BAB II LANDASAN TEORI. Pada bagian ini akan dibahas tentang teori-teori dasar yang. digunakan untuk dalam mengestimasi parameter model.

Save this PDF as:
 WORD  PNG  TXT  JPG

Ukuran: px
Mulai penontonan dengan halaman:

Download "BAB II LANDASAN TEORI. Pada bagian ini akan dibahas tentang teori-teori dasar yang. digunakan untuk dalam mengestimasi parameter model."

Transkripsi

1 BAB II LANDASAN TEORI Pada bagia ii aka dibahas tetag teori-teori dasar yag diguaka utuk dalam megestimasi parameter model.. MATRIKS DAN VEKTOR Defiisi : Trace dari matriks bujur sagkar A a adalah pejumlaha = ij eleme-eleme diagoalya atau ( ) ii i Defiisi : Tr A = a Jika a, a,..., a adalah vektor-vektor tak ol maka persamaa vektor ca + c a + + c a = 0... mempuyai palig tidak satu peyelesaia, yaitu c = 0 c = 0,..., c = 0 Jika ii adalah satu-satuya peyelesaia, maka a, a,..., a disebut liearly idepedet. Jika adalah peyelesaia laiya, maka a, a,..., a disebut liearly depedet. Defiisi 3 : Rak dari suatu matriks A didefiisika sebagai berikut Estimasi Model..., Erma Harviai, FMIPA UI, 008 9

2 5 Rak (A) = bayakya baris yag liearly idepedet pada A = bayakya kolom yag liearly idepedet pada A Defiisi 4 : Jika A matriks berukura x p da memiliki rak yag merupaka ilai terkecil atara da p maka A memiliki full rak atau dapat disebut full colum rak atau full row rak. Defiisi 5 : Misalka A merupaka matriks simetris. Maka A adalah matriks defiit positif jika da haya jika utuk sembarag vektor x yag buka vektor 0 berlaku x'ax > 0.. VARIABEL RANDOM Misalka terdapat suatu percobaa radom pelempara sebuah koi dega kemugkia hasil yaitu muka atau belakag. Ruag sampel dari percobaa ii adalah C = {c; c adalah muka atau c adalah belakag}. Misalka X adalah sebuah fugsi sedemikia sehigga X(c) = 0 jika c adalah muka da X(c) = jika c adalah belakag, maka X merupaka sebuah fugsi yag memetaka eleme-eleme himpua ruag sampel C dega himpua bilaga real A = {0,}. Estimasi Model..., Erma Harviai, FMIPA UI, 008

3 6 Defiisi 6 : Misalka sebuah percobaa radom mempuyai ruag sample C. Sebuah fugsi X yag memetaka masig-masig eleme c C ke satu da haya satu bilaga real X(c)=x, disebut variable radom. Ruag ilai dari X adalah himpua bilaga real A = {x; x = X(c), c C }. Misalka X suatu variable radom dega pegamata yag dilakuka sebayak kali maka pegamata tersebut diotasika sebagai X, X,..., X jika ilai-ilai utuk X = x, X = x,..., X = x maka X dapat diotasika dalam betuk vektor sebagai berikut. X x x x =.3 EKSPEKTASI, VARIANSI, KOVARIANSI da KORELASI Misalka X suatu variabel radom yag memiliki sifat: Utuk X diskret, x f ( x) Utuk X kotiu, ( ) koverge ke suatu limit berhigga x x f x dx koverge ke suatu limit berhigga maka ilai ekspektasi dari variabel radom X didefiisika sebagai: ( ) xf ( x ) E X =, utuk X diskret i i i Estimasi Model..., Erma Harviai, FMIPA UI, 008

4 7 atau Defiisi 7 : ( ) ( ) E X = xf x dx utuk X kotiu Dega defiisi ekspektasi yag telah dijelaska, mome ke-k dari k distribusi X didefiisika sebagai E( X ). Misalka X memiliki mea μ maka E( X) Sifat-sifat ekspektasi:. Sifat : = μ Misalka X da Y merupaka variabel radom maka. Sifat : E( X + Y) = E( X) + E( Y) Misalka X suatu variabel radom da k suatu kostata maka 3. Sifat 3: ( ) = ke( X) E kx Misalka X da Ymerupaka variabel radom yag idepede maka ( ) = E( X) E( Y) E XY Misalka X suatu variabel radom dega mea μ maka variasi dari X didefiisika sebagai var ( ) ( X) = σ = E [ X μ] x ( Xμ + μ ) ( ) ( μ ) + ( μ ) = E X = E X E X E Estimasi Model..., Erma Harviai, FMIPA UI, 008

5 8 ( ) ( ) = E X E X μ + μ ( ) ( ) ( ) + ( ) ( ) E( X) = E X E X E X E X = E X Misalka X adalah variabel radom dega mea μ x da variasi (.) sedagka Y adalah variabel radom dega mea μ y da variasi σy maka kovariasi X da Y didefiisika sebagai [ XY] = E( [ X μx][ Y μy] ) = E( XY XμY Yμx + μxμy) = E( XY) E( XμY) E( Y) + μxμy = E( XY) μye( X) μxe( Y) + μxμy = E( XY) E( X) E( Y) E( Y) E( X) + E( X) E( Y) = E( XY) E( X) E( Y) cov, σ x (.) Sifat-sifat variasi. Sifat 4 Misalka X suatu variabel radom da a suatu kostata maka ( ) = var ax a var( X ). Sifat 5 Misalka X da Y suatu variabel radom maka Estimasi Model..., Erma Harviai, FMIPA UI, 008

6 9 ( X + Y) = ( X) + ( Y) var var var X da Y merupaka variabel radom yag tidak berkorelasi jika da haya jika cov( X,Y ) = 0 Bukti: ( XY) cov, ρ = σ σ dega ρ merupaka koefisie korelasi X Y Jika ( ) cov XY, = 0 maka ρ =0 yag megartika bahwa X da Y tidak berkorelasi sedagka ρ =0 terjadi ketika cov ( XY, ) = 0 (terbukti).4 KONVERGEN DALAM PROBABILITAS Defiisi 8 : Variabel radom X dega pegamata disebut koverge dalam probabilitas ke c atau plim X ε > 0 berlaku ( X c ε ) lim Pr < = = c jika utuk sembarag bilaga positif Teorema : Jika X memiliki mea c da memiliki variasi σ dega limit adalah 0 maka plim X = c Estimasi Model..., Erma Harviai, FMIPA UI, 008

7 0 Bukti: Pembuktia ii megguaka dalil pertidaksamaa Chebyshev. Dalil tersebut berisi sebagai berikut. variasi Misalka X merupaka barisa variabel radom dega mea μ da σ maka pertidaksamaa Chebyshev adalah sebagai berikut: dega k suatu kostata. k ( X μ < kσ) Pr Dari pertidaksamaa Chebyshev diperoleh Pr ( X c < kσ ) (.3) k Ambil ε = kσ maka k ε = σ sehigga persamaa (.3) mejadi: σ Pr ( X c < ε ) ε Dega megambil limit utuk pada kedua ruas persamaa di atas maka diperoleh σ lim Pr ( X c < ε ) lim ε Karea lim σ = 0 maka diperoleh ( X c ε ) lim Pr < Karea ilai probabilitas adalah dari 0 higga maka Estimasi Model..., Erma Harviai, FMIPA UI, 008

8 ( X c ε ) lim Pr < = Berdasarka defiisi 8 maka plim X = c (terbukti).5 PENAKSIR KONSISTEN Defiisi 9 : Suatu statistik ˆ θ disebut peaksir yag kosiste utuk parameter θ jika da haya jika ˆ θ koverge dalam probabilitas ke parameter θ atau plim ˆ θ= θ.6 MODEL REGRESI LINIER Model regresi merupaka persamaa yag meggambarka hubuga atara variabel depede dega variabel idepede. Jika parameter pada model regresi berhubuga secara liear dega variabel depede maka disebut model regresi liier. Selajutya model ii dapat diguaka utuk memprediksi ilai variabel depede apabila diberika ilai dari variabel idepede. Oleh karea itu taksira model yag didapatka sebaikya memeuhi kriteria model yag baik sehigga mampu diguaka sebagai prediksi dega error yag terkecil. Misalka y i adalah observasi dari variabel depede Y utuk pegamata ke-i, x it adalah ilai variabel idepede ke-t utuk pegamata ke-i da ε i merupaka error pegamata ke-i. Misalka terdapat k variabel Estimasi Model..., Erma Harviai, FMIPA UI, 008

9 idepede da pegamata. Maka model regresi dapat dituliska sebagai berikut: y = x β + x β x β + ε k k y = x β + x β x β + ε k y = x β + x β x β + ε k k k atau dapat ditampilka dalam betuk matriks sebagai berikut: y = Xβ + u (.4) Dimaa y = vektor observasi variabel depede berukura x X = matriks k variabel idepede atau variabel regressor berukura x k β = vektor parameter berukura k x u = vektor error ( x ) Utuk meaksir vektor parameter β, salah satu metode peaksira yag dapat diguaka adalah Ordiary Least Squares (OLS). Metode peaksira ii megguaka prisip memiimumka jumlah peyimpaga kuadrat atara ilai prediksi dega ilai sebearya. Utuk medapat taksira yag baik dalam megguaka metode peaksira ii ada beberapa asumsi yag harus dipeuhi yaitu:. X berukura x k mempuyai rak k. E ux = 0 Estimasi Model..., Erma Harviai, FMIPA UI, 008

10 3 3. E uu' X = σ I 4. u Norma l Dega metode OLS diperoleh taksira utuk β, yaitu ( ' ) βˆ = XX Xy ' (.5) yag merupaka taksira yag kosiste utuk β. Bukti: Berdasarka defiisi tetag peaksir yag kosiste aka dibuktika bahwa plim βˆ = β. Dega mesubtitusika persamaa (.4) ke persamaa (.5) didapatka betuk ( ) (( ) ) + ( ) βˆ = XX ' X'( Xβ + u) = XX ' XXβ ' XX ' Xu ' ˆ β = β+ XX ' ' Xu (.6) Dega megambil betuk probabilitas limit pada kedua ruas tersebut maka diperoleh persamaa ˆ plim β = β+ plim XX ' plim ' Xu (.7) Utuk medapatka hasil plim βˆ = βdapat dilakuka dega membuktika bahwa plim Xu ' = 0. Utuk membuktika hal ii dapat diguaka Estimasi Model..., Erma Harviai, FMIPA UI, 008

11 4 teorema dega mecari mea dari X ' u da limit dari variasi ' Xu. Misalka x i adalah vektor baris yag berisi ilai dari variabel-variabel idepede utuk pegamata ke-i, maka, x u E ' E x u Xu = x u = E ( x x x ) u u u x iui i = i = E (.8) berdasarka sifat da sifat maka dimaa E xu = E xu ( ) i i i i i= i= ( x ) = cov( x, ) + ( x ) ( ) E u u E E u i i i i i i Jika diasumsika u pada masig-masig observasi tidak berkorelasi dega X maka cov ( xi, u i) = 0. Karea disumsika bahwa E ux = 0maka Estimasi Model..., Erma Harviai, FMIPA UI, 008

12 5 ( x ) 0 E u = Oleh karea itu didapatka hasil utuk persamaa (.8) yaitu E = X'u 0 i i Selajutya aka dicari limit dari variasi ' X u. Karea E ( uu' ) = σ I maka ' var Xu ' E ' ' = Xu Xu = E Xu ' ux ' = E E E σ = E ( X' ) E( X) ( X ') ( uu' ) ( X) lim var ' = X u 0 Karea mea dari Xu ' adalah 0 da variasiya koverge ke 0 berdasarka teorema maka bahwa plim X ' u = 0. Sehigga didapatka hasil plim βˆ = β Berdasarka defiisi 9 maka ˆβ merupaka taksira yag kosiste utuk β. ( terbukti ) Estimasi Model..., Erma Harviai, FMIPA UI, 008

13 6. 7 MODEL SPASIAL DEPENDEN Pada aalisis regresi serigkali dijumpai adaya ketergatuga atar lokasi (depedesi spasial) pada ilai observasi da atau errorya. Model regresi yag memperhatika efek depedesi spasial ii disebut model spasial depede. Terdapat dua jeis depedesi spasial yaitu spasial lag da spasial error. Ada kemugkia suatu data spasial memeuhi kedua karateristik depedesi ii. Spasial lag mucul akibat adaya ketergatuga ilai observasi pada suatu daerah dega daerah lai yag berhubuga degaya. Dega kata lai misalka lokasi i berhubuga dega lokasi j maka ilai observasi pada lokasi i merupaka fugsi dari ilai observasi pada lokasi j dega i j. Model yag memperhatika kodisi ii disebut model spasial lag. Misalka y i adalah ilai observasi variabel depede pada lokasi ke-i, x it adalah ilai variabel idepede ke-t pada lokasi ke-i, w ij adalah bobot yag meggambarka hubuga atara lokasi ke-i da lokasi ke-j, da u i merupaka error pada lokasi ke-i. Misalka terdapat k variabel idepede da lokasi pegamata, maka model spasial lag adalah sebagai berikut. y = x β + x β x β + λ( w y + w y w y ) + u k k 3 3 y = x β + x β x β + λ( w y + w y w y ) + u k k 3 3 y = xβ+ xβ xkβk + λ( wy+ wy w y) + u Estimasi Model..., Erma Harviai, FMIPA UI, 008

14 7 atau dalam betuk matriks: y=xβ + λwy+u (.9) y = vektor observasi variabel depede berujura x X = matriks k variabel idepede berukura x k W = matriks bobot spasial terstadarisasi wij = berukura x j β = vektor parameter regresi berukura k x λ = parameter skalar spasial lag u = vektor error berukura x Spasial error mucul akibat adaya ketergatuga ilai error suatu lokasi dega error pada lokasi yag lai yag berhubuga degaya. Hal ii terjadi apabila terdapat variabel-variabel yag mempegaruhi ilai variabel depede tapi tidak diikutsertaka dalam model, berkorelasi atar lokasi. Model yag memperhatika kodisi ii disebut model spasial error. Misalka y i adalah ilai observasi variabel depede pada lokasi ke-i, x it adalah ilai variabel idepede ke-t pada lokasi ke-i, u i adalah ilai error pada lokasi ke-i, m ij adalah bobot yag meggambarka hubuga atara lokasi ke-i da lokasi ke-j, da ε i merupaka iovasi pada lokasi ke-i. Iovasi ii merepresetasika error utuk model spasial error. Misalka terdapat lokasi pegamata da k variabel idepede, maka model spasial error dapat dituliska sebagai berikut. Estimasi Model..., Erma Harviai, FMIPA UI, 008

15 8 y = x β + x β x β + u k k y = x β + x β x β + u k y = x β + x β x β + u k k k dega u = ρ( m u + m u m u ) + ε 3 3 u = ρ( m u + m u m u ) + ε 3 3 u = ρ( m u + m u m u ) + ε atau dalam betuk matriks: y = Xβ + u u= ρ Mu+ ε (.0) y = vektor observasi variabel depede berukura x X = matriks k variabel idepede berukura x k u = vektor error berukura x M = matriks bobot spasial terstadarisasi mij = berukura x j ρ = parameter skalar spasial error ε = vektor iovasi berukura x Estimasi Model..., Erma Harviai, FMIPA UI, 008

BAB III ESTIMASI PARAMETER MODEL DENGAN GS2SLS. Pada bab ini akan dibahas tentang bentuk model spasial lag sekaligus

BAB III ESTIMASI PARAMETER MODEL DENGAN GS2SLS. Pada bab ini akan dibahas tentang bentuk model spasial lag sekaligus BAB III ESTIMASI PARAMETER MODEL DENGAN GS2SLS Pada bab ii aka dibahas tetag betuk model spasial lag sekaligus spasial error da prosedur Geeralized Spatial Two Stage Least Squares (GS2SLS) utuk megestimasi

Lebih terperinci

BAB II LANDASAN TEORI. Dalam tugas akhir ini akan dibahas mengenai penaksiran besarnya

BAB 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 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

BAB II TINJAUAN PUSTAKA

BAB II TINJAUAN PUSTAKA 3 BAB II TINJAUAN PUSTAKA.1 Ruag Cotoh, Kejadia da Peluag Defiisi.1 (Ruag cotoh da kejadia) Suatu percobaa yag dapat diulag dalam kodisi yag sama, yag hasilya tidak bisa diprediksi secara tepat tetapi

Lebih terperinci

BAB III PENGGUNAAN METODE EMPIRICAL BEST LINEAR UNBIASED PREDICTION (EBLUP) PADA GENERAL LINEAR MIXED MODEL

BAB III PENGGUNAAN METODE EMPIRICAL BEST LINEAR UNBIASED PREDICTION (EBLUP) PADA GENERAL LINEAR MIXED MODEL BAB III PENGGUNAAN MEODE EMPIRICAL BES LINEAR UNBIASED PREDICION (EBLUP PADA GENERAL LINEAR MIXED MODEL Pada Bab III ii aka dibahas megeai taksira parameter pada Geeral Liear Mixed Model berdasarka asumsi

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

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

PENERAPAN TEOREMA TITIK TETAP UNTUK MENUNJUKKAN ADANYA PENYELESAIAN PADA SISTEM PERSAMAAN LINEAR

PENERAPAN 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 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

BAB III TAKSIRAN KOEFISIEN KORELASI POLYCHORIC DUA TAHAP. Permasalahan dalam tugas akhir ini dibatasi hanya pada penaksiran

BAB III TAKSIRAN KOEFISIEN KORELASI POLYCHORIC DUA TAHAP. Permasalahan dalam tugas akhir ini dibatasi hanya pada penaksiran BAB III TAKSIRAN KOEFISIEN KORELASI POLYCHORIC DUA TAHAP Permasalaha dalam tugas akhir ii dibatasi haya pada peaksira besarya koefisie korelasi polychoric da tidak dilakuka peguia terhadap koefisie korelasi

Lebih terperinci

PENERAPAN TEOREMA TITIK TETAP UNTUK MENUNJUKKAN ADANYA PENYELESAIAN PADA SISTEM PERSAMAAN LINEAR

PENERAPAN 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 terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI 6 BAB 2 LANDASAN TEORI 2.1. Metode Kuadrat Terkecil Aalisis regresi merupaka aalisis utuk medapatka hubuga da model matematis atara variabel depede (Y) da satu atau lebih variabel idepede (X). Hubuga atara

Lebih terperinci

ESTIMASI PARAMETER REGRESI SPATIAL AUTOREGRESSIVE MODEL. Nurul Muthiah, Raupong, Anisa Program Studi Statistika, FMIPA, Universitas Hasanuddin ABSTRAK

ESTIMASI PARAMETER REGRESI SPATIAL AUTOREGRESSIVE MODEL. Nurul Muthiah, Raupong, Anisa Program Studi Statistika, FMIPA, Universitas Hasanuddin ABSTRAK ESTIMASI PARAMETER REGRESI SPATIAL AUTOREGRESSIVE MODEL Nurul Muthiah, Raupog, Aisa Program Studi Statistika, FMIPA, Uiversitas Hasauddi ABSTRAK Regresi spasial merupaka pegembaga dari regresi liier klasik.

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

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

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

LIMIT. = δ. A R, jika dan hanya jika ada barisan. , sedemikian hingga Lim( a n

LIMIT. = δ. A R, jika dan hanya jika ada barisan. , sedemikian hingga Lim( a n LIMIT 4.. FUNGSI LIMIT Defiisi 4.. A R Titik c R adalah titik limit dari A, jika utuk setiap δ > 0 ada palig sedikit satu titik di A, c sedemikia sehigga c < δ. Defiisi diatas dapat disimpulka dega cara

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

BAB I PENDAHULUAN. 1.1 Latar Belakang. Universitas Sumatera Utara

BAB 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 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

Tri Handhika Pusat Studi Komputasi Matematika (PSKM), Kampus D 139 Universitas Gunadarma Abstrak

Tri Handhika Pusat Studi Komputasi Matematika (PSKM), Kampus D 139 Universitas Gunadarma Abstrak PENGGUNAAN MEODE EMPIRICAL BES LINEAR UNBIASED PREDICION (EBLUP) PADA GENERAL LINEAR MIXED MODEL ri Hadhika Pusat Studi Komputasi Matematika (PSKM), Kampus D 139 Uiversitas Guadarma trihadika@staff.guadarma.ac.id

Lebih terperinci

TINJAUAN PUSTAKA. 2.1 Ruang Vektor. Definisi (Darmawijaya, 2007) Diketahui (V, +) grup komutatif dan (F,,. ) lapangan dengan elemen identitas

TINJAUAN PUSTAKA. 2.1 Ruang Vektor. Definisi (Darmawijaya, 2007) Diketahui (V, +) grup komutatif dan (F,,. ) lapangan dengan elemen identitas II. TINJAUAN PUSTAKA 2.1 Ruag Vektor Defiisi 2.1.1 (Darmawijaya, 2007) Diketahui (V, +) grup komutatif da (F,,. ) lapaga dega eleme idetitas 1. V disebut ruag vektor (vector space) atas F jika ada operasi

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

ANALISIS REGRESI DAN KORELASI SEDERHANA

ANALISIS 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 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

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

HUBUNGAN ANTARA KONVERGEN HAMPIR PASTI, KONVERGEN DALAM PELUANG, DAN KONVERGEN DALAM SEBARAN

HUBUNGAN 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 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

BAB I PENDAHULUAN. A. Latar Belakang Masalah

BAB I PENDAHULUAN. A. Latar Belakang Masalah BAB I PENDAHULUAN A. Latar Belakag Masalah Struktur alabar adalah suatu himpua yag di dalamya didefiisika suatu operasi bier yag memeuhi aksioma-aksioma tertetu. Gelaggag ( Rig ) merupaka suatu struktur

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

Semigrup Matriks Admitting Struktur Ring

Semigrup Matriks Admitting Struktur Ring Semigrup Matriks dmittig Struktur ig K a r y a t i Jurusa Pedidika Matematika FMIP, Uiversitas Negeri Yogyakarta Email: yatiuy@yahoo.com bstrak Diberika adalah rig komutatif dega eleme satua da adalah

Lebih terperinci

MAKALAH ALJABAR LINEAR SUB RUANG VEKTOR. Dosen Pengampu : Darmadi, S.Si, M.Pd

MAKALAH ALJABAR LINEAR SUB RUANG VEKTOR. Dosen Pengampu : Darmadi, S.Si, M.Pd MAKALAH ALJABAR LINEAR SUB RUANG VEKTOR Dose Pegampu : Darmadi, S.Si, M.Pd Disusu : Kelas 5A / Kelompok 5 : Dia Dwi Rahayu (084. 06) Hefetamala (084. 4) Khoiril Haafi (084. 70) Liaatul Nihayah (084. 74)

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

,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

Pengenalan Pola. Regresi Linier

Pengenalan 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 terperinci

MENENTUKAN KOEFISIEN DETERMINASI ANTARA ESTIMASI M DENGAN TYPE WELSCH DENGAN LEAST TRIMMED SQUARE DALAM DATA YANG MEMPUNYAI PENCILAN

MENENTUKAN KOEFISIEN DETERMINASI ANTARA ESTIMASI M DENGAN TYPE WELSCH DENGAN LEAST TRIMMED SQUARE DALAM DATA YANG MEMPUNYAI PENCILAN Saitia Matematika ISSN: 337-9197 Vol. 0, No. 03 (014), pp. 5 35. MENENTUKAN KOEFISIEN DETERMINASI ANTARA ESTIMASI M DENGAN TYPE WELSCH DENGAN LEAST TRIMMED SQUARE DALAM DATA YANG MEMPUNYAI PENCILAN Sabam

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 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 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

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

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

) didefinisikan sebagai persamaan yang dapat dinyatakan dalam bentuk: a x a x a x b... b adalah suatu urutan bilangan dari bilangan s1, s2,...

) didefinisikan sebagai persamaan yang dapat dinyatakan dalam bentuk: a x a x a x b... b adalah suatu urutan bilangan dari bilangan s1, s2,... SISEM PERSAMAAN LINIER DAN MARIKS. SISEM PERSAMAAN LINIER Secara umum, persamaa liier dega variabel ( x, x,..., x ) didefiisika sebagai persamaa yag dapat diyataka dalam betuk: a x a x a x b... dega a,

Lebih terperinci

Kalkulus Rekayasa Hayati DERET

Kalkulus Rekayasa Hayati DERET Kalkulus Rekayasa Hayati DERET 1 Isi Bab Pedahulua Barisa tak-higga Deret tak-higga Deret Positif : Uji kekovergea Deret Gati Tada Deret Pagkat Deret Taylor da Maclauri 2 Kompetesi Dasar Setelah megikuti

Lebih terperinci

MA1201 MATEMATIKA 2A Hendra Gunawan

MA1201 MATEMATIKA 2A Hendra Gunawan MA1201 MATEMATIKA 2A Hedra Guawa Semester II, 2016/2017 3 Februari 2017 Bab Sebelumya 8. Betuk Tak Tetu da Itegral Tak Wajar 8.1 Betuk Tak Tetu 0/0 8.2 Betuk Tak Tetu Laiya 8.3 Itegral Tak Wajar dg Batas

Lebih terperinci

Bab 3 Metode Interpolasi

Bab 3 Metode Interpolasi Baha Kuliah 03 Bab 3 Metode Iterpolasi Pedahulua Iterpolasi serig diartika sebagai mecari ilai variabel tergatug tertetu, misalya y, pada ilai variabel bebas, misalya, diatara dua atau lebih ilai yag diketahui

Lebih terperinci

PENAKSIRAN PARAMETER MODEL REGRESI DATA PANEL DINAMIS MENGGUNAKAN METODE BLUNDELL DAN BOND SKRIPSI

PENAKSIRAN PARAMETER MODEL REGRESI DATA PANEL DINAMIS MENGGUNAKAN METODE BLUNDELL DAN BOND SKRIPSI UIVERSITAS IDOESIA PEAKSIRA PARAMETER MODEL REGRESI DATA PAEL DIAMIS MEGGUAKA METODE BLUDELL DA BOD SKRIPSI SYAHRUL SYAWAL 76261966 FAKULTAS MATEMATIKA DA ILMU PEGETAHUA ALAM PROGRAM STUDI SARJAA MATEMATIKA

Lebih terperinci

BAB III RUANG HAUSDORFF. Pada bab ini akan dibahas mengenai ruang Hausdorff, kekompakan pada

BAB III RUANG HAUSDORFF. Pada bab ini akan dibahas mengenai ruang Hausdorff, kekompakan pada 8 BAB III RUANG HAUSDORFF Pada bab ii aka dibahas megeai ruag Hausdorff, kekompaka pada ruag Hausdorff da ruag regular legkap. Pembahasa diawali dega medefiisika Ruag Hausdorff da beberapa sifatya kemudia

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

BAB I KONSEP DASAR PERSAMAAN DIFERENSIAL

BAB I KONSEP DASAR PERSAMAAN DIFERENSIAL BAB I KONSEP DASAR PERSAMAAN DIFERENSIAL Defiisi Persamaa diferesial adalah persamaa yag melibatka variabelvariabel tak bebas da derivatif-derivatifya terhadap variabel-variabel bebas. Berikut ii adalah

Lebih terperinci

2 BARISAN BILANGAN REAL

2 BARISAN BILANGAN REAL 2 BARISAN BILANGAN REAL Di sekolah meegah barisa diperkealka sebagai kumpula bilaga yag disusu meurut "pola" tertetu, misalya barisa aritmatika da barisa geometri. Biasaya barisa da deret merupaka satu

Lebih terperinci

PENGGGUNAAN ALGORITMA GAUSS-NEWTON UNTUK MENENTUKAN SIFAT-SIFAT PENAKSIR PARAMETER DAN

PENGGGUNAAN 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 terperinci

LANDASAN TEORI. Pada bab ini akan diberikan beberapa konsep dasar (pengertian) yang akan digunakan dalam. pembahasan penelitian. 2.

LANDASAN TEORI. Pada bab ini akan diberikan beberapa konsep dasar (pengertian) yang akan digunakan dalam. pembahasan penelitian. 2. II. LANDASAN TEORI Pada bab ii aka diberika beberapa kosep dasar (pegertia) yag aka diguaka dalam pembahasa peelitia 2.1 Ruag Vektor Defiisi 3.1.1 (Darmawijaya, 2007) Diketahui (V, +) grup komutatif da

Lebih terperinci

Beberapa Sifat Semigrup Matriks Atas Daerah Integral Admitting Struktur Ring 1

Beberapa Sifat Semigrup Matriks Atas Daerah Integral Admitting Struktur Ring 1 Beberapa Sifat Semigrup Matriks Atas Daerah Itegral Admittig Struktur ig K a r y a t i Jurusa Pedidika Matematika FMIPA, Uiversitas Negeri Yogyakarta Email: yatiuy@yahoo.com Abstrak Diberika adalah daerah

Lebih terperinci

REGRESI DAN KORELASI SEDERHANA

REGRESI 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 terperinci

PENGANTAR MODEL LINEAR Oleh: Suryana

PENGANTAR MODEL LINEAR Oleh: Suryana PENGANTAR MODEL LINEAR Oleh: Suryaa Model liear meyagkut masalah statistik yag ketergatugaya terhadap parameter secara liear. Betuk umum model liear adalah 0 1X1... px p, dega = Variabel respo X i = Variabel

Lebih terperinci

BAB II TINJAUAN PUSTAKA

BAB II TINJAUAN PUSTAKA 3 BAB II TINJAUAN PUSTAKA Pada bab ii aka dituliska beberapa aspek teoritis berupa defiisi, teorema da sifat-sifat yag berhubuga dega aljabar liear, struktur aljabar da teori kodig yag diguaka sebagai

Lebih terperinci

BAB III METODE PENELITIAN. penelitian yaitu PT. Sinar Gorontalo Berlian Motor, Jl. H. B Yassin no 28

BAB III METODE PENELITIAN. penelitian yaitu PT. Sinar Gorontalo Berlian Motor, Jl. H. B Yassin no 28 5 BAB III METODE PENELITIAN 3.1 Lokasi Peelitia da Waktu Peelitia Sehubuga dega peelitia ii, lokasi yag dijadika tempat peelitia yaitu PT. Siar Gorotalo Berlia Motor, Jl. H. B Yassi o 8 Kota Gorotalo.

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

BAB I PENDAHULUAN. Matematika merupakan suatu ilmu yang mempunyai obyek kajian

BAB I PENDAHULUAN. Matematika merupakan suatu ilmu yang mempunyai obyek kajian BAB I PENDAHULUAN A. Latar Belakag Masalah Matematika merupaka suatu ilmu yag mempuyai obyek kajia abstrak, uiversal, medasari perkembaga tekologi moder, da mempuyai pera petig dalam berbagai disipli,

Lebih terperinci

JURNAL MATEMATIKA DAN KOMPUTER Vol. 5. No. 1, 39-46, April 2002, ISSN :

JURNAL MATEMATIKA DAN KOMPUTER Vol. 5. No. 1, 39-46, April 2002, ISSN : JURNAL MATEMATKA DAN KOMPUTER Vol 5 No, 39-46, April 22, SSN : 4-858 MENCAR SOLUS PENAKSR PARAMETER PADA ANALSS VARANS DENGAN PENDEKATAN GENERAL NVERS Sukestiaro Jurusa Matematika FMPA Uiversitas Negeri

Lebih terperinci

STATISTIKA ANALISIS REGRESI DAN KORELASI LINIER SEDERHANA

STATISTIKA 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 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

Fungsi Kompleks. (Pertemuan XXVII - XXX) Dr. AZ Jurusan Teknik Sipil Fakultas Teknik Universitas Brawijaya

Fungsi Kompleks. (Pertemuan XXVII - XXX) Dr. AZ Jurusan Teknik Sipil Fakultas Teknik Universitas Brawijaya TKS 4007 Matematika III Fugsi Kompleks (Pertemua XXVII - XXX) Dr. AZ Jurusa Tekik Sipil Fakultas Tekik Uiversitas Brawijaya Pedahulua Persamaa x + 1 = 0 tidak memiliki akar dalam himpua bilaga real. Pertayaaya,

Lebih terperinci

BARISAN DAN DERET. Nurdinintya Athari (NDT)

BARISAN DAN DERET. Nurdinintya Athari (NDT) BARISAN DAN DERET Nurdiitya Athari (NDT) BARISAN Defiisi Barisa bilaga didefiisika sebagai fugsi dega daerah asal merupaka bilaga asli. Notasi: f: N R f( ) = a Fugsi tersebut dikeal sebagai barisa bilaga

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 VII RANDOM VARIATE DISTRIBUSI DISKRET

BAB 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 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

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

BAB III PERUMUSAN PENDUGA DAN SIFAT SIFAT STATISTIKNYA

BAB III PERUMUSAN PENDUGA DAN SIFAT SIFAT STATISTIKNYA BAB III PERUMUSAN PENDUGA DAN SIFAT SIFAT STATISTIKNYA 3. Perumusa Peduga Misalka N adala proses Poisso o omoge pada iterval [, dega fugsi itesitas yag tidak diketaui. Fugsi ii diasumsika teritegralka

Lebih terperinci

I. DERET TAKHINGGA, DERET PANGKAT

I. DERET TAKHINGGA, DERET PANGKAT I. DERET TAKHINGGA, DERET PANGKAT. Pedahulua Pembahasa tetag deret takhigga sebagai betuk pejumlaha suku-suku takhigga memegag peraa petig dalam fisika. Pada bab ii aka dibahas megeai pegertia deret da

Lebih terperinci

SIFAT-SIFAT DASAR MATRIKS SKEW HERMITIAN Basic Properties of Skew Hermitian Matrices

SIFAT-SIFAT DASAR MATRIKS SKEW HERMITIAN Basic Properties of Skew Hermitian Matrices Jural Barekeg Vol. 7 No. 2 Hal. 19 26 (2013) SIFAT-SIFAT DASAR MATRIKS SKEW HERMITIAN Basic Properties of Skew Hermitia Matrices LIDIA SALAKA 1, HENRY W. M. PATTY 2, MOZART WINSTON TALAKUA 3 1 Mahasiswa

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

Program Perkuliahan Dasar Umum Sekolah Tinggi Teknologi Telkom. Barisan dan Deret

Program Perkuliahan Dasar Umum Sekolah Tinggi Teknologi Telkom. Barisan dan Deret Program Perkuliaha Dasar Umum Sekolah Tiggi Tekologi Telkom Barisa da Deret Barisa Defiisi Barisa bilaga didefiisika sebagai fugsi dega daerah asal merupaka bilaga asli. Notasi: f: N R f( ) a Fugsi tersebut

Lebih terperinci

JURNAL MATEMATIKA DAN KOMPUTER Vol. 6. No. 1, 41-48, April 2003, ISSN : MATRIKS STOKASTIK GANDA DAN SIFAT-SIFATNYA

JURNAL MATEMATIKA DAN KOMPUTER Vol. 6. No. 1, 41-48, April 2003, ISSN : MATRIKS STOKASTIK GANDA DAN SIFAT-SIFATNYA JURNAL MATEMATIKA DAN KOMPUTER Vol. 6. No., 4-48, April 00, ISSN : 40-858 MATRIKS STOKASTIK GANDA DAN SIFAT-SIFATNYA Suryoto Jurusa Matematika F-MIPA Uiversas Dipoegoro Semarag Abstrak Suatu matriks tak

Lebih terperinci

BAB I PENDAHULUAN. , membentuk struktur ring terhadap operasi penjumlahan matriks dan operasi pergandaan matriks baku. Himpunan bagian dari

BAB I PENDAHULUAN. , membentuk struktur ring terhadap operasi penjumlahan matriks dan operasi pergandaan matriks baku. Himpunan bagian dari BB I PENDHULUN. Latar Belakag Masalah Struktur rig (gelaggag) R adalah suatu himpua R yag kepadaya didefiisika dua operasi bier yag disebut pejumlaha da pergadaa yag memeuhi aksioma-aksioma tertetu, yaitu:

Lebih terperinci

Definisi Integral Tentu

Definisi Integral Tentu Defiisi Itegral Tetu Bila kita megedarai kedaraa bermotor (sepeda motor atau mobil) selama 4 jam dega kecepata 50 km / jam, berapa jarak yag ditempuh? Tetu saja jawabya sagat mudah yaitu 50 x 4 = 200 km.

Lebih terperinci

III. METODE PENELITIAN. Lokasi penelitian dilakukan di Provinsi Sumatera Barat yang terhitung

III. METODE PENELITIAN. Lokasi penelitian dilakukan di Provinsi Sumatera Barat yang terhitung 42 III. METODE PENELITIAN 3.. Lokasi da Waktu Peelitia Lokasi peelitia dilakuka di Provisi Sumatera Barat yag terhitug mulai miggu ketiga bula April 202 higga miggu pertama bula Mei 202. Provisi Sumatera

Lebih terperinci

BARISAN PANGKAT TERURUT MATRIKS PADA ALJABAR MAX PLUS

BARISAN PANGKAT TERURUT MATRIKS PADA ALJABAR MAX PLUS BRISN PNGKT TERURUT MTRIKS PD LJBR MX PLUS Nurwa Jurusa Matematika FMIP Uiversitas Negeri Gorotalo E-mail: urwa_mat@ug.ac.id bstrak Diberika matriks R yag memeuhi = λ. Matriks adalah k + c c k taktereduksi

Lebih terperinci

Homomorfisma Pada Semimodul Atas Aljabar Max-Plus

Homomorfisma Pada Semimodul Atas Aljabar Max-Plus Homomorfisma Pada Semimodul Atas Aljabar Max-Plus A 14 Oleh : Musthofa Jurusa Pedidika Matematika FMIPA UNY Abstrak Kosep homorfisma telah bayak dibahas pada beberapa struktur aljabar yaitu pada ruag vektor

Lebih terperinci

BAB VIII KONSEP DASAR PROBABILITAS

BAB VIII KONSEP DASAR PROBABILITAS BAB VIII KONSEP DASAR PROBABILITAS 1.1. Pedahulua Dalam pertemua ii Ada aka mempelajari beberapa padaga tetag permutasi da kombiasi, fugsi da metode perhituga probabilitas, da meghitug probabilitas. Pada

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

II LANDASAN TEORI. Sebuah bilangan kompleks dapat dinyatakan dalam bentuk. z = x jy. (2.4)

II LANDASAN TEORI. Sebuah bilangan kompleks dapat dinyatakan dalam bentuk. z = x jy. (2.4) 3 II LANDASAN TEORI 2.1 Peubah Kompleks da Fugsi Kompleks Sebuah bilaga kompleks dapat diyataka dalam betuk z = x + jy, (2.1) dega x da y adalah bilaga-bilaga real da j = 1. Bilaga x disebut bagia real

Lebih terperinci

Bab 2. Sistem Bilangan Real Aksioma Bilangan Real Misalkan adalah himpunan bilangan real, P himpunan bilangan positif dan fungsi + dan.

Bab 2. Sistem Bilangan Real Aksioma Bilangan Real Misalkan adalah himpunan bilangan real, P himpunan bilangan positif dan fungsi + dan. Bab Sistem Bilaga Real.. Aksioma Bilaga Real Misalka adalah himpua bilaga real, P himpua bilaga positif da fugsi + da. dari ke da asumsika memeuhi aksioma-aksioma berikut: Aksioma Lapaga Utuk semua bilaga

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

BAB I PENDAHULUAN. X Y X Y X Y sampel

BAB I PENDAHULUAN. X Y X Y X Y sampel BAB I PENDAHULUAN 1.1 Latar Belakag Masalah Aalisis regresi merupaka metode aalisis data yag meggambarka hubuga atara variabel respo dega satu atau beberapa variabel prediktor. Aalisis regresi tersebut

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

TRANSFORMASI BOX-COX PADA ANALISIS REGRESI LINIER SEDERHANA

TRANSFORMASI 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 terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 2.1. Model Pertumbuha Betuk ugsi pertumbuha satu jeis spesies pada umumya megguaka otasi ugsi aalitik yag diyataka dalam satu persamaa. Secara umum ugsi pertumbuha meyataka hubuga

Lebih terperinci

BAB III PEMBAHASAN. Pada BAB III ini akan dibahas mengenai bentuk program linear fuzzy

BAB III PEMBAHASAN. Pada BAB III ini akan dibahas mengenai bentuk program linear fuzzy BAB III PEMBAHASAN Pada BAB III ii aka dibahas megeai betuk program liear fuzzy dega koefisie tekis kedala berbetuk bilaga fuzzy da pembahasa peyelesaia masalah optimasi studi kasus pada UD FIRDAUS Magelag

Lebih terperinci

Penyelesaian Persamaan Non Linier

Penyelesaian Persamaan Non Linier Peyelesaia Persamaa No Liier Metode Iterasi Sederhaa Metode Newto Raphso Permasalaha Titik Kritis pada Newto Raphso Metode Secat Metode Numerik Iterasi/NewtoRaphso/Secat - Metode Iterasi Sederhaa- Metode

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1. Bicriteria Liear Programmig (BLP) Pesoala optimisasi dega beberapa fugsi tujua memperhitugka beberapa tujua yag koflik secara simulta, secara umum Multi objective programmig (MOP)

Lebih terperinci

REPRESENTASI KANONIK UNTUK FUNGSI KARAKTERISTIK DARI SEBARAN TERBAGI TAK HINGGA

REPRESENTASI KANONIK UNTUK FUNGSI KARAKTERISTIK DARI SEBARAN TERBAGI TAK HINGGA Jural Matematika UNAND Vol. 3 No. Hal. 7 34 ISSN : 33 9 c Jurusa Matematika FMIPA UNAND REPRESENTASI KANONIK UNTUK FUNGSI KARAKTERISTIK DARI SEBARAN TERBAGI TAK HINGGA EKA RAHMI KAHAR, DODI DEVIANTO Program

Lebih terperinci

REGRESI LINIER SEDERHANA

REGRESI LINIER SEDERHANA REGRESI LINIER SEDERHANA REGRESI, KAUSALITAS DAN KORELASI DALAM EKONOMETRIKA Regresi adalah salah satu metode aalisis statistik yag diguaka utuk melihat pegaruh atara dua atau lebih variabel Kausalitas

Lebih terperinci

Hendra Gunawan. 14 Februari 2014

Hendra Gunawan. 14 Februari 2014 MA20 MATEMATIKA 2A Hedra Guawa Semester II, 203/204 4 Februari 204 Sasara Kuliah Hari Ii 9. Barisa Tak Terhigga Memeriksa kekovergea suatu barisa da, bila mugki, meghitug limitya 9.2 Deret Tak Terhigga

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

JURNAL MATEMATIKA DAN KOMPUTER Vol. 6. No. 2, , Agustus 2003, ISSN : METODE PENENTUAN BENTUK PERSAMAAN RUANG KEADAAN WAKTU DISKRIT

JURNAL 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 terperinci

CATATAN KULIAH Pertemuan I: Pengenalan Matematika Ekonomi dan Bisnis

CATATAN KULIAH Pertemuan I: Pengenalan Matematika Ekonomi dan Bisnis CATATAN KULIAH Pertemua I: Pegeala Matematika Ekoomi da Bisis A. Sifat-sifat Matematika Ekoomi 1. Perbedaa Matematika vs. Nomamatematika Ekoomi Keutuga pedekata matematika dalam ilmu ekoomi Ketepata (Precise),

Lebih terperinci

BAB II TINJAUAN PUSTAKA. dengan asumsi bahwa telah diketahui bentuk fungsi regresinya. atau dalam bentuk matriks dapat ditulis dengan:

BAB II TINJAUAN PUSTAKA. dengan asumsi bahwa telah diketahui bentuk fungsi regresinya. atau dalam bentuk matriks dapat ditulis dengan: BAB II TINJAUAN PUSTAKA 2.1 Regresi Parametrik Regresi parametrik merupaka metode statistika yag diguaka utuk megetahui pola hubuga atara variabel prediktor dega variabel respo, dega asumsi bahwa telah

Lebih terperinci

PEMBUKTIAN SIFAT RUANG BANACH PADA B 1/4 (K) Malahayati

PEMBUKTIAN SIFAT RUANG BANACH PADA B 1/4 (K) Malahayati Jural Matematika Muri da Terapa εpsilo Vol. 07, No.01, (2013), Hal. 33 44 PEMBUKTIAN SIFAT RUANG BANACH PADA B 1/4 (K) Malahayati Program Studi Matematika Fakultas Sais da Tekologi UIN Sua Kalijaga Yogyakarta

Lebih terperinci

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

BAB 1 PENDAHULUAN. dimana f(x) adalah fungsi tujuan dan h(x) adalah fungsi pembatas.

BAB 1 PENDAHULUAN. dimana f(x) adalah fungsi tujuan dan h(x) adalah fungsi pembatas. BAB 1 PENDAHUUAN 1.1 atar Belakag Pada dasarya masalah optimisasi adalah suatu masalah utuk membuat ilai fugsi tujua mejadi maksimum atau miimum dega memperhatika pembatas pembatas yag ada. Dalam aplikasi

Lebih terperinci