Tugas UAS

STATISTIKA BAYES

OLEH :
NAMA : ANDI SULIS NAHAMI
NIM : F1A219001

PROGRAM STUDI S1 STATISTIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS HALU OLEO
KENDAR
I 2022
Soal:
Selesaikan salah satu contoh contoh kasus baik pada vol II ataupun vol II dengan
mengganti data yang deigunakan dengan data real!
Jawab:
Kasus yang dipilih pada analisis ini adalah kasus pada volume I (Surgical:
Institutional ranking) . adapun data yang digunakan adalah data angka kematian
pasien dirumah sakit di profinsi Nusa Tenggara Barat tahun 2019. Adapun
datanya adalah sebagai berikut:
PASIEN KELUAR
NO NAMA RUMAH SAKIT PASIEN KELUAR
MATI
1 RSUD Patut Patuh Patju 11.235 129
2 RSAM Narmada 2.958 28
3 RSUD PRAYA 13.148 590
4 RSUD R.Soejono Selong 34.193 1.567
5 RS Risa Sentra Medika 6.377 46
6 RS Islam Namira 6.010 36
7 RSUD Kab. Sumbawa 11.523 493
8 RSUD Kab.Dompu 16.673 361
9 RSUD Bima 13.523 564
10 RSUD ASY SYIFA 4.730 82
RSUD Kab. Lombok
11 156
Utara 6.088

Jumlah kematian ri untuk rumah sakit i dimodelkan sebagai variabel respon biner
dengan peluang kematian pi:
ri~Binomial (pi,ni)
pertama-tama, diasumsikan bahwa peluang kematian yang sebenarnya adalah
independen utnuk setiap rumah sakit adalah sama dengan mengansumsikan
distribusi prior non-informatif standard untuk pi adalah:
pi~Beta(1.0,1.0)
adapun model grafis tetapnya adalah:
 p[i] n[i]

r[i]

for(i IN 1 : N)

Dan write code nya adalah:

Model
{ realistis untuk data adalah dengan mengansumsikan bahwa
Model yang lebih
for( i in 1 : N ) {
p[i]
tingkat kematian diseluruh ~ dbeta(1.0,
rumah sakit serupa 1.0)
dalam beberapa hal. Yang mana ini
r[i] ~ dbin(p[i], n[i])
setara dengan menentukan
} model acak untuk peluang kematian sebenarnya pi
}
adalah sebagai berikut:2986, 13738, 35760, 6423, 6046, 12016, 17034,
list(n=c(11364,
14087, 4812, 6244), r=c(129, 28, 590, 1.567, 46, 36, 493, 361,
564, logit(pi) = biN=11)
82, 156),
list(pbi ~= Normal(µ,
c(0.1, 0.1,
τ) 0.1, 0.1,0.1, 0.1, 0.1, 0.1, 0.1, 0.1,
standar prioritas non-informatif kemudian ditentukan untuk rata-rata
populasi(logit)peluang kematian µ dan presisi τ.
Adapun model grafis untuk contoh acak adalah:
 mu tau sigma

pop.mean b[i]

n[i]
p[i]

r[i]

for(i IN 1 : N)

Dan write code untuk model acak adalah:

model
{
for( i in 1 : N ) {
b[i] ~ dnorm(mu,tau) r[i] ~ dbin(p[i],n[i])
logit(p[i]) <- b[i]
}
pop.mean <- exp(mu) / (1 + exp(mu)) mu ~ dnorm(0.0,1.0E-6)
sigma <- 1 / sqrt(tau) tau ~ dgamma(0.001,0.001)
}

list(n=c(11364, 2986, 13738, 35760, 6423, 6046, 12016, 17034,

14087, 4812, 6244), r=c(129, 28, 590, 1.567, 46, 36, 493, 361,
564, 82, 156), N=11)

list(b = c( 0.1,0.1,0.1, 0.1,0.1, 0.1,0.1,0.1,0.1,

0.1,0.1) ,
tau = 1, mu = 0)

Hasil:
Dengan melakukan iterasi sebanyak 10000 kali diperoleh perkiraan kematian
disetiap rumah sakit untuk model tetap adalah sebagai berikut:
Dan untuk model acak
 p{1]
1.0 0.8 0.8
0.75 a.s a.s
0.5 0.4 0.4
0.2S 0.2 0.2

■ 5 10 10 5 10

p{5]
1.0 0.8 0.8
a.s a.s
0.4 0.4
0.5 0.2 0.2
5 10 10 S 10

0.6
0.4
0.2
1.0
0.75
0.S
0.8
a.s II.
0.4
0.2
5 10 10 S 10

p{10] p{11]
1.0 1.0
0.75 0.75
0.S 0.S

5 10 10