ANALISIS REGRESI BAYES LINEAR SEDERHANA DENGAN PRIOR NONINFORMATIF
|
|
- Yandi Hermanto
- 7 tahun lalu
- Tontonan:
Transkripsi
1 E-Jural Matematika Vol. 3, No.2 Mei 204, ISSN: ANALISIS REGRESI BAYES LINEAR SEDERHANA DENGAN PRIOR NONINFORMATIF ANAK AGUNG ISTRI AGUNG CANDRA ISWARI, I WAYAN SUMARJAYA 2, I GUSTI AYU MADE SRINADI 3,2,3 Jurusa Matematika FMIPA Uiversitas Udayaa, Bukit Jimbara-Bali iswari.cadra@gmail.com, 2 sumarjaya@uud.ac.id, 3 sriadiigustiayumade@yahoo.co.id Abstract The aim of this study is to apply Bayesia simple liear regressio usig oiformative prior. The data used i this study is 30 observatioal data with error geerated from ormal distributio. The oiformative prior was formed usig Jeffreys rule. Computatio was doe usig the Gibbs Sampler algorithm with iteratio. We obtai the followig estimates for the parameters, α 0 =, with 95% Bayesia cofidece iterval (0,775775; 2,626025), β = 2, with 95% Bayesia cofidece iterval (2,948; 3,052), ad σ 2 = 0, with 95% Bayesia cofidece iterval (0,375295;,4). These values are ot very differet compared to the actual value of the parameters, which are α 0 = 2 ad β = 3 Keywords: Bayesia regressio, oiformative prior, Jeffreys rule, the Gibbs Sampler algorithm. Pedahulua Aalisis regresi liear sederhaa adalah salah satu cara yag dapat diguaka utuk megetahui hubuga atara variabel bebas da variabel terikat. Pedugaa parameter model regresi liear sederhaa dapat dilakuka dega berbagai cara tergatug dari padaga peeliti. Dalam ilmu statistika, terdapat dua padaga yag serig diguaka sebagai dasar dalam metode-metode utuk megolah data (William M. Bolstad, 2007). Padaga pertama merupaka padaga yag umumya serig diguaka oleh peeliti (frequetist) yaki metode yag diguaka utuk megolah data adalah metode-metode regresi klasik seperti metode kuadrat terkecil (least square estimatio) da metode kemugkia maksimum (maximum likelihood estimatio). Padaga kedua merupaka padaga yag berbeda dega para frequetist. Padaga ii megguaka pegetahua dari peeliti, yag bersifat subjektif sebagai prior yag kemudia diolah bersama data utuk memperoleh parameter regresi yag diigika.padaga kedua ii disebut padaga Bayes. Dalam padaga Bayes, seseorag dapat memberika kepercayaa awal (prior believe) terhadap suatu parameter karea adaya asumsi bahwa parameter merupaka suatu variabel acak (William M. Bolstad, 2007). Kepercayaa awal ii dapat diperbarui dega megguaka Teorema Bayes ketika diperoleh data amata. Teorema Bayes meyataka bahwa distribusi peluag posterior utuk θ terhadap data x, proporsioal terhadap produk dari distribusi prior utuk θ terhadap data da likelihood utuk θ jika diberika data x (George E. P. Box ad George C. Tiao, 973). Oleh karea itu, aalisis regresi Bayes liear sederhaa aka dipegaruhi oleh pemiliha prior da likelihood data. Distribusi prior adalah distribusi awal parameter θ Mahasiswa Jurusa Matematika FMIPA Uiversitas Udayaa 38 2 Staf Pegajar Jurusa Matematika FMIPA Uiversitas Udayaa
2 E-Jural Matematika Vol. 3, No.2 Mei 204, ISSN: sebelum diperolehya data amata (Adrew Gelma, et al., 2004). Dega kata lai distribusi prior merupaka tigkat kepercayaa peeliti terhadap setiap ilai parameter yag mugki. Sehigga distribusi prior aka selalu bersifat subjektif karea merupaka represetasi kepercayaa peeliti. Pemiliha prior secara umum dilakuka berdasarka diketahui atau tidakya iformasi megeai parameter. Jika iformasi megeai parameter diketahui, maka prior iformatif, yaitu prior yag memegaruhi hasil distribusi posterior da bersifat sagat subjektif dapat diguaka (Adrew Gelma, et al., 2004), sedagka jika iformasi megeai parameter tidak tersedia, maka diguaka prior oiformatif yag tidak memberika pegaruh yag sigifika terhadap distribusi posterior (George E. P. Box ad George C. Tiao, 973) sehigga iformasi yag diperoleh dari data amata bersifat lebih objektif. Peelitia ii bertujua utuk meerapka aalisis regresi Bayes liear sederhaa dega megguaka prior oiformatif. Selai meduga parameter regresi, aka dilakuka iferesi dega megguaka selag kepercayaa Bayes. 2. Metode Peelitia Model regresi liear sederhaa merupaka salah satu model regresi yag serig diguaka dalam aalisis regresi. Pada model ii, haya terdapat satu variabel bebas dega fugsi regresi liear. Disebut sederhaa karea model ii haya melibatka satu variabel bebas da disebut liear karea liear dalam parameter da liear dalam variabel bebasya [5]. Model regresi liear sederhaa yag diguaka dalam peelitia ii adalah sebagai berikut: y = α 0 + βx + ε. Data yag diguaka dalam peelitia ii adalah data yag dibagkitka dega megguaka program R versi Data yag dibagkitka adalah data dega galatyag berdistribusi ormal dega mea ol da varias satu. Variabel bebas yag dibagkitka merupaka bilaga bulat positif dega ilai, 2,, 30. Variabel terikat ditetuka oleh hubuga liear atara variabel bebas da variabel terikat. Adapu ilai parameter yag dipilih sebagai cotoh simulasi dalam peelitia ii adalah α 0 = 2 da β = 3. Sehigga hubuga liear atara variabel bebas da variabel terikat yag ditetukaadalah sebagai berikut, y = 2 + 3x + ε dega ε adalah galat berdistribusi ormal yag dibagkitka. Karea data yag dibagkitka berdistribusi ormal, maka likelihood data diyataka oleh: L(μ, σ 2 ) ( σ ) exp { 2σ [y 2 i μ] 2 } i=. () Peelitia ii megguaka prior oiformatif yag tidak memberika pegaruh terhadap distribusi posterior karea tidak tersediaya iformasi awal megeai parameter. Prior oiformatif yag diguaka dapat dibetuk dega megguaka atura Jeffreys (Robert E. Kass ad Larry Wasserma, 996). Berdasarka atura Jeffreys, dari likelihood pada persamaa (), dibetuk prior oiformatif sebagai berikut: π(μ, σ 2 ) = σ 2. (2) Dari likelihood data pada persamaa () da prior oiformatif pada persamaa (2) dibetuk distribusi posterior, yaitu: π(μ, σ 2 y i ) σ ( 2 σ ) exp [ { 2σ [y 2 i μ] 2 }] dega i= = exp [ σ+2 2σ 2 { (y i y ) 2 i= + (y μ) 2 }] = exp [ σ+2 2σ {( 2 )s2 + (y μ) 2 }] s 2 = (y i y ) 2. i= Utuk memperoleh distribusi posterior margial utuk σ 2, distribusi posterior π(μ, σ 2 y i )diitegralka terhadap μ, sehigga π(σ 2 y i ) exp [ σ+2 2σ {( 2 )s2 + (y μ) 2 }] dμ exp ( σ+2 2σ ( 2 )s2 ) 2πσ2 (σ 2 ) + 2 exp ( ( )s2 2σ 2 ) 39
3 A.A.I.A. Cadra Iswari, I Waya Sumarjaya, I.G.A.M. Sriadi yag merupaka fugsi desitas utuk ivers- χ 2 berskala (scaled iverse-chi-square), dega kata lai σ 2 y i ~Iv χ 2 (, s 2 ). Fugsi desitas utuk distribusi ivers χ 2 berskala memiliki fugsi desitas yag sama dega distribusi Iv gamma (, 2 2 s2 ) (Adrew Gelma, et al., 2004). Pedugaa ilai parameter dilakuka dega meghitug mea dari distribusi posterior (Bradley P. Carli ad Thomas A. Louis, 2009). Salah satu metode komputasi yag dapat diguaka utuk meduga parameter adalah metode Markov Chai Mote Carlo. Metode ii membetuk suatu ratai Markov yag diguaka sebagai sampel Mote Carlo atau dapat diyataka sebagai: μ M = M B g(x i) i=b+ dega M merupaka jumlah sampel yag dibagkitka da B merupaka bur-i yaitu bilaga bulat o-egatif yag meyataka jumlah sampel awal yag harus dibuag karea terlalu bias terhadap ilai awal (Radu V. Craiu ad Jeffrey S. Rosethal, 204). Dalam peelitia ii diguaka algoritma Gibbs Sampler yag merupaka salah satu algoritma yag termasuk ke dalam kelas algoritma Markov Chai Mote Carlo. Algoritma Gibbs Sampler membagkitka variabel acak dari suatu distribusi margial tapa harus diketahui fugsi desitasya (Christope Adrieu, et. al. 2003). Dalam peelitia ii, algoritma Gibbs Sampler dilakuka sebayak kali iterasi dega bur-i sebayak.000 sampel. 3. Hasil da Pembahasa Adapu data yag dibagkitka utuk peelitia ii merupaka data dega galat berdistribusi ormal dega mea ol da varias satu. Plot (a) pada Gambar. meujukka plot variabel bebas X da variabel terikat Y da plot (b) meujukka plot variabel terikat Y dega galat. Plot atara variabel bebas X da variabel terikat Y M Aalisis Regresi Bayes Liear Sederhaa dega Prior Noiformatif meujukka bahwa data yag dibagkitka memiliki hubuga yag liear atara variabel terikat da variabel bebasya. Sedagka plot atara variabel terikat Y dega galat meujukka bahwa galat yag dibagkitka memiliki varias kosta. Gambar. (a) Plot Variabel Bebas X da Variabel Terikat Y da (b) Plot Variabel Terikat Y da Galat Data variabel bebas X, galat berdistribusi ormal da variabel terikat Y yag dibagkitka ditujukka oleh Tabel. Data yag telah dibagkitka memiliki distribusi ormal, sehigga likelihood data amata merupaka likelihood distribusi ormal seperti yag ditujukka oleh persamaa (). 40
4 E-Jural Matematika Vol. 3, No.2 Mei 204, ISSN: Tabel. Data Variabel Bebas, Galat, da Variabel Terikat yag Dibagkitka X ε Y = 2 + 3x + ε -2, , , , , , , , , ,3073 6, , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , Dari data yag dibagkitka, dilakuka aalisis dega megguaka metode regresi Bayes liear sederhaa. Pedugaa parameter dilakuka dega megguaka batua program R versi da WiBUGS versi.4. Luara dari program tersebut ditujukka oleh Tabel 2. Tabel 2. meujukka ilai dugaa utuk masig-masig parameter dega simpaga baku da juga kuatil-kuatilya. Kuatil 2,5% da 97,5% meujukka batas bawah da batas atas dari selag kepercayaa Bayes utuk masig-masig parameter. Tabel 2. Luara Pedugaa Nilai Parameter Mea Simpaga Baku α 0, , β 2, ,02629 σ 2 0, ,8857 Kuatil 2,5% 25% 50% 75% 97,5% α 0 0,775775,392,699 2,00 2, β 2,948 2,983 2,999 3,06 3,052 σ 2 0, ,563 0,6792 0,8675,4 Nilai dugaa utuk parameterα 0 =, dega selag kepercayaa Bayes 95% (0,775775; 2,626025). Selag kepercayaa Bayes dapat diiterpretasika sebagai peluag ilai parameter α 0 berada di atara selag (0,775775; 2,626025) adalah sebesar 95%. Nilai parameter dugaa α 0 =, meujukka bahwa ilai variabel terikat Y aka sama dega, jika ilai variabel bebasx sama dega ol. Nilai dugaa utuk parameterβ = 2,999468meyataka bahwa ilai variabel terikat Yaka megalami perubaha sebesar jika terjadi perubaha sebesar satu uit satua pada variabel bebas X.Selag kepercayaa Bayes 95% (2,948; 3,052) meujukka bahwa peluag ilai parameter β berada di atara selag (2,948; 3,052) adalah sebesar 95%. Nilai dugaa utuk parameterσ 2 = 0, dega selag kepercayaa Bayes 95% (0,375295;,4). Dega kata lai ilai parameter σ 2 memiliki peluag sebesar 95% berada di atara selag (0,375295;,4). Masig-masig ilai parameter dugaa yag diperoleh memiliki kesesuaia dega ilai parameter yag ditetuka. Nilai dugaa da ilai sesugguhya dari parameter α 0, yaitu dua, tidak memiliki perbedaa yag jauh. Selag kepercayaa Bayes meyakika bahwa ilai parameter sesugguhya berada pada selag tersebut. Nilai dugaa utuk parameter βmemiliki ilai yag medekati ilai parameter 4
5 A.A.I.A. Cadra Iswari, I Waya Sumarjaya, I.G.A.M. Sriadi sesugguhya. Jika dibulatka, maka ilai parameter dugaa utuk β aka sama dega ilai parameter β yag sesugguhya, yaitu tiga. Nilai dugaa yag medekati ilai parameter yag sesugguhya ii juga ditujukka oleh sempitya selag kepercayaa Bayes utuk ilai parameter Aalisis Regresi Bayes Liear Sederhaa dega Prior Noiformatif dugaaβ. Nilai dugaa utuk parameter σ 2 juga tidak memiliki perbedaa yag jauh dari ilai parameter yag sesugguhya. Varias dari galat yag dibagkitka adalah satu, da selag kepercayaa Bayes mecakup ilai tersebut. Ratai Markov Iterasi Alpha iterasi Gambar 2a. Ratai Markov utuk Iterasi Parameter α 0 Gambar 2b. Plot Fugsi Desitas utuk α 0 Gambar 2a. meujukka ratai Markov yag diperoleh dari iterasi Gibbs Sampler utuk parameter α 0. Dari ratai Markov yag diperoleh, dapat dibetuk suatu plot fugsi desitas utuk parameter α 0 seperti yag ditujukka pada Gambar 2b. Plot fugsi desitas parameter α 0 memiliki betuk yag meyerupai distribusi ormal. 42
6 E-Jural Matematika Vol. 3, No.2 Mei 204, ISSN: Ratai Markov Iterasi Beta iterasi Gambar 3a. Ratai Markov utuk Iterasi Parameter β Gambar 3b. Plot Fugsi Desitas utuk β Gambar 3a. meujukka ratai Markov yag diperoleh dari iterasi Gibbs Sampler utuk parameter β. Dari ratai Markov yag diperoleh, dibetuk suatu plot fugsi desitas utuk parameter β seperti yag ditujukka pada Gambar 3b. Plot fugsi desitas parameter β juga memiliki betuk yag meyerupai distribusi ormal. Ratai Markov Iterasi Sigma^ iterasi Gambar 4a.Ratai Markov utuk Iterasi Parameter σ 2 43
7 A.A.I.A. Cadra Iswari, I Waya Sumarjaya, I.G.A.M. Sriadi Aalisis Regresi Bayes Liear Sederhaa dega Prior Noiformatif Gambar 4b. Plot Fugsi Desitas utuk σ 2 Gambar 4a. meujukka ratai Markov yag diperoleh dari iterasi Gibbs Sampler utuk parameter σ 2. Dari ratai Markov yag diperoleh, dibetuk suatu plot fugsi desitas utuk parameter σ 2 seperti yag ditujukka pada Gambar 4b. Plot fugsi desitas parameter σ 2 memiliki betuk yag meyerupai distribusi ivers-gamma. Hal ii bersesuaia dega distribusi posterior margial dari σ 2 yag diperoleh. 4. Kesimpula Peerapa aalisis regresi Bayes liear sederhaa dega megguaka prior oiformatif selai memberika ilai dugaa utuk parameter, juga memberika gambara megeai kecederuga distribusi dari parameter-parameter yag diduga. Hal ii dapat diguaka sebagai iformasi prior jika dilakuka peelitia pada masa medatag dega karakteristik data yag sama. Daftar Pustaka William M. Bolstad Itroductio to Bayesia Statistics, 2d ed. New Jersey: Wiley. George E. P. Box ad George C. Tiao Bayesia Iferece i Statistical Aalysis. Bosto: Addiso-Wesley Publishig Compay, 973. Adrew Gelma, Joh B. Carli, Hal S. Ster, ad Doald B. Rubi Bayesia Data Aalysis, 2d ed. New York: Chapma & Hall. Adrew Gelma Statistical Modelig, Causal Iferece, ad Social Sciece. [Olie]. ormative_ad/ Joh Neter, William Wasserma, ad Michael H. Kuter Applied Liear Regressio. Illois: Richard D. Irwi. Robert E. Kass ad Larry Wasserma "The Selectio of Prior Distributio by Formal Rules," Joural of the America Statistical Associatio, vol. 9, pp Bradley P. Carli ad Thomas A. Louis Bayesia Methods for Data Aalysis, 3rd ed. New York: Chapma & Hall. Radu V. Craiu ad Jeffrey S. Rosethal "Bayesia Computatio Via Markov Chai Mote Carlo," Aual Review of Statistics ad Its Applicatio, vol. I, pp Christope Adrieu, Nado de Freitas, Araud Doucet, ad Michael I. Jorda "A Itroductio to MCMC for Machie Learig," Machie Learig, vol. 50, pp
ESTIMASI PARAMETER MODEL REGRESI LINIER SEDERHANA BAYES DENGAN DISTRIBUSI PRIOR NONINFORMATIF JEFFREY
Prosidig Semiar Matematika da Pedidika Matematika ISBN: 978-60-6-0-9 http://jural.fkip.us.ac.id ESTIMASI PARAMETER MODEL REGRESI LINIER SEDERHANA BAYES DENGAN DISTRIBUSI PRIOR NONINFORMATIF JEFFREY Firda
Lebih terperinciPerbandingan Power of Test dari Uji Normalitas Metode Bayesian, Uji Shapiro-Wilk, Uji Cramer-von Mises, dan Uji Anderson-Darling
Jural Gradie Vol No Juli 5 : -5 Perbadiga Power of Test dari Uji Normalitas Metode Bayesia, Uji Shapiro-Wilk, Uji Cramer-vo Mises, da Uji Aderso-Darlig Dyah Setyo Rii, Fachri Faisal Jurusa Matematika,
Lebih terperinciPENDUGAAN PARAMETER DARI DISTRIBUSI POISSON DENGAN MENGGUNAKAN METODE MAXIMUM LIKEHOOD ESTIMATION (MLE) DAN METODE BAYES
Jural Matematika UNAND Vol. 3 No. 4 Hal. 52 59 ISSN : 233 29 c Jurusa Matematika FMIPA UNAND PENDUGAAN PARAMETER DARI DISTRIBUSI POISSON DENGAN MENGGUNAKAN METODE MAXIMUM LIKEHOOD ESTIMATION (MLE) DAN
Lebih terperinciBAB 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 terperinciREGRESI 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 terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Aalisis Regresi Istilah regresi pertama kali diperkealka oleh seorag ahli yag berama Facis Galto pada tahu 1886. Meurut Galto, aalisis regresi berkeaa dega studi ketergatuga dari suatu
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang. Universitas Sumatera Utara
BAB I PENDAHULUAN 1.1 Latar Belakag Salah satu pera da fugsi statistik dalam ilmu pegetahua adalah sebagai. alat aalisis da iterpretasi data kuatitatif ilmu pegetahua, sehigga didapatka suatu kesimpula
Lebih terperinciBAB 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 terperinciBAB 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 terperinciPENERAPAN REGRESI BINOMIAL NEGATIF UNTUK MENGATASI OVERDISPERSI PADA REGRESI POISSON
E-Jural Matematika Vol., No., Mei 013, 6-10 ISSN: 303-1751 PENERAPAN REGRESI BINOMIAL NEGATIF UNTUK MENGATASI OVERDISPERSI PADA REGRESI POISSON PUTU SUSAN PRADAWATI 1, KOMANG GDE SUKARSA, I GUSTI AYU MADE
Lebih terperinciPENAKSIR BAYES UNTUK PARAMETER DISTRIBUSI EKSPONENSIAL BERDASARKAN FUNGSI KERUGIAN KUADRATIK DAN FUNGSI KERUGIAN ENTROPI
PENAKSIR BAYES UNTUK PARAMETER DISTRIBUSI EKSPONENSIAL BERDASARKAN FUNGSI KERUGIAN KUADRATIK DAN FUNGSI KERUGIAN ENTROPI Nadya Zulfa Negsih, Bustami Mahasiswa Program Studi S Matematika Dose Jurusa Matematika
Lebih terperinciPENDUGA RASIO UNTUK RATA-RATA POPULASI MENGGUNAKAN KUARTIL VARIABEL BANTU PADA PENGAMBILAN SAMPEL ACAK SEDERHANA DAN PENGATURAN PERINGKAT MEDIAN
PEDUGA RASIO UTUK RATA-RATA POPULASI MEGGUAKA KUARTIL VARIABEL BATU PADA PEGAMBILA SAMPEL ACAK SEDERHAA DA PEGATURA PERIGKAT MEDIA ur Khasaah, Etik Zukhroah, da Dewi Reto Sari S. Prodi Matematika Fakultas
Lebih terperinciSTATISTICS. 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 terperinciPendugaan 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 terperinciIII. METODOLOGI PENELITIAN. Penelitian ini dilakukan di SMA Negeri 1 Way Jepara Kabupaten Lampung Timur
0 III. METODOLOGI PENELITIAN A. Lokasi da Waktu Peelitia Peelitia ii dilakuka di SMA Negeri Way Jepara Kabupate Lampug Timur pada bula Desember 0 sampai Mei 03. B. Populasi da Sampel Populasi dalam peelitia
Lebih terperinciPerbandingan Beberapa Metode Pendugaan Parameter AR(1)
Jural Vokasi 0, Vol.7. No. 5-3 Perbadiga Beberapa Metode Pedugaa Parameter AR() MUHLASAH NOVITASARI M, NANI SETIANINGSIH & DADAN K Program Studi Matematika Fakultas MIPA Uiversitas Tajugpura Jl. Ahmad
Lebih terperinciBAB 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 terperinciPENGGGUNAAN ALGORITMA GAUSS-NEWTON UNTUK MENENTUKAN SIFAT-SIFAT PENAKSIR PARAMETER DAN
PENGGGUNAAN ALGORITMA GAUSS-NEWTON UNTUK MENENTUKAN SIFAT-SIFAT PENAKSIR PARAMETER DAN DALAM SUATU MODEL NON-LINIER Abstrak Nur ei 1 1, Jurusa Matematika FMIPA Uiversitas Tadulako Jl. Sukaro-Hatta Palu,
Lebih terperinciTRANSFORMASI BOX-COX PADA ANALISIS REGRESI LINIER SEDERHANA
Jural Matematika UNAND Vol. 2 No. 2 Hal. 115 122 ISSN : 2303 2910 c Jurusa Matematika FMIPA UNAND TRANSFORMASI BOX-COX PADA ANALISIS REGRESI LINIER SEDERHANA ELVI YATI, DODI DEVIANTO, YUDIANTRI ASDI Program
Lebih terperinciJENIS 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 terperinciESTIMASI PARAMETER REGRESI LOGISTIK MULTINOMIAL DENGAN METODE BAYES
JURNAL GAUSSIAN, Volume, Nomor, Tahu 03, Halama 79-88 Olie di: http://ejoural-s.udip.ac.id/idex.php/gaussia ESTIMASI PARAMETER REGRESI LOGISTIK MULTINOMIAL DENGAN METODE BAYES Wayaig Apsari, Hasbi Yasi,
Lebih terperinciTINJAUAN 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 terperinciA. 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 terperinciPendugaan 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 terperinciIII. METODOLOGI PENELITIAN. Penelitian ini dilakukan di SMA Negeri 1 Way Jepara Kabupaten Lampung Timur
III. METODOLOGI PENELITIAN A. Lokasi da Waktu Peelitia Peelitia ii dilakuka di SMA Negeri Way Jepara Kabupate Lampug Timur pada bula Desember 0 sampai dega Mei 03. B. Populasi da Sampel Populasi dalam
Lebih terperinci9 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 terperinciBAB II LANDASAN TEORI. Dalam tugas akhir ini akan dibahas mengenai penaksiran besarnya
5 BAB II LANDASAN TEORI Dalam tugas akhir ii aka dibahas megeai peaksira besarya koefisie korelasi atara dua variabel radom kotiu jika data yag teramati berupa data kategorik yag terbetuk dari kedua variabel
Lebih terperinciPOSITRON, Vol. II, No. 2 (2012), Hal. 1-5 ISSN : Penentuan Energi Osilator Kuantum Anharmonik Menggunakan Teori Gangguan
POSITRON, Vol. II, No. (0), Hal. -5 ISSN : 30-4970 Peetua Eergi Osilator Kuatum Aharmoik Megguaka Teori Gaggua Iklas Saubary ), Yudha Arma ), Azrul Azwar ) )Program Studi Fisika Fakultas Matematika da
Lebih terperinciBAB 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 terperinciMakalah ANALISIS REGRESI DAN REGRESI GANDA
1 Makalah ANALISIS REGRESI DAN REGRESI GANDA Disusu oleh : 1. Rudii mulya ( 41610010035 ). Falle jatu awar try ( 41610010036 ) 3. Novia ( 41610010034 ) Tekik Idustri Uiversitas Mercu Buaa Jakarta 010 Rudii
Lebih terperinciPENDUGA SELANG KEPERCAYAAN NILAI TENGAH DENGAN PENDEKATAN KLASIK, BAYES, DAN BOOTSTRAP *
PENDUGA SELANG KEPERCAYAAN NILAI TENGAH DENGAN PENDEKATAN KLASIK, BAYES, DAN BOOTSTRAP Adji Achmad Rialdo Ferades, SSi, MSc ABSTRAK Pada suatu peelitia, terkadag diamati karakteristik dari sebuah populasi
Lebih terperincix = 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 terperinciPENAKSIRAN. Penaksiran Titik. Selang Kepercayaan untuk VARIANSI. MA2181 ANALISIS DATA Utriweni Mukhaiyar 17 Oktober 2011
PENAKSIRAN Peaksira Titik Peaksira Selag Selag Kepercayaa utuk RATAAN Selag Kepercayaa utuk VARIANSI MA8 ANALISIS DATA Utriwei Mukhaiyar 7 Oktober 0 Metode Peaksira Peaksira Titik Peaksira Selag Nilai
Lebih terperinciMasih 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 terperinciMetode Bootstrap Persentil Pada Sensor Tipe II Berdistribusi Eksponensial
Statistika, Vol. 7 No. 1, 1 6 Mei 007 Metode Bootstrap Persetil Pada Sesor Tipe II Berdistribusi Ekspoesial Jurusa Statistika FMIPA Uiversitas Islam Idoesia Yogyakarta Abstrak Metode bootstrap adalah suatu
Lebih terperinciUji apakah ada perbedaan signifikan antara mean masing-masing laboratorium. Gunakan α=0.05.
MA 8 STATISTIKA DASAR SEMESTER I /3 KK STATISTIKA, FMIPA ITB UJIAN AKHIR SEMESTER (UAS) Sei, Desember, 9.3.3 WIB ( MENIT) Kelas. Pegajar: Utriwei Mukhaiyar, Kelas. Pegajar: Sumato Wiotoharjo Jawablah pertayaa
Lebih terperinciPENGGUNAAN 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 terperinciSTUDI TENTANG BEBERAPA MODIFIKASI METODE ITERASI BEBAS TURUNAN
STUDI TENTANG BEBERAPA MODIFIKASI METODE ITERASI BEBAS TURUNAN Supriadi Putra, M,Si Laboratorium Komputasi Numerik Jurusa Matematika FMIPA Uiversitas Riau e-mail : spoetra@yahoo.co.id ABSTRAK Makalah ii
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN A. Tujua Peelitia Peelitia ii bertujua utuk megetahui apakah terdapat perbedaa hasil belajar atara pegguaa model pembelajara Jigsaw dega pegguaa model pembelajara Picture ad Picture
Lebih terperinciESTIMASI. (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 terperinciPENGUJIAN 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 terperinciPENERAPAN TEOREMA TITIK TETAP UNTUK MENUNJUKKAN ADANYA PENYELESAIAN PADA SISTEM PERSAMAAN LINEAR
PENERAPAN TEOREMA TITIK TETAP UNTUK MENUNJUKKAN ADANYA PENYELESAIAN PADA SISTEM PERSAMAAN LINEAR Nur Aei Prodi Matematika, FST-UINAM uraeiatullah@gmail.com Ifo: Jural MSA Vol. 3 No. 2 Edisi: Juli Desember
Lebih terperinciDistribusi 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 terperinciANALISIS REGRESI DAN KORELASI SEDERHANA
LATAR BELAKANG DAN KORELASI SEDERHANA Aalisis regresi da korelasi megkaji da megukur keterkaita seara statistik atara dua atau lebih variabel. Keterkaita atara dua variabel regresi da korelasi sederhaa.
Lebih terperinciII. 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 terperinciIII. 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 terperinciHUBUNGAN ANTARA KONVERGEN HAMPIR PASTI, KONVERGEN DALAM PELUANG, DAN KONVERGEN DALAM SEBARAN
Jural Matematika UNAND Vol. 2 No. 2 Hal. 0 6 ISSN : 2303 290 c Jurusa Matematika FMIPA UNAND HUBUNGAN ANTARA KONVERGEN HAMPIR PASTI, KONVERGEN DALAM PELUANG, DAN KONVERGEN DALAM SEBARAN VIRA AGUSTA, DODI
Lebih terperinciPENERAPAN TEOREMA TITIK TETAP UNTUK MENUNJUKKAN ADANYA PENYELESAIAN PADA SISTEM PERSAMAAN LINEAR
PENERAPAN TEOREMA TITIK TETAP UNTUK MENUNJUKKAN ADANYA PENYELESAIAN PADA SISTEM PERSAMAAN LINEAR Nur Aei Prodi Matematika, FST-UINAM uraeiatullah@gmail.com Ifo: Jural MSA Vol. 3 No. 2 Edisi: Juli Desember
Lebih terperinciSelang 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 terperinciPENAKSIR RANTAI RASIO DAN RANTAI PRODUK YANG EFISIEN UNTUK MENAKSIR RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA
PENAKSIR RANTAI RASIO DAN RANTAI PRODUK YANG EFISIEN UNTUK MENAKSIR RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA V. M. Vidya *, Bustami, R. Efedi Mahasiswa Program S Matematika Dose Jurusa Matematika
Lebih terperinciPengenalan Pola. Regresi Linier
Pegeala Pola Regresi Liier PTIIK - 014 Course Cotets 1 Defiisi Regresi Liier Model Regresi Liear 3 Estimasi Regresi Liear 4 Studi Kasus da Latiha Defiisi Regresi Liier Regresi adalah membagu model utuk
Lebih terperinciSTATISTIKA ANALISIS REGRESI DAN KORELASI LINIER SEDERHANA
STATISTIKA ANALISIS REGRESI DAN KORELASI LINIER SEDERHANA OUTLINE LANJUTAN Peetua garis duga regresi dega Metode OLS kostata a da koefisie b Aalisis Varias komposisi variasi sekitar garis r da r Stadard
Lebih terperinciPROSIDING ISBN:
S-6 Perlukah Cross Validatio dilakuka? Perbadiga atara Mea Square Predictio Error da Mea Square Error sebagai Peaksir Harapa Kuadrat Kekelirua Model Yusep Suparma (yusep.suparma@ upad.ac.id) Uiversitas
Lebih terperinciSecara umum, suatu barisan dapat dinyatakan sebagai susunan terurut dari bilangan-bilangan real:
BARISAN TAK HINGGA Secara umum, suatu barisa dapat diyataka sebagai susua terurut dari bilaga-bilaga real: u 1, u 2, u 3, Barisa tak higga merupaka suatu fugsi dega domai berupa himpua bilaga bulat positif
Lebih terperinciPENAKSIRAN M A S T A T I S T I K A D A S A R 1 7 M A R E T 2014 U T R I W E N I M U K H A I Y A R
PENAKSIRAN P E N A K S I R A N T I T I K P E N A K S I R A N S E L A N G S E L A N G K E P E R C A Y A A N U N T U K R A T A A N S E L A N G K E P E R C A Y A A N U N T U K V A R I A N S I M A 0 8 S T
Lebih terperinciREGRESI LINIER GANDA
REGRESI LINIER GANDA Secara umum, data hasil pegamata Y bisa terjadi karea akibat variabelvariabel bebas,,, k. Aka ditetuka hubuga atara Y da,,, k sehigga didapat regresi Y atas,,, k amu masih meujukka
Lebih terperinciB 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 terperinciBAB IV. METODE PENELITlAN. Rancangan atau desain dalam penelitian ini adalah analisis komparasi, dua
BAB IV METODE PENELITlAN 4.1 Racaga Peelitia Racaga atau desai dalam peelitia ii adalah aalisis komparasi, dua mea depede (paired sample) yaitu utuk meguji perbedaa mea atara 2 kelompok data. 4.2 Populasi
Lebih terperinciLANDASAN 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 terperinciPertemuan 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 terperinciStatistika Inferensia: Pendugaan Parameter. Dr. Kusman Sadik, M.Si Dept. Statistika IPB, 2015
Statistika Iferesia: Pedugaa Parameter Dr. Kusma Sadik, M.Si Dept. Statistika IPB, 05 Populasi : Parameter Sampel : Statistik Statistik merupaka PENDUGA bagi parameter populasi Pegetahua megeai distribusi
Lebih terperincimempunyai 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 terperinciREGRESI DAN KORELASI SEDERHANA
REGRESI DAN KORELASI SEDERHANA Apa yag disebut Regresi? Korelasi? Aalisa regresi da korelasi sederhaa membahas tetag keterkaita atara sebuah variabel (variabel terikat/depede) dega (sebuah) variabel lai
Lebih terperinciStatistika 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 terperinciJurnal Gradien Vol. 11 No. 2 Juli 2015 :
Jural Gradie Vol. 11 No. 2 Juli 2015 : 1096-1100 Aalisis Tigkat Uag Kuliah Tuggal dega Megguaka Regresi Logistik Ordial (Studi Kasus Jurusa Matematika FMIPA Uiversitas Begkulu Tahu Ajara 2013-2015) Etis
Lebih terperinciRange 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 terperinciIII BAHAN DAN METODE PENELITIAN. Ternak yang digunakan dalam penelitian ini adalah kuda berjumlah 25
18 III BAHAN DAN METODE PENELITIAN 3.1 Baha Peelitia 3.1.1 Objek Peelitia Terak yag diguaka dalam peelitia ii adalah kuda berjumlah 25 ekor terdiri dari 5 jata da 20 betia dega umur berkisar atara 10 15
Lebih terperinciBAB III METODOLOGI PENELITIAN
14 BAB III METODOLOGI PENELITIAN 3.1 Lokasi da Waktu Peelitia Peelitia ii dilaksaaka di IUPHHK-HA PT. Mamberamo Alasmadiri, Provisi Papua pada bula Jui higga Juli 2011. 3.2 Alat da Baha Alat da baha yag
Lebih terperinciBAB VII RANDOM VARIATE DISTRIBUSI DISKRET
BAB VII RANDOM VARIATE DISTRIBUSI DISKRET Diskret radom variabel dapat diguaka utuk berbagai radom umber yag diambil dalam betuk iteger. Pola kebutuha ivetori (persediaa) merupaka cotoh yag serig diguaka
Lebih terperinciPenaksiran Titik Penaksiran Selang. Selang Kepercayaan untuk VARIANSI MA2081 STATISTIKA DASAR
PENAKSIRAN Peaksira Titik Peaksira Selag Selag Kepercayaa utuk RATAAN Selag Kepercayaa utuk VARIANSI MA08 STATISTIKA DASAR MA08 STATISTIKA DASAR Utriwei Mukhaiyar 5 Oktober 0 Metode Peaksira Peaksira Titik
Lebih terperinciProses 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 terperinciBAB 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 terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN A. Subjek Peelitia Peelitia ii dilaksaaka di kawasa huta magrove, yag berada pada muara sugai Opak di Dusu Baros, Kecamata Kretek, Kabupate Batul. Populasi dalam peelitia ii adalah
Lebih terperinciIII. 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 terperinciUkuran 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 terperinciPendekatan Nilai Logaritma dan Inversnya Secara Manual
Pedekata Nilai Logaritma da Iversya Secara Maual Moh. Affaf Program Studi Pedidika Matematika, STKIP PGRI BANGKALAN affafs.theorem@yahoo.com Abstrak Pada pegaplikasiaya, bayak peggua yag meggatugka masalah
Lebih terperinciDistribusi 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 terperinciL A T I H A N S O A L A N R E G 1 Muhamad Ferdiansyah, S. Stat.
L A T I H A N S O A L A N R E G Muhamad Ferdiasyah, S. Stat. *Saya saraka utuk mecoba sediri baru lihat jawabaya **Jawaba saya BELUM TENTU BENAR karea saya mausia biasa. Silaka dikosultasika jika ada jawaba
Lebih terperinciSTATISTIK 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 terperinciChapter 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 terperinciBAB III METODE PENELITIAN Penelitian ini dilakukan di kelas X SMA Muhammadiyah 1 Pekanbaru. semester ganjil tahun ajaran 2013/2014.
BAB III METODE PENELITIAN A. Waktu da Tempat Peelitia Peelitia dilaksaaka dari bula Agustus-September 03.Peelitia ii dilakuka di kelas X SMA Muhammadiyah Pekabaru semester gajil tahu ajara 03/04. B. Subjek
Lebih terperinciDistribusi 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 terperinciTUGAS ANALISIS REGRESI (HALAMAN
TUGAS ANALISIS REGRESI (HALAMAN 85-88) 1. Tetuka depede da idepede variabel serta : a. Hitug Sum of Square for Regressio (X) b. Hitug Sum of Square for Residual c. Hitug Mea Sum of Square for Regresssio
Lebih terperinciBAB III METODOLOGI PENELITIAN
3 BAB III METODOLOGI PENELITIAN A. Metode Peelitia Metode yag diguaka dalam peelitia ii adalah metode kuatitatif dega eksperime semu (quasi eksperimet desig). Peelitia ii melibatka dua kelas, yaitu satu
Lebih terperinciPenyelesaian: Variables Entered/Removed a. a. Dependent Variable: Tulang b. All requested variables entered.
2. Pelajari data dibawah ii, tetuka depede da idepede variabel serta : a) Hitug Sum of Square for Regressio (X) b) Hitug Sum of Square for Residual c) Hitug Meas Sum of Square for Regressio (X) d) Hitug
Lebih terperinciDISTRIBUSI 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 terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 6. No. 2, , Agustus 2003, ISSN : METODE PENENTUAN BENTUK PERSAMAAN RUANG KEADAAN WAKTU DISKRIT
Vol. 6. No., 97-09, Agustus 003, ISSN : 40-858 METODE PENENTUAN BENTUK PERSAMAAN RUANG KEADAAN WAKTU DISKRIT Robertus Heri Jurusa Matematika FMIPA UNDIP Abstrak Tulisa ii membahas peetua persamaa ruag
Lebih terperinciPENAKSIR RASIO UNTUK RATA-RATA POPULASI MENGGUNAKAN KOEFISIEN VARIASI DAN KOEFISIEN KURTOSIS PADA SAMPLING GANDA
PEAKSIR RASIO UTUK RATA-RATA POPULASI MEGGUAKA KOEFISIE VARIASI DA KOEFISIE KURTOSIS PADA SAMPLIG GADA Heru Agriato *, Arisma Ada, Firdaus Mahasiswa Program S Matematika Dose Jurusa Matematika Fakultas
Lebih terperinciStatistika 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 terperinciSIFAT-SIFAT SEMIGRUP SIMETRIS INTERVAL
SIFAT-SIFAT SEMIGRUP SIMETRIS INTERVAL Riza Febri Yusma Sri Gemawati Asli Sirait *riza_febri@yahoo.com Mahasiswa Program S Matematika Dose Jurusa Matematika Fakultas Matematika da Ilmu Pegetahua Alam Uiveritas
Lebih terperinciDISTRIBUSI 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 terperinciNama : INDRI SUCI RAHMAWATI NIM : ANALISIS REGRESI SESI 01 HAL
Nama : INDRI SUCI RAHMAWATI NIM : 2015-32-005 ANALISIS REGRESI SESI 01 HAL. 86-88 Latiha 2 Pelajari data dibawah ii, tetuka depede da idepede variabel serta : a. Hitug Sum of Square for Regressio (X) b.
Lebih terperinciTaksiran Interval bagi Rata-rata Parameter Distribusi Poisson Interval Estimate for The Average of Parameter Poisson Distribution
Prosidig Statistika ISSN: 460-6456 Taksira Iterval bagi Rata-rata Parameter Distribusi Poisso Iterval Estimate for The Average of Parameter Poisso Distributio 1 Putri Aggita Nuraei, Teti Sofia Yati, 3
Lebih terperinciBAB 1 PENDAHULUAN. Analisis regresi menjadi salah satu bagian statistika yang paling banyak aplikasinya.
BAB 1 PENDAHULUAN 1.1 Latar Belakag Aalisis regresi mejadi salah satu bagia statistika yag palig bayak aplikasiya. Aalisis regresi memberika keleluasaa kepada peeliti utuk meyusu model hubuga atau pegaruh
Lebih terperinciBAB V UKURAN GEJALA PUSAT (TENDENSI CENTRAL)
BAB V UKURAN GEJALA PUSAT (TENDENSI CENTRAL) Setiap peelitia selalu berkeaa dega sekelompok data. Yag dimaksud kelompok disii adalah: Satu orag mempuyai sekelompok data, atau sekelompok orag mempuyai satu
Lebih terperinciSebaran 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 terperinciTEOREMA WEYL UNTUK OPERATOR HYPONORMAL
Jural UJMC, Volume 3, Nomor, Hal. - 6 pissn : 460-3333 eissn : 579-907X TEOREMA WEYL UNTUK OPERATOR HYPONORMAL Guawa Uiversitas Muhammadiyah Purwokerto, gu.oge@gmail.com Abstract This paper aims at describig
Lebih terperinciPedahulua Pedugaa Parameter Pedugaa Parameter Populai dilakuka dega megguaka ilai Statitik Sampel, Mial :. x diguaka ebagai peduga bagi µ. diguaka ebagai peduga bagi σ 3. p atau p$ diguaka ebagai peduga
Lebih terperinciIV. METODE PENELITIAN
IV. METODE PENELITIAN 4.1 Lokasi da Waktu peelitia Peelitia dilakuka pada budidaya jamur tiram putih yag dimiliki oleh usaha Yayasa Paguyuba Ikhlas yag berada di Jl. Thamri No 1 Desa Cibeig, Kecamata Pamijaha,
Lebih terperinciSampling 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