Salah satu cara untuk mengatasi masalah ini adalah dengan mengubah distribusi nilai dalam kumpulan data menggunakan salah satu dari tiga transformasi:<\/span><\/p>\n 1. Transformasi log:<\/strong> ubah variabel respons dari y menjadi log(y)<\/strong> .<\/span><\/p>\n 2. Transformasi akar kuadrat:<\/strong> Transformasikan variabel respon dari y menjadi \u221ay<\/span><\/strong> .<\/span><\/p>\n 3. Transformasi akar pangkat tiga:<\/strong> ubah variabel respon dari y menjadi y 1\/3<\/sup><\/strong> .<\/span><\/p>\n Dengan melakukan transformasi ini, kumpulan data secara umum menjadi lebih terdistribusi secara normal.<\/span><\/p>\n Contoh berikut menunjukkan cara melakukan transformasi ini dengan Python.<\/span><\/p>\n Kode berikut menunjukkan cara melakukan transformasi logaritmik<\/strong> pada variabel dan membuat plot berdampingan untuk menampilkan distribusi asli dan distribusi data yang ditransformasikan log:<\/span> <\/p>\n Perhatikan bagaimana distribusi transformasi log lebih terdistribusi normal daripada distribusi aslinya.<\/span><\/p>\n Ini masih bukan “bentuk lonceng” yang sempurna tetapi lebih mendekati distribusi normal daripada distribusi aslinya.<\/span><\/p>\n Kode berikut menunjukkan cara melakukan transformasi akar kuadrat<\/strong> pada suatu variabel dan membuat plot berdampingan untuk menampilkan distribusi asli dan distribusi data yang ditransformasikan dengan akar kuadrat:<\/span> <\/p>\n Perhatikan bagaimana data hasil transformasi akar kuadrat jauh lebih terdistribusi secara normal dibandingkan data asli.<\/span><\/p>\n Kode berikut menunjukkan cara melakukan transformasi akar pangkat tiga<\/strong> pada suatu variabel dan membuat plot berdampingan untuk menampilkan distribusi asli dan distribusi data yang diubah akar pangkat tiga:<\/span> <\/p>\n Perhatikan bagaimana data hasil transformasi akar pangkat tiga lebih terdistribusi secara normal dibandingkan data asli.<\/span><\/p>\n Cara menghitung skor Z dengan Python<\/a> Banyak uji statistik mengasumsikan bahwa kumpulan data terdistribusi normal. Namun, hal ini sering kali tidak terjadi dalam praktiknya. Salah satu cara untuk mengatasi masalah ini adalah dengan mengubah distribusi nilai dalam kumpulan data menggunakan salah satu dari tiga transformasi: 1. Transformasi log: ubah variabel respons dari y menjadi log(y) . 2. Transformasi akar kuadrat: Transformasikan […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n Transformasi Log dengan Python<\/strong><\/span><\/h3>\n
import<\/span> numpy as<\/span> np\nimport<\/span> matplotlib. pyplot<\/span> as<\/span> plt\n\n#make this example reproducible\n<\/span>n.p. random<\/span> . seeds<\/span> (0)\n\n#create beta distributed random variable with 200 values\n<\/span>data = np. random<\/span> . beta<\/span> (a= 4<\/span> , b= 15<\/span> , size= 300<\/span> )\n\n#create log-transformed data\n<\/span>data_log = np. log<\/span> (data)\n\n#define grid of plots\n<\/span>fig, axs = plt. subplots<\/span> (nrows= 1<\/span> , ncols= 2<\/span> )\n\n#create histograms\n<\/span>axs[0]. hist<\/span> (data, edgecolor=' black<\/span> ')\naxs[1]. hist<\/span> (data_log, edgecolor=' black<\/span> ')\n\n#add title to each histogram\n<\/span>axs[0]. set_title<\/span> (' Original Data<\/span> ')\naxs[1].set_title(' Log-Transformed Data<\/span> ')\n<\/strong><\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/trans11.png\"){kind=spacer}
<\/p>\n Transformasi Akar Kuadrat dengan Python<\/strong><\/span><\/h3>\n
import<\/span> numpy as<\/span> np\nimport<\/span> matplotlib. pyplot<\/span> as<\/span> plt\n\n#make this example reproducible\n<\/span>n.p. random<\/span> . seeds<\/span> (0)\n\n#create beta distributed random variable with 200 values\n<\/span>data = np. random<\/span> . beta<\/span> (a= 1<\/span> , b= 5<\/span> , size= 300<\/span> )\n\n#create log-transformed data\n<\/span>data_log = np. sqrt<\/span> (data)\n\n#define grid of plots\n<\/span>fig, axs = plt. subplots<\/span> (nrows= 1<\/span> , ncols= 2<\/span> )\n\n#create histograms\n<\/span>axs[0]. hist<\/span> (data, edgecolor=' black<\/span> ')\naxs[1]. hist<\/span> (data_log, edgecolor=' black<\/span> ')\n\n#add title to each histogram\n<\/span>axs[0]. set_title<\/span> (' Original Data<\/span> ')\naxs[1].set_title(' Square Root Transformed Data<\/span> ')<\/strong> <\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/trans12.png\"){kind=spacer}
<\/p>\n Transformasi Akar Kubus dengan Python<\/strong><\/span><\/h3>\n
import<\/span> numpy as<\/span> np\nimport<\/span> matplotlib. pyplot<\/span> as<\/span> plt\n\n#make this example reproducible\n<\/span>n.p. random<\/span> . seeds<\/span> (0)\n\n#create beta distributed random variable with 200 values\n<\/span>data = np. random<\/span> . beta<\/span> (a= 1<\/span> , b= 5<\/span> , size= 300<\/span> )\n\n#create log-transformed data\n<\/span>data_log = np. cbrt<\/span> (data)\n\n#define grid of plots\n<\/span>fig, axs = plt. subplots<\/span> (nrows= 1<\/span> , ncols= 2<\/span> )\n\n#create histograms\n<\/span>axs[0]. hist<\/span> (data, edgecolor=' black<\/span> ')\naxs[1]. hist<\/span> (data_log, edgecolor=' black<\/span> ')\n\n#add title to each histogram\n<\/span>axs[0]. set_title<\/span> (' Original Data<\/span> ')\naxs[1].set_title(' Cube Root Transformed Data<\/span> ')<\/strong> <\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/trans13.png\"){kind=spacer}
<\/p>\n Sumber daya tambahan<\/strong><\/span><\/h3>\n
Cara menormalkan data dengan Python<\/a>
Apa asumsi normalitas dalam statistik?<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"