Tugas Kelompok

Mata kuliah : Epidemiology Lanjut

Dosen Pengajar : Prof. Dr. Ridwan Amiruddin, SKM., M.Kes., MSc.PH

OLEH :

Fitri Sulistiyani
Maria Ulfa
Nur Aryani Rifai

PROGRAM PASCASARJANA KESEHATAN REPRODUKSI

FAKULTAS KESEHATAN MASYARAKAT
UNIVERSITAS HASANUDDIN
TAHUN 2017
 Bab 2
PROBABILITAS
Teori probabilitas di bawah tidak ada tapi akal sehat
berkurang ke kalkulus

2.1Apa itu Probabilitas?

Probabilitas terjadinya suatu kejadian ditandai dengan angka mulai dari 0
sampai 1. Suatu kejadian yang probabilitas terjadinya adalah 0 adalah
pasti tidak terjadi, sedangkan sebuah kejadian yang probabilitasnya sudah
pasti terjadi.

Definisi klasik dari probabilitas adalah sebagai berikut: jika suatu

peristiwa bisa terjadi dalam N yang saling eksklusif, kemungkinan sama
dan jika nA ini Hasil memiliki atribut A, maka probabilitas A, ditulis
sebagai P (A), sama dengan nA / N. Ini adalah definisi probabilitas
apriori, yaitu, satu menentukan probabilitas suatu peristiwa sebelum
terjadi. Menganggap Kita harus melempar mati dan ingin mengetahui
probabilitas untuk mendapatkan a nomor habis dibagi tiga di lempar mati.
Ada enam kemungkinan cara agar mati bisa mendarat. Dari jumlah
tersebut, ada dua cara di mana nomor di wajah mati terbagi tiga, 3 dan 6.
Jadi, probabilitas mendapatkan angka yang dapat dibagi tiga pada
lemparan amati adalah 2/6 atau 1/3.

Namun, dalam banyak kasus, kita tidak dapat menghitung semua

kemungkinan cara di mana suatu peristiwa dapat terjadi, dan oleh karena
itu, kita menggunakan keluarga definisi frekuensi probabilitas Ini
didefinisikan sebagai nomornya Kali kejadian yang terjadi telah terbagi
total jumlah percobaan (atau kesempatan untuk acara terjadi). Karena
memang begitu Berdasarkan data sebelumnya, disebut probabilitas
probabilitas posteriori.

Misalnya, jika Anda memilih secara acak seorang wanita kulit putih
Amerika, Kemungkinan kematian akibat penyakit jantung adalah .00287.
Hal ini didasarkan pada Menemukan bahwa per 100.000 perempuan kulit
putih Amerika, 287 meninggal karena koroner penyakit jantung
(perkiraan untuk tahun 2001, Pusat Nasional untuk Statistik Kesehatan7).
Bila Anda mempertimbangkan probabilitas seorang wanita kulit putih
Amerika yang antara usia 45 dan 64, angka tersebut turun menjadi .00088
(atau 88 wanita di kelompok usia itu dari 100.000), dan bila Anda
mempertimbangkannya wanita berusia 65 tahun ke atas, jumlahnya
meningkat menjadi 0,01672 (atau 1672 per 100.000). Untuk pria kulit
putih 65 atau lebih tua itu .0919 (atau 9190 per 100.000).

Dua poin penting adalah (1) untuk menentukan probabilitas, Anda harus
melakukannya tentukan populasi yang Anda referensikan, misalnya,
semua perempuan kulit putih, laki-laki kulit putih antara 65 dan 74,
perempuan non kulit putih antara 65 tahun dan 74, dan seterusnya; dan
(2) angka probabilitas terus-menerus direvisi sebagai data baru yang
tersedia.

Ini membawa kita pada gagasan tentang frekuensi yang diharapkan. Jika
probabilitasnya dari sebuah acara adalah P dan ada uji coba N (atau
peluang untuk acara tersebut untuk terjadi), maka kita bisa berharap
bahwa event tersebut akan terjadi N × P kali. Ini Perlu diingat bahwa
probabilitas "bekerja" untuk jumlah besar. Saat melempar koin kita bilang
probabilitasnya mendarat di atas kepala. Kita maksudkan bahwa dalam
banyak lemparan setengah waktu koin akan mendaratkan kepala. Jika kita
melempar koin sepuluh kali, kita bisa mendapatkan tiga kepala (30%)
atau enam kepala (60%), yang merupakan keberangkatan yang cukup
besar dari 50% yang kami harapkan. Tapi jika kita melempar koin
200.000 kali, kita sangat mungkin dekat mendapatkan tepatnya 100.000
kepala atau 50%.

Frekuensi yang diharapkan benar-benar cara probabilitas "bekerja". Sulit

untuk mengkonseptualisasikan penerapan probabilitas kepada individu.
Untuk Contohnya, saat penyiar TV menyatakan akan ada 400 fatal
kecelakaan di Negara Bagian X pada tanggal Empat Juli, tidak mungkin
dikatakan apakah ada orang pribadi yang pada kenyataannya mengalami
kecelakaan seperti itu, tapi kita bisa sangat yakin bahwa jumlah
kecelakaan tersebut akan sangat mendekati perkiraan 400 (berdasarkan
probabilitas yang berasal dari sebelumnya Keempat statistik Juli).
2.2Menggabungkan Probabilitas

Ada dua hukum untuk menggabungkan probabilitas yang penting.

Pertama, jika ada kejadian yang saling eksklusif (yaitu, jika terjadi, yang
lain tidak bisa), probabilitas salah satu atau yang lainnya terjadi adalah
jumlah dari probabilitas masing-masing. Secara simbolis,
P(A or B) = P(A) + P(B)

Contohnya adalah sebagai berikut: probabilitas mendapatkan angka 3

atau 4 pada lemparan die adalah 1/6 + 1/6 = 2/6.

Hal yang berguna untuk diketahui adalah bahwa jumlah probabilitas

individu dari semua kemungkinan kejadian yang saling eksklusif harus
sama 1. Misalnya, jika A adalah acara untuk memenangkan undian, dan
bukan A (ditulis sebagai A), adalah peristiwa tidak memenangkan undian,
maka P (A) + P (A) = 1,0 dan P (A) = 1 - P (A).

Kedua, jika ada dua kejadian independen (yaitu, kejadian Seseorang tidak
berhubungan dengan kejadian yang lain), probabilitas gabungan dari
Yang terjadi bersama-sama (bersama-sama) adalah produk dari
probabilitas individu. Secara simbolis,

P(A and B) = P(A) × P(B)

Contoh dari hal ini adalah kemungkinan bahwa pada saat melempar mati
Anda akan mendapatkan angka yang keduanya terbagi dan habis dibagi 3.
Probabilitas ini sama dengan 1/2 × 1/3 = 1/6. (Satu-satunya nomor
keduanya terbagi dan habis dibagi 3 adalah nomor 6.

Hukum probabilitas gabungan digunakan untuk menguji apakah kejadian

bersifat independen.Jika mereka independen, produk dari probabilitas
masing-masing harus sama dengan probabilitas gabungan. Jika tidak,
mereka tidak independen. Ini adalah dasar dari uji signifikansi chi-
kuadrat, yang kita akan mempertimbangkan di bagian selanjutnya.

Mari kita menerapkan konsep ini ke contoh medis. Kematian tingkat

untuk mereka yang memiliki serangan jantung di unit perawatan khusus
koroner di a Rumah sakit tertentu adalah 15%. Jadi, kemungkinan pasien
dengan hati Serangan yang dirawat di unit perawatan koroner ini akan
mati.115 dan bahwa dia akan melakukannya bertahan adalah 0,85. Jika
dua orang dirawat di unit perawatan koroner di Pada hari tertentu,
misalkan A adalah kejadian dimana orang pertama meninggal dan
membiarkan B menjadi kejadian bahwa orang kedua meninggal dunia.
 Probabilitas bahwa keduanya akan mati adalah

P(A and B) = P(A) × P(B) = .15 × .15 = .0225

Kami menganggap kejadian ini tidak tergantung satu sama lain sehingga
kami bisa perbanyak probabilitasnya. Perhatikan, bagaimanapun juga,
bahwa probabilitas itu juga satu atau yang lain akan mati karena serangan
jantung bukan jumlah Probabilitas mereka karena kedua peristiwa ini
tidak saling eksklusif. Ada kemungkinan keduanya akan mati (yaitu,
keduanya A dan B dapat terjadi).

Untuk membuat ini lebih jelas, cara yang baik untuk mendekati
kemungkinan adalah melalui penggunaan diagram Venn, seperti yang
ditunjukkan pada Gambar 2.1. Diagram Venn terdiri dari kotak yang
mewakili alam semesta dari kemungkinan dan lingkaran yang
menentukan acara yang diminati.
Dalam diagram 1, 2, dan 3, ruang di dalam alun-alun mewakili semua N
kemungkinan hasil. Lingkaran bertanda A mewakili semua hasil yang
merupakan peristiwa A; lingkaran yang ditandai B mewakili semua hasil
yang merupakan peristiwa B. Diagram 1 menggambarkan dua saling
eksklusif kejadian; sebuah hasil di lingkaran A tidak bisa juga berada di
lingkaran B. Diagram 2 mengilustrasikan dua peristiwa yang dapat terjadi
secara bersamaan: sebuah hasil di lingkaran A juga menjadi hasil milik
lingkaran B. Daerah yang teduh ditandai AB merupakan hasil yang
merupakan kejadian dari kedua A dan B. Diagram 3 mewakili dua
peristiwa di mana satu (B) adalah himpunan bagian dari yang lain
(SEBUAH); sebuah hasil di lingkaran B juga harus merupakan hasil yang
merupakan kejadian A, tapi sebaliknya belum tentu benar.

Hal ini dapat dilihat dari diagram 2 bahwa jika kita menginginkan
probabilitas a Hasilnya adalah A atau B dan jika kita menambahkan hasil
di lingkaran A ke Hasil di lingkaran B, kita telah menambahkan hasil
pada tingkat yang diarsir daerah dua kali Karena itu, kita harus
mengurangi hasilnya di tempat yang teduh area (A dan B) juga ditulis
 sebagai (AB) sekali untuk sampai pada jawaban yang benar. Dengan
demikian, kita mendapatkan hasilnya

P(A or B) = P(A) + P(B) − P(AB)

2.3Probabilitas Bersyarat

Sekarang mari kita pertimbangkan kasus dimana kebetulan suatu

peristiwa tertentu yang terjadi tergantung pada hasil acara lain.
Probabilitasnya dari A, mengingat bahwa B telah terjadi, disebut
probabilitas bersyarat dari A diberikan B, dan ditulis secara simbolis
sebagai P (A | B). Ilustrasi ini disediakan oleh diagram Venn 2. Ketika
kita berbicara tentang probabilitas bersyarat, Penyebut menjadi semua
hasil dalam lingkaran B (sebagai gantinya dari semua hasil N yang
mungkin) dan pembilang terdiri dari hasil tersebut yang ada di bagian A
yang juga berisi hasil yang dimiliki ke B. Ini adalah area yang diarsir
dalam diagram berlabel AB. Jika kita r eturn Untuk definisi probabilitas
asli kita, kita melihat itu

(jumlah hasil di kedua A dan B, dibagi dengan jumlah total hasil di B).
Jika kita membagi pembilang dan penyebut dengan N, jumlah total dari
semua hasil yang mungkin, kita dapatkan

Mengalikan kedua sisi dengan P (B) memberikan hukum perkalian

lengkap:

P(A and B) = P(A | B) × P(B)

Tentu saja, jika A dan B independen, maka probabilitas A diberikan B

sama dengan probabilitas A (karena terjadinya B tidak tidak
mempengaruhi terjadinya A) dan kemudian kita lihat itu

P(A and B) = P(A) × P(B)

2.4Probabilitas Bayesian

Bayangkan bahwa M adalah acara "kehilangan memori," dan B adalah

acara "Tumor otak." Kita bisa melakukan penelitian terhadap pasien
tumor otak Kemungkinan kehilangan ingatan diberikan tumor otak, P (M
| B). SEBUAH Dokter, bagaimanapun, lebih tertarik pada kemungkinan
tumor otak, Mengingat bahwa pasien mengalami kehilangan memori, P
(B⎮M).

Sulit untuk mendapatkan probabilitas itu secara langsung karena

seseorang akan melakukannya harus mempelajari sejumlah besar orang
dengan kehilangan memori (yang di Sebagian besar kasus berasal dari
penyebab lain) dan menentukan proporsi apa Dari mereka memiliki
tumor otak.

Persamaan Bayes (atau teorema Bayes ') memperkirakan P (B⎮M)

sebagai berikut:

Kemungkinan keseluruhan tumor otak, P (B) adalah "a priori probabilitas,

"yang merupakan semacam" tebakan terbaik "dari prevalensi otak tumor.

2.5Kemungkinan dan Kemungkinan

Bila kemungkinan seekor kuda kehilangan balapan dikatakan 4 banding

1, dia memiliki probabilitas kalah 4/5 = .80. Untuk mengubah pernyataan
odds ke probabilitas, kita tambahkan 4 + 1 untuk mendapatkan penyebut
kita dari 5. Kemungkinan dari kuda menang adalah 1 sampai 4, yang
berarti ia memiliki probabilitas untuk menang 1/5 = 0,20.
 Kemungkinan menggambar ace = 4 (aces di dek) sampai 48 (kartu itu
bukan ace) = 1 sampai 12; Oleh karena itu, P (ace) = 1/13. Kemungkinan
melawan menggambar ace = 12 sampai 1; P (Tidak Ace) = 12/13.

Dalam kedokteran, kemungkinan besar sering digunakan untuk

menghitung rasio odds. Sebuah Rasio odds hanyalah rasio dua peluang.
Misalnya, katakanlah dia Studi khusus membandingkan pasien kanker
paru dengan kontrol, ternyata menemukan bahwa kemungkinan menjadi
kasus kanker paru-paru bagi orang-orang yang merokok adalah 5 sampai
4 (5/4) dan kemungkinan memiliki kanker paru-paru untuk bukan
perokok adalah 1 sampai 8 (1/8), maka rasio oddsnya adalah

Rasio odds 10 berarti bahwa kemungkinan menjadi kanker paru-paru

Kasus 10 kali lebih besar untuk perokok daripada bukan perokok.

Namun, perlu dicatat bahwa kita tidak dapat menentukan dari analisis
semacam itu apa kemungkinan terkena kanker paru-paru adalah untuk
perokok, karena di Untuk melakukan itu kita harus tahu berapa banyak
orang dari semua Perokok mengembangkan kanker paru-paru, dan kita
belum mempelajari semua perokok; semua Yang kita tahu adalah berapa
banyak dari semua kasus kanker paru-paru kita adalah perokok. Kita juga
tidak bisa mendapatkan kemungkinan kanker paru-paru di antara bukan
perokok, karena kita harus melihat populasi bukan perokok dan lihat
berapa banyak dari mereka yang terkena kanker paru-paru. Yang kita tahu
adalah itu Perokok memiliki kemungkinan 10 kali lipat lebih besar
terkena kanker paru daripada bukan perokok.

Lebih lanjut tentang topik ini disajikan pada Bagian 4.12.

2.6Likelihood Ratio

Konsep yang terkait adalah likelihood ratio (LR), yang memberi tahu kita
seberapa besar kemungkinannya adalah bahwa suatu hasil tertentu akan
timbul dari satu situasi di Indonesia hubungan dengan seberapa besar
kemungkinan hasil akan muncul dari situasi yang berlawanan.

Misalnya, jika pasien mengalami kehilangan memori secara tiba-tiba,

mungkin saja kita ingin tahu rasio kemungkinan gejala itu untuk tumor
 otak, mengatakan. Yang ingin kita ketahui adalah kemungkinan
hilangnya ingatan itu muncul keluar dari tumor otak sehubungan dengan
kemungkinan timbulnya beberapa kondisi lainnya. Rasio kemungkinan
adalah rasio kondisional probabilitas.

Tentu untuk menghitung LR ini kita perlu memperkirakannya

probabilitas yang terlibat dalam persamaan, yaitu, kita perlu
melakukannya Ketahuilah yang berikut: di antara orang-orang yang
memiliki tumor otak, apa proporsi memiliki kehilangan memori, dan di
antara orang-orang yang tidak memiliki Tumor otak, berapa proporsi
memori yang hilang. Terkadang memang demikian cukup sulit untuk
menentukan denominator dari rasio kemungkinan karena kita perlu
mengetahui prevalensi kehilangan memori dipopulasi umum.

LR mungkin lebih praktis untuk digunakan daripada teorema Bayes, yang

memberi probabilitas suatu penyakit tertentu yang diberikan tertentu
gejala. Bagaimanapun, ini banyak digunakan dalam berbagai situasi
karena Ini membahas pertanyaan penting ini: Jika pasien hadir dengan
gejala, Apa kemungkinan gejala itu disebabkan oleh penyakit tertentu
bukan alasan lain selain penyakit ini?

2.7Ringkasan Probabilitas

Hukum Aditif:

P(A or B) = P(A) + P(B) − P(A and B)

Jika acara saling eksklusif: P (A or B) = P (A) + P (B).

Hukum Multiplikasi: P(A and B) = P(A | B) × P(B)

Jika acara independen: P (A and B) = P (A) × P (B).

Probabilitas Bersyarat:
Teorema Bayes:

Odds of A:

Likelihood Ratio: