KRITERIA MEMILIH PENDUGA TITIK TERBAIK. Abstrak
|
|
- Deddy Hermawan
- 7 tahun lalu
- Tontonan:
Transkripsi
1 KRITERIA MEMILIH PENDUGA TITIK TERBAIK Oleh : Sufr Abstrak Msalkan X varabel random dengan fungs padat peluang ( x / ), θ parameter populas yang tdak dketahu, dan T = t x ) ( f X adalah penduga ttk (statstk) bag θ. Tulsan n mencoba mengkaj secara teorts bagamana menemukan sfat-sfat bak dar suatu penduga ttk, dengan kata lan krtera apa saja yang harus dpenuh oleh T = t ( x ) agar T = t ( x ) merupakan penduga ttk terbak. Suatu penduga ttk dkatakan penduga ttk terbak jka penduga ttk tersebut memenuh sfat-sfat berkut yatu, tdak bas, efsen, dan konssten. Suatu penduga ttk dkatakan tdak bas, jka dan hanya jka nla harapannya sama dengan nla parameter yang dduga. Sedangkan suatu penduga ttk dkatakan efsen, jka dan hanya jka penduga ttk tersebut memlk varans terkecl dantara semua penduga ttk tdak bas lan, dan suatu penduga ttk tdak bas dkatakan konssten bag parameter populas, jka dan hanya jka barsan penduga ttk tdak bas tersebut konvergen secara stokastk (konvergen dalam probabltas) ke parameter populas. Kata kunc : Penduga, Penduga Tdak Bas, Efsens, dan Konsstens Abstract Let X be a random varable wth probablty densty functon ( x / ), where θ unknown populaton parameter, and T = t x ) ( s a pont estmator for θ. Theoretcally ths paper try to study how to fnd some good propertes of pont estmator, on the other hand what s crtera must be hold n order to T = t x ) ( s a the best pont estmator. A pont estmator s called as the best pont estmator f and only f the pont estmator have some propertes unbased, efcency, and consstency. A pont estmator called unbased f and only f t expected value equal wth the value of the populaton parameter. A pont estmator s called efcency f and only f the pont estmator have mnmum varance among all pont estmators on the class of pont estmators, and a unbased pont estmator s called conssten for a populaton parameter f and only f the squence of unbased pont estmators stocastcally convergen, or convergen n probablty. Key Words : Estmator, Unbased Estmator, Efcency, and Consstency f X I. PENDAHULUAN Salah satu fungs statstka adalah melakukan estmas dan nferens. Estmas yang dkaj dalam tulsan n adalah estmas ttk. Estmas adalah suatu prosedur dalam menentukan estmator (penduga) terbak bag parameter populas. Parameter adalah semua kuanttas yang spesfk dalam populas dan secara umum nlanya tdak dketahu, msalnya rataan populas (μ), varans populas (ζ 2 ), smpangan baku populas (ζ) dan lan-lan. Populas adalah suatu hmpunan yang memuat semua objek yang dtelt dan dkenakan generalsas kesmpulan. Dalam statstka berdasarkan jumlah anggota dkenal dua macam popula, pertama populas berhngga dan kedua populas tak behngga. Populas berhngga adalah populas yang jumlah anggotanya berhngga banyak, sedangkan populas takberhngga adalah populas yang jumlah anggotanya tak berhngga banyak. Populas berhngga dapat dpandang sebaga populas tak berhngga bla jumlah anggotanya relatf banyak, hal n merupakan salah satu dasar tmbulnya teor samplng (azas reduks) (Had, 1979). Bla suatu populas berhngga, semua nla parameternya dapat dtentukan dengan past, sehngga dstrbus dar peubah random dalam populas tersebut dapat dtentukan. Namun bla 49
2 populas tersebut tdak berhngga, nla parameter populas tersebut tdak dapat dtentukan dengan past, oleh karena tu untuk menentukan nla parameter populas harus dlakukan estmas. Alat yang dgunakan untuk menentukan atau menduga nla parameter tersebut adalah kuanttas yang terdapat dalam sampel atau statstk Statstk adalah kuanttas yang spesfk dalam sampel, dan nla kuanttas n dketahu secara past. Kuanttas nlah yang dgunakan untuk mengestmas parameter populas. Karena dalam mengestmas nla parameter populas dgunakan nla statstk, maka sangat wajar terjad bas (penympangan) estmas, yatu selsh nla mutlak antara nla parameter dan nla estmator. Suatu estmas yang bak adalah apabla bas estmas kecl atau selsh tesebut mendekat nol, sehngga press nla dugaan menjad lebh akurat. Dar sudut pandang matematka persoalan n dapat dformulaskan sebaga berkut, msalkan X 1, X 2, X 3,, X k sampel random berukuran k. Fungs dstrbus dar X ; = 1, 2,,k sangat tergantung kepada nla parameter yang tdak dketahu, katakan θєθ, dengan Θ adalah ruang parameter (parameter space), menentukan nla θ yang dplh dar anggota Θ adalah suatu problem estmas. Sembarang fungs peubah random terobservas katakan t k (X ) ; = 1,2,,k dsebut statstk sebaga penduga (estmator) dar parameter populas (θ) dan nla tertentu dar estmator, katakan t k (x ) ; = 1,2,,k dsebut estmas dar θ (Dudewcz dan Mshra, 1988). Secara prakts sembarang nla peubah random terobservas dapat djadkan estmas bag parameter populas, hal n menunjukkan bahwa penduga (estmator) tdak tunggal, oleh karena tu untuk mendapatkan penduga terbak dar sejumlah penduga, penduga tersebut harus memenuh beberapa krtera penduga yang bak. Dalam statstka problem menentukan penduga terbak dar sejumlah berhngga penduga yang terdapat dalam hmpunan penduga merupakan suatu hal sangat pentng, karena penduga atau nla penduga (estmas) adalah alat untuk mempredks atau memprakrakan nla parameter populas yang akan destmas. Karena ketdak tunggalan penduga tersebut, dperlukan suatu metode bagamana memlh penduga yang memlk sebanyak mungkn krtera estmator yang bak II. PERUMUSAN MASALAH Berdasarkan uraan yang telah dkemukakan d atas, maka permasalahan dalam tulsan n dapat drumuskan sebaga berkut, msalkan X ; = 1,2,, k sampel random berukuran k, dengan fungs padat peluang f(x θ) dketahu dan parameter populas (θ) tdak dketahu. Bla fungs dar peubah random X yatu T = t (x ) adalah penduga bag parameter populas (θ), krtera apa saja yang harus dpenuh oleh T sehngga penduga tersebut merupakan penduga terbak bag θ. III. PEMBAHASAN Msalkan X = 1,2,, k sampel random berukuran k, dengan fungs padat peluang f(x θ) dketahu dan parameter (θ) tdak dketahu. Apabla nla parameter (θ) dketahu maka secara prakts prlaku (dstrbus) dar populas akan dketahu pula. Dalam statstka alat yang dgunakan untuk menduga parameter populas dsebut statstk, yatu kuanttas yang terdapat dalam data sampel, karena kuanttas n terdapat dalam sampel maka nla statstk n dketahu dengan past. Msalnya bla Y ; = 1,2,,k sampel random berukuran k dan berdstrbus normal dengan rataan populas (μ) dan varans populas (ζ 2 ), dtuls Y ~ N(μ, ζ 2 ), maka statstk rataan sampel ŷ = 1/k y dan varans sampel s 2 = 1/k (y ŷ) 2, atau s 2 = (y ŷ) 2 /(k-1) berturutturut serng dgunakan masng-masng sebaga estmator bag μ dan ζ 2. Dalam hal n mungkn dapat tmbul pertanyaan, mengapa dyakn statstk sampel ŷ dan s 2 berturut-turut dgunakan sebaga estmator bag rataan (μ), dan varans populas (ζ 2 ) dalam dstrbus normal, mengapa tdak nla-nla statstk lan yang dapat dambl dar sembarang sampel terobservas sepanjang kuanttas tersebut merupakan fungs dar peubah random terobservas tu. Untuk menjawab pertanyaan n dperlukan suatu argumentas tentang sfat-sfat bak mnmal yang harus dmlk oleh suatu penduga (estmator). Palng tdak terdapat tga sfat bak yang harus dmlk oleh suatu penduga (estmator), yatu 50
3 tdak bas, efsen (memlk varans mnmum) dan konssten (Ban dan Engelhard, 1992). Untuk mengetahu apakah suatu estmator memlk ketga sfat bak tersebut harus dlakukan pemerksaan secara matemats, pertama ketdak basan estmator dapat dtelusur melalu nla harapan (mathematcal expected value) dar penduga tu, apabla nla harapan suatu penduga sama dengan parameter yang dduga, maka dkatakan penduga tersebut tdak bas, namun estmator yang memlk sfat n tdak tunggal (unk), sehngga ketdak tunggalan estmator yang bersfat tdak bas n mencptakan adanya hmpunan estmator tak bas. Nla harapan suatu penduga dan beberapa sfatnya ddefnskan sebaga berkut. Defns 3.1 Msalkan t k (X ) ; = 1,2,,k penduga bag parameter populas θ. Penduga t k (X ) ; = 1,2,,k dkatakan tdak bas jka dan hanya jka nla harapan (expected value) dar t k (X ) sama dengan parameter populas θ, dtuls : E{t k (X )} = θ. Defns 3.2 Bas dar t k (X ) = E{t k (X )} θ = b k (θ). Defns 3.3 Penduga t k (X ) dsebut tdak bas secara asmtots terhadap parameter populas (θ) jka dan hanya jka lm b k (θ) = 0, untuk k mendekat tak hngga (k ) Sebaga contoh perhatkan sampel random Y ; = 1, 2,,k berukuran k yang terdstrbus secara dentk dan bebas (ndependent), berdstrbus seragam dengan fungs padat peluang ddefnskan sebaga f Y (θ) = 1/ θ ; 0 < Y < θ. Sekarang ngn dduga parameter θ dengan suatu statstk Y max, atau Y mn yatu nla terbesar (terkecl) dar data amatan sampel random. Pertanyaannya adalah apakah Y max dan Y mn bas atau tdak bas bag parameter θ, bla bas dapatkah dtemukan penduga tak bas yang dturunkan dar penduga bas tersebut, serta bagamanakah bentuk fungs dstrbus dar penduga bas tu. Untuk menjawab pertanyaan-pertanyaan tersebut, pertama sekal dtentukan fungs probabltas dar Y max yatu : msalkan W = Y max dengan nla adalah u, sehngga fungs dstrbus kumulatf dar W adalah P(W u) = P(Y max u) = P(y 1 u, y 2 u,, y k u)..(1) Karena sampel random bersfat bebas (ndependent), maka pada (1) berlaku kadah P(W u) = P(Y max u) = P(y 1 u). P( y 2 u) P(y k u)..(2) perkalan ( Dudewcz dan Mshra, 1988), sehngga (1) dapat dtuls menjad : Perhatkan bahwa setap suku pada ruas kanan (2) merupakan fungs dstrbus kumulatf dar Y, dengan demkn (2) dapat dtuls menjad : M(u) = F(u). F(u)... F(u) = {F(u)} k dengan M(.) dan F(.) berturut-turut merupakan fungs m(u) = d/du {M(u)} = d/du {F (u)} k = k {F(u)} k-1 d/du{f(u)} = k {F(u)} k-1 f(u).(4) Dar f Y (θ) = 1/ θ ; 0 < y k < θ, dperoleh fungs dstrbus dar Y, yatu : y k F(y k ) = f(u) du = y k / θ ; 0 < (3) dstrbus dar W dan Y. Berdasarkan (3) dapat dtentukan fungs denstas dar u yatu : y k < θ.(5) 0 Sehngga bla (5) dsubsttuskan ke (4) dperoleh fungs denstas dar u yatu, m(u) = k (u/ θ) k 1. 1/ θ = (k u k 1 k ) / θ ; 0 < u < θ. (6) 51
4 Untuk melhat apakah statstk Y max bas bag parameter populas (θ), harus dtunjukkan nla θ θ E(W) = E(Y max ) = u m(u) du = 0 0 ternyata nla E(Y max ) θ, artnya Y max adalah estmator bas bag θ. Namun bersarkan kepada penduga yang bas n, dapat dmanpulas sehngga dperoleh penduga yang tdak bas bag θ, yatu dengan cara memkrkan suatu kuanttas satstk (T 1 ), sedemkan hngga E(T 1 ) = θ. Jad dengan mengambl T 1 = (k+1)y max / k, maka T 1 ekspektas dar Y max sama dengan θ, atau E(Y max ) = θ yatu : u (k u k 1 ) / θ k du = (k θ / k+1).(7) adalah penduga tak bas bag θ, karena E(T 1 ) = E {(k+1)y max / k} = θ. Dengan cara yang sama akan dtunjukkan Z = Y mn adalah penduga bas bag θ, yatu dengan memperlhatkan E(Z) θ. Fungs dstrbus dar Z adalah, P(Z z) = P(Y 1 > z, Y 2 > z,., Y k > z) = P(Y 1 > z). P(Y 2 > z)... P(Y k > z) 1 P(Z < z) ={1- P(Y 1 z) }. {1- P(Y 2 z)} {1- P(Y k z)}.(8) Sebut fungs dstrbus dar Z dan Y beturut-turut H(.) dan F(.), dengan demkan persamaan (8) dapat dtuls dalam bentuk, 1 H(z) ={1 F(z)} k.. (9) karena F(z) = z/ θ ; 0 < z < θ, maka persamaan (9) dapat dtuls menjad, 1 H(z) ={1 (z/ θ) } k.(10) dar pesamaan (10), dperoleh fungs denstas dar Z yatu, d/dz {1- H(z)} = d/dz {1 (z/ θ) } k - h(z) = k{1 z/ θ } k 1 (-1/ θ) h(z) = k/θ {1 z/ θ } k 1 ; 0 < z < θ.....(11) dengan menggunakan pesamaan (11) dperoleh nla harapan dar Z yatu, θ E(Z) = z k/θ {1 z/ θ } k 1 dz..(12) 0 dengan teknk substtus dan menerapkan fungs beta terhadap persamaan (12), dperoleh nla harapan Z yatu, E(Z) = θ/(k + 1) θ. Dar nla harapan Z n jelas Z = Y mn adalah penduga bas bag parameter populas (θ). Namun bla dambl T 2 = (k + 1) Z = (k + 1) Y mn, maka T 2 adalah penduga tak bas bag parameter populas (θ), karena E(T 2 ) = E { (k + 1) Z } = θ. Dar kasus d atas dapat dlhat bahwa dar setap penduga yang bas dapat dcptakan penduga takbas, hal n mengndkaskan penduga tak bas tersebut tdak tunggal. Karena ketdak tunggalan penduga tak bas tersebut dperlukan krtera bak yang lan untuk memlh penduga terbak. Krtera kedua dalam menentukan penduga yang bak adalah efsen. Efsens dua atau lebh penduga tak bas ddefnskan sebaga perbandngan relatf varans antara pendugapenduga tak bas tersebut Secara matemats defns n dapat dnyatakan sebaga berkut. Defns 3.4 Msalkan X ; = 1,2,, k sampel random berukuran k, dengan fungs padat peluang f(x θ) dketahu dan parameter populas (θ) tdak dketahu. Bla M 1 dan M 2 penduga tak 52
5 bas bag parameter populas (θ), dengan varans berturut-turut ζ 1 2 dan ζ 2 2, maka M 1 dkatakan lebh efsen dar M 2 jka dan hanya jka ζ 1 2 < ζ 2 2. Efsens relatf (E r ) M1 terhadap M 2 ddefnskan sebaga perbandngan antara ζ 2 2 dan ζ 1 2 atau dtuls sebaga E r = ζ 2 2 / ζ 1 2 dengan krtera sebaga berkut : (a). E r = ζ 2 2 / ζ 1 2 > 1 M 1 lebh efsen dar M 2 (b). E r = ζ 2 2 / ζ 1 2 = 1 M 1 dan M 2 memlk efsens yang sama (c). E r = ζ 2 2 / ζ 1 2 < 1 M 2 lebh efsen dar M 1 Sebaga lustras tentang efsens penduga tak bas n, d atas telah dperoleh dua penduga tak bas yatu, T 1 = (k+1)y max / k dan T 2 = (k + 1) Z = (k + 1) Y mn, untuk mengetahu efsens kedua penduga tak bas T 1 dan T 2, maka harus dcar perbandngan kedua varans T 2 dan T 1. Telah dketahu fungs denstas dar u dan z berturut-turut adalah, m(u) = (k u k 1 ) / θ k ; 0 <u< θ dan h(z) = k/θ {1 (z/ θ) } k 1 ; 0 < z < θ. Pertama sekal dhtung varans dar W atau Var (W) yatu, Var (W) = E(W 2 ) - {E(W)} 2...(13) θ E(W 2 ) = k / θ k u 2 u k 1 du = k θ 2 / (k + 2)..(14) 0 Bla persamaan (14) dan (7) dsubsttuskan ke persamaan (13) dperoleh, Var (W) = kθ 2 / (k + 2)(k + 1) 2.. (15) sehngga dengan menggunakan persamaan (15) dperoleh varans T 1 yatu, Var (T 1 ) = {(k + 1)/k} 2 Var (W) = θ 2 / k (k + 2).....(16) Dengan cara yang sama dapat dtentukan varans dar T 2 yatu, Var (T 2 ) = k θ 2 / (k +1)(k + 2). (17) Berdasarkan persamaan (16) dan (17) dperoleh efsens relatf penduga takbas T 1 dan T 2 yatu, Var (T 2 ) / Var (T 1 ) = {k θ 2 / (k +1)(k + 2) }{k(k + 2)/θ 2 } = k 2 / (k + 1)... (18) Berdasarkan defns 3.1dan persamaan (18) dperoleh kesmpulan berkut, (). T 2 lebh efsen dar T 1 bla k = 1 atau k < 1 (). T 1 lebh efsen dar T 2 bla k > 1. Dar lustras n terlhat bahwa efsens relatf dar penduga takbas tergantung kepada ukuran sampel (k). Bla terdapat dua atau lebh penduga takbas, penggunaan teknk efsens relatf n mungkn membosankan, karena varans semua penduga takbas harus dtentukan lalu membandngkannya satu persatu, pekerjaan n membutuhkan banyak waktu. Untuk mengatas persoalan n, Roussas (1976) mengusulkan suatu teknk dan prosedur menentukan efsens penduka takbas, yatu dengan mencar batas bawah varans penduga takbas tersebut, yang dkenal dengan batas bawah Cramer Rao (BBCR). Artnya apabla varans suatu penduga takbas mencapa BBCR suatu dstrbus, maka djamn penduga takbas tersebut memlk varans terkecl (mnmum) bla dbandngkan dengan semua penduga takbas dalam hmpunan yang memuat semua penduga takbas. Syarat perlu dan cukup untuk memperoleh BBCR suatu dstrbus adalah dpenuhnya syarat-syarat regulartas bag suatu dstrbus peubah random. Menurut Mood, dkk (1974), syarat-syarat regulartas bag suatu fungs denstas f(x θ) adalah, (). / θ log f(x θ) ada untuk setap x dan θ є Θ ruang parameter) ; = 1, 2, 3,,k k k 53
6 (). / θ Π f(x θ) dx = / θ Π f(x θ) dx = 1 = 1 k k (). / θ t(x ) Π f(x θ) dx = / θ t(x ) Π f(x θ) dx = 1 = 1 (v). 0 < E {[ / θ log f(x θ) ] 2 }<, untuk setap θ є Θ. Berdasarkan syarat-syarat regulartas d atas dapat dturunkan teorema tentang BBCR suatu dstrbus peubah random sepert yang dungkapkan dalam teorema 3.5 berkut. Teorema 3.5 Msalkan X ; = 1, 2, 3,, k sampel random berukuran k dengan fungs denstas f X (x θ), dan sebut T = t(x ) penduga takbas bag parameter populas (θ). Bla f X (x θ) memenuh syarat regulartas, khususnya, 2 / θ 2 f(x θ) dx = 2 / θ 2 f(x θ) dx, maka varans dar T akan memenuh, Var(T) 1 / k E [ / θ log f(x θ)] 2 = 1 / -k E [ 2 / θ 2 log f(x θ) ]....(19) Blangan ke[ / θ log f(x θ)] 2 = ki(θ) dalam (19) dsebut blangan nformas Fsher tentang parameter populas (θ) yang termuat dalam sampel random berukuran k. Selanjutnya akan dperlhatkan E [ / θ log f(x θ)] 2 = -E [ 2 / θ 2 log f(x θ), artnya dalam menentukan BBCR suatu dstrbus salah satu kuanttas tersebut dapat dgunakan. Msalkan Z = / θ log f(x θ) = 1/f(x θ) / θ f(x θ) = / θ f(x θ) / f(x θ)....(20) Bla dalam (20) turunan parsal pertama dar Z dambl terhadap θ maka dperoleh, Z/ θ = 2 / θ 2 f(x θ) / f(x θ) Z 2 atau 2 / θ 2 f(x θ) / f(x θ) = Z/ θ + Z 2...(21) Karena [ 2 / θ 2 f(x θ) / f(x θ)]. f(x θ) dx = E { 2 / θ 2 f(x θ) / f(x θ)} = 0, maka persamaan (21) dapat dtuls menjad E { 2 / θ 2 f(x θ) / f(x θ)}= E { Z/ θ + Z 2 } atau E{Z 2 } = -E{ Z/ θ}...(22) Berdasarkan persamaan (22) dapat dsmpulkan E [ / θ log f(x θ)] 2 = - E [ 2 / θ 2 log f(x θ) ]. Untuk memaham uraan d atas perhatkan kasus berkut, msalkan peubah random Y ; = 1, 2, 3,, k berdstrbus seragam, bersfat ndependent dan dentk dengan fungs denstas f Y (θ) = 1/ θ ; 0 < Y < θ BBCR bag Y ~ U(θ) dapat dtentukan dengan cara sebaga berkut : log f Y (θ) = log 1/ θ = log 1 log θ = - log θ / θ log f Y (θ) = -1/ (θ) dan 2 / θ 2 log f Y (θ) = 1/θ 2 E { 2 / θ 2 log f Y (θ)} = E(1/θ 2 ) = 1/θ 2 Sehngga BBCR bag Y adalah 1/ (-k/θ 2 ) = - θ 2 /k Dar persamaan (16) dan (17) telah dketahu bahwa T 1 dan T 2 adalah penduga takbas bag parameter θ dengan varans berturut-turut adalah, Var (T 1 ) = θ 2 / k (k + 2) dan Var (T 2 ) = k θ 2 / (k +1)(k + 2), ternyata bak nla varans T 1 dan T 2 tdak mencapa nla mnmum BBCR dar Y ~ U(θ). Hal n menunjukkan efsens relatf kedua penduga takbas T 1 dan T 2 hanya dapat dtentukan berdasarkan raso kedua varansnya sepert yang dtunjukkan pada persamaan (18). Krtera ketga bag suatu penduga adalah konsstens. Konsstens merupakan sfat asmtots suatu penduga (Rao, 1976), artnya penduga takbas dalam hmpunan penduga takbas dpandang sebaga suatu barsan yang dnotaskan sebaga T k. Defns 3.6 Penduga takbas T k = h(y 1, y 2,, y k ) dsebut konssten bag parameter populas (θ) bla T k konvergen secara stokastk (konvergen dalam probabltas) ke θ, yatu bla untuk setap ε > 0 dan δ > 0 terdapat k 0, yang tergantung kepada ε dan δ, sehngga untuk semua k > k 0 berakbat, P[ T k - θ < ε ] > 1 δ. Defns 3.6 n tdak dapat langsung dgunakan untuk memperlhatkan apakah suatu 54
7 penduga takbas bersfat konssten atau tdak. Oleh karena tu terlebh dahulu harus dpaham batas-batas probabltas dan ketdaksamaan Chebyshev (Ban dan Engelhardt1992). Teorema 3.7 Jka X peubah random dengan fungs denstas f(x) dan u(x) fungs bernla real non negatf, E[u(X)] = u(x) f(x) dx = u(x) f(x) dx + u(x) f(x) dx A maka untuk setap blangan postf c > 0, berlaku P[u(X) c ] E[u(X)] / c Bukt Msalkan A = {x u(x) c }, maka dapat dtuls (dalam kasus X peubah random kontnu) u(x) f(x) dx c f(x) dx = c P [X є A] = c P[u(X) c ]. A atau dapat dtuls menjad : P[u(X) c ] E[u(X)] / c (23) Teorema 3.8 Jka X peubah random dengan rataan μ dan varans ζ 2, maka untuk sembarang k > 0 berlaku, P[ X - μ kζ ] 1/w 2..(24) Bukt : Jka u(x) = (X μ) 2, dan c = w 2 ζ 2, maka dengan menggunakan (23) dperoleh, A c P[ (X - μ ) 2 w 2 ζ 2 ] E(X - μ ) 2 / w 2 ζ 2 = ζ 2 / w 2 ζ 2 = 1 / w 2. Karena X - μ wζ ekvalen dengan X μ + wζ dan X μ wζ, maka bentuk (24) dapat dtuls dalam bentuk P[ X - μ < wζ ] > 1-1/w 2...(25) Bla dalam (25) dambl ε = wζ, maka (25) dapat dtuls dalam bentuk, P[ X - μ < ε ] > 1 - ζ 2 / ε 2 atau P[ X - μ ε ] ζ 2 / ε 2....(26) Berdasakan teorema 3.8, agar suatu penduga takbas memenuh sfat konsstens yang ddasarkan kepada defns 3.6, harus dtunjukkan untuk k mendekat (k ) maka lm P[ T k - Berkut n dkemukakan suatu kasus untuk memaham pemakaan teorema 3.8.Telah dketahu T 1 = (k+1)y max / k dan T 2 = (k + 1) Z = (k + 1) Y mn adalah dua penduga tak bas bag parameter populas (θ), bla Y berdstrbus seragam dentk dan bebas dengan parameter populas (θ). Sekarang akan dtunjukkan bahwa θ < ε ] 1. Penduga yang memlk ketga krtera bak yatu takbas, efsen (varans mnmum), dan konssten dsebut penduga takbas seragam dengan varans mnmum. T 1 dan T 2 adalah penduga tak bas yang konssten bag parameter populas (θ). Pertama akan dtunjukkan T 1 adalah penduga takbas yang konssten bag θ. Berdasarkan pertdaksamaan (25) dperoleh, P[ T 1 - θ < w {θ 2 /k(k+2)}] > 1 1/w 2....(). Menurut defns 3.6, dapat dplh ε = w {θ 2 /k(k+2)} atau 1/w 2 = θ 2 /(ε 2 k(k+2))....(). Substtuskan persamaan () ke dalam pertdaksamaan () dperoleh, P[ T 1 - θ < ε ] > 1 θ 2 /{ε 2 k(k+2)} (). Bla kedua ruas petdaksamaan () dambl lmtnya masng-masng untuk k, maka akan dperoleh, lm P[ T 1 - θ < ε ] 1. (v). 55
8 Pertdaksamaan (v) mengndkaskan bahwa penduga tak bas T 1 konssten bag parameter populas (θ). IV. KESIMPULAN Msalkan (). X ; = 1,2,3, k sampel random berukuran k dengan fungs padat peluang f(x θ) dan θ adalah parameter populas yang nlanya tdak dketahu. (). T = t (x ) statstk sebaga estmator (penduga) bag θ. Bla T adalah penduga terbak bag θ, maka T harus memenuh krtera berkut, 1. Tdak bas bag θ, yatu nla harapan dar T = θ atau E(T) = θ. 2. Efsen, artnya apabla T 1 dan T 2 adalah dua penduga tdakbas bag θ, dan bla Var(T 1 ) < Var(T 2 ), maka T 1 lebh efsen dar T Bla fungs padat peluang dar X memenuh syarat-syarat regulartas, maka batas bawah Cramer-Rao dapat dgunakan sebaga ndkator untuk menentukan penduga yang palng efsen. 4. Karena penduga takbas bersfat tdak tunggal, maka penduga takbas tersebut dapat dpandang sebaga suatu barsan. Penduga yang bak adalah apabla barsan penduga ( T k ) bersfat konssten, yatu apabla barsan penduga ( T k ) memenuh lm P[ T k - θ < ε ] 1, untuk k dan setap ε > Bla suatu penduga memlk ketga krtera tersebut, maka penduga tu dsebut penduga takbas seragam dengan varans mnmu Dengan cara yang sama dapat dtunjukkan bahwa T 2 juga merupakan penduga takbas yang konsten bag parameter populas (θ). DAFTAR PUSTAKA Ban L.J. dan Engelhardt, M.,1992, Introducton to Probablty and Mathematcal Statstcs, Duxbury Press, Belmont Calforna. Dudewcz E.J. dan Mshra S.N., 1988, Modern Mathematcal Statstcs, John Wley & Sons, New York. Had S., 1981, Metodolog Research, Unverstas Gajahmada, Yogyakarta. Mood A.M., Graybll F.A.,dan Boes D.C., 1984, Introducton To The Theory Of Statstcs, Eds ke tga, Kwan Yee Bndery Co., Sngapore. Rao C.R., 1973, Lnear Statstcal Inference and Its Applcatons, John Wley & Sons, Tape, Tawan. Roussas G.G., A Frst Course In Mathematcal Statstcs, Me Ya Publcatons, Inc., Tape, Tawan 57
BAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengertan Regres Regres pertama kal dpergunakan sebaga konsep statstka oleh Sr Francs Galton (1822 1911). Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang
Lebih terperinciI. PENGANTAR STATISTIKA
1 I. PENGANTAR STATISTIKA 1.1 Jens-jens Statstk Secara umum, lmu statstka dapat terbag menjad dua jens, yatu: 1. Statstka Deskrptf. Statstka Inferensal Dalam sub bab n akan djelaskan mengena pengertan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Fuzzy Set Pada tahun 1965, Zadeh memodfkas teor hmpunan dmana setap anggotanya memlk derajat keanggotaan yang bernla kontnu antara 0 sampa 1. Hmpunan n dsebut dengan hmpunaan
Lebih terperinciBab 1 Ruang Vektor. R. Leni Murzaini/0906577381
Bab 1 Ruang Vektor Defns Msalkan F adalah feld, yang elemen-elemennya dnyatakansebaga skalar. Ruang vektor atas F adalah hmpunan tak kosong V, yang elemen-elemennya merupakan vektor, bersama dengan dua
Lebih terperinciTinjauan Algoritma Genetika Pada Permasalahan Himpunan Hitting Minimal
157 Vol. 13, No. 2, 157-161, Januar 2017 Tnjauan Algortma Genetka Pada Permasalahan Hmpunan Httng Mnmal Jusmawat Massalesse, Bud Nurwahyu Abstrak Beberapa persoalan menark dapat dformulaskan sebaga permasalahan
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 5. No. 3, , Desember 2002, ISSN :
JURNAL MATEMATIKA AN KOMPUTER Vol. 5. No. 3, 161-167, esember 00, ISSN : 1410-8518 PENGARUH SUATU ATA OBSERVASI ALAM MENGESTIMASI PARAMETER MOEL REGRESI Hern Utam, Rur I, dan Abdurakhman Jurusan Matematka
Lebih terperinciUJI PRIMALITAS. Sangadji *
UJI PRIMALITAS Sangadj * ABSTRAK UJI PRIMALITAS. Makalah n membahas dan membuktkan tga teorema untuk testng prmaltas, yatu teorema Lucas, teorema Lucas yang dsempurnakan dan teorema Pocklngton. D sampng
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Deskrps Data Hasl Peneltan Satelah melakukan peneltan, penelt melakukan stud lapangan untuk memperoleh data nla post test dar hasl tes setelah dkena perlakuan.
Lebih terperinciCatatan Kuliah 12 Memahami dan Menganalisa Optimisasi dengan Kendala Ketidaksamaan
Catatan Kulah Memaham dan Menganalsa Optmsas dengan Kendala Ketdaksamaan. Non Lnear Programmng Msalkan dhadapkan pada lustras berkut n : () Ma U = U ( ) :,,..., n st p B.: ; =,,..., n () Mn : C = pk K
Lebih terperinciSELANG KEPERCAYAAN UNTUK KOEFISIEN GARIS REGRESI LINEAR DENGAN METODE LEAST MEDIAN SQUARES 1 ABSTRAK
SELANG KEPERCAYAAN UNTUK KOEFISIEN GARIS REGRESI LINEAR DENGAN METODE LEAST MEDIAN SQUARES Harm Sugart Jurusan Statstka FMIPA Unverstas Terbuka emal: harm@ut.ac.d ABSTRAK Adanya penympangan terhadap asums
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Pengertan Regres Regres pertama kal dgunakan sebaga konsep statstka oleh Sr Francs Galton (18 1911).Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang selanjutnya
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 ENDAHULUAN 1.1 Latar Belakang Secara umum dapat dkatakan bahwa mengambl atau membuat keputusan berart memlh satu dantara sekan banyak alternatf. erumusan berbaga alternatf sesua dengan yang sedang
Lebih terperinciε adalah error random yang diasumsikan independen, m X ) adalah fungsi
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan suatu metode yang dgunakan untuk menganalss hubungan antara dua atau lebh varabel. Pada analss regres terdapat dua jens varabel yatu
Lebih terperinciKecocokan Distribusi Normal Menggunakan Plot Persentil-Persentil yang Distandarisasi
Statstka, Vol. 9 No., 4 47 Me 009 Kecocokan Dstrbus Normal Menggunakan Plot Persentl-Persentl yang Dstandarsas Lsnur Wachdah Program Stud Statstka Fakultas MIPA Unsba e-mal : Lsnur_w@yahoo.co.d ABSTRAK
Lebih terperinciBAB 3 PEMBAHASAN. 3.1 Prosedur Penyelesaian Masalah Program Linier Parametrik Prosedur Penyelesaian untuk perubahan kontinu parameter c
6 A PEMAHASA Pada bab sebelumnya telah dbahas teor-teor yang akan dgunakan untuk menyelesakan masalah program lner parametrk. Pada bab n akan dperlhatkan suatu prosedur yang lengkap untuk menyelesakan
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini merupakan studi eksperimen yang telah dilaksanakan di SMA
III. METODE PENELITIAN A. Waktu dan Tempat Peneltan Peneltan n merupakan stud ekspermen yang telah dlaksanakan d SMA Neger 3 Bandar Lampung. Peneltan n dlaksanakan pada semester genap tahun ajaran 2012/2013.
Lebih terperinciUKURAN S A S MPE P L P of o. D r D. r H. H Al A ma m s a d s i d Sy S a y h a z h a, SE S. E, M P E ai a l i : l as a y s a y h a
UKURAN SAMPEL Prof. Dr. H. Almasd Syahza, SE., MP Emal: asyahza@yahoo.co.d Webste: http://almasd. almasd.staff. staff.unr.ac.d Penelt Senor Unverstas Rau Penentuan Sampel Peneltan lmah hampr selalu hanya
Lebih terperinciANALISIS DATA KATEGORIK (STK351)
Suplemen Respons Pertemuan ANALISIS DATA KATEGORIK (STK351) 7 Departemen Statstka FMIPA IPB Pokok Bahasan Sub Pokok Bahasan Referens Waktu Korelas Perngkat (Rank Correlaton) Bag. 1 Koefsen Korelas Perngkat
Lebih terperinciBab 3 Analisis Ralat. x2 x2 x. y=x 1 + x 2 (3.1) 3.1. Menaksir Ralat
Mater Kulah Ekspermen Fska Oleh : Drs. Ishaft, M.S. Program Stud Penddkan Fska Unverstas Ahmad Dahlan, 07 Bab 3 Analss Ralat 3.. Menaksr Ralat Msalna suatu besaran dhtung dar besaran terukur,,..., n. Jka
Lebih terperinciBAB 2 LANDASAN TEORI
2 LNDSN TEORI 2. Teor engamblan Keputusan Menurut Supranto 99 keputusan adalah hasl pemecahan masalah yang dhadapnya dengan tegas. Suatu keputusan merupakan jawaban yang past terhadap suatu pertanyaan.
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang. Di dalam matematika mulai dari SD, SMP, SMA, dan Perguruan Tinggi
Daftar Is Daftar Is... Kata pengantar... BAB I...1 PENDAHULUAN...1 1.1 Latar Belakang...1 1.2 Rumusan Masalah...2 1.3 Tujuan...2 BAB II...3 TINJAUAN TEORITIS...3 2.1 Landasan Teor...4 BAB III...5 PEMBAHASAN...5
Lebih terperinciBAB 2 LANDASAN TEORI. Universitas Sumatera Utara
BAB 2 LANDASAN TEORI 2.1 Pengertan Analsa Regres Dalam kehdupan sehar-har, serng kta jumpa hubungan antara satu varabel terhadap satu atau lebh varabel yang lan. Sebaga contoh, besarnya pendapatan seseorang
Lebih terperinciBAB X RUANG HASIL KALI DALAM
BAB X RUANG HASIL KALI DALAM 0. Hasl Kal Dalam Defns. Hasl kal dalam adalah fungs yang mengatkan setap pasangan vektor d ruang vektor V (msalkan pasangan u dan v, dnotaskan dengan u, v ) dengan blangan
Lebih terperinciBAB III METODOLOGI PENELITIAN. Penelitian ini dilaksanakan di SMA Negeri I Tibawa pada semester genap
5 BAB III METODOLOGI PENELITIAN 3. Lokas Dan Waktu Peneltan Peneltan n dlaksanakan d SMA Neger I Tbawa pada semester genap tahun ajaran 0/03. Peneltan n berlangsung selama ± bulan (Me,Jun) mula dar tahap
Lebih terperinciBAB III FUNGSI MAYOR DAN MINOR. Pada bab ini akan dibahas konsep-konsep dasar dari fungsi mayor dan fungsi
BAB III FUNGSI MAYOR DAN MINOR Pada bab n akan dbahas konsep-konsep dasar dar fungs mayor dan fungs mnor dar suatu fungs yang terdefns pada suatu nterval tertutup. Pendefnsan fungs mayor dan mnor tersebut
Lebih terperinciBAB III METODE PENELITIAN. Pada penelitian ini, penulis memilih lokasi di SMA Negeri 1 Boliyohuto khususnya
BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Peneltan 3.1.1 Tempat Peneltan Pada peneltan n, penuls memlh lokas d SMA Neger 1 Bolyohuto khususnya pada sswa kelas X, karena penuls menganggap bahwa lokas
Lebih terperinciSISTEM LINEAR MAX-PLUS KABUR WAKTU INVARIANT AUTONOMOUS
SISTEM LINEAR MAX-PLUS KABUR WAKTU INVARIANT AUTONOMOUS A8 M. Andy Rudhto 1 1 Program Stud Penddkan Matematka FKIP Unverstas Sanata Dharma Kampus III USD Pangan Maguwoharjo Yogyakarta 1 e-mal: arudhto@yahoo.co.d
Lebih terperinciBAB III HASILKALI TENSOR PADA RUANG VEKTOR. Misalkan V ruang vektor atas lapangan F. Suatu transformasi linear f L ( V, F )
28 BAB III HASILKALI TENSOR PADA RUANG VEKTOR III.1 Ruang Dual Defns III.1.2: Ruang Dual [10] Msalkan V ruang vektor atas lapangan F. Suatu transformas lnear f L ( V, F ) dkatakan fungsonal lnear (atau
Lebih terperinciBAB I PENDAHULUAN. dan. 0. Uji fungsi distribusi empiris yang populer, yaitu uji. distribusi nol
BAB I PENDAHULUAN 1.1. Latar Belakang Sebagan besar peneltan-peneltan bdang statstka berhubungan dengan pengujan asums dstrbus, bak secara teor maupun praktk d lapangan. Salah satu uj yang serng dgunakan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PEDAHULUA. Latar Belakang Rsko ddentfkaskan dengan ketdakpastan. Dalam mengambl keputusan nvestas para nvestor mengharapkan hasl yang maksmal dengan rsko tertentu atau hasl tertentu dengan rsko yang
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakang Dalam kehdupan sehar-har, serngkal dumpa hubungan antara suatu varabel dengan satu atau lebh varabel lan. D dalam bdang pertanan sebaga contoh, doss dan ens pupuk yang dberkan
Lebih terperinciBAB III METODE PENELITIAN. Sebelum dilakukan penelitian, langkah pertama yang harus dilakukan oleh
BAB III METODE PENELITIAN 3.1 Desan Peneltan Sebelum dlakukan peneltan, langkah pertama yang harus dlakukan oleh penelt adalah menentukan terlebh dahulu metode apa yang akan dgunakan dalam peneltan. Desan
Lebih terperinciBAB 2 LANDASAN TEORI. diteliti. Banyaknya pengamatan atau anggota suatu populasi disebut ukuran populasi,
BAB LANDASAN TEORI.1 Populas dan Sampel Populas adalah keseluruhan unt atau ndvdu dalam ruang lngkup yang ngn dtelt. Banyaknya pengamatan atau anggota suatu populas dsebut ukuran populas, sedangkan suatu
Lebih terperinciPENDAHULUAN Latar Belakang
PENDAHULUAN Latar Belakang Menurut teor molekuler benda, satu unt volume makroskopk gas (msalkan cm ) merupakan suatu sstem yang terdr atas sejumlah besar molekul (kra-kra sebanyak 0 0 buah molekul) yang
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Penjadwalan Baker (1974) mendefnskan penjadwalan sebaga proses pengalokasan sumber-sumber dalam jangka waktu tertentu untuk melakukan sejumlah pekerjaan. Menurut Morton dan
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB LANDASAN TEORI.1 Analsa Regres Analsa regres dnterpretaskan sebaga suatu analsa yang berkatan dengan stud ketergantungan (hubungan kausal) dar suatu varabel tak bebas (dependent varable) atu dsebut
Lebih terperinciREGRESI DAN KORELASI LINEAR SEDERHANA. Regresi Linear
REGRESI DAN KORELASI LINEAR SEDERHANA Regres Lnear Tujuan Pembelajaran Menjelaskan regres dan korelas Menghtung dar persamaan regres dan standard error dar estmas-estmas untuk analss regres lner sederhana
Lebih terperinciBAB.3 METODOLOGI PENELITIN 3.1 Lokasi dan Waktu Penelitian Penelitian ini di laksanakan di Sekolah Menengah Pertama (SMP) N. 1 Gorontalo pada kelas
9 BAB.3 METODOLOGI PENELITIN 3. Lokas dan Waktu Peneltan Peneltan n d laksanakan d Sekolah Menengah Pertama (SMP) N. Gorontalo pada kelas VIII. Waktu peneltan dlaksanakan pada semester ganjl, tahun ajaran
Lebih terperinciINFERENSI FUNGSI KETAHANAN DENGAN METODE KAPLAN-MEIER
Tatk Wdharh dan Naschah ska Andran (Inferens Fungs Ketahanan dengan Metode Kaplan-Meer INFERENI FUNGI KETAHANAN DENGAN METODE KAPLAN-MEIER Tatk Wdharh dan Naschah ska Andran Jurusan Matematka FMIPA UNDIP
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN. Latar Belakang Matematka sebaga bahasa smbol yang bersfat unversal memegang peranan pentng dalam perkembangan suatu teknolog. Matematka sangat erat hubungannya dengan kehdupan nyata.
Lebih terperinciESTIMASI PARAMETER PADA REGRESI SEMIPARAMETRIK UNTUK DATA LONGITUDINAL
Abstrak ESIMASI PARAMEER PADA REGRESI SEMIPARAMERIK UNUK DAA LONGIUDINAL Msal y merupakan varabel respon, Lls Laome Jurusan Matematka FMIPA Unverstas Haluoleo Kendar 933 e-mal : lhs@yahoo.com X adalah
Lebih terperinciBAB 2 LANDASAN TEORI. persamaan penduga dibentuk untuk menerangkan pola hubungan variabel-variabel
BAB LANDASAN TEORI. Analss Regres Regres merupakan suatu alat ukur yang dgunakan untuk mengukur ada atau tdaknya hubungan antar varabel. Dalam analss regres, suatu persamaan regres atau persamaan penduga
Lebih terperinciPENERAPAN MODEL REGRESI LINEAR ROBUST DENGAN ESTIMASI M PADA DATA NILAI KALKULUS II MAHASISWA UNIVERSITAS WIDYA DHARMA KLATEN
PENERAPAN MODEL REGRESI LINEAR ROBUST DENGAN ESTIMASI M PADA DATA NILAI KALKULUS II MAHASISWA UNIVERSITAS WIDYA DHARMA KLATEN Yulana Abstrak:Model persamaan regres lnear dapat dnyatakan dalam bentuk matrks
Lebih terperinciIV. UKURAN SIMPANGAN, DISPERSI & VARIASI
IV. UKURAN SIMPANGAN, DISPERSI & VARIASI Pendahuluan o Ukuran dspers atau ukuran varas, yang menggambarkan derajat bagamana berpencarnya data kuanttatf, dntaranya: rentang, rentang antar kuartl, smpangan
Lebih terperinciBAB III PERBANDINGAN ANALISIS REGRESI MODEL LOG - LOG DAN MODEL LOG - LIN. Pada prinsipnya model ini merupakan hasil transformasi dari suatu model
BAB III PERBANDINGAN ANALISIS REGRESI MODEL LOG - LOG DAN MODEL LOG - LIN A. Regres Model Log-Log Pada prnspnya model n merupakan hasl transformas dar suatu model tdak lner dengan membuat model dalam bentuk
Lebih terperinciBAB 2 LANDASAN TEORI. estimasi, uji keberartian regresi, analisa korelasi dan uji koefisien regresi.
BAB LANDASAN TEORI Pada bab n akan durakan beberapa metode yang dgunakan dalam penyelesaan tugas akhr n. Selan tu penuls juga mengurakan tentang pengertan regres, analss regres berganda, membentuk persamaan
Lebih terperinciKORELASI DAN REGRESI LINIER. Debrina Puspita Andriani /
KORELASI DAN REGRESI LINIER 9 Debrna Puspta Andran www. E-mal : debrna.ub@gmal.com / debrna@ub.ac.d 2 Outlne 3 Perbedaan mendasar antara korelas dan regres? KORELASI Korelas hanya menunjukkan sekedar hubungan.
Lebih terperinciANALISIS BENTUK HUBUNGAN
ANALISIS BENTUK HUBUNGAN Analss Regres dan Korelas Analss regres dgunakan untuk mempelajar dan mengukur hubungan statstk yang terjad antara dua varbel atau lebh varabel. Varabel tersebut adalah varabel
Lebih terperinciPendeteksian Data Pencilan dan Pengamatan Berpengaruh pada Beberapa Kasus Data Menggunakan Metode Diagnostik
Pendeteksan Data Penclan dan Pengamatan Berpengaruh pada Beberapa Kasus Data Menggunakan Metode Dagnostk Sally Indra 1, Dod Vonanda, Rry Srnngsh 3 1 Student of Mathematcs Department State Unversty of Padang,
Lebih terperinciBAB I PENDAHULUAN Latar Belakang dan Permasalahan
BAB I PENDAHULUAN 1.1. Latar Belakang dan Permasalahan Matematka dbag menjad beberapa kelompok bdang lmu, antara lan analss, aljabar, dan statstka. Ruang barsan merupakan salah satu bagan yang ada d bdang
Lebih terperinciDISTRIBUSI HASIL PENGUKURAN DAN NILAI RATA-RATA
DISTRIBUSI HASIL PENGUKURAN DAN NILAI RATA-RATA Dstrbus Bnomal Msalkan dalam melakukan percobaan Bernoull (Bernoull trals) berulang-ulang sebanyak n kal, dengan kebolehjadan sukses p pada tap percobaan,
Lebih terperinciBAB III HIPOTESIS DAN METODOLOGI PENELITIAN
BAB III HIPOTESIS DAN METODOLOGI PENELITIAN III.1 Hpotess Berdasarkan kerangka pemkran sebelumnya, maka dapat drumuskan hpotess sebaga berkut : H1 : ada beda sgnfkan antara sebelum dan setelah penerbtan
Lebih terperinciBEBERAPA SIFAT TERKAIT SUBMODUL SEMIPRIMA
BEBERAPA SIFAT TERKAIT SUBMODUL SEMIPRIMA A-3 Dan Aresta Yuwanngsh 1 1 Mahasswa S Matematka UGM dan.aresta17@yahoo.com Abstrak Dberkan R merupakan rng dengan elemen satuan, M R-modul kanan, dan R S End
Lebih terperinciMEREDUKSI SISTEM PERSAMAAN LINEAR FUZZY PENUH DENGAN BILANGAN FUZZY TRAPESIUM
MEREDUKSI SISTEM PERSAMAAN LINEAR FUZZY PENUH DENGAN BILANGAN FUZZY TRAPESIUM Tut Susant, Mashad, Sukamto Mahasswa Program S Matematka Dosen Jurusan Matematka Fakultas Matematka dan Ilmu Pengetahuan Alam
Lebih terperinciBab 3. Teori Comonotonic. 3.1 Pengurutan Variabel Acak
Bab 3 Teor Comonotonc Pada bab n konsep teor comonotonc akan dpaparkan dar awal dan berakhr pada konsep teor n untuk jumlah dar peubah - peubah acak 1. Setelah tu untuk membantu pemahaman akan dberkan
Lebih terperinciBAB IV CONTOH PENGGUNAAN MODEL REGRESI GENERALIZED POISSON I. Kesulitan ekonomi yang tengah terjadi akhir-akhir ini, memaksa
BAB IV CONTOH PENGGUNAAN MODEL REGRESI GENERALIZED POISSON I 4. LATAR BELAKANG Kesultan ekonom yang tengah terjad akhr-akhr n, memaksa masyarakat memutar otak untuk mencar uang guna memenuh kebutuhan hdup
Lebih terperinciPreferensi untuk alternatif A i diberikan
Bahan Kulah : Topk Khusus Metode Weghted Product (WP) menggunakan perkalan untuk menghubungkan ratng atrbut, dmana ratng setap atrbut harus dpangkatkan dulu dengan bobot atrbut yang bersangkutan. Proses
Lebih terperinciTeori Himpunan. Modul 1 PENDAHULUAN. impunan sebagai koleksi (pengelompokan) dari objek-objek yang
Modul 1 Teor Hmpunan PENDAHULUAN Prof SM Nababan, PhD Drs Warsto, MPd mpunan sebaga koleks (pengelompokan) dar objek-objek yang H dnyatakan dengan jelas, banyak dgunakan dan djumpa dberbaga bdang bukan
Lebih terperinciEKSPEKTASI SATU PEUBAH ACAK
EKSPEKTASI SATU PEUBAH ACAK Dalam hal n aan dbahas beberapa macam uuran yang dhtung berdasaran espetas dar satu peubah aca, ba dsrt maupun ontnu, yatu nla espetas, rataan, varans, momen, fungs pembangt
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilakukan di MTs Negeri 2 Bandar Lampung dengan populasi siswa
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlakukan d MTs Neger Bandar Lampung dengan populas sswa kelas VII yang terdr dar 0 kelas yatu kelas unggulan, unggulan, dan kelas A sampa dengan
Lebih terperinciREGRESI LINIER SEDERHANA (MASALAH ESTIMASI)
REGRESI LINIER SEDERHANA (MASALAH ESTIMASI) PowerPont Sldes byyana Rohmana Educaton Unversty of Indonesan 007 Laboratorum Ekonom & Koperas Publshng Jl. Dr. Setabud 9 Bandung, Telp. 0 013163-53 Hal-hal
Lebih terperinciBAB 1 PENDAHULUAN. dependen (y) untuk n pengamatan berpasangan i i i. x : variabel prediktor; f x ) ). Bentuk kurva regresi f( x i
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan analss statstk yang dgunakan untuk memodelkan hubungan antara varabel ndependen (x) dengan varabel ( x, y ) n dependen (y) untuk n pengamatan
Lebih terperinciAPLIKASI PERKONGRUENAN DALAM MENYELESAIKAN SISTEM PERSAMAAN LINEAR DUA PEUBAH. Yuni Yulida dan Muhammad Ahsar K
Jurnal Matematka Murn dan Terapan Vol. 3 No. Desember 009: 4-6 APLIKASI PERKONGRUENAN DALAM MENYELESAIKAN SISTEM PERSAMAAN LINEAR DUA PEUBAH Yun Yulda dan Muhammad Ahsar K Program Stud Matematka Unverstas
Lebih terperinciDIMENSI PARTISI GRAF GIR
Jurnal Matematka UNAND Vol. 1 No. 2 Hal. 21 27 ISSN : 2303 2910 c Jurusan Matematka FMIPA UNAND DIMENSI PARTISI GRAF GIR REFINA RIZA Program Stud Matematka, Fakultas Matematka dan Ilmu Pengetahuan Alam,
Lebih terperinciDekomposisi Nilai Singular dan Aplikasinya
A : Dekomposs Nla Sngular dan Aplkasnya Gregora Aryant Dekomposs Nla Sngular dan Aplkasnya Oleh : Gregora Aryant Program Stud Penddkan Matematka nverstas Wdya Mandala Madun aryant_gregora@yahoocom Abstrak
Lebih terperinciBAB 1 PENDAHULUAN. Pertumbuhan dan kestabilan ekonomi, adalah dua syarat penting bagi kemakmuran
BAB 1 PENDAHULUAN 1.1. Latar Belakang Pertumbuhan dan kestablan ekonom, adalah dua syarat pentng bag kemakmuran dan kesejahteraan suatu bangsa. Dengan pertumbuhan yang cukup, negara dapat melanjutkan pembangunan
Lebih terperinciBAB III METODE PENELITIAN. Sebelum melakukan penelitian, langkah yang dilakukan oleh penulis
BAB III METODE PENELITIAN 3.1 Desan Peneltan Sebelum melakukan peneltan, langkah yang dlakukan oleh penuls adalah mengetahu dan menentukan metode yang akan dgunakan dalam peneltan. Sugyono (2006: 1) menyatakan:
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Negeri 13 Bandar Lampung. Populasi dalam
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMP Neger 3 Bandar Lampung. Populas dalam peneltan n yatu seluruh sswa kelas VIII SMP Neger 3 Bandar Lampung Tahun Pelajaran 0/03 yang
Lebih terperinciPADA GRAF PRISMA BERCABANG
PELABELAN TOTAL SUPER (a, d)-busur ANTI AJAIB PADA GRAF PRISMA BERCABANG Achmad Fahruroz,, Dew Putre Lestar,, Iffatul Mardhyah, Unverstas Gunadarma Depok Program Magster Fakultas MIPA Unverstas Indonesa
Lebih terperinciBAB 2 LANDASAN TEORI. Teori Galton berkembang menjadi analisis regresi yang dapat digunakan sebagai alat
BAB LANDASAN TEORI. 1 Analsa Regres Regres pertama kal dpergunakan sebaga konsep statstk pada tahun 1877 oleh Sr Francs Galton. Galton melakukan stud tentang kecenderungan tngg badan anak. Teor Galton
Lebih terperinciBAB VB PERSEPTRON & CONTOH
BAB VB PERSEPTRON & CONTOH Model JST perseptron dtemukan oleh Rosenblatt (1962) dan Mnsky Papert (1969). Model n merupakan model yang memlk aplkas dan pelathan yang lebh bak pada era tersebut. 5B.1 Arstektur
Lebih terperinciBAB IX. STATISTIKA. CONTOH : HASIL ULANGAN MATEMATIKA 5 SISWA SBB: PENGERTIAN STATISTIKA DAN STATISTIK:
BAB IX. STATISTIKA. CONTOH : HASIL ULANGAN MATEMATIKA 5 SISWA SBB: PENGERTIAN STATISTIKA DAN STATISTIK: BAB IX. STATISTIKA Contoh : hasl ulangan Matematka 5 sswa sbb: 6 8 7 6 9 Pengertan Statstka dan
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1. Hpotess Peneltan Berkatan dengan manusa masalah d atas maka penuls menyusun hpotess sebaga acuan dalam penulsan hpotess penuls yatu Terdapat hubungan postf antara penddkan
Lebih terperinciBAB V ANALISA PEMECAHAN MASALAH
BAB V ANALISA PEMECAHAN MASALAH 5.1 Analsa Pemlhan Model Tme Seres Forecastng Pemlhan model forecastng terbak dlakukan secara statstk, dmana alat statstk yang dgunakan adalah MAD, MAPE dan TS. Perbandngan
Lebih terperinciBAB III METODE PENELITIAN. Metode penelitian merupakan cara atau langkah-langkah yang harus
BAB III METODE PENELITIAN Metode peneltan merupakan cara atau langkah-langkah yang harus dtempuh dalam kegatan peneltan, sehngga peneltan yang dlakukan dapat mencapa sasaran yang dngnkan. Metodolog peneltan
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN PENELITIAN. penerapan Customer Relationship Management pada tanggal 30 Juni 2011.
44 BAB IV HASIL DAN PEMBAHASAN PENELITIAN 4.1 Penyajan Data Peneltan Untuk memperoleh data dar responden yang ada, maka dgunakan kuesoner yang telah dsebar pada para pelanggan (orang tua sswa) d Kumon
Lebih terperinciMETODE REGRESI RIDGE UNTUK MENGATASI KASUS MULTIKOLINEAR
METODE REGRESI RIDGE UNTUK MENGATASI KASUS MULTIKOLINEAR Margaretha Ohyver Jurusan Matematka, Fakultas Sans dan Teknolog, Bnus Unversty Jl. Kh.Syahdan No.9, Palmerah, Jakarta 480 ethaohyver@bnus.ac.d,
Lebih terperinciMULTIVARIATE ANALYSIS OF VARIANCE (MANOVA) MAKALAH Untuk Memenuhi Tugas Matakuliah Multivariat yang dibimbing oleh Ibu Trianingsih Eni Lestari
MULTIVARIATE ANALYSIS OF VARIANCE (MANOVA) MAKALAH Untuk Memenuh Tugas Matakulah Multvarat yang dbmbng oleh Ibu Tranngsh En Lestar oleh Sherly Dw Kharsma 34839 Slva Indrayan 34844 Vvn Octana 34633 UNIVERSITAS
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini merupakan studi eksperimen dengan populasi penelitian yaitu
4 III. METODE PENELITIAN A. Populas Peneltan Peneltan n merupakan stud ekspermen dengan populas peneltan yatu seluruh sswa kelas VIII C SMP Neger Bukt Kemunng pada semester genap tahun pelajaran 01/013
Lebih terperinciEVALUASI TINGKAT PENDIDIKAN ANAK DI PROVINSI JAWA BARAT MENGGUNAKAN FIRST ORDER CONFIGURAL FREQUENCY ANALYSIS
EVALUASI TINGKAT PENDIDIKAN ANAK DI PROVINSI JAWA BARAT MENGGUNAKAN FIRST ORDER CONFIGURAL FREQUENCY ANALYSIS Resa Septan Pontoh Departemen Statstka Unverstas Padjadjaran resa.septan@unpad.ac.d ABSTRAK.
Lebih terperinciBAB II METODOLOGI PENELITIAN. Jenis penelitian yang digunakan dalam penelitian ini adalah penelitian. variable independen dengan variabel dependen.
BAB II METODOLOGI PENELITIAN A. Bentuk Peneltan Jens peneltan yang dgunakan dalam peneltan n adalah peneltan deskrptf dengan analsa kuanttatf, dengan maksud untuk mencar pengaruh antara varable ndependen
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN. Latar Belakang Manova atau Multvarate of Varance merupakan pengujan dalam multvarate yang bertujuan untuk mengetahu pengaruh varabel respon dengan terhadap beberapa varabel predktor
Lebih terperinciHubungan Model Kurva Pengeluaran Konsumsi Rumah Tangga di Provinsi Sulawesi Selatan dengan Elastisitasnya
Vol. 8, No., 9-101, Januar 01 Hubungan Model Kurva Pengeluaran Konsums Rumah Tangga d Provns Sulawes Selatan dengan Elaststasnya Adawayat Rangkut Abstrak Seleks kurva pengeluaran konsums masyarakat Sulawes
Lebih terperinciSEMI RING POLINOM ATAS ALJABAR MAX-PLUS
JMP : Volume 4 Nomor 2, Desember 2012, hal. 289-297 SEMI RING POLINOM ATAS ALJABAR MAX-PLUS Suroto Prod Matematka, Jurusan MIPA, Fakultas Sans dan Teknk Unverstas Jenderal Soedrman e-mal : suroto_80@yahoo.com
Lebih terperinciPENERAPAN METODE MAMDANI DALAM MENGHITUNG TINGKAT INFLASI BERDASARKAN KELOMPOK KOMODITI (Studi Kasus pada Data Inflasi Indonesia)
PENERAPAN METODE MAMDANI DALAM MENGHITUNG TINGKAT INFLASI BERDASARKAN KELOMPOK KOMODITI (Stud Kasus pada Data Inflas Indonesa) Putr Noorwan Effendy, Amar Sumarsa, Embay Rohaet Program Stud Matematka Fakultas
Lebih terperinciSEARAH (DC) Rangkaian Arus Searah (DC) 7
ANGKAAN AUS SEAAH (DC). Arus Searah (DC) Pada rangkaan DC hanya melbatkan arus dan tegangan searah, yatu arus dan tegangan yang tdak berubah terhadap waktu. Elemen pada rangkaan DC melput: ) batera ) hambatan
Lebih terperinciBAB I PENDAHULUAN. Analisis regresi merupakan metode statistika yang digunakan untuk
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan metode statstka ang dgunakan untuk meramalkan sebuah varabel respon Y dar satu atau lebh varabel bebas X, selan tu juga dgunakan untuk
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 ENDAHULUAN 1.1 Latar Belakang Manusa dlahrkan ke duna dengan ms menjalankan kehdupannya sesua dengan kodrat Illah yakn tumbuh dan berkembang. Untuk tumbuh dan berkembang, berart setap nsan harus
Lebih terperinciPROPOSAL SKRIPSI JUDUL:
PROPOSAL SKRIPSI JUDUL: 1.1. Latar Belakang Masalah SDM kn makn berperan besar bag kesuksesan suatu organsas. Banyak organsas menyadar bahwa unsur manusa dalam suatu organsas dapat memberkan keunggulan
Lebih terperinciBAB III METODOLOGI PENELITIAN. Untuk menjawab permasalahan yaitu tentang peranan pelatihan yang dapat
BAB III METODOLOGI PENELITIAN 3.1 Metode Peneltan Untuk menjawab permasalahan yatu tentang peranan pelathan yang dapat menngkatkan knerja karyawan, dgunakan metode analss eksplanatf kuanttatf. Pengertan
Lebih terperinciMATERI KULIAH STATISTIKA I UKURAN. (Nuryanto, ST., MT)
MATERI KULIAH STATISTIKA I UKURAN (Nuryanto, ST., MT) Ukuran Statstk Ukuran Statstk : 1. Ukuran Pemusatan Bagamana, d mana data berpusat? Rata-Rata Htung = Arthmetc Mean Medan Modus Kuartl, Desl, Persentl.
Lebih terperinciBAB III METODE PENELITIAN. Metode penelitian yang digunakan dalam penelitian ini adalah metode
BAB III METODE PENELITIAN Desan Peneltan Metode peneltan yang dgunakan dalam peneltan n adalah metode deskrptf analts dengan jens pendekatan stud kasus yatu dengan melhat fenomena permasalahan yang ada
Lebih terperinciBAB V INTEGRAL KOMPLEKS
6 BAB V INTEGRAL KOMPLEKS 5.. INTEGRAL LINTASAN Msal suatu lntasan yang dnyatakan dengan : (t) = x(t) + y(t) dengan t rl dan a t b. Lntasan dsebut lntasan tutup bla (a) = (b). Lntasan tutup dsebut lntasan
Lebih terperinciBAB 2 ANALISIS ARUS FASA PADA KONEKSI BEBAN BINTANG DAN POLIGON UNTUK SISTEM MULTIFASA
BAB ANALISIS ARUS FASA PADA KONEKSI BEBAN BINTANG DAN POLIGON UNTUK SISTEM MULTIFASA.1 Pendahuluan Pada sstem tga fasa, rak arus keluaran nverter pada beban dengan koneks delta dan wye memlk hubungan yang
Lebih terperinciBAB III METODOLOGI PENELITIAN. Metode yang digunakan dalam penelitian ini adalah metode eksperimen
3 BAB III METODOLOGI PENELITIAN A. Metode dan Desan Peneltan Metode yang dgunakan dalam peneltan n adalah metode ekspermen karena sesua dengan tujuan peneltan yatu melhat hubungan antara varabelvarabel
Lebih terperinciPEMODELAN KARAKTERISTIK TINGKAT PENDIDIKAN ANAK DI PROVINSI JAWA BARAT MENGGUNAKAN LOG LINEAR
PEMODELAN KARAKTERISTIK TINGKAT PENDIDIKAN ANAK DI PROVINSI JAWA BARAT MENGGUNAKAN LOG LINEAR Resa Septan Pontoh 1), Neneng Sunengsh 2) 1),2) Departemen Statstka Unverstas Padjadjaran 1) resa.septan@unpad.ac.d,
Lebih terperinciRANGKAIAN SERI. 1. Pendahuluan
. Pendahuluan ANGKAIAN SEI Dua elemen dkatakan terhubung ser jka : a. Kedua elemen hanya mempunya satu termnal bersama. b. Ttk bersama antara elemen tdak terhubung ke elemen yang lan. Pada Gambar resstor
Lebih terperinciTINJAUAN PUSTAKA. Node. Edge. Gambar 1 Directed Acyclic Graph
TINJAUAN PUSTAKA Bayesan Networks BNs dapat memberkan nformas yang sederhana dan padat mengena nformas peluang. Berdasarkan komponennya BNs terdr dar Bayesan Structure (Bs) dan Bayesan Parameter (Bp) (Cooper
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
I ENDHULUN. Latar elakang Mengambl keputusan secara aktf memberkan suatu tngkat pengendalan atas kehdupan spengambl keputusan. lhan-plhan yang dambl sebenarnya membantu dalam penentuan masa depan. Namun
Lebih terperinciUJI NORMALITAS X 2. Z p i O i E i (p i x N) Interval SD
UJI F DAN UJI T Uj F dkenal dengan Uj serentak atau uj Model/Uj Anova, yatu uj untuk melhat bagamanakah pengaruh semua varabel bebasnya secara bersama-sama terhadap varabel terkatnya. Atau untuk menguj
Lebih terperinci