudian diambil sampel
sebanyak 5 kecamatan secara acak. Dari setiap kecamatan yang
terpilih, diambil sampel secara acak.
2.5.4 Systematic Sampling
Systematic sampling atau teknik pengambilan sampel secara
sistematis merupakan teknik pengambilan sampel dimana elemen
pertama diambil secara acak dari k elemen yang pertama dari
sampling frame dan elemen lainnya diambil berdasarkan jarak
sebesar k. Nilai k tergantung jumlah sampel dan jumlah populasi,
rumus yang digunakan untuk menentukan nilai k adalah:
N
k=
n
Dimana:
k: jarak antar sampel.
N: banyaknya populasi
n: banyaknya sampel
Prosedur yang dilakukan dalam sistematic sampling adalah:
1. Menyusun sampling frame.
2. Menetapkan jumlah sampel.
3. Menentukan jarak (k).
4. Menentukan sampel pertama secara acak.
5. Menentukan sampel kedua dan seterusnya berdasarkan jarak
yang diperoleh pada nomor 3.
28
Biostatistika 1
Contoh 2.7
Misalnya dalam suatu populasi terdapat 10.000 rumah. Sampel yang
akan diambil adalah 500 rumah maka jarak antara sampel pertama,
kedua, dan seterusnya adalah 20. Diperoleh dari:
N 10.000
k= = = 20
n 500
Rumah pertama yang diambil sebagai sampel dipilih secara acak,
jika yang terpilih adalah rumah bernomor 5 maka nomor rumah
berikutnya adalah 25, 45, 65 dan seterusnya sampai jumlah sampel
terpenuhi.
2.6 Nonprobability Sampling
Seperti telah diuraikan sebelumnya, jenis sampel ini dipilih
secara tidak acak. Semua unsur atau elemen populasi tidak
mempunyai kesempatan yang sama untuk terpilih menjadi sampel.
Unsur populasi yang terpilih menjadi sampel bisa disebabkan karena
kebetulan atau karena faktor lain yang sebelumnya sudah
direncanakan oleh peneliti. Non probability sampling yang akan
dibahas adalah accidental sampling, purposive sampling, quota
sampling, snow ball sampling dan total sampling.
2.6.1 Accidental Sampling
Accidental sampling dikenal juga dengan istilah convenience
sampling atau captive sample (man on the street) merupakan teknik
pengambilan sampel berdasarkan kebetulan, yaitu siapa saja yang
secara kebetulan bertemu dengan peneliti dan dapat digunakan
sebagai sampel bila orang yang kebetulan ditemui dianggap cocok
sebagai sumber data. Misalnya peneliti mengambil sampel hanya
berdasarkan pada pengunjung puskesmas yang ditemuinya saat
penelitian berlangsung, jadi orang yang tidak berkunjung ke
29
Darnah Andi Nohe
Contoh 2.8
30
Biostatistika 1
25
Kuota dokter adalah x 40 = 6,9 ≈ 7 orang.
145
Setelah jumlah sampel dari masing-masing kuota diketahui,
kemudian dilakukan pengambilan sampel secara tidak acak.
2.6.4 Snowball Sampling
Snowball sampling merupakan teknik pengambilan sampel
yang dilakukan dengan system jaringan responden. Mulai dari
mewawancarai satu responden. Kemudian, responden tersebut akan
menunjukkan responden lain dan responden lain tersebut akan
menunjukkan responden berikutnya. Hal ini dilakukan secara terus-
menerus sampai dengan terpenuhinya jumlah anggota sampel yang
diingini oleh peneliti. Hal ini disebabkan peneliti tidak banyak tahu
tentang populasi penelitiannya. Teknik sampling ini biasanya
digunakan untuk meneliti kelompok masyarakat yang ekslusif seperti
kaum lesbian, gay, pengguna narkoba dan lain sebagainya.
Misalnya seorang peneliti ingin mengetahui faktor-faktor yang
mempengaruhi seseorang menjadi pengguna narkoba. Peneliti cukup
mencari satu pengguna narkoba kemudian melakukan wawancara.
Setelah selesai, peneliti tadi minta kepada pengguna tersebut untuk
menunjukkan teman pengguna lainnya, begitu seterusnya sampai
jumlah pengguna dianggap sudah cukup sebagai sampel.
31
Darnah Andi Nohe
BAB 3
PENYAJIAN DATA
3.1 Pengantar
Pada bab ini kita akan membahas penyajian data yang
diperoleh dari sampel ataupun populasi sehingga mempunyai
informasi yang bernilai dan bermakna. Pentingnya penyajian data
dapat kita lihat pada contoh berikut.
Contoh 3.1
Misalkan diketahui data hasil pengukuran berat badan (kg) dari 30
mahasiswa adalah sebagai berikut:
40 56 50 45 60
55 48 64 56 45
68 60 55 67 50
58 64 45 60 55
51 48 44 63 40
61 63 59 54 42
Sangat sukar bila kita ingin menginterpretasikan data tersebut
dan hanya sedikit sekali informasi yang bisa kita peroleh, apalagi jika
jumlah sampelnya mencapai 100 atau lebih. Sehingga untuk
memudahkan kita memperoleh informasi dari data maka perlu
dilakukan penyajian data, baik dalam bentuk tabel maupun grafik
dan grafik.
3.2 Tabel
Penyajian data dengan menggunakan tabel merupakan
penyajian data dengan menyusun data menurut kategori (kelompok)
32
Biostatistika 1
33
Darnah Andi Nohe
Tabel 3.1
Master Tabel Penelitian Hubungan Antara Higiene
Perseorangan dengan Demam Tifoid di Desa X
Bulan Desember Tahun 2012
34
Biostatistika 1
35
Darnah Andi Nohe
36
Biostatistika 1
37
Darnah Andi Nohe
Pada Tabel 2.3, tepi bawah kelas pertama adalah 39,5 dan tepi
atas kelas adalah 69,5.
c. Titik tengah kelas, diperoleh dengan rumus berikut:
Batas Bawah + Batas Atas
2
Titik tengah kelas pertama pada Tabel 2.3 adalah:
40 + 44
= 42
2
titik tengah untuk kelas berikutnya dapat ditentukan dengan
cara yang sama.
Pada tabel distribusi frekuensi, frekuensi dinyatakan dengan
banyak data yang terdapat dalam tiap kelas dalam bentuk absolut.
Jika kita ingin mengetahui sebaran (distribusi) frekuensi dalam
bentuk persentase, maka nilai frekuensi absolut diubah menjadi
distribusi frekuensi relatif tanpa menghilangkan makna dari data.
Bentuk tabel distribusi frekuensi relatif dari Tabel 3.3 adalah sebagai
berikut:
Tabel 3.4
Distribusi Frekuensi Relatif Berat Badan Responden
38
Biostatistika 1
4
x100% = 13,3%
30
Cara yang sama digunakan untuk menentukan kelas-kelas
berikutnya.
Seringkali kita lebih tertarik bukan pada banyaknya frekuensi
dalam suatu kelas tertentu, tetapi banyaknya frekuensi diatas atau
dibawah suatu nilai tertentu. Misalnya dalam Tabel 3.3 banyaknya
responden yang berat badannya kurang dari 60 kg ada 20 orang.
Frekuensi total semua nilai yang lebih kecil daripada batas atas kelas
suatu interval kelas disebut distribusi frekuensi kumulatif. Dikenal
dua jenis distribusi frekuensi kumulatif yaitu kurang dari dan atau
lebih. Untuk mempersingkat penulisan, contoh kedua jenis distribusi
frekuensi tersebut dapat dilihat pada Tabel 3.5 berikut:
Tabel 3.5
Frekuensi Kumulatif Kurang Dari dan Kumulatif Lebih Dari
39
Darnah Andi Nohe
Tabel 3.6
Jumlah Responden Berdasarkan Status Fertilitas
dan Kebiasaan Merokok
Tabel 3.7
Jumlah Pegawai Dinas Kesehatan Provinsi X Menurut Umur,
Pendidikan dan Golongan
40
Biostatistika 1
41
Darnah Andi Nohe
Grafik garis terdiri dari grafik garis tunggal (single line chart)
dan grafik garis berganda (multiple line chart).
Grafik garis tunggal merupakan grafik yang terdiri dari satu garis
untuk menggambarkan perkembangan dari suatu variabel atau
karakteristik. Contoh grafik garis tunggal adalah sebagai berikut:
42
Biostatistika 1
43
Darnah Andi Nohe
44
Biostatistika 1
45
Darnah Andi Nohe
46
Biostatistika 1
47
Darnah Andi Nohe
3.3.6 Ogif
Kurva ogif digunakan untuk menggambarkan frekuensi
kumulatif dari setiap kategori. Sumbu horinzontal (X) pada kurva
Ogif menunjukkan tepi bawah kelas sedangkan sumbu vertikal (Y)
menunjukkan frekuensi kumulatif. Contoh kurva Ogif menggunakan
data pada Tabel 3.5 adalah sebagai berikut:
48
Biostatistika 1
BAB 4
UKURAN PEMUSATAN
4.1 Pengantar
Pada data kuantitatif, tidak semua data yang ada harus
disajikan. Untuk itu dibutuhkan suatu ukuran yang dapat mewakili
sekumpulan data yang kita peroleh dari sampel maupun populasi.
Ukuran yang dihitung dari kumpulan data sampel disebut statistik
sedangkan apabila diperoleh dari populasi disebut parameter. Salah
satu ukuran data yang dapat mewakili sekumpulan data adalah
ukuran pemusatan.
Selain ukuran pemusatan, ada juga yang disebut ukuran letak.
Ukuran letak merupakan ukuran yang menjelaskan atau
menunjukkan dimana letak sebagian data berada setelah data
diurutkan dari terkecil sampai terbesar.
4.2. Ukuran Pemusatan
Ukuran pemusatan yang paling umum digunakan adalah rata-
rata, median, dan modus. Yang paling penting diantaranya adalah
rata-rata, dan itu pula yang pertama akan dibahas.
4.2.1 Rata-rata
Rata-rata merupakan nilai yang diperoleh dengan
menjumlahkan semua nilai data kemudian membaginya dengan
jumlah data. Rata-rata terdiri dari rata-rata populasi, sampel,
tertimbang dan kelompok.
49
Darnah Andi Nohe
∑x i
x1 + x 2 + x 3 + K + x N
μ= i =1
=
N N
Contoh 4.1
Misalkan diketahui banyaknya pegawai di enam puskesmas adalah
12, 7, 10, 8, 9 dan 8. Dengan memandang data itu sebagai populasi,
maka rata-rata banyaknya pegawai bagi enam puskesmas adalah:
6
∑x x1 + x 2 + x 3 + x 4 + x 5 + x 6
i
μ= i =1
=
6 6
12 + 7 + 10 + 8 + 9 + 8
= = 9 orang.
6
Cara perhitungan rata-rata sampel pada dasarnya hampir sama
dengan rata-rata populasi. Misalkan nilai-nilai data kuantitatif sampel
yang berukuran n kita nyatakan sebagai: x1 , x 2 , x 3 ,K, x n , maka
rata-rata sampel adalah:
n
∑x i
x1 + x 2 + x 3 + K + x n
x= i =1
=
n n
Contoh 4.2
Misalkan diperoleh nilai kadar nikotin yang dikandung lima batang
rokok Surya yang dijadikan sebagai sampel adalah 20,1 mg ; 18 mg;
50
Biostatistika 1
21,2 mg; 20 mg dan 22 mg, maka rata-rata kadar nikotin lima batang
rokok adalah :
5
∑x x1 + x 2 + x 3 + x 4 + x 5
i
x= i =1
=
5 5
20,1 + 18 + 21,2 + 20 + 22
= = 20,26 mg.
5
Pada perhitungan rata-rata populasi dan sampel, setiap data
dianggap mempunyai tingkat atau bobot yang sama. Jika data
mempunyai bobot yang berbeda maka digunakan rata-rata tertimbang
dengan menggunakan rumus berikut:
n
∑ (w x ) i i
w1x1 + w 2 x 2 + w 3 x 3 + K + w n x n
x= i =1
=
n
w1 + w 2 + w 3 + K + w n
∑w
i =1
i
Contoh 4.3
Misalkan pada Contoh 4.2, diketahui bahwa ada 4 batang rokok yang
mempunyai kadar nikotin 20,1 mg ; 6 batang dengan kadar nikotin
18 mg; 5 batang dengan kadar nikotin 21,2 mg; 8 batang dengan
kadar nikotin 20 mg dan 10 batang dengan kadar nikotin 22 mg,
maka rata-rata tertimbang data tersebut adalah:
51
Darnah Andi Nohe
∑ (w x ) i i
w 1x1 + w 2 x 2 + w 3 x 3 + w 4 x 4 + w 5 x 5
x= i =1
=
5
w1 + w 2 + w 3 + w 4 + w 5
∑w
i =1
i
Untuk lebih memudahkan, akan lebih baik jika data dituliskan dalam
tabel berikut:
wi xi wixi
4 20,1 80,4
6 18 108
5 21,2 106
8 20 160
10 22 220
∑ (w x ) i i
674
x= i =1
5
= = 20,42 mg.
33
∑w
i =1
i
52
Biostatistika 1
∑f xi =1
i i
x= k
∑f
i =1
i
Dimana:
f i : frekuensi kelas ke-i
x i : nilai tengah kelas ke-i
k : banyak kelas
Contoh 4.4
Misalkan kita tertarik untuk menghitung rata-rata berat badan
responden pada Contoh 3.4, maka untuk mempermudah perhitungan
dibuat tabel berikut:
∑f x i i
1.640
x= i =1
k
= = 54,7 kg
30
∑f
i =1
i
53
Darnah Andi Nohe
Contoh 4.5
Misalkan diketahui data lama rawat inap tujuh pasien di suatu rumah
sakit adalah 6 hari, 10 hari, 7 hari, 9 hari, 8 hari, 3 hari dan 7 hari.
54
Biostatistika 1
55
Darnah Andi Nohe
Contoh 4.7
Misalkan pada Contoh 3.4 akan ditentukan median data berat badan
30 responden, langkah pertama yang dilakukan adalah menentukan
letak media yaitu:
n 30
= = 15.
2 2
Jadi data terletak pada data ke 15 atau berada pada kelas 4 dengan
interval 55 – 59. Selanjutnya data pada Contoh 3.4 disajikan kembali
pada tabel berikut:
Dimana:
L : 54,5 yaitu tepi bawah kelas median berada
n : 30 yaitu banyaknya data
F : 13 yaitu frekuensi kumulatif sebelum kelas median
f : 7 yaitu frekuensi kelas median berada
p : 5 yaitu panjang interval kelas median
Sehingga diperoleh median data berat badan 30 responden sebagai
berikut:
30
− 13
Me = 54,5 + 2 5 = 55,9 kg.
7
56
Biostatistika 1
4.2.3 Modus
Ukuran pemusatan yang terakhir kita bahas adalah modus.
Modus adalah nilai yang paling sering terjadi atau nilai yang
mempunyai frekuensi paling tinggi. Modus tidak selalu ada, hal ini
terjadi jika semua data mempunyai frekuensi terjadi yang sama. Pada
data tertentu, bisa terdapat beberapa nilai dengan frekuensi tertinggi.
Satu kelompok data yang mempunyai satu modus disebut uni modus.
Jika mempunyai dua modus disebut bimodus dan apabila mempunyai
tiga atau lebih modus disebut multi modus.
Pada data tunggal, modus adalah nilai yang paling sering
terjadi atau mempunyai frekuensi paling tinggi. Sedangkan untuk
data berkelompok atau dalam tabel distribusi frekuensi, modus
ditentukan dengan menggunakan rumus berikut:
d1
Mo = L + p
d1 + d 2
Dimana:
L : nilai tepi bawah kelas dimana modus berada
57
Darnah Andi Nohe
58
Biostatistika 1
x = Me = Mo
Gambar 4.1. Kurva normal
x < Me < Mo
Gambar 4.2 Kurva Menjulur ke Kiri
59
Darnah Andi Nohe
x > Me > Mo
Gambar 4.3 Kurva Menjulur ke Kanan
Selanjutnya dapat disimpulkan penggunaan nilai rata-rata, median
dan modus sebagai suatu ukuran pemusatan yang dapat mewakili
sekumpulan data sebagai berikut:
1. Jika rata-rata, median dan modus mempunyai nilai yang sama
atau hampir sama maka ketiga ukuran tersebut baik untuk
digunakan.
2. Jika data mempunyai nilai ekstrim (tinggi atau rendah) maka
lebih baik menggunakan nilai median atau modus.
Pada kurva normal seperti pada Gambar 4.1, hubungan antara
rata-rata, median dan modus adalah sebagai berikut:
(3Median − Modus)
1. Rata - rata =
2
(2Rata - rata + Modus)
2. Median =
3
3. Modus = Rata-rata – 3(Rata-rata − Median)
60
Biostatistika 1
i(n + 1)
Ki = ,
4
dimana i = 1, 2, 3 dan n adalah banyaknya data.
Contoh 4.9
Misalkan diketahui jumlah penderita 11 penyakit di Provinsi X pada
tahun 2012 adalah sebagai berikut:
61
Darnah Andi Nohe
110; 67; 55; 80; 200; 89; 75; 44; 20; 92; 31
Untuk menentukan nilai-nilai kuartil, data diurutkan menjadi:
20; 31; 44; 55; 67; 75; 80; 89; 92; 110; 200
Kemudian menentukan letak kuartil, yaitu:
1(11 + 1)
K1 = = 3 , berarti K 1 terletak pada data ke-3.
4
2(11 + 1)
K2 = = 6 ,berarti K 2 terletak pada data ke-6.
4
3(11 + 1)
K3 = = 9 , berarti K 3 terletak pada data ke-9.
4
Setelah diketahui letak kuartil, maka dapat diketahui bahwa nilai K 1
adalah nilai data ke-3 yaitu 44 dan nilai K 2 adalah nilai data ke-6
yaitu 75. Nilai K 3 adalah nilai data ke-9 yaitu 92, hal ini berarti
bahwa ada 75% penyakit dengan jumlah penderita kurang dari 92
orang, dan 25% penyakit dengan jumlah penderita di atas 92 orang.
Contoh 4.10
Misalkan diketahui tinggi badan (cm) dari 10 sampel sebagai berikut:
145; 150; 157; 160; 163; 165; 165; 168; 170; 173
Data tersebut telah diurutkan sehingga kita dapat menentukan letak
kuartilnya, yaitu:
1(10 + 1)
K1 = = 2,75
4
2(10 + 1)
K2 = = 5,5
4
3(10 + 1)
K3 = = 8,25
4
62
Biostatistika 1
Letak kuartil pada jumlah data genap selalu berupa desimal, sehingga
tidak ada nilai yang sesuai dengan letak tersebut. Oleh karena itu
dibutuhkan rumus untuk menghitung nilai-nilai kuartil, yaitu:
Dimana:
i = 1, 2, 3
Nk i : Nilai kuartil ke-i
Nkb i : Nilai data yang berada sebelum letak kuartil ke-i
Lk i : Letak kuartil ke-i
Lkbi : Letak kuartil yang berada sebelum letak kuartil ke-i
Nka i : Nilai data yang berada setelah letak kuartil ke-i
63
Darnah Andi Nohe
in
Ki = ; i = 1, 2, 3 dan n = banyaknya data.
4
Selanjutnya menghitung nilai-nilai kuartil dengan rumus:
in
−F
Ki = L + 4 p;
f
Dimana:
i : 1, 2, 3
L : nilai tepi bawah kelas dimana K i berada
n : banyaknya data
F : frekuensi kumulatif sebelum kelas K i berada
f : frekuensi kelas K i
p : panjang interval kelas K i
64
Biostatistika 1
Contoh 4.11
Misalkan diketahui table distribusi frekuensi jumlah kunjungan
berdasarkan umur di Poli Gigi suatu Puskesmas pada bulan Januari
2013 adalah sebagai berikut:
(25 − 14) 55
K1 = 10,5 + 5 = 10,5 +
18 18
= 11,5
K 2 terletak pada data ke-50 atau berada di kelas tiga, maka nilai K 2
adalah:
(50 − 32) 90
K 2 = 15,5 + 5 = 15,5 +
22 22
= 19,6
65
Darnah Andi Nohe
Dan K 3 terletak pada data ke-75 atau berada di kelas tiga, sehingga
nilai K 3 adalah:
(75 − 64) 55
K 3 = 25,5 + 5 = 25,5 +
28 28
= 27,5
Nilai K 3 =27,5 artinya bahwa ada 75% pengunjung Poli Gigi yang
berumur di bawah 27,5 tahun.
4.3.2 Desil
Desil adalah ukuran letak yang membagi data menjadi sepuluh
bagian yang sama besar yaitu sebesar 10%, sehingga diperoleh
sembilan nilai desil yaitu desil pertama dilambangkan dengan D1 ,
desil kedua dilambangkan dengan D 2 dan seterusnya sampai desil
kesembilan. Untuk menentukan nilai-nilai desil, dilakukan cara yang
sama seperti ketika menentukan nilai-nilai kuartil, yaitu:
1. Data diurutkan dari nilai terkecil sampai terbesar.
2. Menentukan letak desil.
3. Menentukan nilai-nilai desil.
Letak desil untuk data tunggal dapat ditentukan dengan rumus
berikut:
i(n + 1)
Di = ,
10
dimana i = 1, 2, ..., 9 dan n adalah banyaknya data.
Contoh 4.11
Misalkan berdasarkan Contoh 4.9, kita ingin mengetahui berapa
jumlah penderita yang termasuk dalam 10% penyakit dengan jumlah
66
Biostatistika 1
9(11 + 1)
D9 = = 10,8
10
Seperti halnya kuartil, apabila letak desil yang diperoleh adalah
desimal, maka nilai desil dapat ditentukan dengan rumus berikut:
Dimana:
i = 1, 2, ..., 9
Nd i : Nilai desil ke-i
Ndb i : Nilai data yang berada sebelum letak desil ke-i
Ld i : Letak desil ke-i
Ldbi : Letak desil yang berada sebelum letak desil ke-i
Nda i : Nilai data yang berada setelah letak desil ke-i
67
Darnah Andi Nohe
in
Di = ; i = 1, 2, ..., 9 dan n = banyaknya data.
10
Kemudian nilai-nilai desil dapat dihitung dengan rumus:
in
−F
Di = L + 4 p;
f
Dimana:
i : 1, 2, ..., 9
L : nilai tepi bawah kelas dimana D i berada
n : banyaknya data
F : frekuensi kumulatif sebelum kelas D i berada
f = frekuensi kelas D i
p = panjang interval kelas D i
Contoh 4.12
Misalkan berdasarkan Contoh 4.10, kita tertarik untuk mengetahui
10% pengunjung Poli Gigi dengan umur terendah, desil yang dapat
menunjukkan hal tersebut adalah D1 . Letak D1 adalah:
1(n) 100
D1 = = = 10 ,
10 10
Berarti D1 terletak pada data ke-10, yang berada pada kelas pertama.
Sehingga nilai D1 adalah:
68
Biostatistika 1
(10 − 0)
D1 = 5,5 + 5
14
= 5,5 + 3,6
= 9,1
Jadi pengunjung Poli Gigi yang berumur dibawah 9,1 tahun termasuk
dalam 10% pengunjung dengan umur terendah.
4.3.3 Persentil
Persentil adalah ukuran letak yang membagi data menjadi
seratus bagian yang sama besar yaitu sebesar 1%, karena itu persentil
sering disebut ukuran perseratusan. Jadi diperoleh 99 nilai persentil
yaitu persentil pertama dilambangkan dengan P1 , persentil kedua
dilambangkan dengan P2 dan seterusnya sampai persentil ke-99.
Untuk menentukan nilai-nilai persentil, dilakukan cara perhitungan
yang sama dengan desil.
Letak persentil untuk data tunggal dapat ditentukan dengan rumus
berikut:
i(n + 1)
Pi = ,
100
dimana i = 1, 2, ..., 99 dan n adalah banyaknya data.
Contoh 4.11
Misalkan berdasarkan Contoh 4.9, kita ingin mengetahui berapa
jumlah penderita yang termasuk dalam 15% penyakit dengan jumlah
penderita terendah, maka terlebih dahulu kita menentukan letak
persentilnya. Persentil yang menyatakan 15% penyakit dengan
jumlah penderita terendah adalah P15 , letaknya adalah:
69
Darnah Andi Nohe
15(11 + 1)
P15 = = 1,8
100
Seperti halnya kuartil dan desil, apabila letak persentil yang
diperoleh adalah desimal, maka nilai persentil dapat ditentukan
dengan rumus berikut:
Dimana:
i : 1, 2, ..., 99
Np i : Nilai persentil ke-i
Npb i : Nilai data yang berada sebelum letak persentil ke-i
Lpi : Letak persentil ke-i
Lpbi : Letak persentil yang berada sebelum letak persentil ke-i
Npa i : Nilai data yang berada setelah letak persentil ke-i
in
Pi = ; i = 1, 2, ..., 99 dan n = banyaknya data.
100
Dan nilai-nilai persentil dapat dihitung dengan rumus:
70
Biostatistika 1
in
−F
Pi = L + 100 p;
f
Dimana:
i : 1, 2, ..., 99
L : nilai tepi bawah kelas dimana Pi berada
n : banyaknya data
F : frekuensi kumulatif sebelum kelas Pi berada
f : frekuensi kelas Pi
p : panjang interval kelas Pi
Contoh 4.12
Misalkan kembali ke Contoh 4.10, kita tertarik untuk mengetahui
35% pengunjung Poli Gigi dengan umur tertinggi, persentil yang
dapat menunjukkan hal tersebut adalah P65 yang diperoleh dari (100-
35)%=65%. Letak P65 adalah:
65(100) 6500
P65 = = = 65 ,
100 100
Berarti P65 terletak pada data ke-35, yang berada pada kelas pertama.
Sehingga nilai P65 adalah:
(65 − 64)
P65 = 25,5 + 5
28
= 25,5 + 0,2
= 25,7
Jadi pengunjung Poli Gigi yang berumur di atas 25,7 tahun termasuk
dalam 35% pengunjung dengan umur tertinggi.
71
Darnah Andi Nohe
BAB 5
UKURAN PENYEBARAN
5.1 Pengantar
Selain ukuran pemusatan dan ukuran letak, ada juga ukuran
lain yaitu ukuran penyebaran atau dikenal juga sebagai ukuran
simpangan atau ukuran dispersi dan seringkali juga disebut sebagai
ukuran variasi. Pada buku ini akan menggunakan istilah ukuran
penyebaran. Ukuran penyebaran merupakan ukuran untuk
menggambarkan seberapa besar penyimpangan data dari nilai rata-
ratanya. Ukuran penyebaran yang akan dibahas pada bab ini adalah
rentang, simpangan baku dan varians.
5.2 Ukuran Penyebaran
Pada Bab 4 dibahas tiga ukuran pemusatan tetapi belum
memberikan deskripsi yang cukup bagi kita karena belum
mengetahui seberapa besar penyimpangan data kita dari nilai rata-
ratanya. Dua kumpulan data yang mempunyai nilai rata-rata hitung
dan median yang sama, bisa jadi mempunyai keragaman yang
berbeda.
Contoh 5.1
Misalkan pada label dua obat penurun panas untuk anak-anak merk
A dan B tercantum isi botol 60 ml, untuk itu diambil sampel masing-
masing 5 botol kemudian diukur isinya dalam ml dan diperoleh hasil
berikut:
Merk A : 58 60 59 62 61
Merk B : 66 61 48 51 74
72
Biostatistika 1
73
Darnah Andi Nohe
1 N
σ2 = ∑ (x i − μ) 2
N i =1
Dimana:
σ 2 : varians populasi
N : banyaknya data populasi
x i : nilai data ke-i
μ : nilai rata-rata populasi
Contoh 5.3
Misalkan diketahui hasil pemeriksaan kadar Hb (g/dL) enam orang di
Puskesmas A adalah: 13; 11; 12; 10; 13; dan 13. Jika ke enam orang
tersebut dianggap sebagai populasi maka untuk menentukan varians
populasi terlebih dahulu dihitung rata-rata populasi, yaitu:
13 + 11 + 12 + 10 + 13 + 13 72
μ= = = 12
6 6
74
Biostatistika 1
Kemudian diperoleh:
1 6
σ 2 = ∑ (x i − μ) 2
6 i =1
=
1
6
[
(13 − 12) 2 + (11 − 12) 2 + (12 − 12) 2 + (10 − 12) 2 + (13 − 12) 2 + (13 − 12) 2 ]
=
6
[
1 2
1 + (−1) 2 + 02 + (−2) 2 + 12 + 12 ]
8
== 1,33
6
Misalkan diketahui pula hasil pemeriksaan kadar Hb (g/dL) enam
orang di Puskesmas B adalah 11,2; 10,8; 12; 11; 12,6; dan 10,4.
Dengan cara perhitungan yang sama diperoleh:
μ = 11,3 dan σ 2 = 0,56
Nilai varians atau sebaran kadar Hb di Puskesmas B lebih kecil
dibandingkan Puskesmas A. Hal ini menunjukkan bahwa kadar Hb di
Puskesmas B mengelompok disekitar rata-ratanya dibandingkan
dengan Puskesmas A.
b. Varians Sampel
Apabila kita menggunakan data sampel untuk menghitung
varians, akan disebut sebagai varians sampel. Varians sampel
merupakan penduga (estimator) bagi varians populasi.
Pada dasarnya, rumus varians sampel tidak berbeda jauh
dengan varians populasi. Hanya saja, selain mengganti parameter
menjadi statistik, dilakukan koreksi dengan mengganti n dengan n-1
pada pembaginya, hal ini dilakukan agar varians sampel
menghasilkan dugaan (estimate) yang tidak bias atau menyimpang
dari populasi. Apabila digunakan n, akan menghasilkan dugaan yang
lebih rendah (under estimate) terhadap varians populasinya. Rumus
varians sampel dapat dituliskan sebagai berikut:
75
Darnah Andi Nohe
1 n
s2 = ∑
n - 1 i =1
(x i − x) 2
Dimana:
n : banyaknya data sampel
x i : nilai data ke-i
x : nilai rata-rata hitung sampel
Contoh 5.4
Misalkan dipilih secara acak (random) 5 bayi dari ibu yang baru
melahirkan di suatu rumah sakit bersalin dan diperoleh berat badan
(kg) mereka sebagai berikut:
4 3,7 3 2,8 3,5
Rata-rata sampel adalah:
4 + 3,7 + 3 + 2,8 + 3,5 17
x= = = 3,4
5 5
Sehingga varians sampel adalah:
1 5
s2 = ∑
5 - 1 i =1
(x i − x) 2
=
1
4
[
(4 − 3,4) 2 + (3,7 − 3,4) 2 + (3 − 3,4) 2 + (2,8 − 3,4) 2 + (3,5 − 3,4) 2 ]
1
[
= (0,6) 2 + (0,3) 2 + (−0,4) 2 + (−0,6) 2 + (0,1) 2
4
]
0,98
= = 0,245
4
Jadi data berat badan bayi menyimpang sebesar 0,245 dari rata-
ratanya.
5.2.3 Standar Deviasi (Simpangan Baku)
Seperti halnya dengan rentang, varians sebagai ukuran
penyebaran juga mempunyai kekurangan. Nilai varians dalam bentuk
76
Biostatistika 1
1 N
σ= ∑
N i =1
(x i − μ) 2
Dimana:
σ : standar deviasi populasi
N : banyaknya data populasi
x i : nilai data ke-i
μ : nilai rata-rata populasi
Contoh 5.5
Berdasarkan Contoh 5.3, diketahui varians populasi di Puskesmas A
adalah:
1 6
σ 2 = ∑ (x i − μ)2 = 1,33
6 i =1
maka standar deviasi populasinya adalah:
1 6
σ= ∑
6 i =1
(x i − μ) 2 = 1,33 = 1,15
77
Darnah Andi Nohe
1 n
s= ∑
n - 1 i =1
(x i − x) 2
Dimana:
s : standar deviasi sampel
n : banyaknya data sampel
x i : nilai data ke-i
x : nilai rata-rata sampel
Contoh 5.6
Berdasarkan Contoh 5.4 diketahui varians sampel adalah:
1 5
s2 = ∑ (x i − x) 2 = 0,245
5 - 1 i =1
1 5
s= ∑
5 - 1 i =1
(x i − x) 2 = 0,245 = 0,495
78
Biostatistika 1
Contoh 5.7
Misalkan diketahui rata-rata pajanan debu yang dialami 120 pekerja
yang diambil secara acak pada suatu perusahaan besar adalah 11
mg/m³ dengan standar deviasi 3. Maka dapat diketahui bahwa
minimal 75% atau 90 orang pekerja mengalami pajanan debu pada
kisaran 5 mg/m³ sampai dengan 17 mg/m³ yang diperoleh dari
x ± 2s = 11 ± (2)(3) = 11 ± 6 .
79
Darnah Andi Nohe
-3s -2s -s x s 2s 3s
80
Biostatistika 1
81
Darnah Andi Nohe
∑ (x
i =1
i − μ)
α4 =
Nσ 4
82
Biostatistika 1
Dimana:
α 4 : Koefisien kurtosis
N : banyaknya data populasi
x i : data ke-i
μ : rata-rata data populasi
σ : standar deviasi populasi
Apabila kita menghitung koefisien kurtosis data tunggal yang
diperoleh dari sampel, maka digunakan rumus:
n
∑ (xi =1
i − x)
α4 =
ns 4
Dimana:
α 4 : Koefisien kurtosis
n : banyaknya data sampel
x i : data ke-i
x : rata-rata data sampel
s : standar deviasi sampel
Contoh 5.9
Misalkan kita juga tertarik untuk menghitung koefisien kurtosis
untuk data kadar Hb (g/dL) enam orang pada Puskesmas A yaitu 13;
11; 12; 10; 13; dan 13. Dari Contoh 5.3 diperoleh σ = 1 dan μ = 12 ,
sehingga koefisien kurtosisnya adalah:
N
∑ (x i − μ) 4
α4 = i =1
Nσ 4
83
Darnah Andi Nohe
(13 − 12) 4 + (11 − 12) 4 + (12 − 12) 4 + (10 − 12) 4 + (13 − 12) 4 + (13 − 12) 4
=
6.14
14 + (−1)4 + 0 + (−2) 4 + 14 + 14
=
6
20
= = 3,3
6
Nilai koefisien kurtosis α 4 (3,3) > 3, maka diperoleh kurva
leptokurtik.
Pada data berkelompok atau dalam bentuk tabel distribusi
frekuensi yang diperoleh dari populasi, nilai koefisien kurtosis
dihitung dengan menggunakan rumus berikut:
n
∑ (x i − x) 4
α4 = i =1
ns 4
Dimana:
α 4 : Koefisien kurtosis
k : banyak kelas
N : banyaknya data populasi
f i : jumlah frekuensi kelas
x i : titik tengah kelas ke-i
μ : rata-rata data populasi
σ : standar deviasi populasi
∑ f (x i i − x) 4
α4 = i =1
ns 4
84
Biostatistika 1
Dimana:
α 4 : Koefisien kurtosis
k : banyak kelas
n : banyaknya data sampel
f i : jumlah frekuensi kelas ke-i
x i : titik tengah kelas ke-i
x : rata-rata data sampel
s : standar deviasi sampel
Contoh 5.10
Tabel berikut merupakan tabel distribusi frekuensi jumlah kunjungan
berdasarkan umur di Poli Gigi suatu Puskesmas pada bulan Januari
2013 yang ada pada Contoh 4.11.
Umur (tahun) Frekuensi (f)
6 – 10 14
11 – 15 18
16 – 20 22
21 – 25 10
26 – 30 28
31 – 35 8
Jumlah 100
Untuk menghitung nilai koefisien kurtosis, dibuat kolom pembantu
seperti berikut:
xi fi fi x i x i − x (x i − x) 2 fi (x i − x)2 (x i − x) 4 f(x i − x) 4
8 14 112 6,77 45,8 641,7 2.100,65 29.409,17
13 18 234 11,77 138,5 2.493,6 19.191,36 34.544,56
18 22 396 16,77 281,5 6.187,1 79.091,94 1.741.022,77
23 10 230 21,77 473,9 4.739,3 224.612,39 2.246.123,94
28 28 784 26,77 716,6 20.065,7 513.562,71 14.379.755,97
33 8 264 31,77 1.009,3 8.074,7 1.018.752,9 8.150.023,22
Jumlah 2.020 42.201,1 1.857.312,0 26.890.779,6
85
Darnah Andi Nohe
Diperoleh :
6
∑f x i i
2020
x= i =1
6
= = 20,2
100
∑f
i =1
i
∑ f (x i i − x) 2
42.202,1
σ= i =1
= = 462,8 = 20,65
100 - 1 99
k
∑ f (x i i − μ) 4
26.890.779,6 26.890.779,6
α4 = i =1
4
= = = 1,48
ns 100(20,65) 4 18.183.614,85
86
Biostatistika 1
BAB 6
PROBABILITAS
6.1 Pengantar
Seperti disebutkan sebelumnya pada Bab 1 bahwa statistika
merupakan bagian dari matematika yang dikembangkan diatas teori
peluang. Banyak peristiwa dalam keseharian kita yang sulit diketahui
dengan pasti, terutama peristiwa yang akan datang atau sesuatu yang
belum terjadi. Misalnya, apa jenis kelamin bayi yang akan dilahirkan
oleh seorang ibu hamil, apakah operasi jantung yang dilakukan tim
dokter besok siang akan berhasil, apakah angka maternal mortality di
Kalimantan Timur tahun depan meningkat dan sebagainya.
Peristiwa-peristiwa tersebut mengandung ketidakpastian, sehingga
sangat penting mempelajari kemungkinan terjadinya suatu peristiwa
yang akan datang. Bagian dari ilmu statistika yang mempelajari
kemungkinan suatu peristiwa akan terjadi disebut teori peluang
(probabilitas).
6.2 Pengertian Probabilitas
Ketika kita berbicara tentang probabilitas, kita tidak lepas dari
tiga hal penting yang merupakan unsur-unsur probabilitas, yaitu
eksperimen (experiment), hasil (outcome), dan peristiwa (event).
Eksperimen disebut juga sebagai percobaan merupakan kegiatan
yang menghasilkan peristiwa tanpa dapat memastikan peristiwa apa
yang akan terjadi. Contoh eksperimen adalah mengukur suhu badan
pasien setiap hari selama dirawat di rumah sakit, menghitung
banyaknya pengunjung poliklinik setiap hari, melakukan operasi
terhadap penderita penyakit kanker servix, dan yang paling sederhana
adalah melakukan pelemparan uang logam. Masih banyak
eksperimen lainnya dalam kehidupan sehari-hari kita. Dari semua
eksperimen kita memperoleh hasil yang mungkin terjadi. Jika kita
87
Darnah Andi Nohe
88
Biostatistika 1
Contoh 6.2
Ruang sampel dari eksperimen melempar uang logam adalah:
S={Angka, Gambar}
Titik sampelnya adalah Angka dan Gambar.
Peristiwa yang terjadi adalah muncul Angka atau ditulis
A = {Angka}.
Contoh 6.3
Ruang sampel dari eksperimen 2 kali operasi terhadap penderita
penyakit kanker servix adalah kedua operasi berhasil (BB), operasi
pertama berhasil tapi operasi kedua gagal (BG), operasi pertama
gagal tapi operasi kedua berhasil (GB) dan kedua operasi gagal
(GG), atau dapat dituliskan :
S={BB, BG, GB, GG}
Titik sampelnya adalah:
BB, BG, GB, GG.
Peristiwa yang terjadi adalah paling sedikit satu operasi berhasil atau
A = {BB, BG, GB}.
Setelah kita membicarakan unsur-unsur probabilitas,
selanjutnya kita akan mendefinisikan probabilitas suatu peristiwa.
Probabilitas adalah kemungkinan terjadinya suatu peristiwa yang
nilainya berkisar dari 0 sampai 1.
Probabilitas dapat dinyatakan dalam desimal maupun persentase.
Jika probabilitas suatu peristiwa bernilai 0 maka peristiwa tersebut
tidak mungkin terjadi, misalnya angka kematian (mortalitas) di
Indonesia tahun 2013 adalah 0, seorang laki-laki melahirkan bayi,
seorang ibu ingin hidup 1000 tahun lagi dan lain sebagainya.
Sebaliknya, jika nilai probabilitas suatu peristiwa bernilai 1 maka
peristiwa tersebut pasti akan terjadi, misalnya semua makhluk hidup
pasti akan mati, harga obat-obatan pasti berubah, direktur rumah
89
Darnah Andi Nohe
sakit pasti akan berganti dan lain sebagainya. Jika nilai probabilitas
mendekati 0 maka semakin kecil kemungkinan peristiwa tersebut
terjadi dan jika semakin mendekati 1 maka semakin besar
kemungkinan suatu pristiwa terjadi.
6. 3 Menentukan Probabilitas Suatu Peristiwa
Probabilitas suatu peristiwa dapat ditentukan dengan
menggunakan tiga asumsi yaitu asumsi klasik, asumsi relatif dan
asumsi subjektif.
6.3.1 Asumsi Klasik
Asumsi klasik menyatakan bahwa peristiwa yang dihasilkan
dari suatu eksperimen mempunyai kesempatan yang sama untuk
terjadi (equalliy likely). Misalkan peristiwa A dapat terjadi sebanyak
n kali dari jumlah semua kemungkinan hasil (N) maka peluang
terjadinya A ditulis P(A) dapat dirumuskan sebagai berikut:
n
P(A) = .
N
N yang merupakan jumlah semua kemungkinan adalah banyaknya
titik sampel yang ada pada ruang sampel.
Contoh 6.4
Pada eksperimen melempar uang logam seperti pada Contoh 6.2,
banyaknya titik sampel yang ada pada ruang sampel ada 2 sehingga
probabilitas peristiwa munculnya Angka ditulis P(A) = ½. Begitu
pula probabilitas peritiwa munculnya Gambar P(G)= ½.
90
Biostatistika 1
Contoh 6.6
Contoh asumsi subjektif:
1. Menurut Menteri Kesehatan, gizi buruk pada balita di
Indonesia akan turun tahun depan.
2. Direktur rumah sakit umum daerah X yakin 95% dirinya akan
tetap diposisinya pada periode berikutnya.
91
Darnah Andi Nohe
S
B AB
A A∩B
92
Biostatistika 1
93
Darnah Andi Nohe
S A B
A B
Contoh 6.8
Dinas kesehatan kota X akan menerima seorang pegawai, dari data
10 pendaftar diketahui bahwa terdapat 5 orang sarjana kesehatan
masyarakat, 3 orang sarjana sains dan 2 orang sarjana keperawatan.
Jika kita ingin menentukan probabilitas terpilihnya sarjana kesehatan
masyarakat atau sarjana sains maka kita misalkan:
A: peristiwa terpilihnya sarjana kesehatan masyarakat.
5
P(A) = = 0,5
10
B: peristiwa terpilihnya sarjana sains.
3
P(B) = = 0,3
10
Peristiwa A dan B saling lepas, sehingga probabilitas terpilihnya
sarjana kesehatan masyarakat atau sarjana sains adalah:
P(A ∪ B) = P(A) + P(B)
P(A ∪ B) = 0,5 + 0,3 = 0,8
94
Biostatistika 1
Contoh 6.9
Tim dokter berencana akan melakukan operasi caesar besok
terhadap 4 ibu hamil yang tidak bisa melahirkan normal, jika kita
ingin mengetahui berapa probabilitas salah satu operasi gagal maka
kita misalkan:
A: peristiwa terjadinya salah satu operasi gagal.
Banyaknya titik sampel dalam ruang sampel S adalah 2 4 = 16 karena
dalam melakukan operasi ada dua peristiwa yang mungkin terjadi
yaitu gagal atau berhasil. Misalkan A c adalah peristiwa terjadinya
semua operasi berhasil, peristiwa ini hanya sekali terjadi yaitu jika ke
1
4 operasi yang dilakukan berhasil sehingga P(A c ) = , maka:
16
1
P(A c ) = =0,0625, maka:
16
P(A) = 1 - P(A c )
P(A) = 1 - P(A c ) = 1 − 0,0625 = 0,9375
95
Darnah Andi Nohe
96
Biostatistika 1
P(A ∩ B)
P(B | A) = ; dimana P(A) > 0.
P(A)
Contoh 6.11
Diketahui kategori berat badan berdasarkan jenis kelamin 130 balita
di Kota X pada tahun 2010 adalah sebagai berikut:
Jenis Sangat Kurus Normal Gemuk Jumlah
Kelamin Kurus
Laki-laki 10 12 38 1 61
Perempuan 9 25 32 3 69
Jumlah 19 37 70 4 130
97
Darnah Andi Nohe
38
P(A ∩ B) 130 38 130 38
P(B | A ) = = = × = = 0,6229
P(A) 61 130 61 61
130
Dan probabilitas terpilihnya balita berstatus gizi gemuk dengan
syarat balita tersebut perempuan yang adalah:
3
P(C ∩ D) 130 3 130 3
P(D | C) = = = × = =0,0434
P(C) 69 130 69 69
130
Contoh 6.12
Berdasarkan Contoh 6.11, kita akan menghitung probabilitas
peristiwa terpilihnya seorang balita berjenis kelamin perempuan dan
berstatus gizi sangat kurus. Misalkan E: balita berstatus gizi sangat
kurus, maka P(C ∩ E) dapat diperoleh dengan melakukan sedikit
manipulasi aljabar pada rumus peluang bersyarat, yaitu:
P(A ∩ B)
P(B | A ) = maka
P(A)
Sehingga:
P(C ∩ E) = P(E | C) × P(C)
9 69 9
= × = = 0,0692
69 130 130
98
Biostatistika 1
99
Darnah Andi Nohe
6.7.2 Permutasi
100
Biostatistika 1
n!
P(n, r) = , untuk r = 0, 1, 2, …, n
(n − r )!
Contoh 6.15
n! 4! 4! 4 × 3 × 2!
P(n, r) = = = = = 12 cara.
(n − r )! (4 − 2)! 2! 2!
6.7.3 Kombinasi
101
Darnah Andi Nohe
n!
C(n, r) =
r!(n − r )!
Contoh 6.16
4! 4! 4 × 3 × 2!
C(4,2) = = = =6
2!(4 − 2)! 2!2! 2!2 × 1
102
Biostatistika 1
BAB 7
DISTRIBUSI PROBABILITAS
7.1 Pengantar
Pada bab 6, kita sudah membahas tentang probabilitas
terjadinya suatu peristiwa dari suatu eksperimen. Pada bab ini akan
dibahas tentang distribusi probabilitas, yaitu keseluruhan nilai
probabilitas setiap peristiwa dari hasil eksperimen yang diperoleh
berdasarkan table distribusi frekuensi.
Secara umum, distribusi probabilitas terbagi menjadi distribusi
probabilitas diskrit dan distribusi probabilitas kontinu. Distribusi
probabilitas diskrit merupakan distribusi yang diperoleh dari variabel
acak diskrit, yaitu variabel yang nilai datanya berupa bilangan bulat
positif dan diperoleh dari hasil perhitungan. Distribusi probabilitas
yang diperoleh dari variabel acak kontinu disebut distribusi kontinu.
Variabel acak kontinu adalah variabel yang nilai datanya kontinu dan
diperoleh dari hasil pengukuran.
Distribusi probabilitas diskrit yang akan dibahas pada bab ini
adalah distribusi binomial, distribusi multinomial, distribusi
hipergeometrik dan distribusi Poisson sedangkan distribusi
probabilitas kontinu yang akan dibahas adalah distribusi normal.
7.2 Disribusi Binomial (Bernoulli) dan Multinomial
Suatu eksperimen yang dilakukan berulang-ulang dan
mempunyai dua kemungkinan hasil (outcome), misalnya sukses dan
gagal, laki-laki dan perempuan, hidup dan mati dan lain sebagainya
maka eksperimen tersebut dinamakan eksperimen (percobaan)
binomial, biasa juga disebut percobaan Bernoulli sesuai dengan
nama penemunya yaitu James Bernoulli.
103
Darnah Andi Nohe
X 0 1 1 1 2 2 2 3
Hasil PPP PPL PLP LPP LLP LPL PLL LLL
104
Biostatistika 1
1
mempunyai probabilitas sebesar sehingga distribusi probabilitas
8
bagi variabel acak X adalah:
X 0 1 2 3
P(X=x) 1 3 3 1
8 8 8 8
Dimana:
x = 0,1,2,3,.....,n
n!
C(n, x) =
x!(n - x)!
Contoh 7.2
Diketahui probabilitas seorang balita terkena asma adalah 0,10. Jika
ada 5 balita yang datang ke UGD karena keluhan sesak nafas, maka
probabilitas 3 diantaranya terkena asma adalah:
105
Darnah Andi Nohe
5!
= (0,001)(0,81)
3!(5 − 3)!
5 × 4 × 3!
= (0,00081) = 0,0081
3!×2 ×1
Jadi probabilitas 3 diantara 5 balita terkena asma adalah 0,0081 atau
0,81 %.
Selain menggunakan rumus binomial, kasus pada Contoh 7.2
juga dapat diselesaikan dengan menggunakan Tabel Probabilitas
Binomial Kumulatif pada Lampiran 1 dengan langkah-langkah
berikut:
1. Mencari pada tabel banyaknya n yang sesuai. Pada Contoh 7.2
, nilai n=5.
2. Mencari nilai x yang sesuai pada kolom k. Misalnya x=3,
maka nilai probabilitas terletak pada baris tersebut.
3. Mencari nilai p yang sesuai pada kolom p. Misalnya p=0,10.
Potongan Tabel Probabilitas Binomial Kumulatif berikut
disajikan sebagai contoh:
p
N k
0,10 0,20 0,30 0,40 0,50
0 0,5905 0,3277 0,1681 0,0778 0,0313
1
2 0,9914
5
3 0,9995
4
5
106
Biostatistika 1
107
Darnah Andi Nohe
Contoh 7.4
Berdasarkan Contoh 7.3, dapat diketahui rata-rata pekerja yang
terkena pterigium adalah μ = np = (10)(0,2) = 2 orang dan standar
deviasi σ = npq = (10)(0,2)(0,8) = 1,6 .
n!
P(x 1 , x 2 , K , x k ) = p1x1 , p 2x 2 , K , p kx k
x1! x 2 !K x k !
108
Biostatistika 1
Contoh 7.5
Hasil penelitian pada suatu perguruan tinggi terkemuka di kota X
menunjukkan bahwa 40% mahasiswanya berperilaku sex tidak
berisiko, 45 % berperilaku sex berisiko dan 15% berperilaku sex
risiko tinggi. Jika diambil sampel sebanyak 10 orang, untuk
menentukan probabilitas terdapat 5 mahasiswa berperilaku sex tidak
berisiko, 3 mahasiswa berperilaku sex berisiko dan 2 berperilaku sex
risiko tinggi maka kita misalkan:
x1 = 5; banyaknya mahasiswa berperilaku sex tidak berisiko,
x 2 = 3; banyaknya mahasiswa berperilaku sex berisiko,
x 3 = 2; banyaknya mahasiswa berperilaku sex risiko tinggi,
p1 = 40%=0,40
p 2 = 45%=0,45
p 3 = 15%=0,15
Sehingga diperoleh:
10!
P(5,3, 2) = (0,40) 5 (0,45) 3 (0,15) 2
5!3!2!
= 0,05
109
Darnah Andi Nohe
1
Probabilitas terambilnya merk B pada pengambilan kedua adalah .
3
1
probabilitas terambilnya merk C pada pengambilan ketiga adalah ,
2
dan probabilitas terambilnya merk D pada pengambilan terakhir
adalah 1 karena sisa merk D yang ada di dalam kotak.
Pada kasus tanpa pengembalian, distribusi binomial tidak dapat
digunakan karena pengulangan pada setiap eksperimen tidak lagi
bersifat independen satu sama lain. Hal ini berarti bahwa probabilitas
suatu peristiwa yang dihasilkan dari ekperimen akan mempengaruhi
probabilitas peristiwa berikutnya sehingga nilai probabilitas setiap
ulangan tidak lagi sama.
Pada eksperimen tanpa pengembalian dengan banyaknya
sampel 5% dari jumlah populasi, maka lebih tepat menggunakan
distribusi hipergeometrik. Ciri-ciri ekperimen hipergeometrik adalah:
1. Sebanyak n sampel acak diambil dari N populasi.
2. Dari N populasi terdapat k sukses dan N-k gagal.
Secara umum, jika dalam N populasi terdapat k sukses dan N-k
gagal, maka distribusi probabilitas bagi variabel acak hipergeometrik
X, yaitu banyaknya sukses dalam n sampel acak adalah :
C(k, x)C(N - k, n - x)
H(x; N; n; k) =
C(N, n)
Dimana:
x = 0,1,2,3,.....,k
k!
C(k, x) =
x!(k - x)!
(N - k)!
C(N - k, n - x) =
(n - x)!((N - k) - (n - x))!
N!
C(N, n) =
n!(N - n)!
110
Biostatistika 1
Contoh 7.6
Seorang dokter memeriksa secara acak 6 pasien dari 10 pasien rawat
inap di Ruang Melati RS X, ternyata 4 diantaranya sudah bisa keluar
hari ini. Jika kita tertarik menghitung probabilitas bahwa 3 pasien
bisa keluar hari ini, maka kita misalkan N=10, n=6, k=4, x=3
sehingga:
C(4,3)C(10 - 4,6 - 3) C(4,3)C(6,3)
H(3;8;6;4) = =
C(10,6) C(10,6)
Dimana :
4! 4.3!
C(4,3) = = =4
3!(4 - 3)! 3!1!
6! 6.5.4.3!
C(6,3) = = = 20
3!(6 - 3)! 3.2.1.3!
1. C(10,6) = 10! 10.9.8.7.6!
= = 210
6!(10 - 6)! 6!4.3.2.1
diperoleh:
C(4,3)C(6,3) 4.20 80
H(3;10;6;4) = = = = 0,381
C(10,6) 210 210
Jadi probabilitas bahwa 3 pasien bisa keluar hari ini adalah 0,381.
Jika diambil sampel secara acak sebanyak n dari N populasi dan
terdapat k sukses dengan N-k gagal maka distribusi hipergeometrik
mempunyai rata-rata dan standar deviasi sebagai berikut:
nk ⎛ N-n ⎞ k ⎛ k ⎞
μ= dan σ = n⎜ ⎟ ⎜1 - ⎟
N ⎝ N -1 ⎠ N ⎝ N ⎠
111
Darnah Andi Nohe
e -μ μ x e -np (np) x
P(X = x) = p(x; μ) = =
x! x!
Dimana:
x :1, 2, …
μ : rata-rata banyaknya hasil eksperimen
n : banyaknya sampel
p : probabilitas terjadinya peristiwa
e = 2,718128
Contoh 7.7
Misalkan diketahui probabilitas seorang balita terkena polio setelah
diberi imunisasi polio adalah 0,0002. Petugas puskesmas sudah
memberi imunisasi polio pada 3.000 balita di suatu kota, jika kita
tertarik menghitung probabilitas terdapat 4 balita akan terkena polio
maka kita misalkan X adalah banyaknya balita yang terkena polio.
Diperoleh μ = 3.000(0,0002) = 6 , sehingga:
e -μ μ x (2,71828)-6 (6) 4
P(X = 4) = =
x! 4!
(0,002479)(1.296)
=
24
= 0,1339
112
Biostatistika 1
sehingga:
P(X=4)= 0,2851-0,1512= 0,1339
Nilai tersebut sama dengan yang kita peroleh dengan perhitungan
menggunakan rumus.
Contoh 7.8
Berdasarkan Contoh 7.7, kita dapat menentukan:
a. Probabilitas sekurang-kurangnya 8 balita terkena polio,
P(X ≥ 8) = 1 − P(X < 8)
7
= 1 − ∑ p(x;7)
x =0
= 1- 0,7440 = 0,256
113
Darnah Andi Nohe
114
Biostatistika 1
115
Darnah Andi Nohe
x = Me = Mo
Gambar 7.1 Distribusi Normal
Untuk menentukan nilai probabilitas di bawah kurva normal,
dilakukan transformasi dari fungsi distribusi normal umum menjadi
distribusi normal baku. Distribusi normal baku merupakan distribusi
peubah acak normal dengan nilai rata-rata sama dengan nol dan
standar deviasi sama dengan satu. Transformasi yang digunakan
untuk mengubah distribusi normal umum menjadi distribusi normal
baku disebut transformasi Z yang dirumuskan sebagai berikut:
X−μ
Z=
σ
Jika nilai X berada di antara x = x1 dan x = x 2 , maka variabel acak
Z akan berada di antara nilai berikut:
x1 − μ x −μ
z1 = dan z 2 = 2
σ σ
X1 0 X2 Z1 0 Z2
116
Biostatistika 1
Contoh 7.9
Misalkan diketahui rata-rata kadar leukosit (white blood cell) 120
anak usia 5 sampai 10 tahun adalah 6 (103 / ul) dengan standar
deviasi 1,5 (103 / ul) . Misalkan X adalah kadar leukosit anak usia 5
sampai 10 tahun, untuk menentukan probabilitas mendapatkan
seorang anak dengan leukosit:
a. Kurang dari 8 (103 / ul) atau P(X < 8) , terlebih dahulu kita
menentukan nilai Z yang merupakan padanan X, yaitu:
X−μ 8−6
Z= = = 1,33
σ 1,5
117
Darnah Andi Nohe
Luas daerah P(Z < 1,33) dapat dilihat pada Gambar 7.3
berikut:
0 1,33
b. Lebih dari 9 (103 / ul) atau P(X > 9) . Nilai Z yang merupakan
padanan X adalah:
X−μ 9−6
Z= = = 2,00
σ 1,5
Sehingga:
Luas daerah P(Z > 2,00) dapat dilihat pada Gambar 7.4
berikut:
118
Biostatistika 1
0 2,00
x1 − μ 3 − 6
z1 = = = −2,00
σ 1,5
dan
x2 − μ 5 − 6
z2 = = = −0,67
σ 1,5
Sehingga
P(3 < X < 5) = P(-2,00 < Z < −0,67)
= P( Z < −0,67) − P( Z < −2,00)
= 0,25143 − 0,02275
= 0,22868
Luas daerah P(-2,00 < Z < −0,67) dapat dilihat pada Gambar
7.5 berikut:
Gambar 7.5
− 2,00 − 0,670 0
Gambar 7.5 Luas Daerah -2,00 < Z < -0,670
119
Darnah Andi Nohe
120
Biostatistika 1
Contoh 7.10
Misalkan diketahui probabilitas seorang pasien akan sembuh dari
suatu penyakit adalah 0,8 dan terdapat 200 orang yang menderita
penyakit ini. Untuk menentukan:
a. Probabilitas kurang dari 150 orang yang sembuh, kita
misalkan X adalah banyaknya penderita yang sembuh,
x = 150-0,5=149,5 ; µ = np = 200(0,8)=160,
σ = npq = 200(0,8)(0,2) = 5,66
X − np 149,5 − 160
Z= = = −1,85
npq 5,66
− 1,85 0
Gambar 7.6Luas Daerah Z < -1,85
121
Darnah Andi Nohe
dan
x 2 − μ 165,5 − 160
z2 = = = 0,97
σ 5,66
Sehingga:
P(145 < X < 164) = P(-2,74 < Z < 0,97)
= P( Z < 0,97) − P( Z < −2,74)
= 0,83398 − 0,00307
= 0,83091
− 2,74 0 0,97
122
Biostatistika 1
BAB 8
DISTRIBUSI SAMPLING
8.1 Pengantar
Dalam statistika, kita lebih banyak berbicara mengenai data
sampel yang diambil dari suatu populasi. Pada Bab 2 kita sudah
membahas tentang teknik sampling, yaitu metode atau cara-cara yang
digunakan untuk mengambil sampel dari populasi tertentu. Dari
sampel yang sudah diambil, kita akan melakukan generalisasi
terhadap populasi dengan menggunakan statistika inferensi.
Teori yang mendasari statistika inferensi adalah distribusi
sampling. Distribusi sampling terdiri dari beberapa macam,
umumnya diberi nama sesuai dengan nama statistik yang digunakan,
misalnya distribusi sampling rata-rata, distribusi sampling proporsi,
distribusi sampling deviasi dan lain-lain. Pada bab ini, akan dibahas
distribusi sampling satu persatu.
8.2 Distribusi sampling rata-rata
Kesalahan dalam teknik sampling (sampling error) dapat
diketahui dari nilai rata-rata yang diperoleh dari setiap kelompok
sampel. Nilai rata-rata antar kelompok sampel yang sangat bervariasi
menunjukkan sampling error yang besar. Rata-rata dan standar
deviasi sampel hendaknya mencerminkan rata-rata dan standar
deviasi populasinya. Setiap populasi hanya mempunyai satu nilai
rata-rata dan standar deviasi.
Berbeda dengan populasi, setiap kita melakukan penarikan
sampel akan diperoleh nilai rata-rata dan standar deviasi sehingga
akan diperoleh kombinasi nilai rata-rata dan standar deviasi yang
banyak. Dari kumpulan rata-rata tersebut, diperoleh rata-rata dari
123
Darnah Andi Nohe
1 N 1 6
σ= ∑
N i =1
(x i − μ) 2
= ∑
6 i =1
(x i − 319) 2 = 50,32 .
124
Biostatistika 1
Data setiap sampel dan rata-ratanya dapat dilihat pada Tabel 8.1
berikut:
Tabel 8.1 Sampel dan Rata-ratanya
Sampel Rata-rata
(262,300) 281
(262,322) 292
(262,280) 271
(262,400) 331
(262,350) 306
(300,322) 311
(300,280) 290
(300,400) 350
(300,350) 325
(322,280) 301
(322,400) 361
(322,350) 336
(280,400) 340
(280,350) 315
(400,350) 375
Jumlah 4.785
125
Darnah Andi Nohe
Diperoleh:
μ x = μ = 319
σ N − n 50,32 6 − 2
σx = = = 31,83
n N −1 2 6 −1
126
Biostatistika 1
μx = μ
dan
σ N−n
σx =
n N −1
127
Darnah Andi Nohe
μx = μ
dan
σ
σx =
n
x -μ
z=
σ n
128
Biostatistika 1
Contoh 8.3
Misalkan diketahui rata-rata berat badan mahasiswa Fakultas X
adalah 60 kg dan standar deviasi 9,5 kg. Kemudian diambil secara
acak 55 mahasiswa, maka:
d. Untuk menentukan probabilitas rata-rata berat badan ke-55
mahasiswa kurang dari 56 kg atau P(X < 56) , terlebih dahulu
kita menentukan nilai z yaitu:
x -μ 56 - 60
z= = = −3,13
σ n 9,5 55
Sehingga P(X < 56) = P(Z < −3,13) = 0,00087 .
x1 - μ 62 - 60
z1 = = = 1,56 dan
σ n 9,5 55
x -μ 68 - 60
z2 = 2 = = 6,25 .
σ n 9,5 55
Sehingga:
P(62 < X < 68) = P(1,56 < Z < 6,25)
= P( Z < 6,25) − P( Z < 1,56)
= 1 - 0,94062
= 0,05938.
129
Darnah Andi Nohe
Dimana:
μ p : rata-rata dari kumpulan proporsi sampel
130
Biostatistika 1
P : proporsi populasi
σ p : standar error proporsi sampel
N: jumlah populasi
n: jumlah sampel
Sebaliknya, jika pengambilan sampel dilakukan dengan
pengembalian maka berlaku rumus berikut:
μp = P
dan
P(1 − P)
σp =
n
p-P
z=
P(1 − P)
n
131
Darnah Andi Nohe
Dimana:
p: proporsi sampel.
P: proporsi populasi
n : banyaknya sampel
Contoh 8.3
Misalkan diketahui 20% wanita usia subur menggunakan kontrasepsi
non hormonal. Jika diambil sampel secara acak sebanyak 150 orang,
maka untuk menentukan probabilitas kurang dari 25 orang
diantaranya menggunakan kontrasepsi non hormonal, kita misalkan
X adalah banyaknya pengguna kontrasepsi non hormonal,
P= 0,20;
a = 25 : jumlah pengguna kontrasepsi non hormonal.
n= 150 : jumlah sampel.
a 25 P(1 − P) 0,20(1 − 0,20)
p= = = 0,17 ; σ p = = = 0,03 ;
n 150 n 150
132
Biostatistika 1
μ x1 − x 2 = μ 1 − μ 2
dan
σ12 σ 22
σ x1 − x 2 = +
n1 n 2
Jika jumlah sampel n 1 dan n 2 lebih besar atau sama dengan 30,
maka selisih rata-rata sampel x 1 - x 2 akan berdistribusi normal.
Sehingga untuk perhitungan, kita membuat distribusi normal umum
menjadi distribusi normal baku dengan menggunakan transformasi
berikut:
133
Darnah Andi Nohe
(x1 − x 2 ) − (μ1 − μ 2 )
z=
σ12 σ 22
+
n1 n 2
dimana :
σ1 , σ 2 : standar deviasi populasi pertama dan kedua.
n 1 , n 2 : banyaknya sampel pertama dan kedua.
x 1 , x 2 : rata-rata sampel pertama dan kedua.
μ1 , μ 2 : rata-rata populasi pertama dan kedua.
Contoh 8.4
Misalkan diketahui rata-rata berat badan bayi laki-laki yang baru
lahir adalah 3,7 kg dengan standar deviasi 0,8 kg, sedangkan untuk
perempuan adalah 3,0 kg dengan standar deviasi 0,7 kg. Kemudian
diambil sampel independen dengan jumlah sampel yang sama, yaitu
100 bayi. Jika kita tertarik menentukan probabilitas selisih berat
badan bayi laki-laki dan perempuan kurang dari 1 kg atau
P( x 1 - x 2 ) < 1 , maka kita misalkan :
dan
σ 12 σ 22 (0,8) 2 (0,7) 2
σ x1 − x2 = + = + = 0,11
n1 n2 100 100
134
Biostatistika 1
Sehingga:
P(x1 − x 2 ) < 1 = P(Z < 2,73)
= 0,99683
135
Darnah Andi Nohe
μ p1 − p 2 = P1 − P2
dan
P1 (1 − P1 ) P2 (1 − P2 )
σ p1 − p 2 = +
n1 n2
Jika jumlah sampel n 1 dan n 2 lebih besar atau sama dengan 30,
maka selisih proporsi sampel p1 - p 2 yang berdistribusi binomial akan
berdistribusi normal. Sehingga untuk perhitungan, kita membuat
distribusi normal menjadi distribusi normal baku dengan
menggunakan transformasi berikut:
(p1 − p 2 ) − (P1 − P2 )
z=
P1 (1 − P1 ) P2 (1 − P2 )
+
n1 n2
dimana :
p1 , p 2 : proporsi sampel pertama dan kedua.
P1 , P2 : proporsi sampel pertama dan kedua.
n 1 , n 2 : banyaknya sampel pertama dan kedua.
136
Biostatistika 1
Contoh 8.5
Misalkan diketahui penderita Penyakit Jantung Koroner (PJK) di
kota A adalah 4% dan dikota B adalah 3,5%. Dari kota A diambil
sampel sebanyak 80 orang dan dari kota B sebanyak 100 orang. Jika
kita tertarik menentukan probabilitas selisih proporsi penderita PJK
antara kota A dan kota B lebih dari 0,65% atau P(p1 − p 2 ) > 0,0065 ,
maka kita misalkan :
P1 = 4%=0,04; n 1 = 80;
P2 = 3,5%=0,035; n 2 = 100;
μ p1 − p 2 = P1 − P2 = 0,04 – 0,035 = 0,005
dan
P1 (1 − P1 ) P2 (1 − P2 )
σ p1 − p 2 = +
n1 n2
0,04(1 − 0,04) 0,035(1 − 0,035)
= +
80 100
= 0,029
Sehingga diperoleh:
137
Darnah Andi Nohe
BAB 9
TEORI ESTIMASI
9.1 Pengantar
Pengumpulan data kuantitatif yang dilakukan dari penelitian
sampel menghasilkan nilai statistik yang bertujuan untuk menarik
suatu kesimpulan atau inferensi tentang nilai parameter populasi
darimana sampel tersebut diambil. Bagian statistika yang membahas
tentang penarikan kesimpulan atau generalisasi mengenai populasi
disebut statistika inferensi. Statistika inferensi dibagi menjadi dua
bagian utama, yaitu estimasi (pendugaan) dan pengujian hipotesis.
Pada bab ini akan dibahas tentang teori estimasi sedangkan pengujian
hipotesis akan dibahas terpisah.
Nilai yang diperoleh dari sampel disebut nilai statistik dan
nilai yang diperoleh dari populasi disebut nilai parameter. Nilai
statistik rata-rata yang diperoleh dari sampel adalah x dan
parameternya adalah μ . Nilai statistik yang digunakan untuk
menduga nilai parameter populasi disebut estimator, x merupakan
estimator bagi μ dan s merupakan estimator bagi σ . Dalam bab ini
akan dibahas tentang ciri-ciri estimator yang baik dan cara
mengestimasi nilai parameter rata-rata, proporsi, selisih rata-rata dan
selisih proporsi.
9.2 Ciri-ciri Estimator yang Baik
Estimator yang baik adalah estimator yang mendekati nilai
parameter populasi. Dengan kata lain, nilai statistik sampel tidak
bervariasi terlalu jauh dari nilai parameter. Ciri-ciri estimator yang
baik adalah tidak bias, efisien dan konsisten.
138
Biostatistika 1
139
Darnah Andi Nohe
140
Biostatistika 1
Dimana:
x −μ
Z=
σ
n
Sehingga:
x -μ
P(-z α < < zα ) =1− α
2
σ 2
n
σ
Jika kedua suku ketaksamaan dikalikan dengan , kemudian
n
mengurangkan x pada setiap suku dan terakhir mengalikan kedua
suku ketaksamaan dengan -1 akan diperoleh:
141
Darnah Andi Nohe
σ σ
P(x - z α < μ < x + zα ) =1− α
2 n 2 n
σ σ
x - zα < μ < x + zα
2 n 2 n
Dimana:
x : rata-rata sampel.
z : nilai yang diperoleh dari tabel normal.
α : tingkat signifikansi.
σ : standar deviasi populasi
n : banyaknya sampel
Sedangkan untuk n ≥ 30 tetapi standar deviasi populasi ( σ )
tidak diketahui, maka σ x diestimasi dengan s x sehingga estimasi
interval untuk rata-rata populasi adalah:
s s
x - zα < μ < x + zα
2 n 2 n
Dimana:
x : rata-rata sampel.
z : nilai yang diperoleh dari tabel normal.
α : tingkat signifikansi.
s : standar deviasi sampel
n : banyaknya sampel
Rumus tersebut juga berlaku meskipun jumlah sampel kecil (n < 30)
tetapi diambil dari populasi berdistribusi normal.
142
Biostatistika 1
Contoh 9.1
Misalkan seorang peneliti di bidang kesehatan ingin mengestimasi
rata-rata kadar gula darah sewaktu pasien diabetes mellitus (DM) di
rumah sakit X. Oleh karena itu diambil sampel sebanyak 49 orang
pasien secara random dan diperoleh rata-rata kadar gula darah
sewaktu ke-49 pasien tersebut adalah 300 mg/dL dengan standar
deviasi 94 mg/dL. Dengan menggunakan interval kepercayaan 95%,
nilai estimasi interval untuk rata-rata kadar gula darah sewaktu
pasien di rumah sakit X adalah:
s s
x - zα < μ < x + zα
2 n 2 n
94 94
300 - (1,96) < μ < 300 - (1,96)
49 49
273,67 < μ < 326,33 .
Jadi peneliti tersebut percaya 95% bahwa rata-rata kadar gula darah
sewaktu pasien DM di rumah sakit X berada di antara 273,67 mg/dL
dan 326,33 mg/dL sehingga jika dilakukan pengambilan sampel
sebanyak 100 kali hanya 5% diantaranya yang tidak berada pada
interval tersebut.
Sebelum kita melanjutkan pembahasan estimasi interval untuk
rata-rata populasi untuk jumlah sampel kecil, sebaiknya terlebih
dahulu dipahami cara menentukan nilai z dari Tabel Normal.
Langkah-langkahnya adalah:
α
1. Nilai α dibagi dengan 2, misalnya untuk α=5% maka = 0,025
2
2. Luas di bawah kurva normal adalah 1, maka 1 dikurangi
dengan nilai yang diperoleh pada nomor 1 sehingga diperoleh
143
Darnah Andi Nohe
s s
x - tα < μ < x + tα
2 n 2 n
Dimana:
x : rata-rata sampel.
t : nilai yang diperoleh dari tabel t dengan df = n-1
α : tingkat signifikansi.
s : standar deviasi sampel
n : banyaknya sampel
Untuk menentukan nilai t, kita menggunakan tabel t pada Lampiran
4. Pada kolom terdapat nilai taraf signifikansi (α) dan pada baris
terdapat nilai derajat bebas (db) atau degree of freedom (df) yang
diperoleh dari jumlah sampel dikurangi satu atau df = n-1.
Perpotongan antara nilai α nilai df merupakan nilai t. Pada estimasi
interval, nilai α dibagi 2 sehingga jika nilai α = 5% maka kolom yang
dilihat adalah 0,025.
144
Biostatistika 1
Contoh 9.2
Berdasarkan kasus pada Contoh 9.1, misalkan sampel yang
diambil hanya 25 pasien, dan diperoleh rata-rata kadar gula darah
sewaktu ke-25 pasien tersebut adalah 230 mg/dL dengan standar
deviasi 110 mg/dL. Dengan menggunakan interval kepercayaan
95%, nilai estimasi interval untuk rata-rata kadar gula darah sewaktu
pasien di rumah sakit X adalah:
s s
x - tα < μ < x + tα
2 n 2 n
110 110
230 - (2,064) < μ < 230 - (2,064)
25 25
184,59 < μ < 275,41 .
Jadi peneliti tersebut percaya 95% bahwa rata-rata kadar gula darah
sewaktu pasien DM di rumah sakit X berada di antara 184,59 mg/dL
dan 275,41 mg/dL sehingga jika dilakukan pengambilan sampel
sebanyak 100 kali hanya 5% diantaranya yang tidak berada pada
interval tersebut.
9.3.2 Estimasi Interval untuk Proporsi Populasi (P)
Estimasi interval untuk proporsi hampir sama dengan rata-rata.
Untuk ukuran sampel n cukup besar atau n ≥ 30, distribusi binomial
akan mendekati distribusi normal sehingga estimasi interval untuk
proporsi populasi adalah:
p(1 - p) p(1 - p)
p - zα < P < p + zα
2 n 2 n
Dimana:
p: proporsi sampel.
z : nilai yang diperoleh dari tabel normal.
145
Darnah Andi Nohe
α : tingkat signifikansi.
n : banyaknya sampel
Contoh 9.3
Misalkan suatu penelitian dilakukan untuk mengetahui kualitas
pelayanan rumah sakit. Dari 500 pasien yang berkunjung di
Poliklinik pada 1 minggu terakhir, 300 orang diantaranya
menyatakan puas terhadap pelayanan rumah sakit dan sisanya merasa
tidak puas. Hal ini berarti proporsi pasien yang merasa puas terhadap
pelayanan rumah sakit adalah:
p(1 - p) p(1 - p)
p - zα < P < p + zα
2 n 2 n
0,6 - (1,96 )(0,02) < P < 0,6 + (1,96 )(0,02)
0,56 < P < 0,64
Jadi peneliti percaya 95% bahwa pasien yang merasa puas terhadap
pelayanan rumah sakit ada sebanyak 0,56 x 500 = 280 orang sampai
0,64 x 500 = 320 orang.
Untuk ukuran sampel kecil atau n < 30, distribusi binomial akan
mendekati distribusi t-student sehingga estimasi interval untuk
proporsi populasi adalah:
p(1 - p) p(1 - p)
p- tα < P < p + tα
2 n 2 n
146
Biostatistika 1
Dimana:
p: proporsi sampel.
t : nilai yang diperoleh dari tabel t.
α : tingkat signifikansi.
n : banyaknya sampel
Contoh 9.4
Berdasarkan Contoh 9.3, misalkan dari 28 pasien yang berkunjung di
Poliklinik, 20 orang diantaranya menyatakan puas terhadap
pelayanan rumah sakit dan sisanya merasa tidak puas. Berarti
proporsi pasien yang merasa puas terhadap pelayanan rumah sakit
adalah:
20 p(1 − p) 0,7(1 − 0,7)
p= = 0,7 dan = = 0,09
28 n −1 28 − 1
147
Darnah Andi Nohe
σ 12 σ 22 σ 12 σ 22
(x1 - x 2 ) - z α + < (μ1 − μ 2 ) < (x1 - x 2 ) + z α +
2 n1 n2 2 n1 n2
dimana :
σ1 , σ 2 : standar deviasi populasi pertama dan kedua.
n 1 , n 2 : banyaknya sampel pertama dan kedua.
z : nilai yang diperoleh dari tabel normal.
x 1 , x 2 : rata-rata sampel pertama dan kedua.
σ 12 σ 22 σ 12 σ 22
(x1 - x 2 ) - z α + < (μ1 − μ 2 ) < (x1 - x 2 ) + z α +
2 n1 n2 2 n1 n2
(3,9 - 3,4) - (1,96)(0,11) < (μ1 − μ 2 ) < (3,9 - 3,4) + (1,96)(0,11)
0,28 < (μ1 − μ 2 ) < 0,72
148
Biostatistika 1
Jadi kita percaya 95% bahwa selisih rata-rata berat badan bayi laki-
laki dan perempuan berkisar antara 0,28 kg sampai 0,72 kg.
dimana :
149
Darnah Andi Nohe
135
p1 = = 0,675 ; n 1 = 200
200
80
p2 = = 0,421 ; n 2 = 190
190
p1 - p 2 = 0,675-0,421 = 0,254.
0,675(1 − 0,675) 0,421(1 − 421)
+ = 0,049
200 190
Dengan menggunakan interval kepercayaan 95%, selisih proporsi
penderita demam tifoid di daerah perkotaan dan pedesaan adalah:
p1 (1 − p1 ) p (1 − p1 )
(p1 - p 2 ) - z α < (P1 − P2 ) < (p1 - p 2 ) + z α 1
2 n1 2 n1
0,254 - (1,96)(0,049) < (P1 − P2 ) < 0,254 + (1,96)(0,049)
0,518 < (P1 − P2 ) < 0,349
150
Biostatistika 1
σ
ε ≤ Zα
2 n
Dimana:
151
Darnah Andi Nohe
σ 2 z 2α
n= 2
2
ε
dimana:
n: banyaknya sampel.
σ : standar deviasi populasi
ε : kesalahan yang ditolerir.
z : nilai yang diperoleh dari tabel Normal
Contoh 9.7
Akan dilakukan penelitian untuk mengestimasi rata-rata kadar
haemoglobin (Hb) orang sehat, jika diketahui standar deviasi
populasi ( σ ) adalah 2,5 gr% maka banyaknya sampel yang harus
diambil dengan interval kepercayaan 95% bahwa selisih rata-rata
sampel dengan populasi tidak lebih dari 0,8 gr% adalah:
σ 2 z 2α
(2,5) 2 (1,96) 2
n= 2
= = 37,5 ≈ 38 orang.
ε2 (0,8) 2
152
Biostatistika 1
p(1 − p)
ε ≤ Zα
2 n
Dimana:
ε : kesalahan yang ditolerir.
z : nilai yang diperoleh dari tabel normal.
p : proporsi.
n : banyaknya sampel
153
Darnah Andi Nohe
154
Biostatistika 1
REFERENSI
155
Darnah Andi Nohe
156
Biostatistika 1
157
Darnah Andi Nohe
158
Biostatistika 1
159
Darnah Andi Nohe
160
Biostatistika 1
161
Darnah Andi Nohe
162
Biostatistika 1
163
Darnah Andi Nohe
164
Biostatistika 1
165
Darnah Andi Nohe
166
Biostatistika 1
p
n x
0,10 0,20 0,30 0,40 0,50 0,60 0,70 0,80 0,90
0 0,1351 0,0144 0,0011 0,0001 0,0000 0,0000 0,0000 0,0000 0,0000
1 0,4203 0,0829 0,0104 0,0008 0,0000 0,0000 0,0000 0,0000 0,0000
2 0,7054 0,2369 0,0462 0,0055 0,0004 0,0000 0,0000 0,0000 0,0000
3 0,8850 0,4551 0,1332 0,0230 0,0022 0,0001 0,0000 0,0000 0,0000
4 0,9648 0,6733 0,2822 0,0696 0,0096 0,0006 0,0000 0,0000 0,0000
5 0,9914 0,8369 0,4739 0,1629 0,0318 0,0031 0,0001 0,0000 0,0000
6 0,9983 0,9324 0,6655 0,3081 0,0835 0,0116 0,0006 0,0000 0,0000
7 0,9997 0,9767 0,8180 0,4878 0,1796 0,0352 0,0028 0,0000 0,0000
8 1,0000 0,9933 0,9161 0,6675 0,3238 0,0885 0,0105 0,0003 0,0000
9 1,0000 0,9984 0,9674 0,8139 0,5000 0,1861 0,0326 0,0016 0,0000
19
10 1,0000 0,9997 0,9895 0,9115 0,6762 0,3325 0,0839 0,0067 0,0000
11 1,0000 1,0000 0,9972 0,9648 0,8204 0,5122 0,1820 0,0233 0,0003
12 1,0000 1,0000 0,9994 0,9884 0,9165 0,6919 0,3345 0,0676 0,0017
13 1,0000 1,0000 0,9999 0,9969 0,9682 0,8371 0,5261 0,1631 0,0086
14 1,0000 1,0000 1,0000 0,9994 0,9904 0,9304 0,7178 0,3267 0,0352
15 1,0000 1,0000 1,0000 0,9999 0,9978 0,9770 0,8668 0,5449 0,1150
16 1,0000 1,0000 1,0000 1,0000 0,9996 0,9945 0,9538 0,7631 0,2946
17 1,0000 1,0000 1,0000 1,0000 1,0000 0,9992 0,9896 0,9171 0,5797
18 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9989 0,9856 0,8649
19 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
167
Darnah Andi Nohe
p
n x
0,10 0,20 0,30 0,40 0,50 0,60 0,70 0,80 0,90
0 0,1216 0,0115 0,0008 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
1 0,3917 0,0692 0,0076 0,0005 0,0000 0,0000 0,0000 0,0000 0,0000
2 0,6769 0,2061 0,0355 0,0036 0,0002 0,0000 0,0000 0,0000 0,0000
3 0,8670 0,4114 0,1071 0,0160 0,0013 0,0000 0,0000 0,0000 0,0000
4 0,9568 0,6296 0,2357 0,0510 0,0059 0,0003 0,0000 0,0000 0,0000
5 0,9887 0,8042 0,4164 0,1256 0,0207 0,0016 0,0000 0,0000 0,0000
6 0,9976 0,9133 0,6080 0,2500 0,0577 0,0065 0,0003 0,0000 0,0000
7 0,9996 0,9679 0,7723 0,4159 0,1316 0,0210 0,0013 0,0000 0,0000
8 0,9999 0,9900 0,8867 0,5956 0,2517 0,0565 0,0051 0,0001 0,0000
9 1,0000 0,9974 0,9520 0,7553 0,4119 0,1275 0,0171 0,0006 0,0000
20 10 1,0000 0,9994 0,9829 0,8725 0,5881 0,2447 0,0480 0,0026 0,0000
11 1,0000 0,9999 0,9949 0,9435 0,7483 0,4044 0,1133 0,0100 0,0001
12 1,0000 1,0000 0,9987 0,9790 0,8684 0,5841 0,2277 0,0321 0,0004
13 1,0000 1,0000 0,9997 0,9935 0,9423 0,7500 0,3920 0,0867 0,0024
14 1,0000 1,0000 1,0000 0,9984 0,9793 0,8744 0,5836 0,1958 0,0113
15 1,0000 1,0000 1,0000 0,9997 0,9941 0,9490 0,7625 0,3704 0,0432
16 1,0000 1,0000 1,0000 1,0000 0,9987 0,9840 0,8929 0,5886 0,1330
17 1,0000 1,0000 1,0000 1,0000 0,9998 0,9964 0,9645 0,7939 0,3231
18 1,0000 1,0000 1,0000 1,0000 1,0000 0,9995 0,9924 0,9308 0,6083
19 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9992 0,9885 0,8784
20 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
168
Biostatistika 1
169
Darnah Andi Nohe
µ
X
2.20 2.30 2.40 2.50 2.60 2.70 2.80 2.90 3.00
0 0.1108 0.1003 0.0907 0.0821 0.0743 0.0672 0.0608 0.0550 0.0498
1 0.3546 0.3309 0.3084 0.2873 0.2674 0.2487 0.2311 0.2146 0.1991
2 0.6227 0.5960 0.5697 0.5438 0.5184 0.4936 0.4695 0.4460 0.4232
3 0.8194 0.7993 0.7787 0.7576 0.7360 0.7141 0.6919 0.6696 0.6472
4 0.9275 0.9162 0.9041 0.8912 0.8774 0.8629 0.8477 0.8318 0.8153
5 0.9751 0.9700 0.9643 0.9580 0.9510 0.9433 0.9349 0.9258 0.9161
6 0.9925 0.9906 0.9884 0.9858 0.9828 0.9794 0.9756 0.9713 0.9665
7 0.9980 0.9974 0.9967 0.9958 0.9947 0.9934 0.9919 0.9901 0.9881
8 0.9995 0.9994 0.9991 0.9989 0.9985 0.9981 0.9976 0.9969 0.9962
9 0.9999 0.9999 0.9998 0.9997 0.9996 0.9995 0.9993 0.9991 0.9989
10 1.0000 1.0000 1.0000 0.9999 0.9999 0.9999 0.9998 0.9998 0.9997
11 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999 0.9999
µ
x
3.20 3.30 3.40 3.50 3.60 3.70 3.80 3.90 4.00
0 0.0408 0.0369 0.0334 0.0302 0.0273 0.0247 0.0224 0.0202 0.0183
1 0.1712 0.1586 0.1468 0.1359 0.1257 0.1162 0.1074 0.0992 0.0916
2 0.3799 0.3594 0.3397 0.3208 0.3027 0.2854 0.2689 0.2531 0.2381
3 0.6025 0.5803 0.5584 0.5366 0.5152 0.4942 0.4735 0.4532 0.4335
4 0.7806 0.7626 0.7442 0.7254 0.7064 0.6872 0.6678 0.6484 0.6288
5 0.8946 0.8829 0.8705 0.8576 0.8441 0.8301 0.8156 0.8006 0.7851
6 0.9554 0.9490 0.9421 0.9347 0.9267 0.9182 0.9091 0.8995 0.8893
7 0.9832 0.9802 0.9769 0.9733 0.9692 0.9648 0.9599 0.9546 0.9489
8 0.9943 0.9931 0.9917 0.9901 0.9883 0.9863 0.9840 0.9815 0.9786
9 0.9982 0.9978 0.9973 0.9967 0.9960 0.9952 0.9942 0.9931 0.9919
10 0.9995 0.9994 0.9992 0.9990 0.9987 0.9984 0.9981 0.9977 0.9972
11 0.9999 0.9998 0.9998 0.9997 0.9996 0.9995 0.9994 0.9993 0.9991
12 1.0000 1.0000 0.9999 0.9999 0.9999 0.9999 0.9998 0.9998 0.9997
13 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999 0.9999
14 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000
170
Biostatistika 1
µ
x
4.20 4.30 4.40 4.50 4.60 4.70 4.80 4.90 5.00
0 0.0150 0.0136 0.0123 0.0111 0.0101 0.0091 0.0082 0.0074 0.0067
1 0.0780 0.0719 0.0663 0.0611 0.0563 0.0518 0.0477 0.0439 0.0404
2 0.2102 0.1974 0.1851 0.1736 0.1626 0.1523 0.1425 0.1333 0.1247
3 0.3954 0.3772 0.3594 0.3423 0.3257 0.3097 0.2942 0.2793 0.2650
4 0.5898 0.5704 0.5512 0.5321 0.5132 0.4946 0.4763 0.4582 0.4405
5 0.7531 0.7367 0.7199 0.7029 0.6858 0.6684 0.6510 0.6335 0.6160
6 0.8675 0.8558 0.8436 0.8311 0.8180 0.8046 0.7908 0.7767 0.7622
7 0.9361 0.9290 0.9214 0.9134 0.9049 0.8960 0.8867 0.8769 0.8666
8 0.9721 0.9683 0.9642 0.9597 0.9549 0.9497 0.9442 0.9382 0.9319
9 0.9889 0.9871 0.9851 0.9829 0.9805 0.9778 0.9749 0.9717 0.9682
10 0.9959 0.9952 0.9943 0.9933 0.9922 0.9910 0.9896 0.9880 0.9863
11 0.9986 0.9983 0.9980 0.9976 0.9971 0.9966 0.9960 0.9953 0.9945
12 0.9996 0.9995 0.9993 0.9992 0.9990 0.9988 0.9986 0.9983 0.9980
13 0.9999 0.9998 0.9998 0.9997 0.9997 0.9996 0.9995 0.9994 0.9993
14 1.0000 1.0000 0.9999 0.9999 0.9999 0.9999 0.9999 0.9998 0.9998
15 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999 0.9999
16 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000
171
Darnah Andi Nohe
µ
x
5.20 5.30 5.40 5.50 5.60 5.70 5.80 5.90 6.00
0 0.0055 0.0050 0.0045 0.0041 0.0037 0.0033 0.0030 0.0027 0.0025
1 0.0342 0.0314 0.0289 0.0266 0.0244 0.0224 0.0206 0.0189 0.0174
2 0.1088 0.1016 0.0948 0.0884 0.0824 0.0768 0.0715 0.0666 0.0620
3 0.2381 0.2254 0.2133 0.2017 0.1906 0.1800 0.1700 0.1604 0.1512
4 0.4061 0.3895 0.3733 0.3575 0.3422 0.3272 0.3127 0.2987 0.2851
5 0.5809 0.5635 0.5461 0.5289 0.5119 0.4950 0.4783 0.4619 0.4457
6 0.7324 0.7171 0.7017 0.6860 0.6703 0.6544 0.6384 0.6224 0.6063
7 0.8449 0.8335 0.8217 0.8095 0.7970 0.7841 0.7710 0.7576 0.7440
8 0.9181 0.9106 0.9027 0.8944 0.8857 0.8766 0.8672 0.8574 0.8472
9 0.9603 0.9559 0.9512 0.9462 0.9409 0.9352 0.9292 0.9228 0.9161
10 0.9823 0.9800 0.9775 0.9747 0.9718 0.9686 0.9651 0.9614 0.9574
11 0.9927 0.9916 0.9904 0.9890 0.9875 0.9859 0.9841 0.9821 0.9799
12 0.9972 0.9967 0.9962 0.9955 0.9949 0.9941 0.9932 0.9922 0.9912
13 0.9990 0.9988 0.9986 0.9983 0.9980 0.9977 0.9973 0.9969 0.9964
14 0.9997 0.9996 0.9995 0.9994 0.9993 0.9991 0.9990 0.9988 0.9986
15 0.9999 0.9999 0.9998 0.9998 0.9998 0.9997 0.9996 0.9996 0.9995
16 1.0000 1.0000 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9998
17 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999
18 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000
172
Biostatistika 1
µ
x
6.20 6.30 6.40 6.50 6.60 6.70 6.80 6.90 7.00
0 0.0020 0.0018 0.0017 0.0015 0.0014 0.0012 0.0011 0.0010 0.0009
1 0.0146 0.0134 0.0123 0.0113 0.0103 0.0095 0.0087 0.0080 0.0073
2 0.0536 0.0498 0.0463 0.0430 0.0400 0.0371 0.0344 0.0320 0.0296
3 0.1342 0.1264 0.1189 0.1118 0.1052 0.0988 0.0928 0.0871 0.0818
4 0.2592 0.2469 0.2351 0.2237 0.2127 0.2022 0.1920 0.1823 0.1730
5 0.4141 0.3988 0.3837 0.3690 0.3547 0.3406 0.3270 0.3137 0.3007
6 0.5742 0.5582 0.5423 0.5265 0.5108 0.4953 0.4799 0.4647 0.4497
7 0.7160 0.7017 0.6873 0.6728 0.6581 0.6433 0.6285 0.6136 0.5987
8 0.8259 0.8148 0.8033 0.7916 0.7796 0.7673 0.7548 0.7420 0.7291
9 0.9016 0.8939 0.8858 0.8774 0.8686 0.8596 0.8502 0.8405 0.8305
10 0.9486 0.9437 0.9386 0.9332 0.9274 0.9214 0.9151 0.9084 0.9015
11 0.9750 0.9723 0.9693 0.9661 0.9627 0.9591 0.9552 0.9510 0.9467
12 0.9887 0.9873 0.9857 0.9840 0.9821 0.9801 0.9779 0.9755 0.9730
13 0.9952 0.9945 0.9937 0.9929 0.9920 0.9909 0.9898 0.9885 0.9872
14 0.9981 0.9978 0.9974 0.9970 0.9966 0.9961 0.9956 0.9950 0.9943
15 0.9993 0.9992 0.9990 0.9988 0.9986 0.9984 0.9982 0.9979 0.9976
16 0.9997 0.9997 0.9996 0.9996 0.9995 0.9994 0.9993 0.9992 0.9990
17 0.9999 0.9999 0.9999 0.9998 0.9998 0.9998 0.9997 0.9997 0.9996
18 1.0000 1.0000 1.0000 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999
19 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000
173
Darnah Andi Nohe
µ
x
7.20 7.30 7.40 7.50 7.60 7.70 7.80 7.90 8.00
0 0.0007 0.0007 0.0006 0.0006 0.0005 0.0005 0.0004 0.0004 0.0003
1 0.0061 0.0056 0.0051 0.0047 0.0043 0.0039 0.0036 0.0033 0.0030
2 0.0255 0.0236 0.0219 0.0203 0.0188 0.0174 0.0161 0.0149 0.0138
3 0.0719 0.0674 0.0632 0.0591 0.0554 0.0518 0.0485 0.0453 0.0424
4 0.1555 0.1473 0.1395 0.1321 0.1249 0.1181 0.1117 0.1055 0.0996
5 0.2759 0.2640 0.2526 0.2414 0.2307 0.2203 0.2103 0.2006 0.1912
6 0.4204 0.4060 0.3920 0.3782 0.3646 0.3514 0.3384 0.3257 0.3134
7 0.5689 0.5541 0.5393 0.5246 0.5100 0.4956 0.4812 0.4670 0.4530
8 0.7027 0.6892 0.6757 0.6620 0.6482 0.6343 0.6204 0.6065 0.5925
9 0.8096 0.7988 0.7877 0.7764 0.7649 0.7531 0.7411 0.7290 0.7166
10 0.8867 0.8788 0.8707 0.8622 0.8535 0.8445 0.8352 0.8257 0.8159
11 0.9371 0.9319 0.9265 0.9208 0.9148 0.9085 0.9020 0.8952 0.8881
12 0.9673 0.9642 0.9609 0.9573 0.9536 0.9496 0.9454 0.9409 0.9362
13 0.9841 0.9824 0.9805 0.9784 0.9762 0.9739 0.9714 0.9687 0.9658
14 0.9927 0.9918 0.9908 0.9897 0.9886 0.9873 0.9859 0.9844 0.9827
15 0.9969 0.9964 0.9959 0.9954 0.9948 0.9941 0.9934 0.9926 0.9918
16 0.9987 0.9985 0.9983 0.9980 0.9978 0.9974 0.9971 0.9967 0.9963
17 0.9995 0.9994 0.9993 0.9992 0.9991 0.9989 0.9988 0.9986 0.9984
18 0.9998 0.9998 0.9997 0.9997 0.9996 0.9996 0.9995 0.9994 0.9993
19 0.9999 0.9999 0.9999 0.9999 0.9999 0.9998 0.9998 0.9998 0.9997
20 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999 0.9999 0.9999 0.9999
174
Biostatistika 1
175
Darnah Andi Nohe
176
Biostatistika 1
177
Darnah Andi Nohe
178
Biostatistika 1
179
Darnah Andi Nohe
180
Biostatistika 1
181
Darnah Andi Nohe
182
Biostatistika 1
183