Kiki Reskianti, Nurtiti Sunusi dan Nasrah Sirajang
|
|
- Hadian Budiono
- 7 tahun lalu
- Tontonan:
Transkripsi
1 ESTIMASI PARAMETER BAYESIAN PADA ANALISIS DATA KETAHANAN HIDUP BERDISTRIBUSI EKSPONENSIAL MELALUI PENDEKATAN SELF. STUDI KASUS : ANALISIS KETAHANAN HIDUP FLOUROPHORES. Kiki Reskiati, Nurtiti Suusi da Nasrah Sirajag Jurusa Matematika Fakultas Matematika da Ilmu Pegetahua Alam Uiversitas Hasauddi (UNHAS) Jl. Peritis Kemerdekaa KM. Makassar 9245, Idoesia kikireskiati@ymail.com Abstrak Dalam skripsi ii dikaji tetag estimasi Bayesia dega pedekata Squared Error Loss Fuctio (SELF) dega studi kasus aalisis Ketahaa Hidup Flourophores. Utuk megaalisa data ketahaa hidup, dibutuhka iformasi sebara prior da iformasi sampel, yag selajutya aka dibetuk mejadi distribusi posterior. Dega ditemukaya distribusi posterior, maka etimator θ dari distribusi ekspoesial dapat ditetuka dega ekspektasi miimum dari loss fuctio dega pedekata SELF maupu GELF. Iformasi prior da iformasi sampel merupaka fugsi yag diketahui, dimaa iformasi prior dalam kasus ii yaitu distribusi gamma, mea dari distribusi Gamma α, β sekaligus diguaka sebagai iformasi prior. Estimasi bayesia pada θ G dega pedekata GELF dapat diyataka mejadi SELF dega mesubtitusi α =. Namu tidak berlaku utuk α yag laiya, sehigga dapat peeliti simpulka pedekata SELF lebih baik dari pada pedekata GELF utuk distribusi ekspoesial. Kata Kuci : Estimasi, Estimasi Bayesia, SELF, GELF, loss fuctio, Aalisis Ketahaa Hidup, Distribusi Ekspoesial PENDAHULUAN Aalisis ketahaa hidup (lifetime) telah dikembagka mejadi topik yag petig di berbagai bidag, terutama di bidag tekik mesi (egieerig), sais da biomedis. Meurut Hidayah (994), distribusi waktu ketahaa hidup biasaya digambarka dega tiga fugsi yaitu fugsi ketahaa hidup (survival fuctio), fugsi kepadata peluag (probabily desity fuctio) da fugsi kegagala (hazard fuctio). Data ketahaa hidup dari beberapa idividu dalam suatu pegamata dapat dikembagka dega aalisis regresi liier utuk memeriksa hubuga atara variabel terikat (depedet) sebagai fugsi distribusi kumulatif da variabel bebas (idepedet) sebagai waktu kegagala. Estimasi parameter diperluka utuk membetuk suatu model peramala terbaik. Saat ii dikeal dua pedekata utama utuk megestimasi parameter yaitu pedekata klasik (classical approach) da pedekata Bayesia (Bayesia approach). Salah satu metode estimasi parameter dega pedekata klasik adalah Maximum Likelihood Estimates (MLE). Metode Maksimum Likelihood merupaka suatu metode yag medasarka iferesiya pada sampel, sedagka Bayes memperkealka suatu metode di maa seseorag perlu megetahui betuk distribusi awal (prior). Sebelum mearik sampel dari suatu populasi terkadag diperoleh iformasi megeai parameter yag aka diestimasi. Iformasi ii kemudia digabugka dega iformasi dari sampel yag merupaka fugsi Likelihood utuk diguaka dalam megestimasi parameter populasi (Walpole da Myers, 995). Terdapat beberapa metode estimasi Bayes yag diguaka utuk megestimasi parameter distribusi yaitu Geeral Etropy Loss Fuctio (GELF), Squared Error Loss Fuctio (SELF) da lai-lai. Meurut Shah da Patel (29), pedekata dega estimasi Bayesia melalui metode GELF lebih baik dari pada pedekata SELF utuk data yag berdistribusi Geometrik. Namu dalam tulisaya tidak dibahas apakah peryataa tersebut berlaku utuk semua betuk distribusi data. Oleh karea itu, tujua dari peelitia ii yaitu megaalisa data ketahaa hidup
2 berdistribusi ekpoesial megguaka pedekata Bayesia dega pedekata SELF. MASALAH DAN PEMBAHASAN. Distribusi Prior Dalam aalisis Bayesia, ketika suatu populasi megikuti distribusi tertetu dega suatu parameter di dalamya (misal dalam hal ii θ), maka dimugkika bahwa parameter θ megikuti suatu distribusi peluag tertetu yag dikeal sebagai distribusi prior. Dalam meetuka distribusi prior dapat dilihat berdasarka ruag parameterya. Dalam kasus ii, distribusi Gamma ditetapka sebagai distribusi prior sekawa utuk distribusi ekspoesial dega parameter θ dimaa < θ <. Distribusi ekspoesial adalah salah satu kasus khusus dari distribusi gamma. Fugsi gamma didefiisika oleh: Γ α = θ α e θ dθ, utuk α >. Terlihat fugsi gamma dega parameter θ dimaa < θ <. Dimaa θ merupaka peluag sukses dalam distribusi ekspoesial. Permasalaha selajutya yag mucul adalah peetua parameter α da β utuk distribusi Gamma α, β yag diguaka sebagai distribusi prior. Peetua parameter α da β utuk distribusi Gamma α, β ii dapat diselesaika dega mecocokka atara mea da variasi distribusi gamma dega mea da variasi distribusi ekspoesial. Mea da variasi distribusi ekspoesial masig-masig diberika oleh: E X = θ da Var X = θ 2 Mea da variasi distribusi gamma masig-masig diberika oleh: E X = αβ da Var X = αβ 2 distribusi ekspoesial diperoleh ilai α = da β = x. 2. Distribusi Posterior Dalam estimasi Bayes, setelah iformasi sampel diambil da prior telah ditetuka maka distribusi posteriorya dicari dega megalika priorya dega iformasi sampel yag diperoleh dari likelihoodya, di maa prior ii idepede terhadap likelihoodya (Bolstad, 27 dalam Ade Cadra 2). Distribusi posterior tersebut diberika oleh: f θ; x i = f θ f x i ; θ f θ f(x i ; θ) dθ fugsi kepadata f θ; x i meujukka distribusi posterior, f θ meujukka distribusi prior da fugsi f x i ; θ meujukka fugsi likelihood. f θ; x i = = f θ f θ; x i f θ f θ; x i θ +α e θ Γ + α dθ i= x i+ β i= x i + β atau bisa ditulis Gamma + α, +α i= x i + β. Jika diketahui ilai x maka dega metode dega mecocokka atara mea da variasi distribusi gamma dega mea da variasi
3 3. Estimasi Bayesia Distribusi Ekspoesial melalui Pedekata SELF Estimasi parameter yag diguaka dalam kasus ii megguaka symmetric loss fuctio yag dikeal sebagai SELF atau Squared Error Loss Fuctio, dimaa loss fuctio utuk SELF diberika sebagai berikut: L θ, δ = δ θ 2 utuk < θ <. Dimaa δ merupaka estimator bayesia utuk θ dega pedekata SELF. Estimator Bayesia dari θ pada distribusi ekspoesial dega megguaka pedekata Squared Error Loss Fuctio diperoleh dega memiimumka ekspektasi loss fuctio yag diperoleh sebagai berikut: d dy sehigga estimator pedekata SELF adalah E L θ, δ = bayesia utuk θ dega θ s = E θ sehigga estimasi Bayesia utuk θ dega pedekata SELF adalah: 4. Estimasi Bayesia Distribusi Ekspoesial melalui Pedekata GELF Geeral Etropy Loss Fuctio (GELF) meyagkut pada fugsi kerugia asymmetric yag diberika oleh Shah da Patel (29) yaitu: L θ, y = y θ α α l y θ ; y = z θ, θ 2, p utuk α, < θ <. Parameter α meujukka peyimpaga asimetri da y merupaka estimator bayesia utuk θ dega pedekata GELF. Estimator Bayesia dari θ pada distribusi ekspoesial dega megguaka pedekata Geeral Etropy Loss Fuctio diperoleh dega memiimumka ekspektasi loss fuctio yag diperoleh sebagai berikut: d dy E L θ, y = sehigga estimator Bayesia utuk θ dega pedekata GELF adalah: karea θ G = E θ α α θ s = E θ = θ θ +α e θ Γ + α i= x i+ β i= x i + β +α dθ E θ α = θ α = Γ +α α Γ +α θ +α e θ Γ + α i= x i + β i= x i+ β i= x i α + β +α dθ θ s = + α i= x i + β maka θ G = E θ α α θ G = Γ + α α Γ + α α i= x i + β
4 5. Studi Kasus Estimasi Bayesia utuk θ dega pedekata SELF adalah: θ s = + α i= x i + β diketahui bahwa ilai α =, β = x persamaa diatas dapat ditulis mejadi: θ s = dega = 44, + i= x i maka i= x i = 6,28 da x = 2,64 maka estimasi Bayesia dega pedekata SELF dapat dituliska sebagai: θ s = ,28 + 2,64 maka hasil estimasi data ketahaa hidup plourophores adalah: θ s =,38 Grafik. Estimasi parameter dega θ s =,38,4,3,2, f(x) pada distribusi ekspoesial expoesial 5 x Sumber: olahdata excel expoesial Estimasi Bayesia utuk θ dega pedekata GELF adalah: θ G = Γ + α α Γ + α α i= x i + β diketahui bahwa ilai α =, β = x i= x i = 6,28, x = 2,64 da = 44. Dalam peelitiaya Syah da Patel (29) meuliska estimasi bayesia pada θ G dega pedekata GELF dapat diyataka mejadi SELF dega mesubtitusi α =, sedagka dega mesubtitusi α = ekuivale dega hasil estimasi SELF. Jika α = maka θ G = Γ 44 + Γ 44 + = Γ 44 da jika α = maka θ G = Γ Γ 44 + = Γ 46 diperoleh ilai yag i= x i 6,28 + 2,64 =,37 i= x i 6,28 + 2,64 =,38 Namu tidak berlaku utuk α yag laiya, jika α = 2 maka θ G = Γ Γ 44 + = Γ 43 2 jika α = 2 maka θ G = Γ Γ 44 + = Γ i= x i 6,28 + 2,64 = 3685, 2 i= x i 6,28 + 2,64 = 3673,32,
5 KESIMPULAN Berdasarka uraia dari bab-bab sebelumya, maka dapat ditarik kesimpula sebagai berikut:. Utuk megaalisa data ketahaa hidup dibutuhka iformasi sebara prior da iformasi sampel, yag selajutya aka dibetuk mejadi distribusi posterior. Dega ditemukaya distribusi posterior maka etimator θ dari distribusi ekspoesial dapat ditetuka dega ekspektasi miimum dari loss fuctio dega pedekata SELF maupu GELF. 2. Utuk studi kasus megguaka data ketahaa hidup flourophores: Mea dari distribusi Gamma α, β sekaligus mejadi iformasi prior. Mea distribusi gamma diberika oleh: Mea x = E x = αβ = 2,64 =,38 hasil estimasi data ketahaa hidup plourophores dega pedekata SELF adalah: θ s =,38 Sedagka utuk pedekata GELF diperoleh, Jika α = maka θ G = Γ 44 + Γ 44 + = Γ 44 Jika α = maka θ G = Γ Γ 44 + = Γ 46 i= x i 6,28 + 2,64 =,37 i= x i 6,28 + 2,64 =,38 estimasi bayesia pada θ G dega pedekata GELF dapat diyataka mejadi SELF dega mesubtitusi α =, sedagka dega mesubtitusi α = diperoleh ilai yag ekuivale dega hasil estimasi SELF. Namu tidak berlaku utuk α yag laiya. Sehigga dapat peeliti simpulka pedekata SELF lebih baik dari pada pedekata GELF utuk distribusi ekspoesial.
6 REFERENSI Cadra Siska, Ade. 2. Iferesi Statistik Distribusi Biomial Dega Metode Bayes Megguaka Prior Kojugat. Uiversitas Dipoegoro: Semarag. _cadra.pdf Flourescece ad Biomedical Itrumetatio. Lifetime Data of Selected Fluorophores. atables/lifetimedatafluorophores.pd f Gupta, R.D. ad Kudu, D. 2. Geeralized Expoetial Distributio: Differet Method of Estimatios. Joural of Statistical Computatio ad Simulatios, 69: Hidayah, Ey Aalisis Ketahaa Hidup dega Metode Geha Matel-Haeszel da Taroe-Ware utuk 2 Sampel Sampai K Sampel. Uiversitas Dipoegoro : Semarag. Hidayah, Eti. 2. Model Disagregasi Data Huja Temporal Dega Pedekata Bayesia Sebagai Iput Pemodela Bajir. Istitut Tekologi Sepuluh Nopember: Surabaya J. B. Shah ad M. N. Patel. 2. Bayes Estimatio of a Two-Parameter Geometric Distributio udermultiply Type II Cesorig. Iteratioal Joural of Quality, Statistics, ad Reliability Volume 2, Article ID Li, T.I. ad Lee, J.C. 23. Bayesia aalysis of Mixtures Modellig Usig the Multivariate t- Distributio. Statistics ad Computig 4: 9-3. Lee, E.T. 23. Statistical Methods for Survival Data Aalysis 3 rd Editio. Joh Wiley & Sos Ic: Caada. Motgomery, D.C ad Ruger, G.C. 2. Applied Statistics ad Probability for Egieers 5 rd Editio. Joh Wiley & Sos, Ic: Caada Rahmawati, Diaa. 2. Estimasi Model Regresi Liier Dega Pedekata Bayes. Malag. Uiversitas Islam Negeri Maulaa Malik Ibrahim. Rahmiyati, I. 23. Metode Geeral Etropy Loss Fuctio (Gelf) Dalam Estimasi Parameter Distribusi Campura Geometrik. Uiversitas Hasauddi : Makassar Sugito da Mukid, Moch Abdul. 2. Distribusi Poisso Da Distribusi Ekspoesial Dalam Proses Stokastik. Udip Sugito da Dwi Ispriyati. 2. Distribusi Ivers Gamma Pada Iferesi Bayesia. FMIPA UNDIP. Walpole, Roald E da Myers, Raymod H Ilmu Peluag da Statistika utuk Isiyur da Ilmuwa Edisi ke-4. ITB : Badug. Kismiatii ad Himmawati. 23. Hubuga atara Estimator Bayes dega Estimator Klasik pada Distribusi Peluag Diskrit yag Khusus. Jurusa Matematika Fakultas Matematika da Ilmu Pegetahua Alam UNNES: Semarag.
7 Lampira Data Ketahaa Hidup Flourophores yag diperoleh dari Flourescece ad Biomedical Itrumetatio. No. Fluorophore Lifetime [s] DAPI.6 2 Hoechst o DNA.2 3 CY3.3 4 Hoechst oDNA.35 5 Idocyaie Gree.52 6 Alexa Flour CY5 8 CY5.5 9 Hoechst ssDNA.5 Alexa Flour 68.2 Hoechst dsDNA.22 2 Proda.4 3 Ethidium Bromide-oDNA.6 4 YOTO+ ss DNA.67 5 Rhodamie B.69 6 DAPI+ssDNA.88 7 Hoechst ddDNA.94 8 Acridie Orage 2 9 YOTO- o DNA 2. 2 Orego Gree DAPI+dsDNA TOTO Hoechst dsDNA YOTO+ ds DNA Coumari CY3B Alexa Flour GFP ATTO ATTO Alexa Flour Flourescei 4 33 Rhodamie 4 34 Rhodamie 6G Alexa Flour FITC Orego Gree Texas Red 4.2
8 39 Rhodamie CY BODIPY TR-X HPTS BODIPY FL Lucifer Yellow 5.7 Sumber :
PENDUGAAN PARAMETER DARI DISTRIBUSI POISSON DENGAN MENGGUNAKAN METODE MAXIMUM LIKEHOOD ESTIMATION (MLE) DAN METODE BAYES
Jural Matematika UNAND Vol. 3 No. 4 Hal. 52 59 ISSN : 233 29 c Jurusa Matematika FMIPA UNAND PENDUGAAN PARAMETER DARI DISTRIBUSI POISSON DENGAN MENGGUNAKAN METODE MAXIMUM LIKEHOOD ESTIMATION (MLE) DAN
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakag Statistika iferesi merupaka salah satu cabag statistika yag bergua utuk meaksir parameter. Peaksira dapat diartika sebagai dugaa atau perkiraa atas sesuatu yag aka terjadi
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Distribusi Ekspoesial Fugsi ekspoesial adalah salah satu fugsi yag palig petig dalam matematika. Biasaya, fugsi ii ditulis dega otasi exp(x) atau e x, di maa e adalah basis logaritma
Lebih terperinciPENAKSIR BAYES UNTUK PARAMETER DISTRIBUSI EKSPONENSIAL BERDASARKAN FUNGSI KERUGIAN KUADRATIK DAN FUNGSI KERUGIAN ENTROPI
PENAKSIR BAYES UNTUK PARAMETER DISTRIBUSI EKSPONENSIAL BERDASARKAN FUNGSI KERUGIAN KUADRATIK DAN FUNGSI KERUGIAN ENTROPI Nadya Zulfa Negsih, Bustami Mahasiswa Program Studi S Matematika Dose Jurusa Matematika
Lebih terperinciPerbandingan Power of Test dari Uji Normalitas Metode Bayesian, Uji Shapiro-Wilk, Uji Cramer-von Mises, dan Uji Anderson-Darling
Jural Gradie Vol No Juli 5 : -5 Perbadiga Power of Test dari Uji Normalitas Metode Bayesia, Uji Shapiro-Wilk, Uji Cramer-vo Mises, da Uji Aderso-Darlig Dyah Setyo Rii, Fachri Faisal Jurusa Matematika,
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakag Didalam melakuka kegiata suatu alat atau mesi yag bekerja, kita megeal adaya waktu hidup atau life time. Waktu hidup adalah lamaya waktu hidup suatu kompoe atau uit pada
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang. Universitas Sumatera Utara
BAB I PENDAHULUAN 1.1 Latar Belakag Salah satu pera da fugsi statistik dalam ilmu pegetahua adalah sebagai. alat aalisis da iterpretasi data kuatitatif ilmu pegetahua, sehigga didapatka suatu kesimpula
Lebih terperinciESTIMASI PARAMETER MODEL REGRESI LINIER SEDERHANA BAYES DENGAN DISTRIBUSI PRIOR NONINFORMATIF JEFFREY
Prosidig Semiar Matematika da Pedidika Matematika ISBN: 978-60-6-0-9 http://jural.fkip.us.ac.id ESTIMASI PARAMETER MODEL REGRESI LINIER SEDERHANA BAYES DENGAN DISTRIBUSI PRIOR NONINFORMATIF JEFFREY Firda
Lebih terperinciPENGGUNAAN METODE BAYESIAN OBYEKTIF DALAM PEMBUATAN GRAFIK PENGENDALI p-chart
Prosidig Semiar Nasioal Peelitia, Pedidika da Peerapa MIPA, Fakultas MIPA, Uiversitas Negeri Yogyakarta, 2 Jui 2012 PENGGUNAAN METODE BAYESIAN OBYEKTIF DALAM PEMBUATAN GRAFIK PENGENDALI p-chart Adi Setiawa
Lebih terperinciStatistika dibagi menjadi dua, yaitu: 1. Statistika Deskriftif 2. Statistik Inferensial Penarikan kesimpulan dapat dilakukan dengan dua cara, yaitu:
Peaksira Parameter Statistika dibagi mejadi dua yaitu:. Statistika Deskriftif 2. Statistik Iferesial Pearika kesimpula dapat dilakuka dega dua cara yaitu:. Peaksira Parameter 2. Pegujia Hipotesis Peaksira
Lebih terperinciTINJAUAN PUSTAKA Pengertian
TINJAUAN PUSTAKA Pegertia Racaga peelitia kasus-kotrol di bidag epidemiologi didefiisika sebagai racaga epidemiologi yag mempelajari hubuga atara faktor peelitia dega peyakit, dega cara membadigka kelompok
Lebih terperinciPerbandingan Beberapa Metode Pendugaan Parameter AR(1)
Jural Vokasi 0, Vol.7. No. 5-3 Perbadiga Beberapa Metode Pedugaa Parameter AR() MUHLASAH NOVITASARI M, NANI SETIANINGSIH & DADAN K Program Studi Matematika Fakultas MIPA Uiversitas Tajugpura Jl. Ahmad
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakag Maajeme risiko merupaka salah satu eleme petig dalam mejalaka bisis perusahaa karea semaki berkembagya duia perusahaa serta meigkatya kompleksitas aktivitas perusahaa
Lebih terperinciIII PEMBAHASAN. λ = 0. Ly = 0, maka solusi umum dari persamaan diferensial (3.3) adalah
III PEMBAHASAN Pada bagia ii aka diformulasika masalah yag aka dibahas. Solusi masalah aka diselesaika dega Metode Dekomposisi Adomia. Selajutya metode ii aka diguaka utuk meyelesaika model yag diyataka
Lebih terperinciEstimasi Parameter Distribusi Eksponensial yang Dipangkatkan dan Distribusi Campuran Eksponensial untuk Data Masa Hidup
Estimasi Parameter Distribusi Ekspoesial yag Dipagkatka da Distribusi Campura Ekspoesial utuk Data Masa Hidup Imas Sukarsih 1, a), Asep Solih Awalluddi 2, b) 3, c), da Elis Rata Wula 1, 2, 3 Jurusa Matematika,
Lebih terperinciMetode Bootstrap Persentil Pada Sensor Tipe II Berdistribusi Eksponensial
Statistika, Vol. 7 No. 1, 1 6 Mei 007 Metode Bootstrap Persetil Pada Sesor Tipe II Berdistribusi Ekspoesial Jurusa Statistika FMIPA Uiversitas Islam Idoesia Yogyakarta Abstrak Metode bootstrap adalah suatu
Lebih terperinciBAB VIII MASALAH ESTIMASI SATU DAN DUA SAMPEL
BAB VIII MASAAH ESTIMASI SAT DAN DA SAMPE 8.1 Statistik iferesial Statistik iferesial suatu metode megambil kesimpula dari suatu populasi. Ada dua pedekata yag diguaka dalam statistik iferesial. Pertama,
Lebih terperinciBAB III MENENTUKAN MODEL KERUSAKAN DAN INTERVAL WAKTU PREVENTIVE MAINTENANCE OPTIMUM SISTEM AXIS PADA MESIN CINCINNATI MILACRON DOUBLE GANTRY TIPE-F
BAB III MENENUKAN MODEL KERUSAKAN DAN INERVAL WAKU PREVENIVE MAINENANCE OPIMUM SISEM AXIS PADA MESIN CINCINNAI MILACRON DOUBLE GANRY IPE-F 3.1 Pedahulua Pada Bab II telah dijelaska beberapa teori yag diguaka
Lebih terperinciPENGGGUNAAN ALGORITMA GAUSS-NEWTON UNTUK MENENTUKAN SIFAT-SIFAT PENAKSIR PARAMETER DAN
PENGGGUNAAN ALGORITMA GAUSS-NEWTON UNTUK MENENTUKAN SIFAT-SIFAT PENAKSIR PARAMETER DAN DALAM SUATU MODEL NON-LINIER Abstrak Nur ei 1 1, Jurusa Matematika FMIPA Uiversitas Tadulako Jl. Sukaro-Hatta Palu,
Lebih terperinciTRANSFORMASI BOX-COX PADA ANALISIS REGRESI LINIER SEDERHANA
Jural Matematika UNAND Vol. 2 No. 2 Hal. 115 122 ISSN : 2303 2910 c Jurusa Matematika FMIPA UNAND TRANSFORMASI BOX-COX PADA ANALISIS REGRESI LINIER SEDERHANA ELVI YATI, DODI DEVIANTO, YUDIANTRI ASDI Program
Lebih terperinciBAB 3 ENTROPI DARI BEBERAPA DISTRIBUSI
BAB 3 ENTROPI DARI BEBERAPA DISTRIBUSI Utuk lebih memahami megeai etropi, pada bab ii aka diberika perhituga etropi utuk beberapa distribusi diskrit da kotiu. 3. Distribusi Diskrit Pada sub bab ii dibahas
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 6. No. 2, , Agustus 2003, ISSN : METODE PENENTUAN BENTUK PERSAMAAN RUANG KEADAAN WAKTU DISKRIT
Vol. 6. No., 97-09, Agustus 003, ISSN : 40-858 METODE PENENTUAN BENTUK PERSAMAAN RUANG KEADAAN WAKTU DISKRIT Robertus Heri Jurusa Matematika FMIPA UNDIP Abstrak Tulisa ii membahas peetua persamaa ruag
Lebih terperinciPENGGUNAAN METODE BAYESIAN SUBYEKTIF DALAM PENGKONSTRUKSIAN GRAFIK PENGENDALI-p
PENGGUNAAN METODE BAYESIAN SUBYEKTIF DALAM PENGKONSTRUKSIAN GRAFIK PENGENDALI-p Sekar Sukma Asmara 1, Adi Setiawa 2, Tudjug Mahatma 3 1 Mahasiswa Program Studi Matematika Fakultas Sais da Matematika Uiversitas
Lebih terperinciAji Wiratama, Yuni Yulida, Thresye Program Studi Matematika Fakultas MIPA Universitas Lambung Mangkurat Jl. Jend. A. Yani km 36 Banjarbaru
Jural Matematika Muri da Terapa εpsilo Vol.8 No.2 (24) Hal. 39-45 APLIKASI METODE DEKOMPOSISI ADOMIAN UNTUK MENENTUKAN FORMULA TRANSFORMASI LAPLACE Aji Wiratama, Yui Yulida, Thresye Program Studi Matematika
Lebih terperinciREGRESI LINIER DAN KORELASI. Variabel bebas atau variabel prediktor -> variabel yang mudah didapat atau tersedia. Dapat dinyatakan
REGRESI LINIER DAN KORELASI Variabel dibedaka dalam dua jeis dalam aalisis regresi: Variabel bebas atau variabel prediktor -> variabel yag mudah didapat atau tersedia. Dapat diyataka dega X 1, X,, X k
Lebih terperinciAPLIKASI GOODNESS OF-FIT TEST KOLMOGOROV- SMIRNOV (K-S) UNTUK PENGUJIAN WAKTU TUNGGU KECELAKAAN PESAWAT TERBANG
APLIKASI GOODNESS OF-FIT TEST KOLMOGOROV- SMIRNOV (K-S) UNTUK PENGUJIAN WAKTU TUNGGU KECELAKAAN PESAWAT TERBANG Jurusa Matematika, Fakultas Matematika da Ilmu Pegetahua Alam, Uiversitas Negeri Semarag
Lebih terperinciPENDUGA RASIO UNTUK RATA-RATA POPULASI MENGGUNAKAN KUARTIL VARIABEL BANTU PADA PENGAMBILAN SAMPEL ACAK SEDERHANA DAN PENGATURAN PERINGKAT MEDIAN
PEDUGA RASIO UTUK RATA-RATA POPULASI MEGGUAKA KUARTIL VARIABEL BATU PADA PEGAMBILA SAMPEL ACAK SEDERHAA DA PEGATURA PERIGKAT MEDIA ur Khasaah, Etik Zukhroah, da Dewi Reto Sari S. Prodi Matematika Fakultas
Lebih terperinciPENGUJIAN HIPOTESIS PADA REGRESI KUANTIL
PENGUJIAN HIPOTESIS PADA REGRESI KUANTIL Nurwahida Astari, Amra, Adi Kresa Jaya Departeme Matematika Fakultas Matematika da Ilmu Pegetahua Alam Uiversitas Hasauddi E-mail: urwahida.astari95yahoo.co.id
Lebih terperinciDistribusi Sampel, Likelihood dan Penaksir
BAB 1 Distribusi Sampel, Likelihood da Peaksir 1.1 Sampel Acak Misalka X 1, X 2,..., X sampel acak berukura (radom sample of size ). Fugsi peluag -variat ya adalah f X1,X 2,,X (x 1, x 2,..., x ) = f Xi
Lebih terperinciHUBUNGAN ANTARA KONVERGEN HAMPIR PASTI, KONVERGEN DALAM PELUANG, DAN KONVERGEN DALAM SEBARAN
Jural Matematika UNAND Vol. 2 No. 2 Hal. 0 6 ISSN : 2303 290 c Jurusa Matematika FMIPA UNAND HUBUNGAN ANTARA KONVERGEN HAMPIR PASTI, KONVERGEN DALAM PELUANG, DAN KONVERGEN DALAM SEBARAN VIRA AGUSTA, DODI
Lebih terperinciPemodelan pada Regresi Linier Berganda dengan Variabel Prediktor Stokastik
Jural Matematika, Statistika & Komputasi Vol. 8 No. Juli 0 Pemodela pada Regresi Liier Bergada dega Variabel Prediktor Stokastik Prodi Statistika, Jurusa Matematika, Uivesitas Hasauddi, Sulfiyati, Jaya
Lebih terperinciBAB II LANDASAN TEORI. Dalam tugas akhir ini akan dibahas mengenai penaksiran besarnya
5 BAB II LANDASAN TEORI Dalam tugas akhir ii aka dibahas megeai peaksira besarya koefisie korelasi atara dua variabel radom kotiu jika data yag teramati berupa data kategorik yag terbetuk dari kedua variabel
Lebih terperinciI. 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 terperinciESTIMASI PARAMETER REGRESI LOGISTIK MULTINOMIAL DENGAN METODE BAYES
JURNAL GAUSSIAN, Volume, Nomor, Tahu 03, Halama 79-88 Olie di: http://ejoural-s.udip.ac.id/idex.php/gaussia ESTIMASI PARAMETER REGRESI LOGISTIK MULTINOMIAL DENGAN METODE BAYES Wayaig Apsari, Hasbi Yasi,
Lebih terperinciPENAKSIRAN PARAMETER PADA DISTRIBUSI RAYLEIGH MENGGUNAKAN METODE MAXIMUM LIKELIHOOD DAN METODE BAYES SKRIPSI FITRI ARDIANTI
PENAKSIRAN PARAMETER PADA DISTRIBUSI RAYLEIGH MENGGUNAKAN METODE MAXIMUM LIKELIHOOD DAN METODE BAYES SKRIPSI FITRI ARDIANTI 138377 DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM MEDAN
Lebih terperinciDistribusi Pendekatan (Limiting Distributions)
Distribusi Pedekata (Limitig Distributios) Ada 3 tekik utuk meetuka distribusi pedekata: 1. Tekik Fugsi Distribusi Cotoh 2. Tekik Fugsi Pembagkit Mome Cotoh 3. Tekik Teorema Limit Pusat Cotoh Fitriai Agustia,
Lebih terperinciPENERAPAN REGRESI BINOMIAL NEGATIF UNTUK MENGATASI OVERDISPERSI PADA REGRESI POISSON
E-Jural Matematika Vol., No., Mei 013, 6-10 ISSN: 303-1751 PENERAPAN REGRESI BINOMIAL NEGATIF UNTUK MENGATASI OVERDISPERSI PADA REGRESI POISSON PUTU SUSAN PRADAWATI 1, KOMANG GDE SUKARSA, I GUSTI AYU MADE
Lebih terperinciJURNAL 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 terperinciPENAKSIR RANTAI RASIO DAN RANTAI PRODUK YANG EFISIEN UNTUK MENAKSIR RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA
PENAKSIR RANTAI RASIO DAN RANTAI PRODUK YANG EFISIEN UNTUK MENAKSIR RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA V. M. Vidya *, Bustami, R. Efedi Mahasiswa Program S Matematika Dose Jurusa Matematika
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Objek Peelitia Peelitia dilakuka di bagia spiig khususya bagia widig Pabrik Cambrics Primissima (disigkat PT.Primissima) di Jala Raya Magelag Km.15 Slema, Yogyakarta. Peelitia
Lebih terperinciBAB 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 terperinciESTIMASI DENSITAS KERNEL ADJUSTED: STUDI SIMULASI. Novita Eka Chandra Universitas Islam Darul Ulum Lamongan
JMP : Vol. 8 No., Des. 016, al. 33-40 ISSN 085-1456 ESTIMASI DENSITAS KERNEL ADJUSTED: STUDI SIMULASI Novita Eka Cadra Uiversitas Islam Darul Ulum Lamoga ovitaekacadra@gmail.com Masriai Mayuddi Uiversitas
Lebih terperinciBAB III METODE PENELITIAN. Penelitian ini merupakan jenis penelitian deskriptif-kuantitatif, karena
7 BAB III METODE PENELITIAN A. Jeis Peelitia Peelitia ii merupaka jeis peelitia deskriptif-kuatitatif, karea melalui peelitia ii dapat dideskripsika fakta-fakta yag berupa kemampua siswa kelas VIII SMP
Lebih terperinciPENAKSIRAN M A S T A T I S T I K A D A S A R 1 7 M A R E T 2014 U T R I W E N I M U K H A I Y A R
PENAKSIRAN P E N A K S I R A N T I T I K P E N A K S I R A N S E L A N G S E L A N G K E P E R C A Y A A N U N T U K R A T A A N S E L A N G K E P E R C A Y A A N U N T U K V A R I A N S I M A 0 8 S T
Lebih terperinci9 Departemen Statistika FMIPA IPB
Supleme Resposi Pertemua ANALISIS DATA KATEGORIK (STK351 9 Departeme Statistika FMIPA IPB Pokok Bahasa Sub Pokok Bahasa Referesi Waktu Pegatar Aalisis utuk Data Respo Kategorik Data respo kategorik Sebara
Lebih terperinciInstitut Teknologi Sepuluh Nopember Surabaya. Model Sistem dalam Persamaan Keadaan
Istitut Tekologi Sepuluh Nopember Surabaya Model Sistem dalam Persamaa Keadaa Pegatar Materi Cotoh Soal Rigkasa Latiha Pegatar Materi Cotoh Soal Rigkasa Istilah-istilah Dalam Persamaa Keadaa Aalisis Sistem
Lebih terperinciBAB 1 PENDAHULUAN. Analisis regresi menjadi salah satu bagian statistika yang paling banyak aplikasinya.
BAB 1 PENDAHULUAN 1.1 Latar Belakag Aalisis regresi mejadi salah satu bagia statistika yag palig bayak aplikasiya. Aalisis regresi memberika keleluasaa kepada peeliti utuk meyusu model hubuga atau pegaruh
Lebih terperinciPOSITRON, Vol. II, No. 2 (2012), Hal. 1-5 ISSN : Penentuan Energi Osilator Kuantum Anharmonik Menggunakan Teori Gangguan
POSITRON, Vol. II, No. (0), Hal. -5 ISSN : 30-4970 Peetua Eergi Osilator Kuatum Aharmoik Megguaka Teori Gaggua Iklas Saubary ), Yudha Arma ), Azrul Azwar ) )Program Studi Fisika Fakultas Matematika da
Lebih terperinciRENCANA PEMBELAJARAN SEMESTER (RPS) PROGRAM STUDI S1 TEKNIK SIPIL FAKULTAS TEKNIK UNIVERSITAS RIAU
RENCANA PEMBELAJARAN SEMESTER (RPS) PROGRAM STUDI S1 TEKNIK SIPIL FAKULTAS TEKNIK UNIVERSITAS RIAU 1 Nama Mata Kuliah : Statitika Probabilitas 2 Kode Mata Kuliah : TSS-1208 3 Semester : II 4 (sks) : 2
Lebih terperinciPENAKSIRAN. Penaksiran Titik. Selang Kepercayaan untuk VARIANSI. MA2181 ANALISIS DATA Utriweni Mukhaiyar 17 Oktober 2011
PENAKSIRAN Peaksira Titik Peaksira Selag Selag Kepercayaa utuk RATAAN Selag Kepercayaa utuk VARIANSI MA8 ANALISIS DATA Utriwei Mukhaiyar 7 Oktober 0 Metode Peaksira Peaksira Titik Peaksira Selag Nilai
Lebih terperinciPengantar 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 terperinciRange atau jangkauan suatu kelompok data didefinisikan sebagai selisih antara nilai terbesar dan nilai terkecil, yaitu
BAB 4 UKURAN PENYEBARAN DATA Pada Bab sebelumya kita telah mempelajari beberapa ukura pemusata data, yaitu ukura yag memberika iformasi tetag bagaimaa data-data ii megumpul atau memusat Pada bagia Bab
Lebih terperinciPENAKSIR RASIO UNTUK RATA-RATA POPULASI MENGGUNAKAN KOEFISIEN VARIASI DAN KOEFISIEN KURTOSIS PADA SAMPLING GANDA
PEAKSIR RASIO UTUK RATA-RATA POPULASI MEGGUAKA KOEFISIE VARIASI DA KOEFISIE KURTOSIS PADA SAMPLIG GADA Heru Agriato *, Arisma Ada, Firdaus Mahasiswa Program S Matematika Dose Jurusa Matematika Fakultas
Lebih terperinciPenaksiran Titik Penaksiran Selang. Selang Kepercayaan untuk VARIANSI MA2081 STATISTIKA DASAR
PENAKSIRAN Peaksira Titik Peaksira Selag Selag Kepercayaa utuk RATAAN Selag Kepercayaa utuk VARIANSI MA08 STATISTIKA DASAR MA08 STATISTIKA DASAR Utriwei Mukhaiyar 5 Oktober 0 Metode Peaksira Peaksira Titik
Lebih terperinciMENENTUKAN PELUANG RUIN DENGAN METODE KOMBINASI EKSPONENSIAL
MENENTUKAN PELUANG RUIN DENGAN METODE KOMBINASI EKSPONENSIAL Karmila 1*, Hasriati 2, Haposa Sirait 2 1 Mahasiswa Program S1 Matematika 2 Dose Jurusa Matematika Fakultas Matematika da Ilmu Pegetahua Alam
Lebih terperinciDISTRIBUSI KHUSUS YANG DIKENAL
0 DISTRIBUSI KHUSUS YANG DIKENAL Kita sudah membahas fugsi peluag atau fugsi desitas, baik defiisiya maupu sifatya. Fugsi peluag atau fugsi desitas ii merupaka ciri dari sebuah distribusi, artiya fugsi
Lebih terperinciSIFAT-SIFAT FUNGSI EKSPONENSIAL BERBASIS BILANGAN NATURAL YANG DIDEFINISIKAN SEBAGAI LIMIT
Jural Matematika UNAND Vol. 4 No. 1 Hal. 12 22 ISSN : 2303 2910 c Jurusa Matematika FMIPA UNAND SIFAT-SIFAT FUNGSI EKSPONENSIAL BERBASIS BILANGAN NATURAL YANG DIDEFINISIKAN SEBAGAI LIMIT ENIVA RAMADANI
Lebih terperinciBAB II LANDASAN TEORI. Pada bagian ini akan dibahas tentang teori-teori dasar yang. digunakan untuk dalam mengestimasi parameter model.
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
Lebih terperinciESTIMASI 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 terperinciBAB 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 terperinciBAB 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 terperinciSTATISTICS. Hanung N. Prasetyo Week 11 TELKOM POLTECH/HANUNG NP
STATISTICS Haug N. Prasetyo Week 11 PENDAHULUAN Regresi da korelasi diguaka utuk megetahui hubuga dua atau lebih kejadia (variabel) yag dapat diukur secara matematis. Ada dua hal yag diukur atau diaalisis,
Lebih terperinciBAB 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 terperinciBAB I PENDAHULUAN. Integral adalah salah satu konsep penting dalam Matematika yang
BAB I PENDAHULUAN 1.1 Latar Belakag Masalah Itegral adalah salah satu kosep petig dalam Matematika yag dikemukaka pertama kali oleh Isac Newto da Gottfried Wilhelm Leibiz pada akhir abad ke-17. Selajutya
Lebih terperinciARTIKEL. Menentukan rumus Jumlah Suatu Deret dengan Operator Beda. Markaban Maret 2015 KEMENTERIAN PENDIDIKAN DAN KEBUDAYAAN
ARTIKEL Meetuka rumus Jumlah Suatu Deret dega Operator Beda Markaba 191115198801005 Maret 015 KEMENTERIAN PENDIDIKAN DAN KEBUDAYAAN PUSAT PENGEMBANGAN DAN PEMBERDAYAAN PENDIDIK DAN TENAGA KEPENDIDIKAN
Lebih terperinciBAB VII RANDOM VARIATE DISTRIBUSI DISKRET
BAB VII RANDOM VARIATE DISTRIBUSI DISKRET Diskret radom variabel dapat diguaka utuk berbagai radom umber yag diambil dalam betuk iteger. Pola kebutuha ivetori (persediaa) merupaka cotoh yag serig diguaka
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB ENDAHULUAN. Latar Belakag Masalah Dalam kehidupa yata, hampir seluruh feomea alam megadug ketidak pastia atau bersifat probabilistik, misalya pergeraka lempega bumi yag meyebabka gempa, aik turuya
Lebih terperinciBAB 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 terperinciMETODE DEKOMPOSISI LAPLACE UNTUK MENENTUKAN SOLUSI PERSAMAAN DIFERENSIAL PARSIAL NONLINIER
Vol.1 No.1 (16) Hal. 38-45 METODE DEKOMPOSISI LAPLACE UNTUK MENENTUKAN SOLUSI PERSAMAAN DIFERENSIAL PARSIAL NONLINIER Siar Ismaya, Yui Yulida *, Na imah Hijriati Program Studi Matematika Fakultas MIPA
Lebih terperinciPENENTUAN SOLUSI RELASI REKUREN DARI BILANGAN FIBONACCI DAN BILANGAN LUCAS DENGAN MENGGUNAKAN FUNGSI PEMBANGKIT
Prosidig Semiar Nasioal Matematika da Terapaya 06 p-issn : 0-0384; e-issn : 0-039 PENENTUAN SOLUSI RELASI REKUREN DARI BILANGAN FIBONACCI DAN BILANGAN LUCAS DENGAN MENGGUNAKAN FUNGSI PEMBANGKIT Liatus
Lebih terperinciHUBUNGAN ANTARA HARI TENANG VARIASI MEDAN GEOMAGNET DI SG TONDANO DENGAN AKTIVITAS MATAHARI
HUBUNGAN ANTARA HARI TENANG VARIASI MEDAN GEOMAGNET DI SG TONDANO DENGAN AKTIVITAS MATAHARI Joh Maspupu da Setyato Cahyo P Pussaisa LAPAN Jl. Dr. Djudjua No. 33 Badug 4073 Tlp. 06060 Pes. 06. Fax. 0604998
Lebih terperinciBAB III METODOLOGI DAN PELAKSANAAN PENELITIAN. Perumusan - Sasaran - Tujuan. Pengidentifikasian dan orientasi - Masalah.
BAB III METODOLOGI DAN PELAKSANAAN PENELITIAN 3.1. DIAGRAM ALIR PENELITIAN Perumusa - Sasara - Tujua Pegidetifikasia da orietasi - Masalah Studi Pustaka Racaga samplig Pegumpula Data Data Primer Data Sekuder
Lebih terperinciPerbandingan Metode Regresi Robust Estimasi Least Trimmed Square, Estimasi Scale, dan Estimasi Method Of Moment
PRISMA 1 (2018) https://joural.ues.ac.id/sju/idex.php/prisma/ Perbadiga Metode Regresi Robust Estimasi Least Trimmed Square, Estimasi Scale, da Estimasi Method Of Momet Muhammad Bohari Rahma, Edy Widodo
Lebih terperinciKompleksitas dari Algoritma-Algoritma untuk Menghitung Bilangan Fibonacci
Kompleksitas dari Algoritma-Algoritma utuk Meghitug Bilaga Fiboacci Gregorius Roy Kaluge NIM : 358 Program Studi Tekik Iformatika, Istitut Tekologi Badug Jala Gaesha, Badug e-mail: if8@studets.if.itb.ac.id,
Lebih terperinciFungsi 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 terperinciDistribusi Sampel & Statistitik Terurut
Distribusi Sampel & Statistitik Terurut Sampel Acak, Rataa sampel, X-bar, Variasi sampel, S, Teorema Limit Pusat, Distribusi t,, F Statistik Terurut MA 3181 Teori Peluag 11 November 014 Utriwei Mukhaiyar
Lebih terperinciBAB III METODE PENELITIAN Penelitian ini dilakukan di kelas X SMA Muhammadiyah 1 Pekanbaru. semester ganjil tahun ajaran 2013/2014.
BAB III METODE PENELITIAN A. Waktu da Tempat Peelitia Peelitia dilaksaaka dari bula Agustus-September 03.Peelitia ii dilakuka di kelas X SMA Muhammadiyah Pekabaru semester gajil tahu ajara 03/04. B. Subjek
Lebih terperinciPengenalan Pola. Regresi Linier
Pegeala Pola Regresi Liier PTIIK - 014 Course Cotets 1 Defiisi Regresi Liier Model Regresi Liear 3 Estimasi Regresi Liear 4 Studi Kasus da Latiha Defiisi Regresi Liier Regresi adalah membagu model utuk
Lebih terperinciPenyelesaian 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 terperinciB a b 1 I s y a r a t
34 TKE 315 ISYARAT DAN SISTEM B a b 1 I s y a r a t (bagia 3) Idah Susilawati, S.T., M.Eg. Program Studi Tekik Elektro Fakultas Tekik da Ilmu Komputer Uiversitas Mercu Buaa Yogyakarta 29 35 1.5.2. Isyarat
Lebih terperinciBAB 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 terperinciV. METODE PENELITIAN. Alam Universitas Lampung. Metode yang digunakan dalam penelitian ini adalah
V. METODE PENELITIAN Peelitia ii dilakuka pada Semester IV Tahu Akademik 4/5, bertempat di Jurusa Matematika Fakultas Matematika da Ilmu Pegetahua Alam Uiversitas Lampug. Metode yag diguaka dalam peelitia
Lebih terperinciPENDUGA SELANG KEPERCAYAAN NILAI TENGAH DENGAN PENDEKATAN KLASIK, BAYES, DAN BOOTSTRAP *
PENDUGA SELANG KEPERCAYAAN NILAI TENGAH DENGAN PENDEKATAN KLASIK, BAYES, DAN BOOTSTRAP Adji Achmad Rialdo Ferades, SSi, MSc ABSTRAK Pada suatu peelitia, terkadag diamati karakteristik dari sebuah populasi
Lebih terperinciStatistika Inferensial
Cofidece Iterval Ara Fariza Statistika Iferesial Populasi Sampel Simpulka (estimasi) tetag parameter Medapatka statistik Estimasi: estimasi titik, estimasi iterval, uji hipotesa 2 1 Proses Estimasi Populasi
Lebih terperinciBAB 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 terperinciPengendalian Proses Menggunakan Diagram Kendali Median Absolute Deviation (MAD)
Prosidig Statistika ISSN: 2460-6456 Pegedalia Proses Megguaka Diagram Kedali Media Absolute Deviatio () 1 Haida Lestari, 2 Suliadi, 3 Lisur Wachidah 1,2,3 Prodi Statistika, Fakultas Matematika da Ilmu
Lebih terperinciPEMBUKTIAN 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 terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN A. Tujua Peelitia Peelitia ii bertujua utuk megetahui apakah terdapat perbedaa hasil belajar atara pegguaa model pembelajara Jigsaw dega pegguaa model pembelajara Picture ad Picture
Lebih terperinciMata 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 terperinciANALISIS REGRESI BAYES LINEAR SEDERHANA DENGAN PRIOR NONINFORMATIF
E-Jural Matematika Vol. 3, No.2 Mei 204, 38-44 ISSN: 2303-75 ANALISIS REGRESI BAYES LINEAR SEDERHANA DENGAN PRIOR NONINFORMATIF ANAK AGUNG ISTRI AGUNG CANDRA ISWARI, I WAYAN SUMARJAYA 2, I GUSTI AYU MADE
Lebih terperinciBAB 3 METODE PENELITIAN
BAB 3 METODE PENELITIAN 3.1 Metode Pegumpula Data Dalam melakuka sebuah peelitia dibutuhka data yag diguaka sebagai acua da sumber peelitia. Disii peulis megguaka metode yag diguaka utuk melakuka pegumpula
Lebih terperinciPENGANTAR 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 terperinciTEOREMA WEYL UNTUK OPERATOR HYPONORMAL
Jural UJMC, Volume 3, Nomor, Hal. - 6 pissn : 460-3333 eissn : 579-907X TEOREMA WEYL UNTUK OPERATOR HYPONORMAL Guawa Uiversitas Muhammadiyah Purwokerto, gu.oge@gmail.com Abstract This paper aims at describig
Lebih terperinciPENERAPAN TEOREMA TITIK TETAP UNTUK MENUNJUKKAN ADANYA PENYELESAIAN PADA SISTEM PERSAMAAN LINEAR
PENERAPAN TEOREMA TITIK TETAP UNTUK MENUNJUKKAN ADANYA PENYELESAIAN PADA SISTEM PERSAMAAN LINEAR Nur Aei Prodi Matematika, FST-UINAM uraeiatullah@gmail.com Ifo: Jural MSA Vol. 3 No. 2 Edisi: Juli Desember
Lebih terperinciIII BAHAN DAN METODE PENELITIAN. Ternak yang digunakan dalam penelitian ini adalah kuda berjumlah 25
18 III BAHAN DAN METODE PENELITIAN 3.1 Baha Peelitia 3.1.1 Objek Peelitia Terak yag diguaka dalam peelitia ii adalah kuda berjumlah 25 ekor terdiri dari 5 jata da 20 betia dega umur berkisar atara 10 15
Lebih terperinci1 n MODUL 5. Peubah Acak Diskret Khusus
ODUL 5 Peubah Acak Diskret Khusus Terdapat beberapa peubah acak diskret khusus yag serig mucul dalam aplikasi. Peubah Acak Seragam ( Uiform) Bila X suatu peubah acak diskret dimaa setiap eleme dari X mempuyai
Lebih terperinciPENAKSIRAN METODE PENAKSIRAN CONTOH. Kasus 1: taksiran titik IP = 3,5 Kasus 2: taksiran selang IP = [3,4]
PENAKIRAN Peaksira Titik Peaksira elag elag Kepercayaa utuk µ elag Kepercayaa utuk σ MA 8 Aalisis Data Utriwei Mukhaiyar Oktober 00 008 by UP & UM METODE PENAKIRAN. Peaksira Titik Nilai tuggal dari suatu
Lebih terperinciANALISIS TENTANG GRAF PERFECT
Aalisis Tetag Graf Perfect ANALISIS TENTANG GRAF PERFET Nurul Imamah AH Fakultas Matematika da Ilmu Pegetahua Alam Uiversitas Pesatre Tiggi Darul Ulum Jombag urul.imamah86@gmail.com Abstrak Seirig perkembaga
Lebih terperinciBAB 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 terperinciBAB III METODOLOGI PENELITIAN. kuantitatif karena bertujuan untuk mengetahui kompetensi pedagogik mahasiswa
54 BAB III METODOLOGI PENELITIAN A. Jeis Peelitia Peelitia ii merupaka peelitia deskriptif dega pedekata kuatitatif karea bertujua utuk megetahui kompetesi pedagogik mahasiswa setelah megikuti mata kuliah
Lebih terperinci