BAB VII DISTRIBUSI SAMPLING DAN DESKRIPSI DATA

Save this PDF as:
 WORD  PNG  TXT  JPG

Ukuran: px
Mulai penontonan dengan halaman:

Download "BAB VII DISTRIBUSI SAMPLING DAN DESKRIPSI DATA"

Transkripsi

1 BAB VII DITRIBUI AMPLING DAN DEKRIPI DATA 7. Distribusi amplig (samplig distributio) amplig distributio adalah distribusi probabilitas dari suatu statistik. amplig distributio tergatug dari ukura populasi, ukura sampel, metode memililih sampel. Distribusi samplig dari dega dega ukura sampel adalah suatu distribusi yag bila percobaa dilakuka secara berulag (selalu dega jumlah sampel ) aka meghasilka bayak ilai sampel dega rata-rata. Distribusi samplig ii meggambarka variabilitas (perubaha) rata-rata sampel terhadap rata-rata populasi μ. 7. Rata-rata distribusi samplig Bila suatu sampel acak dari suatu pegamata diambil dari suatu populasi ormal dega rata-rata μ da varias. Maka, setiap pegamata i, i,,3,..., dari sampel acak tersebut aka mempuyai distribusi ormal yag sama seperti popolasi yag bersagkuta. ehigga dapat disimpulka bahwa: ; memiliki distribusi ormal dega rata-rata: da varias: μ + μ μ μ μ Bila sampel yag diambil dari suatu populasi yag tidak diketahui distribuisya, distribusi samplig dari aka tetap medekati omal dega rata-rata μ da varias asalka sampel yag diambil dalam jumlah yag besar. Hasil ii merupaka kosekeuesi dari suatu teorema batas tegah (cetral limit theorem) berikut: VI -

2 Teorema: Cetral Limit Theorem. Bila adalah rata-rata suatu sampel acak yag diambil dari suatu populasi dega ukura, rata-rata μ da varias, maka betuk batas distribusi μ Z ; / bila, distribusiya adalah distribusi ormal stadar (z;0,). Cotoh: ebuah perusahaa lampu pijar meyataka bahwa lampu pijar yag diproduksi mempuyai usia pemakai tersdiribusi ormal dega rata-rata 800 jam da deviasi stadar 40 jam. Tetuka probabilitas bahwa suau sampel acak dari 6 buah lampu pijar tersebut memiliki rata-rata usia kurag dari 775 jam. 775 μ800 olusi: Distribusi samplig aka medekati ormal dega μ 800 da 40 / 6 0 ; probabilitas yag diigika seperti gambar diatas. Maka: μ Z.5 / 0 P ( < 775 ) P( Z <.5) Iferesi Rata-rata populasi alah satu aplikasi petig dari teorema batas tegah adalah peetua ilai rata-rata populasi yag patas. Cotoh: ebuah idustri memproduksi suatu kompoe alat suku cadag mobil. Hal yag petig dalam proses produksi kompoe tersebut adalah rata-rata VI -

3 diameter ukura kompoe 5 mm. Para tekisi yag terlibat dalam pembuata kompee tersebut memperkiraka rata-rata diameter populasi adalah 5.0 mm. ebuah percobaa dilukaka pada 00 kompoe yag dipilih secara acak da masig-masig kompoe diukur. Diketahui bahwa deviasi stadar 0.. Hasil percobaa meujukka rata-rata diameter sampel 5.07 mm. Apakah iformasi sampel ii medukug perkiraa tekisi tersebut? olusi: P [( 5) 0.07] μ Bila rata-rata μ 5, berapa peluag bahwa aka meyimpag sebesar 0.07 mm? P [( 5) 0.07] P [( 5) 0.07] + P[ ( 5) 0.07] 5 P. 7 0./ Bila perkiraa μ 5.0 adalah bear maka adalah N( 0,). 0./ 00 5 P.7 0./ 00 P Z [.7] ( ) Hal ii meujukka bahwa peyimpaga 0.07 haya terjadi pada 7 kompoe dalam 000 percobaa. ehigga percobaa diatas dega 5.07 mm tidak medukug perkiraa tekisi bahwa μ 5.0. VI - 3

4 Distribusi samplig dari dua rata-rata Teorema: Bila dua sampel yag salig bebas, da, diambil dari dua populasi, diskrit atau meerus, dega rata-rata μ da μ da varias da, maka distribusi samplig dari perbedaa rata-rata, - medekati distribusi ormal dega rata-rata da varias sebagai berikut: ehigga: μ da μ μ ( ) ( μ μ ) ( / ) + ( / ) + Z medekati variabel ormal stadar Cotoh: Tabug televisi dari perusahaa A da B mempuyai rata-rata lifetime, deviasi stadar da jumlah sampel yag diambil sebagai berikut: Perusahaa A μ A 6.5 A 0.9 A 36 Perusahaa B μ B 6.0 B 0.8 B 49 Berapa probabilitas bahwa suatu sampel acak dari 36 tabug perusahaa A aka mempuyai rata-rata umur hidup palig tidak tahu lebih lama dari rata-rata umur hidup 49 tabug perusahaa B. olusi: μ A B μ μ A B A B A A + A B A- B Z VI - 4

5 P ( A B.0) P( Z >.65) P( Z <.65) Distribusi samplig Bila adalah varias dari suatu sampel acak yag diambil populasi ormal dega ilai varias, maka statitsik: χ ( ) ( i ) i Memiliki distribusi chi-squared dega derajat kebebasa v -. Cotoh: Pabrik baterei mejami bahwa rata-rata umur batereiya 3 tahu da deviasi stadar tahu. Bila 5 dari sampel baterei yag diambil umur bateriya adalah,9;,4; 3,0; 3,5 da 4, tahu. Apakah produse baterei tersebut masih tetap yaki bahwa stadar deviasiya tahu. Asumsika umur baterei memiliki distribusi chi-squared. olusi: Varias dari sampel acak adalah: χ i i i ( ) i ( ) ( 4)( 0.85) ()( ) ( 5) ()() Karea 95% dari ilai χ dega derajat kebebasa 4 terletak atara 0.7 da 9.488; maka ilai yag dihitug dega masih layak (produse tetap yaki bahwa stadar deviasiya tahu). VI - 5

6 7.4 t-distributio Teorema: Misalka Z adalah variabel acak ormal stadar da V adalah variabel acak distribusi chi-squared dega derajat kebebasa v. Bila Z da V adalah idepedet, maka distribusi variabel acak T, Z T V / v dega fugsi kepadata; [( v + ) / ] ( v / ) πv ( v+ ) Γ t h() t + ; - < t < Γ v Disebut sebagai t-distributio dega derajat kebebasa v. / Corollary: Misalka,,..., adalah variabel acak bebas yag semuaya ormal dega rata-rata μ da stadar deviasi. Bila: i i Maka variabel acak T v -. ( i ) da i μ memiliki distribusi-t dega derajat kebebasa s / t-distributio serig disebut juga dega tudet t-distributio. Distribusi t mirip dega distribusi ormal yaki keduaya simteris da rata-rata 0. Karea distribusi-t simetris maka: t -α -t α t -α -t α μ0 t α α VI - 6

7 Cotoh: Tetuka ilai-t dega derajat kebebasa 4 da luas area α0.05 disebelah kiri, atau disisi kaa. olusi: lihat tabel distribusi t: T t Cotoh: Tetuka P ( t < T < ) 0.05 t0.05 olusi: Karea luas area disisi kaa 0.05 da sebelah kiri 0.05; maka; Luas area T , sehigga ( t < T ) P < t0.05 Cotoh: eorag isiyur kimia meyataka bahwa rata-rata populasi yag dihasilka dari suatu proses produksi adalah 500 grams/mm. Utuk membuktika peryataa tersebut diambil 5 sampel. Bila ilai t berada atara -t 0.05 da t 0.05 maka peryataa tersebut bear. Dari hasil percobaa terhadap 5 sampel tersebut meujukka bahwa rata-rata x 58 gram/mm da deviasi stadar s 40 gram. olusi: dari tabel meujukka bahwa utuk derajat kebebasa 4 t Oleh karea itu, peryataa tsb bear bila ilai t atara -.7 da.7. bila μ 500, maka: μ t.5 s / 40/ 5 Probabilitas ilai t sama atau lebih besar dari.5 dega v 4 adalah medekati 0.0. Bila μ > 500, meghasilka ilai t yag lebih patas. Oleh karea itu, hasil produksiya lebih baik dari yag mereka yataka. VI - 7

8 7.5. F-distributio Teorema: Misalka U da V adalah variabel acak bebas dega distribusi chisquared da v & v adalah deajat kebebasa. Maka distribusi variabel acak U / v V / v F dega fugsi kepadata sbb: h ( f ) Γ 0 v / v / [( v + v )/ ]( v / v ) f. Γ( ) Γ( ) ( ) ( v + v v / v / ) adalah F-distributio. + v f / v / 0 < f < selaiya f α α Teorema: f ( v, v ) α f α ( v, v ) ehigga ilai f dega 6 da 0 derajat kebebasa berada pada daerah sisi kaa 0.95 adalah: (lihat tabel distribusi F) f ( 6,0) f 0.05( 0,6) 0.46 Teorema: Bila da adalah varias dari da sampel acak bebas yag diambil dari populasi ormal dega varias da, maka: VI - 8

9 VI - 9 / / F adalah Distribusi F dega derajat kebebasa v - da v -

BAB VIII MASALAH ESTIMASI SATU DAN DUA SAMPEL

BAB VIII MASALAH ESTIMASI SATU DAN DUA SAMPEL BAB VIII MASAAH ESTIMASI SAT DAN DA SAMPE 8.1 Statistik iferesial Statistik iferesial suatu metode megambil kesimpula dari suatu populasi. Ada dua pedekata yag diguaka dalam statistik iferesial. Pertama,

Lebih terperinci

PENGUJIAN HIPOTESIS. Atau. Pengujian hipotesis uji dua pihak:

PENGUJIAN HIPOTESIS. Atau. Pengujian hipotesis uji dua pihak: PENGUJIAN HIPOTESIS A. Lagkah-lagkah pegujia hipotesis Hipotesis adalah asumsi atau dugaa megeai sesuatu. Jika hipotesis tersebut tetag ilai-ilai parameter maka hipotesis itu disebut hipotesis statistik.

Lebih terperinci

Distribusi Pendekatan (Limiting Distributions)

Distribusi Pendekatan (Limiting Distributions) Distribusi Pedekata (Limitig Distributios) Ada 3 tekik utuk meetuka distribusi pedekata: 1. Tekik Fugsi Distribusi Cotoh 2. Tekik Fugsi Pembagkit Mome Cotoh 3. Tekik Teorema Limit Pusat Cotoh Fitriai Agustia,

Lebih terperinci

Pendugaan Selang: Metode Pivotal Langkah-langkahnya 1. Andaikan X1, X

Pendugaan Selang: Metode Pivotal Langkah-langkahnya 1. Andaikan X1, X Pedugaa Selag: Metode Pivotal Lagkah-lagkahya 1. Adaika X1, X,..., X adalah cotoh acak dari populasi dega fugsi kepekata f( x; ), da parameter yag tidak diketahui ilaiya. Adaika T adalah peduga titik bagi..

Lebih terperinci

Analisa Data Statistik. Ratih Setyaningrum, MT

Analisa Data Statistik. Ratih Setyaningrum, MT Aalisa Data tatistik Ratih etyaigrum, MT Referesi Agoes oehiaie, Ph.D Daftar Isi Iferesi tatistik Hipotesa tatistik : Kosep Umum Hipotesa statistik adalah sebuah klaim/peryataa atau cojecture tetag populasi.

Lebih terperinci

ESTIMASI. (PENDUGAAN STATISTIK) Ir. Tito Adi Dewanto. Statistika

ESTIMASI. (PENDUGAAN STATISTIK) Ir. Tito Adi Dewanto. Statistika Wed 6/0/3 ETIMAI (PENDUGAAN TATITIK) Ir. Tito Adi Dewato tatistika Deskriptif Iferesi Estimasi Uji Hipotesis Titik Retag Estimasi da Uji Hipotesis Dilakuka setelah peelitia dalam tahap pegambila suatu

Lebih terperinci

MINGGU KE-12 TEOREMA LIMIT PUSAT DAN TERAPANNYA

MINGGU KE-12 TEOREMA LIMIT PUSAT DAN TERAPANNYA MINGGU KE-12 TEOREMA LIMIT PUSAT DAN TERAPANNYA TEOREMA LIMIT PUSAT DAN TERAPANNYA Telah dikeal bahwa X 1, X 2...X sampel radom dari distribusi ormal dega mea µ da variasi σ 2, maka x µ σ/ atau xi µ σ

Lebih terperinci

SEBARAN t dan SEBARAN F

SEBARAN t dan SEBARAN F SEBARAN t da SEBARAN F 1 Tabel uji t disebut juga tabel t studet. Sebara t pertama kali diperkealka oleh W.S. Gosset pada tahu 1908. Saat itu, Gosset bekerja pada perusahaa bir Irladia yag melarag peerbita

Lebih terperinci

Mata Kuliah: Statistik Inferensial

Mata Kuliah: Statistik Inferensial PENGUJIAN HIPOTESIS SAMPEL KECIL Prof. Dr. H. Almasdi Syahza, SE., MP Email: asyahza@yahoo.co.id DEFINISI Pegertia Sampel Kecil Sampel kecil yag jumlah sampel kurag dari 30, maka ilai stadar deviasi (s)

Lebih terperinci

mempunyai sebaran yang mendekati sebaran normal. Dalam hal ini adalah PKM (penduga kemungkinan maksimum) bagi, ˆ ˆ adalah simpangan baku dari.

mempunyai sebaran yang mendekati sebaran normal. Dalam hal ini adalah PKM (penduga kemungkinan maksimum) bagi, ˆ ˆ adalah simpangan baku dari. Selag Kepercayaa Cotoh Besar Jika ukura cotoh (sample size) besar, maka meurut Teorema Limit Pusat, bayak statistik megikuti/mempuyai sebara yag medekati ormal (dapat diaggap ormal). Artiya jika adalah

Lebih terperinci

Distribusi Sampling merupakan distribusi teoritis (distribusi kemungkinan) dari semua hasil sampel yang mungkin, dengan ukuran sampel yang tetap N,

Distribusi Sampling merupakan distribusi teoritis (distribusi kemungkinan) dari semua hasil sampel yang mungkin, dengan ukuran sampel yang tetap N, DISTRIBUSI SAMLING opulasi da Sampel opulasi : totalitas dari semua objek/ idividu yg memiliki karakteristik tertetu, jelas da legkap yag aka diteliti Sampel : bagia dari populasi yag diambil melalui cara-cara

Lebih terperinci

Proses Pendugaan. 95% yakin bahwa diantara 40 & 60. Mean X = 50. Mean,, tdk diketahui. Contoh Prentice-Hall, Inc. Chap. 7-1

Proses Pendugaan. 95% yakin bahwa diantara 40 & 60. Mean X = 50. Mean,, tdk diketahui. Contoh Prentice-Hall, Inc. Chap. 7-1 Proses Pedugaa Populasi Mea,, tdk diketahui Cotoh Acak Mea = 50 95% yaki bahwa diatara 40 & 60. Cotoh 1999 Pretice-Hall, Ic. Chap. 7-1 Pedugaa Parameter Populasi Meduga Parameter Populasi... Mea dg Statistik

Lebih terperinci

JENIS PENDUGAAN STATISTIK

JENIS PENDUGAAN STATISTIK ENDUGAAN STATISTIK ENDAHULUAN Kosep pedugaa statistik diperluka utuk membuat dugaa dari gambara populasi. ada pedugaa statistik dibutuhka pegambila sampel utuk diaalisis (statistik sampel) yag ati diguaka

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PENDAHULUAN. Latar Belakag Didalam melakuka kegiata suatu alat atau mesi yag bekerja, kita megeal adaya waktu hidup atau life time. Waktu hidup adalah lamaya waktu hidup suatu kompoe atau uit pada

Lebih terperinci

DISTRIBUSI SAMPLING (Distribusi Penarikan Sampel)

DISTRIBUSI SAMPLING (Distribusi Penarikan Sampel) DISTRIBUSI SAMPLING (Distribusi Pearika Sampel) I. PENDAHULUAN Bidag Iferesia Statistik membahas geeralisasi/pearika kesimpula da prediksi/ peramala. Geeralisasi da prediksi tersebut melibatka sampel/cotoh,

Lebih terperinci

INTERVAL KEPERCAYAAN

INTERVAL KEPERCAYAAN INTERVAL KEPERCAYAAN Tujua utama diambil ebuah ampel dari ebuah populai adalah utuk memperoleh iformai megeai parameter populai.. Ada cara meetuka parameter populai yaitu peakira da pegujia hipotei. Peakira

Lebih terperinci

Metode Statistika STK211/ 3(2-3)

Metode Statistika STK211/ 3(2-3) Metode Statistika STK211/ 3(2-3) Pertemua VI Sebara Pearika Cotoh Septia Rahardiatoro - STK IPB 1 Sebara Pearika Cotoh Megidetifikasi sebara suatu fugsi dari cotoh ketika diambil dari suatu populasi X

Lebih terperinci

DISTRIBUSI SAMPLING. Oleh : Dewi Rachmatin

DISTRIBUSI SAMPLING. Oleh : Dewi Rachmatin DISTRIBUSI SAMPLING Oleh : Dewi Rachmati Distribusi Rata-rata Misalka sebuah populasi berukura higga N dega parameter rata-rata µ da simpaga baku. Dari populasi ii diambil sampel acak berukura, jika tapa

Lebih terperinci

Distribusi Sampling (Distribusi Penarikan Sampel)

Distribusi Sampling (Distribusi Penarikan Sampel) Distribusi Samplig (Distribusi Pearika Sampel) 1. Pedahulua Bidag Iferesia Statistik membahas geeralisasi/pearika kesimpula da prediksi/ peramala. Geeralisasi da prediksi tersebut melibatka sampel/cotoh,

Lebih terperinci

BAB V ANALISA PEMECAHAN MASALAH

BAB V ANALISA PEMECAHAN MASALAH 89 BAB V ANALISA PEMECAHAN MASALAH Dalam upaya mearik kesimpula da megambil keputusa, diperluka asumsi-asumsi da perkiraa-perkiraa. Secara umum hipotesis statistik merupaka peryataa megeai distribusi probabilitas

Lebih terperinci

Range atau jangkauan suatu kelompok data didefinisikan sebagai selisih antara nilai terbesar dan nilai terkecil, yaitu

Range atau jangkauan suatu kelompok data didefinisikan sebagai selisih antara nilai terbesar dan nilai terkecil, yaitu BAB 4 UKURAN PENYEBARAN DATA Pada Bab sebelumya kita telah mempelajari beberapa ukura pemusata data, yaitu ukura yag memberika iformasi tetag bagaimaa data-data ii megumpul atau memusat Pada bagia Bab

Lebih terperinci

x = μ...? 2 2 s = σ...? x x s = σ...?

x = μ...? 2 2 s = σ...? x x s = σ...? Pedugaa Parameter x 2 sx s = μ...? 2 = σ x...? = σ...? Peduga Parameter Peduga titik yaitu parameter populasi p diduga dega suatu besara statistik, misal: rata-rata, proporsi, ragam, dll Peduga Selag (Iterval)

Lebih terperinci

Sebaran Penarikan Contoh. Dept Statistika FMIPA IPB

Sebaran Penarikan Contoh. Dept Statistika FMIPA IPB Sebara Pearika Cotoh Dept Statistika FMIPA IPB Statistik: karakteristik umerik yag diperoleh dari data cotoh Dari sebuah populasi dapat diperoleh bayak cotoh acak. Dari setiap cotoh acak, dapat dihitug

Lebih terperinci

UKURAN PEMUSATAN DATA

UKURAN PEMUSATAN DATA Malim Muhammad, M.Sc. UKURAN PEMUSATAN DATA J U R U S A N A G R O T E K N O L O G I F A K U L T A S P E R T A N I A N U N I V E R S I T A S M U H A M M A D I Y A H P U R W O K E R T O DEFINISI UKURAN PEMUSATAN

Lebih terperinci

Distribusi Peluang BERBAGAI MACAM DISTRIBUSI SAMPEL. Distribusi Peluang 5/6/2012

Distribusi Peluang BERBAGAI MACAM DISTRIBUSI SAMPEL. Distribusi Peluang 5/6/2012 5/6/0 Distribusi Peluag BERBAGAI MACAM DISTRIBUSI SAMPEL Distribusi peluag, P( x), adalah kumpula pasaga ilai-ilai variabel acak Cotoh: Jika dua buah koi dilempar bersamaa. Kejadia bayakya mucul agka.

Lebih terperinci

BAHAN AJAR ANALISIS REAL 1 Matematika STKIP Tuanku Tambusai Bangkinang 5. DERET

BAHAN AJAR ANALISIS REAL 1 Matematika STKIP Tuanku Tambusai Bangkinang 5. DERET Pertemua 7. BAHAN AJAR ANALISIS REAL Matematika STKIP Tuaku Tambusai Bagkiag 5. da kekovergeaya 5. DERET Diberika sebuah barisa a, dapat didefeisika barisa bilaga real S N dega S N := N a = a + a 2 +...

Lebih terperinci

A. Pengertian Hipotesis

A. Pengertian Hipotesis PENGUJIAN HIPOTESIS A. Pegertia Hipotesis Hipotesis statistik adalah suatu peryataa atau dugaa megeai satu atau lebih populasi Ada macam hipotesis:. Hipotesis ol (H 0 ), adalah suatu hipotesis dega harapa

Lebih terperinci

Masih ingat beda antara Statistik Sampel Vs Parameter Populasi? Perhatikan tabel berikut: Ukuran/Ciri Statistik Sampel Parameter Populasi.

Masih ingat beda antara Statistik Sampel Vs Parameter Populasi? Perhatikan tabel berikut: Ukuran/Ciri Statistik Sampel Parameter Populasi. Distribusi Samplig (Distribusi Pearika Sampel). Pedahulua Bidag Iferesia Statistik membahas geeralisasi/pearika kesimpula da prediksi/ peramala. Geeralisasi da prediksi tersebut melibatka sampel/cotoh,

Lebih terperinci

BAB 6: ESTIMASI PARAMETER (2)

BAB 6: ESTIMASI PARAMETER (2) Bab 6: Estimasi Parameter () BAB 6: ESTIMASI PARAMETER (). ESTIMASI PROPORSI POPULASI Proporsi merupaka perbadiga atara terjadiya suatu peristiwa dega semua kemugkiaa peritiwa yag bisa terjadi. Besara

Lebih terperinci

STATISTIK PERTEMUAN VIII

STATISTIK PERTEMUAN VIII STATISTIK PERTEMUAN VIII Pegertia Estimasi Merupaka bagia dari statistik iferesi Estimasi = pedugaa, atau meaksir harga parameter populasi dega harga-harga statistik sampelya. Misal : suatu populasi yag

Lebih terperinci

Statistika Inferensial

Statistika Inferensial Cofidece Iterval Ara Fariza Statistika Iferesial Populasi Sampel Simpulka (estimasi) tetag parameter Medapatka statistik Estimasi: estimasi titik, estimasi iterval, uji hipotesa 2 1 Proses Estimasi Populasi

Lebih terperinci

1 n MODUL 5. Peubah Acak Diskret Khusus

1 n MODUL 5. Peubah Acak Diskret Khusus ODUL 5 Peubah Acak Diskret Khusus Terdapat beberapa peubah acak diskret khusus yag serig mucul dalam aplikasi. Peubah Acak Seragam ( Uiform) Bila X suatu peubah acak diskret dimaa setiap eleme dari X mempuyai

Lebih terperinci

Sampling Process and Sampling Distribution Inference : Point and Interval Estimates. Pertemuan 2

Sampling Process and Sampling Distribution Inference : Point and Interval Estimates. Pertemuan 2 Samplig Process ad Samplig Distributio Iferece : Poit ad Iterval Estimates Pertemua 1 CAKUPAN MATERI: Pemahama tetag Samplig Sampel Acak Sederhaa (Simple Radom Samplig SRS) Estimasi Titik (Poit Estimatio)

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI.1 Distribusi Ekspoesial Fugsi ekspoesial adalah salah satu fugsi yag palig petig dalam matematika. Biasaya, fugsi ii ditulis dega otasi exp(x) atau e x, di maa e adalah basis logaritma

Lebih terperinci

Mata Kuliah : Matematika Diskrit Program Studi : Teknik Informatika Minggu ke : 4

Mata Kuliah : Matematika Diskrit Program Studi : Teknik Informatika Minggu ke : 4 Program Studi : Tekik Iformatika Miggu ke : 4 INDUKSI MATEMATIKA Hampir semua rumus da hukum yag berlaku tidak tercipta dega begitu saja sehigga diraguka kebearaya. Biasaya, rumus-rumus dapat dibuktika

Lebih terperinci

PETA KONSEP RETURN dan RISIKO PORTOFOLIO

PETA KONSEP RETURN dan RISIKO PORTOFOLIO PETA KONSEP RETURN da RISIKO PORTOFOLIO RETURN PORTOFOLIO RISIKO PORTOFOLIO RISIKO TOTAL DIVERSIFIKASI PORTOFOLIO DENGAN DUA AKTIVA PORTOFOLIO DENGAN BANYAK AKTIVA DEVERSIFIKASI DENGAN BANYAK AKTIVA DEVERSIFIKASI

Lebih terperinci

Selang Kepercayaan (Confidence Interval) Pengantar Penduga titik (point estimator) telah dibahas pada kuliah-kuliah sebelumnya. Walau statistikawan

Selang Kepercayaan (Confidence Interval) Pengantar Penduga titik (point estimator) telah dibahas pada kuliah-kuliah sebelumnya. Walau statistikawan Selag Kepercayaa (Cofidece Iterval) Pegatar Peduga titik (poit estimator) telah dibahas pada kuliah-kuliah sebelumya. Walau statistikawa telah berusaha memperoleh peduga titik yag baik, amu hampir bisa

Lebih terperinci

Ukuran Pemusatan, Penyebaran dan Pola Distribusi Normal

Ukuran Pemusatan, Penyebaran dan Pola Distribusi Normal Pegolaha Data Perikaa (PIF 407) SKS (-) Ukura Pemusata, Peyebara da Pola Distribusi Normal -Ledhyae Ika Harlya- Faculty of Fisheries ad Marie Sciece Brawijaya Uiversity 0 Tujua Istruksioal Khusus Mahasiswa

Lebih terperinci

Distribusi Sampel Sampling Distribution

Distribusi Sampel Sampling Distribution Chapter 5 Studet Lecture otes 5-1 Samplig Distributio Pegatar Distribusi mea Sampel dari ilai Rata-rata Distribusi mea Sampel dari ilai Proporsi Chap 5-1 Distribusi sampel adalah f() distribusi dari ratarata

Lebih terperinci

REGRESI LINIER DAN KORELASI. Variabel bebas atau variabel prediktor -> variabel yang mudah didapat atau tersedia. Dapat dinyatakan

REGRESI LINIER DAN KORELASI. Variabel bebas atau variabel prediktor -> variabel yang mudah didapat atau tersedia. Dapat dinyatakan REGRESI LINIER DAN KORELASI Variabel dibedaka dalam dua jeis dalam aalisis regresi: Variabel bebas atau variabel prediktor -> variabel yag mudah didapat atau tersedia. Dapat diyataka dega X 1, X,, X k

Lebih terperinci

Hazmira Yozza Izzati Rahmi HG Jurusan Matematika FMIPA Unand

Hazmira Yozza Izzati Rahmi HG Jurusan Matematika FMIPA Unand TEKIK SAMPLIG PCA SEDERHAA Hazmira Yozza Izzati Rahmi HG Jurusa Matematika FMIPA Uad Defiisi : Jika suatu cotoh berukura diambil dari suatu populasi berukura sedemikia rupa sehigga setiap kemugkia cotoh

Lebih terperinci

TINJAUAN PUSTAKA Pengertian

TINJAUAN PUSTAKA Pengertian TINJAUAN PUSTAKA Pegertia Racaga peelitia kasus-kotrol di bidag epidemiologi didefiisika sebagai racaga epidemiologi yag mempelajari hubuga atara faktor peelitia dega peyakit, dega cara membadigka kelompok

Lebih terperinci

PERTEMUAN 13. VEKTOR dalam R 3

PERTEMUAN 13. VEKTOR dalam R 3 PERTEMUAN VEKTOR dalam R Pegertia Ruag Vektor Defiisi R Jika adalah sebuah bilaga bulat positif, maka tupel - - terorde (ordered--tuple) adalah sebuah uruta bilaga riil ( a ),a,..., a. Semua tupel - -terorde

Lebih terperinci

STATISTICS. Confidence Intervals (Rentang Keyakinan) Confidence Intervals (1)

STATISTICS. Confidence Intervals (Rentang Keyakinan) Confidence Intervals (1) STATISTICS Cofidece Iterval (Retag Keyakia) Cofidece Iterval () Etimai Parameter Ditribui abilita memiliki ejumlah parameter. Parameter-parameter tb umumya tak diketahui. Nilai parameter terebut diperkiraka

Lebih terperinci

JURNAL MATEMATIKA DAN KOMPUTER Vol. 6. No. 2, 77-85, Agustus 2003, ISSN : DISTRIBUSI WAKTU BERHENTI PADA PROSES PEMBAHARUAN

JURNAL MATEMATIKA DAN KOMPUTER Vol. 6. No. 2, 77-85, Agustus 2003, ISSN : DISTRIBUSI WAKTU BERHENTI PADA PROSES PEMBAHARUAN JURAL MATEMATKA DA KOMPUTER Vol. 6. o., 77-85, Agustus 003, SS : 40-858 DSTRBUS WAKTU BERHET PADA PROSES PEMBAHARUA Sudaro Jurusa Matematika FMPA UDP Abstrak Dalam proses stokhastik yag maa kejadia dapat

Lebih terperinci

LANDASAN TEORI. Secara umum, himpunan kejadian A i ; i I dikatakan saling bebas jika: Ruang Contoh, Kejadian, dan Peluang

LANDASAN TEORI. Secara umum, himpunan kejadian A i ; i I dikatakan saling bebas jika: Ruang Contoh, Kejadian, dan Peluang 2 LANDASAN TEORI Ruag Cotoh, Kejadia, da Peluag Percobaa acak adalah suatu percobaa yag dapat diulag dalam kodisi yag sama, yag hasilya tidak dapat diprediksi secara tepat tetapi dapat diketahui semua

Lebih terperinci

ESTIMASI TITIK DAN INTERVAL KEPERCAYAAN

ESTIMASI TITIK DAN INTERVAL KEPERCAYAAN 8/8/0 IE 305 tatistika Idustri LOGO ETIMAI TITIK DAN INTERVAL KEPERCAYAAN Elty arvia, T.,MT. Fakultas Tekik Jurusa Tekik Idustri Uiversitas Kriste Maraatha Badug LT arvia/esi Tujua 3 4 5 6 Medefiisika

Lebih terperinci

Ukuran Pemusatan. Pertemuan 3. Median. Quartil. 17-Mar-17. Modus

Ukuran Pemusatan. Pertemuan 3. Median. Quartil. 17-Mar-17. Modus -Mar- Ukura Pemusata Pertemua STATISTIKA DESKRIPTIF Statistik deskripti adalah pegolaha data utuk tujua medeskripsika atau memberika gambara terhadap obyek yag diteliti dega megguaka sampel atau populasi.

Lebih terperinci

Pertemuan Ke-11. Teknik Analisis Komparasi (t-test)_m. Jainuri, M.Pd

Pertemuan Ke-11. Teknik Analisis Komparasi (t-test)_m. Jainuri, M.Pd Pertemua Ke- Komparasi berasal dari kata compariso (Eg) yag mempuyai arti perbadiga atau pembadiga. Tekik aalisis komparasi yaitu salah satu tekik aalisis kuatitatif yag diguaka utuk meguji hipotesis tetag

Lebih terperinci

ESTIMASI. (PENDUGAAN STATISTIK) Ir. Tito Adi Dewanto

ESTIMASI. (PENDUGAAN STATISTIK) Ir. Tito Adi Dewanto Tue 0/04/3 ETIMAI (PENDUGAAN TATITIK) Ir. Tito Adi Dewato Estimasi : salah satu cara megemukaka peryataa iduktif (meyataka karakteristik populasi dega meggu aka karakteristik yag didapat dari cuplika).

Lebih terperinci

9 Departemen Statistika FMIPA IPB

9 Departemen Statistika FMIPA IPB Supleme Resposi Pertemua ANALISIS DATA KATEGORIK (STK351 9 Departeme Statistika FMIPA IPB Pokok Bahasa Sub Pokok Bahasa Referesi Waktu Pegatar Aalisis utuk Data Respo Kategorik Data respo kategorik Sebara

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PENDAHULUAN. Latar Belakag Statistika iferesi merupaka salah satu cabag statistika yag bergua utuk meaksir parameter. Peaksira dapat diartika sebagai dugaa atau perkiraa atas sesuatu yag aka terjadi

Lebih terperinci

BAB 3 ENTROPI DARI BEBERAPA DISTRIBUSI

BAB 3 ENTROPI DARI BEBERAPA DISTRIBUSI BAB 3 ENTROPI DARI BEBERAPA DISTRIBUSI Utuk lebih memahami megeai etropi, pada bab ii aka diberika perhituga etropi utuk beberapa distribusi diskrit da kotiu. 3. Distribusi Diskrit Pada sub bab ii dibahas

Lebih terperinci

INFERENSI STATISTIS: UJI HIPOTESIS

INFERENSI STATISTIS: UJI HIPOTESIS Uiversitas Gadjah Mada Fakultas Tekik Departeme Tekik Sipil da Ligkuga INFERENSI STATISTIS: UJI HIPOTESIS Statistika da Probabilitas Model Matematis vs Pegukura komparasi garis teoretik (prediksi meurut

Lebih terperinci

1. Uji Dua Pihak. mis. Contoh :

1. Uji Dua Pihak. mis. Contoh : . Uji Dua Pihak H 0 H a : : Cotoh : mis : mea kelas Lab mea kelas tapa lab Ho : Tidak ada perbedaa kemampua hasil belajar biologi siswa atara yag belajar melalui media laboratorium dega yag tidak. Ha :

Lebih terperinci

DISTRIBUSI KHUSUS YANG DIKENAL

DISTRIBUSI KHUSUS YANG DIKENAL 0 DISTRIBUSI KHUSUS YANG DIKENAL Kita sudah membahas fugsi peluag atau fugsi desitas, baik defiisiya maupu sifatya. Fugsi peluag atau fugsi desitas ii merupaka ciri dari sebuah distribusi, artiya fugsi

Lebih terperinci

1. Pendahuluan. Materi 3 Pengujuan Hipotesis

1. Pendahuluan. Materi 3 Pengujuan Hipotesis Materi 3 Pegujua Hiotesis. Pedahulua Hiotesis eryataa yag meruaka edugaa berkaita dega ilai suatu arameter oulasi (satu atau lebih oulasi) Kebeara suatu hiotesis diuji dega megguaka statistik samel hiotesis

Lebih terperinci

Distribusi Sampel & Statistitik Terurut

Distribusi Sampel & Statistitik Terurut Distribusi Sampel & Statistitik Terurut Sampel Acak, Rataa sampel, X-bar, Variasi sampel, S, Teorema Limit Pusat, Distribusi t,, F Statistik Terurut MA 3181 Teori Peluag 11 November 014 Utriwei Mukhaiyar

Lebih terperinci

BAB 4. METODE ESTIMASI PARAMETER DARI DISTRIBUSI WAKTU KERUSAKAN

BAB 4. METODE ESTIMASI PARAMETER DARI DISTRIBUSI WAKTU KERUSAKAN BAB 4 METODE ESTIMASI PARAMETER DARI DISTRIBUSI WAKTU KERUSAKAN Estimasi reliabilitas membutuhka pegetahua distribusi waktu kerusaka yag medasari dari kompoe atau sistem yag dimodelka Utuk memprediksi

Lebih terperinci

KELUARGA EKSPONENSIAL Untuk Memenuhi Tugas Mata Kuliah Statistika Inferensial Dosen Pengampu: Nendra Mursetya Somasih Dwipa, M.Pd

KELUARGA EKSPONENSIAL Untuk Memenuhi Tugas Mata Kuliah Statistika Inferensial Dosen Pengampu: Nendra Mursetya Somasih Dwipa, M.Pd KELUARGA EKSPONENSIAL Utuk Memeuhi Tugas Mata Kuliah Statistika Iferesial Dose Pegampu: Nedra Mursetya Somasih Dwipa, M.Pd Disusu Oleh : V A4 Kelompok. Nuuk Rohaigsih (444009). Rochayati (444000) 3. Siam

Lebih terperinci

Statistika 2. Pengujian Hipotesis. 1. Pendahuluan. Topik Bahasan: Oleh : Edi M. Pribadi, SP., MSc.

Statistika 2. Pengujian Hipotesis. 1. Pendahuluan. Topik Bahasan: Oleh : Edi M. Pribadi, SP., MSc. Statistika Toik Bahasa: Pegujia Hiotesis Oleh : Edi M. Pribadi, SP., MSc. E-mail: edi_m@staff.guadarma.ac.id. Pedahulua Hiotesis eryataa yag meruaka edugaa berkaita dega ilai suatu arameter oulasi (satu

Lebih terperinci

Induksi matematik untuk memecahkan problema deret dan bilangan bulat bentuk kuadrat sempurna

Induksi matematik untuk memecahkan problema deret dan bilangan bulat bentuk kuadrat sempurna Iduksi matematik utuk memecahka problema deret da bilaga bulat betuk kuadrat sempura Oleh: Sutopo Jurusa Fisika FMIPA UM sutopo@fisika.um.ac.id Ditulis pada sekitar bula Februari 2011. Diuggah pada 3 Desember

Lebih terperinci

Masih ingat beda antara Statistik Sampel Vs Parameter Populasi? Perhatikan tabel berikut: Ukuran/Ciri Statistik Sampel Parameter Populasi

Masih ingat beda antara Statistik Sampel Vs Parameter Populasi? Perhatikan tabel berikut: Ukuran/Ciri Statistik Sampel Parameter Populasi Distribusi Samplig (Distribusi Pearika Sampel) 1. Pedahulua Bidag Iferesia Statistik membahas geeralisasi/pearika kesimpula da prediksi/ peramala. Geeralisasi da prediksi tersebut melibatka sampel/cotoh,

Lebih terperinci

IV METODE PENELITIAN 4.1 Lokasi dan waktu 4.2. Jenis dan Sumber Data 4.3 Metode Pengumpulan Data

IV METODE PENELITIAN 4.1 Lokasi dan waktu 4.2. Jenis dan Sumber Data 4.3 Metode Pengumpulan Data IV METODE PENELITIAN 4.1 Lokasi da waktu Peelitia ii dilakuka di PD Pacet Segar milik Alm Bapak H. Mastur Fuad yag beralamat di Jala Raya Ciherag o 48 Kecamata Cipaas, Kabupate Ciajur, Propisi Jawa Barat.

Lebih terperinci

HALAMAN Dengan definisi limit barisan buktikan limit berikut ini : = 0. a. lim PENYELESAIAN : jadi terbukti bahwa lim = 0 = 5. b.

HALAMAN Dengan definisi limit barisan buktikan limit berikut ini : = 0. a. lim PENYELESAIAN : jadi terbukti bahwa lim = 0 = 5. b. Didowload dari ririez.blog.us.ac.id HALAMAN 36 37 5. Dega defiisi limit barisa buktika limit berikut ii : a. lim = 0 lim 1 2 + 3 = 0 > 0 h 1 = 2 + 3 0 = 1 2 + 3 1 2 1 2 1 2 < jadi terbukti bahwa lim =

Lebih terperinci

Statistika Matematika. Soal dan Pembahasan. M. Samy Baladram

Statistika Matematika. Soal dan Pembahasan. M. Samy Baladram Statistika Matematika Soal da embahasa M Samy Baladram Bab 4 Ubiasedess, Cosistecy, ad Limitig istributios Ubiasedess, Cosistecy, ad Limitig istributios 41 Ekspektasi Fugsi Key oits Ṫeorema 411 Jika T

Lebih terperinci

STATISTICS. Hanung N. Prasetyo Week 11 TELKOM POLTECH/HANUNG NP

STATISTICS. Hanung N. Prasetyo Week 11 TELKOM POLTECH/HANUNG NP STATISTICS Haug N. Prasetyo Week 11 PENDAHULUAN Regresi da korelasi diguaka utuk megetahui hubuga dua atau lebih kejadia (variabel) yag dapat diukur secara matematis. Ada dua hal yag diukur atau diaalisis,

Lebih terperinci

BAHAN AJAR STATISTIKA MATEMATIKA 2 Matematika STKIP Tuanku Tambusai Bangkinang. 7. PENAKSIRAN ( Taksiran Interval untuk rataan, varian dan proporsi)

BAHAN AJAR STATISTIKA MATEMATIKA 2 Matematika STKIP Tuanku Tambusai Bangkinang. 7. PENAKSIRAN ( Taksiran Interval untuk rataan, varian dan proporsi) Pertemua0 BAHAN AJAR STATISTIKA MATEMATIKA 2 Matematika STKIP Tuaku Tambusai Bagkiag 7. PENAKSIRAN ( Taksira Iterval utuk rataa, varia da proporsi) 7.1 Pedahulua Pada pembahasa sebelumya adalah meletakka

Lebih terperinci

Barisan Dan Deret Arimatika

Barisan Dan Deret Arimatika Barisa Da Deret Arimatika A. Barisa Aritmatika Niko etera memiliki sebuah peggaris ukura 0 cm. Ia megamati bilaga-bilaga pada peggarisya ii. Bilaga-bilaga tersebut beruruta 0, 1,, 3,, 0. etiap bilaga beruruta

Lebih terperinci

III. METODOLOGI PENELITIAN. Populasi dalam penelitian ini adalah semua siswa kelas XI IPA SMA Negeri I

III. METODOLOGI PENELITIAN. Populasi dalam penelitian ini adalah semua siswa kelas XI IPA SMA Negeri I 7 III. METODOLOGI PENELITIAN A. Populasi da Sampel Peelitia Populasi dalam peelitia ii adalah semua siswa kelas XI IPA SMA Negeri I Kotaagug Tahu Ajara 0-03 yag berjumlah 98 siswa yag tersebar dalam 3

Lebih terperinci

TEORI PENAKSIRAN. Bab 8. A. Pendahuluan. Kompetensi Mampu menjelaskan dan menganalisis teori penaksiran

TEORI PENAKSIRAN. Bab 8. A. Pendahuluan. Kompetensi Mampu menjelaskan dan menganalisis teori penaksiran Bab 8 TEORI PENAKSIRAN Kompetesi Mampu mejelaska da megaalisis teori peaksira Idikator 1. Mejelaska da megaalisis data dega megguaka peaksira titik 2. Mejelaska da megaalisis data dega megguaka peaksira

Lebih terperinci

Universitas Gadjah Mada Fakultas Teknik Departemen Teknik Sipil dan Lingkungan REGRESI DAN KORELASI. Statistika dan Probabilitas

Universitas Gadjah Mada Fakultas Teknik Departemen Teknik Sipil dan Lingkungan REGRESI DAN KORELASI. Statistika dan Probabilitas Uiversitas Gadjah Mada Fakultas Tekik Departeme Tekik Sipil da Ligkuga REGRESI DAN KORELASI Statistika da Probabilitas Kurva Regresi Mecari garis/kurva yag mewakili seragkaia titik data Ada dua cara utuk

Lebih terperinci

B a b 1 I s y a r a t

B a b 1 I s y a r a t 34 TKE 315 ISYARAT DAN SISTEM B a b 1 I s y a r a t (bagia 3) Idah Susilawati, S.T., M.Eg. Program Studi Tekik Elektro Fakultas Tekik da Ilmu Komputer Uiversitas Mercu Buaa Yogyakarta 29 35 1.5.2. Isyarat

Lebih terperinci

Pedahulua Hipotesis: asumsi atau dugaa semetara megeai sesuatu hal. Ditutut utuk dilakuka pegeceka kebearaya. Jika asumsi atau dugaa dikhususka megeai

Pedahulua Hipotesis: asumsi atau dugaa semetara megeai sesuatu hal. Ditutut utuk dilakuka pegeceka kebearaya. Jika asumsi atau dugaa dikhususka megeai PENGUJIAN HIPOTESIS Pedahulua Hipotesis: asumsi atau dugaa semetara megeai sesuatu hal. Ditutut utuk dilakuka pegeceka kebearaya. Jika asumsi atau dugaa dikhususka megeai ilai-ilai parameter populasi,

Lebih terperinci

STATISTIKA SMA (Bag.1)

STATISTIKA SMA (Bag.1) SMA - STATISTIKA SMA (Bag. A. DATA TUNGGAL. Ukura Pemusata : Terdapat ilai statistika yag dapat dimiliki oleh sekumpula data yag diperoleh yaitu : a. Rata-rata Rata-rata jumlah seluruh data bayakya data

Lebih terperinci

MANAJEMEN RISIKO INVESTASI

MANAJEMEN RISIKO INVESTASI MANAJEMEN RISIKO INVESTASI A. PENGERTIAN RISIKO Resiko adalah peyimpaga hasil yag diperoleh dari recaa hasil yag diharapka Besarya tigkat resiko yag dimasukka dalam peilaia ivestasi aka mempegaruhi besarya

Lebih terperinci

Pendugaan Parameter 1

Pendugaan Parameter 1 Topik Bahaa: Pedugaa Parameter 1 (Selag Pedugaa, Pedugaa Selag 1 Rata-Rata) Pertemua ke II 1 Ilutrai Statitika Ifereia : Mecakup emua metode yag diguaka utuk pearika keimpula atau geeraliai megeai populai

Lebih terperinci

BAB III 1 METODE PENELITAN. Penelitian dilakukan di SMP Negeri 2 Batudaa Kab. Gorontalo dengan

BAB III 1 METODE PENELITAN. Penelitian dilakukan di SMP Negeri 2 Batudaa Kab. Gorontalo dengan BAB III METODE PENELITAN. Tempat Da Waktu Peelitia Peelitia dilakuka di SMP Negeri Batudaa Kab. Gorotalo dega subject Peelitia adalah siswa kelas VIII. Pemiliha SMP Negeri Batudaa Kab. Gorotalo. Adapu

Lebih terperinci

6. Pencacahan Lanjut. Relasi Rekurensi. Pemodelan dengan Relasi Rekurensi

6. Pencacahan Lanjut. Relasi Rekurensi. Pemodelan dengan Relasi Rekurensi 6. Pecacaha Lajut Relasi Rekuresi Relasi rekuresi utuk dereta {a } adalah persamaa yag meyataka a kedalam satu atau lebih suku sebelumya, yaitu a 0, a,, a -, utuk seluruh bilaga bulat, dega 0, dimaa 0

Lebih terperinci

Yang biasa dinamakan test komposit lawan komposit. c. Hipotesis mengandung pengertian minimum. Perumusan H 0 dan H 1 berbentuk :

Yang biasa dinamakan test komposit lawan komposit. c. Hipotesis mengandung pengertian minimum. Perumusan H 0 dan H 1 berbentuk : PARAMETER PENGJIAN HIPOTESIS MODL PARAMETER PENGJIAN HIPOTESIS. Pedahulua Kalau yag sedag ditest atau diuji itu parameter θ dalam hal ii pegguaaya ati bias rata-rata µ prprsi p, simpaga baku σ da lai-lai,

Lebih terperinci

Distribusi Sampel, Likelihood dan Penaksir

Distribusi Sampel, Likelihood dan Penaksir BAB 1 Distribusi Sampel, Likelihood da Peaksir 1.1 Sampel Acak Misalka X 1, X 2,..., X sampel acak berukura (radom sample of size ). Fugsi peluag -variat ya adalah f X1,X 2,,X (x 1, x 2,..., x ) = f Xi

Lebih terperinci

III. METODOLOGI PENELITIAN. Populasi dalam penelitian ini adalah semua siswa kelas XI MIA SMA Negeri 5

III. METODOLOGI PENELITIAN. Populasi dalam penelitian ini adalah semua siswa kelas XI MIA SMA Negeri 5 III. METODOLOGI PENELITIAN A. Populasi da Sampel Peelitia Populasi dalam peelitia ii adalah semua siswa kelas I MIA SMA Negeri 5 Badar Lampug Tahu Pelajara 04-05 yag berjumlah 48 siswa. Siswa tersebut

Lebih terperinci

3. Rangkaian Logika Kombinasional dan Sequensial 3.1. Rangkaian Logika Kombinasional Enkoder

3. Rangkaian Logika Kombinasional dan Sequensial 3.1. Rangkaian Logika Kombinasional Enkoder 3. Ragkaia Logika Kombiasioal da Sequesial Ragkaia Logika secara garis besar dibagi mejadi dua, yaitu ragkaia logika Kombiasioal da ragkaia logika Sequesial. Ragkaia logika Kombiasioal adalah ragkaia yag

Lebih terperinci

II. LANDASAN TEORI. Sampling adalah proses pengambilan atau memilih n buah elemen dari populasi yang

II. LANDASAN TEORI. Sampling adalah proses pengambilan atau memilih n buah elemen dari populasi yang II. LANDASAN TEORI Defiisi 2.1 Samplig Samplig adalah proses pegambila atau memilih buah eleme dari populasi yag berukura N (Lohr, 1999). Dalam melakuka samplig, terdapat teori dasar yag disebut teori

Lebih terperinci

REGRESI DAN KORELASI

REGRESI DAN KORELASI REGRESI DAN KORELASI Pedahulua Dalam kehidupa sehari-hari serig ditemuka masalah/kejadia yagg salig berkaita satu sama lai. Kita memerluka aalisis hubuga atara kejadia tersebut Dalam bab ii kita aka membahas

Lebih terperinci

BAB II TEORI DASAR. Definisi Grup G disebut grup komutatif atau grup abel jika berlaku hukum

BAB II TEORI DASAR. Definisi Grup G disebut grup komutatif atau grup abel jika berlaku hukum BAB II TEORI DASAR 2.1 Aljabar Liier Defiisi 2. 1. 1 Grup Himpua tak kosog G disebut grup (G, ) jika pada G terdefiisi operasi, sedemikia rupa sehigga berlaku : a. Jika a, b eleme dari G, maka a b eleme

Lebih terperinci

PENDUGAAN PARAMETER. Ledhyane Ika Harlyan

PENDUGAAN PARAMETER. Ledhyane Ika Harlyan PENDUGAAN PARAMETER Ledhyae Ika Harlya Jurua Pemafaata Sumberdaya Perikaa da Kelauta Uiverita Brawijaya 03 Statitik Ifereia Mecakup emua metode yag diguaka dalam pearika keimpula atau geeraliai megeai

Lebih terperinci

Hendra Gunawan. 12 Februari 2014

Hendra Gunawan. 12 Februari 2014 MA1201 MATEMATIKA 2A Hedra Guawa Semester II, 2013/2014 12 Februari 2014 Bab Sebelumya 8. Betuk Tak Tetu da Itegral Tak Wajar 8.1 Betuk Tak Tetu 0/0 82 8.2 Betuk Tak Tetu Laiya 8.3 Itegral Tak Wajar dg

Lebih terperinci

Pendugaan Parameter. Debrina Puspita Andriani /

Pendugaan Parameter. Debrina Puspita Andriani    / Pedugaa Parameter 7 Debria Puspita Adriai E-mail : debria.ub@gmail.com / debria@ub.ac.id Outlie Pedahulua Pedugaa Titik Pedugaa Iterval Pedugaa Parameter: Kasus Sampel Rataa Populasi Pedugaa Parameter:

Lebih terperinci

BAB IV HASIL DAN PEMBAHASAN. Sebagai hasil penelitian dalam pembuatan modul Rancang Bangun

BAB IV HASIL DAN PEMBAHASAN. Sebagai hasil penelitian dalam pembuatan modul Rancang Bangun 47 BAB IV HASIL DAN PEMBAHASAN Sebagai hasil peelitia dalam pembuata modul Racag Bagu Terapi Ifra Merah Berbasis ATMega8 dilakuka 30 kali pegukura da perbadiga yaitu pegukura timer/pewaktu da di badigka

Lebih terperinci

Statistika dibagi menjadi dua, yaitu: 1. Statistika Deskriftif 2. Statistik Inferensial Penarikan kesimpulan dapat dilakukan dengan dua cara, yaitu:

Statistika dibagi menjadi dua, yaitu: 1. Statistika Deskriftif 2. Statistik Inferensial Penarikan kesimpulan dapat dilakukan dengan dua cara, yaitu: Peaksira Parameter Statistika dibagi mejadi dua yaitu:. Statistika Deskriftif 2. Statistik Iferesial Pearika kesimpula dapat dilakuka dega dua cara yaitu:. Peaksira Parameter 2. Pegujia Hipotesis Peaksira

Lebih terperinci

II. TINJAUAN PUSTAKA. Secara umum apabila a bilangan bulat dan b bilangan bulat positif, maka ada tepat = +, 0 <

II. TINJAUAN PUSTAKA. Secara umum apabila a bilangan bulat dan b bilangan bulat positif, maka ada tepat = +, 0 < II. TINJAUAN PUSTAKA 2.1 Keterbagia Secara umum apabila a bilaga bulat da b bilaga bulat positif, maka ada tepat satu bilaga bulat q da r sedemikia sehigga : = +, 0 < dalam hal ii b disebut hasil bagi

Lebih terperinci

An = an. An 1 = An. h + an 1 An 2 = An 1. h + an 2... A2 = A3. h + a2 A1 = A2. h + a1 A0 = A1. h + a0. x + a 0. x = h a n. f(x) = 4x 3 + 2x 2 + x - 3

An = an. An 1 = An. h + an 1 An 2 = An 1. h + an 2... A2 = A3. h + a2 A1 = A2. h + a1 A0 = A1. h + a0. x + a 0. x = h a n. f(x) = 4x 3 + 2x 2 + x - 3 SUKU BANYAK A Pegertia: f(x) x + a 1 x 1 + a 2 x 2 + + a 2 +a 1 adalah suku bayak (poliom) dega : - a, a 1, a 2,.,a 2, a 1, a 0 adalah koefisiekoefisie suku bayak yag merupaka kostata real dega a 0 - a

Lebih terperinci

PERCOBAAN 4 VARIABEL ACAK DAN DISTRIBUSI PROBABILITASNYA

PERCOBAAN 4 VARIABEL ACAK DAN DISTRIBUSI PROBABILITASNYA PERCOBAAN 4 VARIABEL ACAK DAN DISTRIBUSI PROBABILITASNYA 4.. Tujua : Setelah melaksaaka praktikum ii mahasiswa diharapka mampu : Membedaka data berdasarka jeis variabelya Mapatka mea da varias dari distribusi

Lebih terperinci

Pengantar Statistika Matematika II

Pengantar Statistika Matematika II Pegatar Statistika Matematika II Metode Evaluasi Atia Ahdika, S.Si., M.Si. Prodi Statistika FMIPA Uiversitas Islam Idoesia April 11, 2017 atiaahdika.com Pegguaa metode estimasi yag berbeda dapat meghasilka

Lebih terperinci

,n N. Jelas barisan ini terbatas pada dengan batas M =: 1, dan. barisan ini kovergen ke 0.

,n N. Jelas barisan ini terbatas pada dengan batas M =: 1, dan. barisan ini kovergen ke 0. PROGRAM STUDI PENDIDIKAN MATEMATIKA FKIP UNMUH PONOROGO SOAL UJIAN TENGAH SEMESTER GENAP TA 03/04 Mata Ujia : Aalisis Real Tipe Soal : REGULER Dose : Dr. Jula HERNADI Waktu : 90 meit Hari, Taggal : Selasa,

Lebih terperinci

Chapter 7 Student Lecture Notes 7-1

Chapter 7 Student Lecture Notes 7-1 Chapter 7 Studet Lecture Notes 7-1 DASAR-DASAR UJI Hipotesis: Hipo (di bawah) da Tesis (peryataa yag telah diuji) Hipotesis Statistik:suatu proposisi atau aggapa megeai parameter populasi yag dapat diuji

Lebih terperinci

Himpunan/Selang Kekonvergenan

Himpunan/Selang Kekonvergenan oki eswa (fmipa-itb) Deret Pagkat Kita aka mempelajari beberapa tehik utuk meyajika suatu fugsi f (x) dalam betuk deret pagkat (power series), yaitu meetuka derat pagkat c (x a) sehigga f (x) = c (x a)

Lebih terperinci

II. LANDASAN TEORI. Pada bab ini akan diberikan beberapa istilah, definisi serta konsep-konsep yang

II. LANDASAN TEORI. Pada bab ini akan diberikan beberapa istilah, definisi serta konsep-konsep yang II. LANDASAN TEORI Pada bab ii aka diberika beberapa istilah, defiisi serta kosep-kosep yag medukug dalam peelitia ii. 2.1 Kosep Dasar Teori Graf Berikut ii aka diberika kosep dasar teori graf yag bersumber

Lebih terperinci

PENGGUNAAN METODE BAYESIAN OBYEKTIF DALAM PEMBUATAN GRAFIK PENGENDALI p-chart

PENGGUNAAN METODE BAYESIAN OBYEKTIF DALAM PEMBUATAN GRAFIK PENGENDALI p-chart Prosidig Semiar Nasioal Peelitia, Pedidika da Peerapa MIPA, Fakultas MIPA, Uiversitas Negeri Yogyakarta, 2 Jui 2012 PENGGUNAAN METODE BAYESIAN OBYEKTIF DALAM PEMBUATAN GRAFIK PENGENDALI p-chart Adi Setiawa

Lebih terperinci