Bab II Teori Dasar. Data spasial adalah data yang memuat informasi lokasi. Misalkan z( ), i = 1,

Ukuran: px
Mulai penontonan dengan halaman:

Download "Bab II Teori Dasar. Data spasial adalah data yang memuat informasi lokasi. Misalkan z( ), i = 1,"

Transkripsi

1 Bab II Teor Dasar II. Estmas Spasal Data spasal adalah data yag memuat formas lokas. Msalka z, =, s,,, s D, adalah data observas peubah acak d lokas atau koordat yag dyataka dega vektor s. Vektor koordat s adalah vektor yag meyataka lokas pegukura d suatu lapaga spasal D R. Atara satu lokas dega lokas laya terdapat kebergatuga, sehgga data spasal merupaka data depede karea data spasal dkumpulka dar lokas spasal yag berbeda yag megdkaska kebergatuga atara pegukura data dega lokas. Koleks peubah acak {(s), s D} dsebut proses spasal. Utuk selautya, peubah acak (s) yag berkata dega lokas dsebut peubah acak regoal. Suatu proses spasal dkataka stasoer kuat ka utuk sebarag koordat ttk s, s,..., s da utuk sebarag vektor h, yag berdmes sama dega s, berlaku F ( z, z,..., z ) = F ( z, z,..., z ) (.) s, s,..., s s+ h, s+ h,..., s+ h dega F adalah fugs dstrbus gabuga yag ddefska sebaga Fs s s( z, z,..., z ) = P( ( s ) z, ( s ) z,..., ( s ) z ) (.),,..., Suatu proses spasal dkataka megkut kestasoera orde ka memlk sfatsfat sebaga berkut. E[ ( s)]= m, utuk setap s D. Artya mea dar ada da tdak bergatug pada lokas.. Cov[ ( s), ( s+ h)] = C( h ), utuk setap ss, + h D. Artya kovaras atara () s da ( s+ h) d lokas s da s+ h haya bergatug pada paag da arah vektor h da tdak bergatug pada koordat s. 3

2 Suatu proses spasal dkataka bersfat trsk ka utuk setap vektor h da setap pasaga s da s+ hd D, berlaku. E [ ( s) ( s+ h)] = m( h) =, da var[ ( s) ( s+ h)] = E ( s) ( s+ h) = γ ( h), varas dar selsh. [ ] () s dega ( s+ h) haya bergatug pada paag da arah vektor h da tdak bergatug pada lokas s. Jka {(s), s D} stasoer kuat atau megkut stasoer orde maka a trsk. Namu tdak demka sebalkya. Besara γ ( h ) d atas dsebut uga varogram, sedagka γ ( h) dsebut semvarogram. Semvarogram adalah peragkat yag dguaka utuk meggambarka, memodelka, da meghtug korelas spasal atara peubah acak regoal () s da ( s+ h). Semvarogram dapat dtaksr dega megguaka data pegamata. Peaksr bag semvarogram dsebut sebaga semvarogram ekspermetal yag ddefska sebaga ˆ( γ h) = ( z( s + h) z( s )) (.3) N( h) = N h dega N ( h) meyataka hmpua pasaga koordat ( s, s ) yag + h dpsahka oleh vektor h tapa memperhatka uruta, da N( h ) meyataka bayakya aggota N ( h). Hal-hal yag perlu dperhatka dalam peghtuga semvarogram ekspermetal adalah sebaga berkut,. bla sampel hlag (mssg value) dar pola regular, la sampel yag hlag tersebut tdak perlu dterpolas dega megambl meaya atau meggatya dega la,. bla data regular, semvarogram dhtug utuk kelas arak dega toleras tertetu, 3. utuk meghtug semvarogram ekspermetal perlu dperhatka arah da paag arak atara ttk sampel, dega kata la perlu dperhatka arah da paag vektor h. 4

3 Jka {(s), s D} stasoer kuat atau megkut statoer orde, maka berlaku γ ( h) = C C( h ) (.4) dega C( h) adalah kovaras atara dar dua lokas yag dpsahka oleh vektor h. Besara C( h) dsebut uga kovarogram. Sedagka C() adalah suatu kostata yag merupaka kovarogram utuk h =. Kovarogram mempuya perlaku yag berkebalka dega semvarogram. Apabla semvarogram ak utuk suatu arak psah tertetu maka kovarogram aka turu pada utuk arak psah tersebut. Perhatka bahwa C() merupaka varas dar peubah rego (s). Jad pada h =, la kovarogram sama dega varas. Dar kovarogram C(h) dapat dbetuk struktur korelas spasal ρ( h ) (atau dsebut uga korelogram) dega rumusa C( h) ρ ( h) = C (.5) Hubuga atara kovarogram da semvarogram dapat dlustraska dega gambar berkut σ γ( h) C( h) h Gambar II.. Kurva semvarogram da kovarogram Kurva yag turu meggambarka kovarogram, sedagka kurva yag ak meggambarka semvarogram. Terlhat bahwa ka semvarogram ak, maka kovarogram turu. Utuk proses spasal yag stasoer atau megkut stasoer orde dua, semvarogramya terbatas oleh la C() (varas), artya la semvarogramya ak serg dega mak besarya arak h, da semak 5

4 medekat la C() tetap tdak aka melebh la tersebut. Dega kata la lm γ ( h) = C( ). Sedagka kovarogramya semak turu medekat ol h serg dega mak besarya arak h. Dega demka, korelas atara dua lokas pegukura aka semak berkurag serg dega mak besarya arak psah atara kedua lokas. Meurut Mathero (97), utuk proses spasal yag stasoer da trsk berlaku ( h) γ lm = h h (.6). Plot semvarogram ˆ( γ h) terhadap arak h memberka plot semvarogram ekspermetal. Semvarogram ekspermetal dar data basaya betukya tdak beratura sehgga sult dtafsrka da tdak dapat lagsug dguaka. Plot semvarogram ekspermetal harus dbuat utuk beberapa arah mata ag yag berbeda, sekurag kuragya empat arah mata ag yatu Barat-Tmur, Utara- Selata, Barat Laut Teggara, da Tmur Laut Barat Daya. Apabla plot semvarogram ekspermetal utuk keempat arah mata ag tersebut tdak terlalu berbeda secara sgfka maka semvarogram tersebut dkataka sotropk, artya la semvarogram haya bergatug pada h da tdak bergatug arah. Selautya la semvarogram ekspermetal aka dcocokka dega model semvarogram teorts utuk dguaka dalam peaksra. Beberapa model semvarogram teorts baku yag serg dguaka dataraya adalah:. model sperkal,. model ekspoesal, 3. model Gaussa, 4. model lear. II.. Semvarogram Ekspermetal Robust Persamaa.3 adalah persamaa semvarogram ekspermetal yag merupaka peaksr bag la semvarogram utuk suatu vektor h tertetu. Peaksr semvarogram yag dyataka oleh persamaa tersebut tdak robust, atau 6

5 dega kata la sagat mudah terpegaruh oleh data pecla (outlers) karea megguaka rata-rata sampel sebaga peaksr bag ekspektas. Rata-rata sampel adalah peaksr parameter lokas yag peka terhadap data pecla. Cresse da Hawks (98) megusulka suatu rumusa utuk meaksr varogram robust utuk data yag berdstrbus ormal. Salah satu peaksr parameter lokas yag robust adalah meda. Maka dega megguaka meda, dperoleh peaksr robust bag varogram yatu ˆ γ ( h) = meda s s :( s, s ) N( h) B( h ) (.7) dega N ( h) meyataka hmpua pasaga koordat ( s, s ) yag dpsahka 4 oleh vektor h tapa memperhatka uruta, da B( h) merupaka koreks bas ( B( h).457 ). II.. Krgg Krgg adalah metode estmas yag memberka taksra lear tak bas terbak (Best Lear Ubased Estmato) utuk suatu ttk atau blok. Terbak d s artya memlk varas mmum. Ketepata estmas krgg sagat bergatug dar model semvarogram yag dplh. Msalka adalah peubah acak rego d ttk koordat s, =,,...,. s Taksra ˆ( V ) d suatu daerah V (V dapat berupa sebuah ttk atau blok) dyataka dega kombas lear dar ( s ) dega bobot λ, yatu V ˆ = λ ( s ) = (.8) Utuk kasus khusus d maa V={ s }, maka ˆ( V ) dtuls sebaga ˆ( s ) Selsh la ( s ) yag sebearya dega la taksra ˆ( s ) dsebut galat krgg ε ( s ). Galat krgg dyataka oleh persamaa ˆ ε s = s s (.9) 7

6 Peaksr ( s ) yag dperoleh melau metode krgg memlk sfat tak bas (ubased estmator), dega kata la ( Var ε ( s )), mmum. ( s ) E ε =, da varas galatya, II... Ordary Krgg Proses spasal {(s), s D} dasumska stasoer dega rata-rata µ. Rata-rata tersebut sama dega la µ utuk setap ttk da uga utuk setap blok. Dega kata ( s ) = µ = E s E () ( ) (.) utuk setap ttk s da s D. Dalam ordary krgg, peaksr bag ( s ) dmodelka sebaga Ekspektas dar galat estmas adalah ˆ( s ) = λ ( s ) = (.) E ˆ( s ) ( s ) = E λ ( s ) ( s ) = λµ µ = µ λ (.) = = = Agar ˆ( s ) tak bas, dega kata la agar E ( ˆ( s ) s ) =, maka = λ haruslah sama dega. Varas dar galat estmas adalah ( ˆ ) Var ( s) ( s) = E λ( s) ( s) = (.3) Utuk memperoleh taksra dega varas galat yag mmum, maka varas galat harus dmmumka. Dega kata la, harus dcar koefse-koefse λ, λ,..., λ sedemka sehgga fugs E λ( s) ( s) m λ = = 8

7 mmum (parameter m adalah faktor pegal Lagrage utuk memastka bahwa = λ = ). Perhatka bahwa syarat = λ = meyebabka λ( s) ( s) = λ( s) ( s) λ( s) + ( s) = = = Dega demka = λλ ( s ) ( s ) ( s ) λ( s ) + ( s ) = = = λ λ λ = = = = ( s ) ( s ) ( s ) + ( s ) + λλ ( s ) ( s ) λ( s ) = = = λ ( s s s + s ) = = ( = = ) ( s s s s ) λλ + E λ( s) ( s) m λ = = ( s s ) λλ ( s s ) = λ = = = λ( ( s) ( s) ) λλ ( ( s) ( s ) ) λ = = = = = E m ( ) = s s = s s λe λλ E = = m λ = = λγ s s λλ γ s s m = = = λ (.4) = Sekarag permasalahaya mead meetuka koefse-koefse λ, λ,..., λ yag memmumka betuk (.4). Dega meuruka betuk (.4) terhadap λ, λ,..., λ, da m, da meyamaka haslya dega ol, dperoleh sstem persamaa 9

8 = = λγ λ = ( s s ) + m= γ ( s s ), =,,..., (.5) Jad koefse-koefse λ, λ,..., λ utuk peaksr krgg ˆ( s ) = λ ( s ) dapat dcar dega meyelesaka sstem persamaa (.5) terhadap λ, λ,..., λ. Varas dar galat estmas, atau dsebut uga varas krgg, dapat dyataka dega σ ( s ) = E λ( s ) ( s) = K = λγ s s + m = = ( = = = ) = λ γ s s λλ γ s s (.6) Persamaa (.5) dapat dyataka dalam betuk matrks, yatu γ γ γ λ γ γ γ γ λ γ = (.7) γ γ γ λ γ m dega γ =γ( ) s s, utuk, =,,...,. II... Krgg Mea Tuua ordary krgg adalah utuk meaksr la varabel regoal dega suatu fugs lear. Sekarag aka dturuka fugs lear utuk meaksr la mea yag tdak dketahu pada suatu lapaga spasal. Taksra bag mea tersebut dapat dtulska sebaga berkut µ= ˆ λ ( s ) = µ (.8)

9 Sepert sebelumya, peaksr tersebut haruslah tak bas da varas galatya mmum. Utuk medapatka peaksr yag tak bas, ekspektas dar galat haruslah sama dega ol. Jad haruslah Karea mea (s) adalah µ, maka haruslah E( µ ˆ µ ) = E λ µ = µ s (.9) = Varas galat estmas adalah λ µ = (.) = Var ( µ µ ˆ ) = Var λµ ( s) µ = λµ λµ C( s s) = = = (.) Sepert dalam ordary krgg, aka dcar bobot α, =,,...,, yag memmumka varas galat estmas dega batasa λ µ =. Maka = ddapatka bobot λ, =,,...,, yag memeuh merupaka solus dar sstem µ persamaa krgg = = λ C( s s ) = m, =,,..., µ µ λ = µ (.) dega m adalah faktor pegal Lagrage. µ Varas galat estmas, atau dsebut uga varas krgg, utuk peaksr adalah σ K = m µ (.3) II...3 Sequetal Krgg Sepert halya ordary krgg, sequetal krgg adalah estmator yag memmumka varas galat peaksra. Kumpula data (data set) dbag ke dalam beberapa subset da tap subset memugkka datum tuggal. Dalam tersedaya suatu data tambaha, sequetal estmator memperbak estmas

10 sebelumya dega megguaka bobot ler dar data yag baru da estmas sebelumya d suatu lokas. Pedekata sequetal krgg dapat meghlagka kesukara umerk sepert pada ordary krgg utuk meyelesaka persamaa.7. Dega demka, komplekstas komputas dapat dkurag. Pada pedekata dperbolehka meggabugka suatu kelompok data setap saat atau secara sekuesal selama estmas. Msal ˆ( s ) ädalah estmas la d poss s. Berdasarka data sampel s, s,..., s d lokas s, s,..., dalam k lagkah dberka oleh sstem persamaa : p () () () = s ( s ) = s = θ ( s ) ˆ ˆ () ( s ) = () s + θ ( s ) ( s ), maka estmas krgg sequetal () q () () () = p+ ˆ ˆ ˆ (.4) ( k ) l ( k ) ( k ) ( k ) = r+ ( s ) = () s + θ ( s ) ( s ) ˆ ˆ ˆ ( k ) ( k) ( k ) ( k) =+ l ( s ) = () s + θ ( s ) ( s ) ˆ ˆ ˆ Superskrp merepresetaska lagkah atau deks subsets, ˆ ( k ) adalah la estmas ( s ) dega megguaka data set ke-(k-), ˆ ( k ) ( ( s ) ( s ) ) adalah selsh atara la data ke- dega la estmas data ke- berdasarka (k-) data set, da θ k adalah bobot sequetal krgg utuk data set ke-k. ( s ) Dega megguaka sequetal krgg, estmas pertama ( s ) haya dega megguaka la ( s ) adalah : ( s ), ( s ) da ˆ( s ) = ( s ), ˆ( s ) = ( s ), ˆ( s ) = λ ( s ) (.5) λ λ

11 dega C( s s ) C( s s) C( s s) λ = = ρ, λ = = ρ =, λ = = ρ (.6) C( s s ) C( s s ) C( s s) Selautya ( s ) aka destmas dega data tambaha ( s ) ( s ) = ( s ) + ( ( s ) ( s ) ˆ () ˆ () ˆ () θ ) (.7) Bobot ( θ ) dperoleh dar persamaa : ρ θ = ρ ρ ρ Estmas d persamaa.7 kemuda mead : ( s ) = ( s ) + θ ( s ) ( s ) ˆ () ˆ () ˆ () ( ) = ρ θ ρ ( s ) + θ ( s ) ( ρ ρ ρ ) ( ρ ρ ρ ) = ( s ) + ( s ) ρ ρ (.8) (.9) Msal dperoleh data tambaha baru ( s ) d lokas s. Lagkah krgg 3 3 sekuesal berkutya adalah megestmas ( s ) berdasarka data ( s ) da ( s). 3 ˆ( s ) 3 = ρ 3 s + ρ 3 s (.3) Estmas berdasarka tga data, ( s ), ( s ), da ( s ) dperoleh dar persamaa : dega 3 ( s ) = ( s ) + ( s ) ( s ) ˆ (3) ˆ () ˆ () θ (.3) θ = ρ ρ ρ θ ρ ρ ρ (.3) ( ) ρ Peambaha data baru aka memberka koreks terhadap estmas sebelumya. Iterpolas terus dlakuka sampa seluruh data yag berada dalam lapaga spasal terkutsertaka dalam estmas dega megguaka persamaa (.4). 3

12 II...4 Krgg utuk Data yag Dtrasformas Msalka {(s), s D} adalah suatu proses spasal, da msalka {Y(s), s D} adalah proses spasal trsk yag memeuh =φ( Y) s s (.33) dega φ adalah fugs yag dapat dturuka dua kal. Peaksr ordary krgg bag dega ( s ) la mea Y, dapat dtulska sebaga ˆ =φ Y ˆ +φ '' µ ˆ σ / m (.34) s s Y Y,K s Y Ŷ( s ) adalah peaksr ordary krgg bag Y ( s ), ˆµ Y adalah taksra adalah faktor pegal Lagrage dar sstem persamaa ordary krgg, da σy,k s adalah varas krgg d ttk s. Sedagka varas krgg utuk m Y ( s ) dapat dtulska sebaga σ ( s ) = φ '( µ ) σ ( s ),K Y Y,K Uraa tetag hal d atas dapat dlhat pada [4]. (.35) Dega cara yag sama dapat dperoleh peaksr bag mea ( s ), yatu Dega σ Y adalah varas Y(s), da σ m Y µ Y µ ˆ ˆ ˆ =φ ( µ Y) +φ ''( µ Y) (.36) m µ faktor pegal Lagrage dar sstem Y persamaa krgg mea. Jka la taksra Ŷ( s ) dperoleh melalu sequetal krgg, maka la taksra bag ( s ) dapat dhtug dega megguaka persamaa ( ˆ ) = = s =φ s +µ φ µ Y φ µ Y (.37) ( ˆ ) Y '' ααc( s s ) dega α θ θ+ kρ, + k utuk =,,, (-) da α =θ. = k = Sedagka varas krgg utuk ( s ) dapat dtulska sebaga σ ( s ) = φ '( µ ) σ ( s ) + ( µ +φ ( µ )),K Y Y,K Y (.38) 4

13 II.. Kopula Model semvarogram dapat dbetuk dega megguaka kopula. Sebelum tu aka dbahas sedkt tetag kopula. Defska hmpua blaga real yag dperluas sebaga R, dega R = R { } { }, da R medefska ruag dua dmes blaga real yag dperluas. Utuk dua vektor x = ( x, x ) da y = ( y, y) d R, kta kataka x y, ka x y da x y. Defs... (Perseg Paag d R ) Suatu perseg paag atau terval d R adalah perkala slag dar dua terval d dega x R, dalam betuk < x da y < y ( x, y), ( x, y), ( x, y ), da ( x, y ). [ ] [ ] B= x,x y,y (.39),. Ttk-ttk sudut perseg paag B adalah ttk-ttk Y y B y x x X Gambar II.. Perseg paag B d R Defs... (Volume-H) Msalka S, S subhmpua berupa terval tak kosog d R da H : R R adalah suatu fugs dega daerah asalya yatu Dom( H ) = S S. Msalka 5

14 [ ] [ ] B = x,x y,y adalah suatu perseg paag d Dom( H ). Maka volume-h dar perseg paag B ddefska sebaga: = + V B H( x, y ) H( x, y ) H( x, y ) H( x, y ) H (.4) Jka kta defska turua pertama dar H pada perseg paag B sebaga x x H ( x, y ) = H ( x, y ) H ( x, y ), (.4) y y H ( x, y ) = H ( x, y ) H ( x, y ). (.4) Maka volume-h dar perseg paag B merupaka turua kedua dar H pada perseg paag B, yatu y x H y x V ( B) = H( x, y). (.43) Defs..3. (-creasg) Msalka H fugs berla real. H dkataka -creasg ka VH ( B ) utuk semua perseg paag B d R yag semua ttk uugya berada d Dom(H). Defs..4. (Grouded) Msalka S, S subhmpua tak kosog dar R da H : R R adalah fugs sedemka sehgga Dom( H ) = S S. Msalka S, S mempuya eleme terkecl masg-masg a da b. Maka H dkataka grouded ka Hay (, ) = = Hxb (, ), utuk setap x S, y S, (.44) akbatya ka H grouded, maka VH ( B ) = H ( x, y ), utuk setap B = [ ax, ] [ by, ] DomH. (.45) karea VH ( B ) = H ( x, y ) H ( x, b ) H ( a, y ) + H ( a, b ) = H ( x, y ) + = H ( x, y ). Defs..5. (Subkopula) Subkopula dua dmes (-subcopula) adalah fugs sfat berkut: C ' yag memeuh beberapa a. Dom( C ') = S S, dega S da S adalah subhmpua dar I = [,], 6

15 b. C ' grouded da -creasg, c. Utuk setap x S da y S, berlaku C'( x,) = x da C'(, y) = y. (.46) Berdasarka defs d atas, C'( u, v) utuk setap (u,v) Dom(C ). Dega demka, Rage( C ') adalah subhmpua dar I. Defs..6. (Kopula) Kopula dua dmes (-copula) adalah subkopula dmes (-subcopula) C dega doam I. Defs d atas setara dega peryataa bahwa kopula dua dmes (-copula) adalah fugs C: I I yag memeuh sfat-sfat: a. utuk setap ( x, y) I, berlaku Cx (,) = = C(, y), (.47) da b. utuk setap berlaku Cx (,) = xda C(, y) = y. (.48) u= ( x, y ), v= ( x, y ) I sedemka sehgga u v, maka Cx (, y) Cx (, y) Cx (, y) + Cx (, y). (.49) Hmpua dar semua copula dua dmes ddefska sebaga C. Meggat, maka hal meuukka bahwa terhadap perseg paag [, u] [, v]. Cuv (, ) = Cuv (, ) Cu (,) C(, v) + C(,) C ([, ] [, ]) = V u v Cuv (, ) (.5) adalah pegata suatu blaga d I 7

16 II.. Kopula da Varabel Acak Pada subbab aka dperkealka megea teorema Sklar, suatu teorema yag megatka atara copula dega teor da aplkasya dalam lmu statstka. Namu, sebelumya aka dperkealka beberapa smbol da defs yag aka dguaka dalam meelaska Teorema Sklar. Peluag bahwa suatu varabel acak lebh kecl atau sama dega z, dtuls P( z) adalah F(z). Nla F(z) berada d atara da, selautya F(z) dsebut dega fugs dstrbus. Defs... (Fugs Dstrbus) Fugs dstrbus (margal) adalah suatu fugs F dega Dom( F )= R sedemka sehgga:. F fugs tak turu.. F( ) = da F( ) = Defs... (Fugs Dstrbus Gabuga) Fugs dstrbus gabuga adalah suatu fugs H dega Dom( H )= R sedemka sehgga:. H fugs -creasg.. H( x, ) = H(, y) = da H (, ) = 3. H( x, ) = F( x ) da H(, y) = G( y ), dega F da G masg-masg adalah fugs dstrbus margal dar X da Y. Lema... [9] Msalka H adalah fugs dstrbus gabuga dega fugs dstrbus margalya masg-masg F da G, maka terdapat subkopula sehgga:. Dom( C ') = Rage( F) Rage( G ),. Utuk setap, R xy, H( x, y) = C' ( F( x), G( y) ) C ' tuggal sedemka 8

17 Bukt: Karea H memeuh H( x, ) = = H(, y), -creasg, da mempuya marg F( x) = H( x, ) da Gy = H(, y, ) maka utuk sebarag ttk ( x, y ) da ( x, y ) d R berlaku H( x, y ) H( x, y ) F( x ) F( x ) + G( y ) G( y ) Jka F( x ) = F( x) da Gy = Gy, maka H( x, y) = H( x, y). Selautya, betuk hmpua pasaga terurut {(( F ( x ), G ( y )), H ( x, y )) x, y R} yag medefska suatu fugs dua peubah C yag berla real dega doma Rage( F) Rage( G ). Fugs C adalah suatu subkopula berdasarka sfat-sfat fugs H. Sebaga cotoh, utuk setap u d Rage(F) terdapat suatu x d R sedemka sehgga F(x)=u. Maka C (u,) = C (F(x),G( )) = H( x, ) = F( x) = u. Pemerksaa syarat-syarat la yag harus dpeuh suatu subkopula dapat dlakuka dega cara yag sama. Lema... [9] Msalka C ' adalah subkopula. Maka terdapat kopula C sedemka sehgga Cuv (, ) = C'( uv, ) utuk setap ( uv, ) d dom( C '), (.5) artya setap subkopula dapat dperluas mead suatu kopula. Pada umumya perluasa tdak tuggal. Teorema... (Teorema Sklar) [9] Msalka H adalah fugs dstrbus gabuga dar varable X da Y, dega F da G masg-masg adalah fugs dstrbus margal dar X da Y. Maka terdapat sebuah kopula C sedemka sehgga utuk setap x, y R berlaku H( x, y) = C F( x), G( y) = C( u, v), (.5) dega u = F( x) da v= G( y).jka F da G kotu, maka kopula C tuggal. Jka F da G tdak kotu, maka kopula C dtetuka secara tuggal pada Rage( F) Rage( G). 9

18 Sebalkya, msalka C adalah sebuah copula, F da G masg-masg adalah fugs dstrbus dar X da Y. Maka H pada.5 adalah suatu fugs dstrbus gabuga dega fugs dstrbus margal F da G. Bukt: Eksstes kopula pada persamaa..5 utuk setap x, y R dapat delaska megguaka lema... da lema... Jka F da G kotu, berdasarka lema..., maka terdapat subkopula C ' tuggal dega Dom( C ') = Rage( F) Rage( G), karea F da G kotu maka Rage( F) = Rage( G) = I atau Dom( C ') = I, berart subkopula tersebut merupaka kopula yag tuggal. Jka F da G tdak kotu, maka terdapat subkopula Dom( C ') = Rage( F) Rage( G) tersebut dapat dperluas mead suatu kopula. C ' tuggal dega, maka berdasarka lema... subkopula Copula C pada teorema... aka damaka kopula dar X da Y, da dotaska C XY, d maa kopula tersebut dapat dguaka utuk megdetfkas depedes dar varabel acak X da Y. Salah satu cotoh kopula adalah kopula Clayto, yatu (, ) Cuv = u + v dega α [, ). α α α, II.. Regres Meda Msalka X da Y adalah peubah acak kotu dega fugs dstrbus gabuga H, fugs dstrbus margal masg-masg F da G, da kopula C. Maka U=F(X) da V=G(Y) adalah peubah acak uform (,) dega fugs dstrbus gabuga C. Dstrbus bersyarat utuk V ka dberka U = u =F(x) adalah Cu ( + uv, ) Cuv (, ) cu () v = P( V v U = u) = lm = C(,) u v (.53) u u u

19 Defs... Msalka X da Y adalah peubah acak. Utuk x d Ra X, msalka y = y ( x) adalah solus persamaa kurva regres meda Y terhadap X. PY ( y X= x) =.5. Maka y = y ( x) adalah persamaa Perhatka bahwa PY ( y X= x) = PV ( G( y) U= F( x)) = PV ( v U= u) = c u () v = Cuv (, ) u Dega demka, persamaa kurva regres meda dapat dtulska sebaga y = G ( v ), dega v adalah solus bag persamaa (, ) =.5 u Cuv. II.3 Membagu Model Semvarogram Melalu Regres Meda Padag kembal semvarogram eskpermetal robust yag dberka pada persamaa.7 yatu ˆ( γ h) = meda s s :( s, s ) N( h) B( h ) Perhatka bahwa semua aggota s s :( s, s ) N ( h) berla postf, da operas pemagkata empat pada blaga postf tdak megubah uruta. Dega demka, ˆ( γ h) = meda s s :( s, s ) N( h) B( h ) = meda s s :( s, s ) N( h) B( h ) = { s s s s h } = meda :(, ) N B( h ) ( s) ( s ) meda B( h) dega B ( h).457. :( s, ) s N h 4 4 4

20 Dar hasl d atas, kta dapat mecar model semvarogram sotropk melalu kurva regres meda varabel () s ( s+ h) B( h), dega h R da ss, + h D, terhadap h yag merupaka paag vektor yag memsahka lokas dega koordat s da s+ h. Msalka F adalah fugs dstrbus dar h da G adalah fugs dstrbus dar () s ( s+ h) B( h). Tulska u = F ( h ), da z() s z( s+ h) v= G. Msalka C(u,v) adalah kopula bag u da v. Maka B( h) model semvarogram sotropk dapat drumuska sebaga G (), v h > γ h =, dega v adalah solus bag persamaa (, ) =.5, h = u Cuv. Melalu metode, tdak perlu lag memaksaka pegguaa model-model semovarogram baku, sepert yag selama serg dlakuka, sehgga aka megurag subektvtas dalam pemlha model semvarogram.

BAB 2 LANDASAN TEORI. Regresi linier sederhana merupakan bagian regresi yang mencakup hubungan linier

BAB 2 LANDASAN TEORI. Regresi linier sederhana merupakan bagian regresi yang mencakup hubungan linier BAB LANDASAN TEORI. Regres Ler Sederhaa Regres ler sederhaa merupaka baga regres yag mecakup hubuga ler satu peubah acak tak bebas dega satu peubah bebas. Hubuga ler da dar satu populas dsebut gars regres

Lebih terperinci

BAB III PERSAMAAN PANAS DIMENSI SATU

BAB III PERSAMAAN PANAS DIMENSI SATU BAB III PERSAMAAN PANAS DIMENSI SAU Pada baga sebelumya, kta telah membahas peerapa metoda Ruge-Kutta orde 4 utuk meyelesaka masalah la awal dar persamaa dferesal basa orde. Pada bab, kta aka melakuka

Lebih terperinci

BAB III INTEGRAL RIEMANN-STIELTJES. satu pendekatan untuk membentuk proses titik. Berkaitan dengan masalah

BAB III INTEGRAL RIEMANN-STIELTJES. satu pendekatan untuk membentuk proses titik. Berkaitan dengan masalah BAB III INEGRAL RIEMANN-SIELJES. Pedahulua Pada Bab, telah dsggug bahwa ukura meghtug merupaka salah satu pedekata utuk membetuk proses ttk. Berkata dega masalah perhtuga, ada hal meark yag perlu amat,

Lebih terperinci

BAB 2 LANDASAN TEORI. perkiraan (prediction). Dengan demikian, analisis regresi sering disebut sebagai

BAB 2 LANDASAN TEORI. perkiraan (prediction). Dengan demikian, analisis regresi sering disebut sebagai BAB LANDASAN TEORI. Kosep Dasar Aalss Regres Aalss regres regressso aalyss merupaka suatu tekk utuk membagu persamaa da megguaka persamaa tersebut utuk membuat perkraa predcto. Dega demka, aalss regres

Lebih terperinci

BAB 2 LANDASAN TEORI. Regresi linier sederhana yang variabel bebasnya ( X ) berpangkat paling tinggi satu.

BAB 2 LANDASAN TEORI. Regresi linier sederhana yang variabel bebasnya ( X ) berpangkat paling tinggi satu. BAB LANDASAN TEORI. Regres Ler Sederhaa Regres ler sederhaa yag varabel bebasya ( berpagkat palg tgg satu. Utuk regres ler sederhaa, regres ler haya melbatka dua varabel ( da. Persamaa regresya dapat dtulska

Lebih terperinci

BAB IV BATAS ATAS BAGI JARAK MINIMUM KODE SWA- DUAL GENAP

BAB IV BATAS ATAS BAGI JARAK MINIMUM KODE SWA- DUAL GENAP BAB IV BATAS ATAS BAGI JARAK MINIMUM KODE SWA- DUAL GENAP Msal dguaka kode ler C[, k, d] dega matrks pembagu G da matrks cek partas H. Sebuah blok formas x = x 1 x 2 x k, x = 0 atau 1, yag aka dkrm terlebh

Lebih terperinci

Bab II Teori Pendukung

Bab II Teori Pendukung Bab II Teor Pedukug.. asar Statstka Utuk keperlua peaksra outstadg clams lablty, pegetahua dalam statstka mead hal yag petg. asar statstka yag dguaka dalam tess atara la :. strbus ormal Sebuah peubah acak

Lebih terperinci

SIFAT-SIFAT LANJUT FUNGSI TERBATAS

SIFAT-SIFAT LANJUT FUNGSI TERBATAS Bulet Ilmah Mat. Stat. da Terapaya (Bmaster) Volume 03, No. 2(204), hal 35 42. SIFAT-SIFAT LANJUT FUNGSI TERBATAS Suhard, Helm, Yudar INTISARI Fugs terbatas merupaka fugs yag memlk batas atas da batas

Lebih terperinci

PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM

PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM 1 Megetahu perhtuga persamaa regres ler Meggambarka persamaa regres ler ke dalam dagram pecar TEORI PENUNJANG Persamaa Regres adalah persamaa matematka

Lebih terperinci

MINGGU KE-10 HUBUNGAN ANTAR KONVERGENSI

MINGGU KE-10 HUBUNGAN ANTAR KONVERGENSI MINGGU KE-0 HUBUNGAN ANTAR KONVERGENSI Hubuga atar koverges Hrark atar koverges dyataka dalam teorema berkut. Teorema Msalka X da X, X, X 3,... adalah varabel radom yag ddefska pada ruag probabltas yag

Lebih terperinci

BAB 5 BARISAN DAN DERET KOMPLEKS. Secara esensi, pembahasan tentang barisan dan deret komlpeks sama dengan barisan dan deret real.

BAB 5 BARISAN DAN DERET KOMPLEKS. Secara esensi, pembahasan tentang barisan dan deret komlpeks sama dengan barisan dan deret real. BAB 5 BARIAN DAN DERET KOMPLEK ecara eses, pembahasa tetag barsa da deret komlpeks sama dega barsa da deret real. 5. Barsa Barsa merupaka sebuah fugs dega doma berupa hmpua blaga asl N. ebuah barsa kompleks

Lebih terperinci

BAB 2. Tinjauan Teoritis

BAB 2. Tinjauan Teoritis BAB Tjaua Teorts.1 Regres Lear Sederhaa Regres lear adalah alat statstk yag dperguaka utuk megetahu pegaruh atara satu atau beberapa varabel terhadap satu buah varabel. Varabel yag mempegaruh serg dsebut

Lebih terperinci

BAB 6 PRINSIP INKLUSI DAN EKSKLUSI

BAB 6 PRINSIP INKLUSI DAN EKSKLUSI BB 6 PRINSIP INKLUSI DN EKSKLUSI Pada baga aka ddskuska topk berkutya yatu eumeras yag damaka Prsp Iklus da Eksklus. Kosep dalam bab merupaka perluasa de dalam Dagram Ve beserta oepras rsa da gabuga, amu

Lebih terperinci

11/10/2010 REGRESI LINEAR SEDERHANA DAN KORELASI TUJUAN

11/10/2010 REGRESI LINEAR SEDERHANA DAN KORELASI TUJUAN // REGRESI LINEAR SEDERHANA DAN KORELASI. Model Regres Lear. Peaksr Kuadrat Terkecl 3. Predks Nla Respos 4. Iferes Utuk Parameter-parameter Regres 5. Kecocoka Model Regres 6. Korelas Utrwe Mukhayar MA

Lebih terperinci

TUGAS MATA KULIAH TEORI RING LANJUT MODUL NOETHER

TUGAS MATA KULIAH TEORI RING LANJUT MODUL NOETHER TUGAS ATA KULIAH TEORI RING LANJUT ODUL NOETHER Da Aresta Yuwagsh (/364/PPA/03489) Sebelumya, telah dketahu bahwa sebaga rg dega eleme satua memeuh sfat rata ak utuk deal-deal d. Apabla dpadag sebaga modul,

Lebih terperinci

BAB III MENYELESAIKAN MASALAH REGRESI INVERS DENGAN METODE GRAYBILL. Masalah regresi invers dengan bentuk linear dapat dijumpai dalam

BAB III MENYELESAIKAN MASALAH REGRESI INVERS DENGAN METODE GRAYBILL. Masalah regresi invers dengan bentuk linear dapat dijumpai dalam BAB III MENYELESAIKAN MASALAH REGRESI INVERS DENGAN METODE GRAYBILL 3. Pegerta Masalah regres vers dega betuk lear dapat djumpa dalam berbaga bdag kehdupa, dataraya dalam bdag ekoom, kesehata, fska, kma

Lebih terperinci

( ) ( ) ( ) ( ) ( ) III MODEL. , θ Ω. 1 Pendugaan parameter dengan metode maximum lkelihood estimation dapat diperoleh dari:

( ) ( ) ( ) ( ) ( ) III MODEL. , θ Ω. 1 Pendugaan parameter dengan metode maximum lkelihood estimation dapat diperoleh dari: 5 Mamum Lkelhood Estmato Defs Fugs Lkelhood Msalka X, X,, X adalah eubah acak d dega fugs massa eluag ( ; θ, dega θ dasumska skalar da tdak dketahu, maka rosedur fugs lkelhood daat dtulska sebaga berkut

Lebih terperinci

II. LANDASAN TEORI. Pada bab II ini, akan dibahas pengertian-pengertian (definisi) dan teoremateorema

II. LANDASAN TEORI. Pada bab II ini, akan dibahas pengertian-pengertian (definisi) dan teoremateorema II. LANDAAN TEORI Pada bab II aka dbahas pegerta-pegerta (defs) da teoremateorema ag medukug utuk pembahasa pada bab IV. Pegerta (defs) da teorema tersebut dtulska sebaga berkut.. Teorema Proeks Teorema

Lebih terperinci

BAB II LANDASAN TEORI. Dalam pengambilan sampel dari suatu populasi, diperlukan suatu

BAB II LANDASAN TEORI. Dalam pengambilan sampel dari suatu populasi, diperlukan suatu BAB II LADASA TEORI Dalam pegambla sampel dar suatu populas, dperluka suatu tekk pegambla sampel yag tepat sesua dega keadaa populas tersebut. Sehgga sampel yag dperoleh adalah sampel yag dapat mewakl

Lebih terperinci

KALKULUS LANJUT. Pertemuan ke-4. Reny Rian Marliana, S.Si.,M.Stat.

KALKULUS LANJUT. Pertemuan ke-4. Reny Rian Marliana, S.Si.,M.Stat. KALKULUS LANJUT Pertemua ke-4 Rey Ra Marlaa, S.S.,M.Stat. Plot Mater Notas Jumlah & Sgma Itegral Tetu Jumlah Rema Pedahulua Luas Notas Jumlah & Sgma Purcell, et all. (page 226,2003): Sebuah fugs yag daerah

Lebih terperinci

Ruang Banach. Sumanang Muhtar Gozali UNIVERSITAS PENDIDIKAN INDONESIA

Ruang Banach. Sumanang Muhtar Gozali UNIVERSITAS PENDIDIKAN INDONESIA Ruag Baach Sumaag Muhtar Gozal UNIVERSITAS PENDIDIKAN INDONESIA Satu kose etg d kulah Aalss ugsoal adalah teor ruag Baach. Pada baga aka drevu defs, cotoh-cotoh, serta sfat-sfat etg ruag Baach. Kta aka

Lebih terperinci

Di dunia ini kita tidak dapat hidup sendiri, tetapi memerlukan hubungan dengan orang lain. Hubungan itu pada umumnya dilakukan dengan maksud tertentu

Di dunia ini kita tidak dapat hidup sendiri, tetapi memerlukan hubungan dengan orang lain. Hubungan itu pada umumnya dilakukan dengan maksud tertentu KORELASI 1 D dua kta tdak dapat hdup sedr, tetap memerluka hubuga dega orag la. Hubuga tu pada umumya dlakuka dega maksud tertetu sepert medapat kergaa pajak, memperoleh kredt, memjam uag, serta mta pertologa/batua

Lebih terperinci

BAB 5. ANALISIS REGRESI DAN KORELASI

BAB 5. ANALISIS REGRESI DAN KORELASI BAB 5. ANALISIS REGRESI DAN KORELASI Tujua utama aalss regres adalah mecar ada tdakya hubuga ler atara dua varabel: Varabel bebas (X), yatu varabel yag mempegaruh Varabel terkat (Y), yatu varabel yag dpegaruh

Lebih terperinci

UKURAN GEJALA PUSAT DAN UKURAN LETAK

UKURAN GEJALA PUSAT DAN UKURAN LETAK UKURAN GEJALA PUSAT DAN UKURAN LETAK MODUL 4 UKURAN GEJALA PUSAT DAN UKURAN LETAK. Pedahulua Utuk medapatka gambara yag lebh jelas tetag sekumpula data megea sesuatu persoala, bak megea sampel atau pu

Lebih terperinci

SOLUSI TUGAS I HIMPUNAN

SOLUSI TUGAS I HIMPUNAN Program Stud S1 Tekk Iformatka Fakultas Iformatka, Telkom Uversty SOLUSI TUGAS I HIMPUNAN Matematka Dskrt (MUG2A3) Halama 1 dar 6 Soal 1 Tetukalah eleme-eleme dar hmpua berkut! 2 x x adalah blaga real

Lebih terperinci

NORM VEKTOR DAN NORM MATRIKS

NORM VEKTOR DAN NORM MATRIKS NORM VEKTOR DN NORM MTRIK umaag Muhtar Gozal UNIVERIT PENDIDIKN INDONEI. Pedahulua Jka kta membcaraka topk ruag vektor maka cotoh sederhaa yag dapat kta ambl adalah ruag Eucld R. D ruag kta medefska pajag

Lebih terperinci

TAKSIRAN UMUR SISTEM DENGAN UMUR KOMPONEN BERDISTRIBUSI SERAGAM. Sudarno Jurusan Matematika FMIPA UNDIP

TAKSIRAN UMUR SISTEM DENGAN UMUR KOMPONEN BERDISTRIBUSI SERAGAM. Sudarno Jurusan Matematika FMIPA UNDIP JURNAL MATEMATIKA DAN KOMPUTER Vol. 7. No. 1, 11-19, Aprl 004, ISSN : 1410-8518 TAKSIRAN UMUR SISTEM DENGAN UMUR KOMPONEN BERDISTRIBUSI SERAGAM Sudaro Jurusa Matematka FMIPA UNDIP Abstrak Sstem yag dbetuk

Lebih terperinci

BAB III ISI. x 2. 2πσ

BAB III ISI. x 2. 2πσ BAB III ISI 4. Keadata Normal Multvarat da Sfat-sfatya Keadata ormal multvarat meruaka geeralsas dar keadata ormal uvarat utuk dmes. f ( x) [( x )/ ] / = e x π x = ( x )( ) ( x ). < < (-) (-) Betuk (-)

Lebih terperinci

STATISTIKA: UKURAN PEMUSATAN. Tujuan Pembelajaran

STATISTIKA: UKURAN PEMUSATAN. Tujuan Pembelajaran Kurkulum 013/006 matematka K e l a s XI STATISTIKA: UKURAN PEMUSATAN Tujua Pembelajara Setelah mempelajar mater, kamu dharapka memlk kemampua berkut. 1. Dapat meetuka rata-rata data tuggal da data berkelompok..

Lebih terperinci

STATISTIK. Ukuran Gejala Pusat Ukuran Letak Ukuran Simpangan, Dispersi dan Variasi Momen, Kemiringan, dan Kurtosis

STATISTIK. Ukuran Gejala Pusat Ukuran Letak Ukuran Simpangan, Dispersi dan Variasi Momen, Kemiringan, dan Kurtosis STATISTIK Ukura Gejala Pusat Ukura Letak Ukura Smpaga, Dspers da Varas Mome, Kemrga, da Kurtoss Notas Varabel dyataka dega huruf besar Nla dar varabel dyataka dega huruf kecl basaya dtuls Tmes New Roma

Lebih terperinci

S2 MP Oleh ; N. Setyaningsih

S2 MP Oleh ; N. Setyaningsih S2 MP Oleh ; N. Setyagsh MATERI PERTEMUAN 1-3 (1)Pedahulua pera statstka dalam peelta ; (2)Peyaja data : dalam betuk (a) tabel da (b) dagram; (3) ukura tedes setaral da ukura peympaga (4)dstrbus ormal

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 1 Pegerta Regres Istlah regres pertama kal dperkealka oleh Fracs Galto Meurut Galto, aalss regres berkeaa dega stud ketergatuga dar suatu varabel yag dsebut tak bebas depedet varable,

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PENDAHULUAN. Latar Belakag Sampa saat, model Regres da model Aalss Varas telah dpadag sebaga dua hal ag tdak berkata. Meskpu merupaka pedekata ag umum dalam meeragka kedua cara pada taraf permulaa,

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PENDAHULUAN. Latar Belakag Dalam pemodela program ler, semua parameter yag dguaka dalam model dasumska dapat dketahu secara past. Parameter-parameter terdr dar koefse batasa ( ) a, la kuattas batasa

Lebih terperinci

TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE KUADRAT TERKECIL

TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE KUADRAT TERKECIL TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE KUADRAT TERKECIL Hesty ala, Arsma Ada, Bustam hestyfala@ymalcom Mahasswa Program S Matematka MIPA-UR Dose Matematka MIPA-UR

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI Bab aka mejelaska megea ladasa teor yag dpaka oleh peuls dalam peelta. Bab dbag mejad beberapa baga, yag masg masg aka mejelaska Prcpal Compoet Aalyss (PCA), Egeface, Klusterg K-Meas,

Lebih terperinci

BAB 2 LANDASAN TEORI. Analisis regresi adalah suatu proses memperkirakan secara sistematis tentang apa yang paling

BAB 2 LANDASAN TEORI. Analisis regresi adalah suatu proses memperkirakan secara sistematis tentang apa yang paling BAB LANDASAN TEORI Kosep Dasar Aalss Regres Aalss regres adalah suatu proses memperkraka secara sstemats tetag apa yag palg mugk terjad dmasa yag aka datag berdasarka formas yag sekarag dmlk agar memperkecl

Lebih terperinci

TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD

TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD Eka Mer Krst ), Arsma Ada ), Sgt Sugarto ) ekamer_tross@ymal.com ) Mahasswa Program S Matematka FMIPA-UR

Lebih terperinci

MASALAH NORM MINIMUM PADA RUANG HILBERT DAN APLIKASINYA

MASALAH NORM MINIMUM PADA RUANG HILBERT DAN APLIKASINYA Masalah Norm Mmum (Karat) MASALAH NORM MINIMUM PADA RUANG HILBERT DAN APLIKASINYA Karat da Dhorva Urwatul Wutsqa Jurusa Peddka Matematka FMIPA Uverstas Neger Yogakarta Abstract I ths paper, wll be dscussed

Lebih terperinci

BAB II LANDASAN TEORI. Pada bab II ini, akan dijelaskan tentang teori yang dipakai dalam

BAB II LANDASAN TEORI. Pada bab II ini, akan dijelaskan tentang teori yang dipakai dalam BAB II LANDASAN TEORI Pada bab II, aa djelasa tetag teor yag dpaa dalam semvarogram asotrop. Sela tu juga aa dbahas megea teor peduug dalam melaua peasra aduga cadaga baust d daerah Mempawah Kalmata, dataraya

Lebih terperinci

Regresi Linier Sederhana Definisi Pengaruh

Regresi Linier Sederhana Definisi Pengaruh Regres Ler Sederhaa Dah Idra Baga Bostatstka da Kepeduduka Fakultas Kesehata Masyarakat Uverstas Arlagga Defs Pegaruh Jka terdapat varabel, msalka da yag data-dataya dplot sepert gambar dbawah 3 Defs Pegaruh

Lebih terperinci

I adalah himpunan kotak terbatas dan tertutup yang berisi lebih dari satu

I adalah himpunan kotak terbatas dan tertutup yang berisi lebih dari satu METODE FUNGS QUAS-FED SATU ARAMETER UNTUK MENYEESAKAN MASAAH ROGRAM NTEGER TAK NEAR Ra Hardyat (M4) ABSTRAK Dalam kehdupa sehar-har serg djumpa masalah optmas yag membutuhka hasl teger Masalah tersebut

Lebih terperinci

Uji Statistika yangb digunakan dikaitan dengan jenis data

Uji Statistika yangb digunakan dikaitan dengan jenis data Uj Statstka yagb dguaka dkata dega jes data Jes Data omal Ordal Iterval da Raso Uj Statstka Koefse Kotges Rak Spearma Kedall Tau Korelas Parsal Kedall Tau Koefse Kokordas Kedall W Pearso Korelas Gada Korelas

Lebih terperinci

BAB II LANDASAN TEORI. penulisan skripsi yaitu mengenai data panel, beberapa bentuk dan sifat

BAB II LANDASAN TEORI. penulisan skripsi yaitu mengenai data panel, beberapa bentuk dan sifat BAB II LANDASAN TEORI Pada Bab II aka dbahas dasar-dasar teor yag dguaka dalam peulsa skrps yatu megea data pael, beberapa betuk da sfat matrks, matrks parts, betuk ler da betuk kuadratk beserta ekspektasya,

Lebih terperinci

Mean untuk Data Tunggal. Definisi. Jika suatu sampel berukuran n dengan anggota x1, x2, x3,, xn, maka mean sampel didefinisiskan : n Xi.

Mean untuk Data Tunggal. Definisi. Jika suatu sampel berukuran n dengan anggota x1, x2, x3,, xn, maka mean sampel didefinisiskan : n Xi. Mea utuk Data Tuggal Des. Jka suatu sampel berukura dega aggota x1, x, x3,, x, maka mea sampel ddesska : 1... N 1 Mea utuk Data Kelompok Des Mea dar data yag dkelompoka adalah : x x 1 1 1 dega : x = ttk

Lebih terperinci

II. TINJAUAN PUSTAKA. Dalam proses penelitian untuk menganalisis aproksimasi fungsi dengan metode

II. TINJAUAN PUSTAKA. Dalam proses penelitian untuk menganalisis aproksimasi fungsi dengan metode II. TINJAUAN PUSTAKA Dalam proses peelta utuk megaalss aproksmas fugs dega metode mmum orm pada ruag hlbert C[ab] (Stud kasus: fugs rasoal) peuls megguaka defs teorema da kosep dasar sebaga berkut:.. Aproksmas

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah

BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah BAB 1 PENDAHULUAN 1.1 Latar Belakag Masalah Regres merupaka suatu metode statstka yag dguaka utuk meyeldk pola hubuga atara dua atau lebh varabel.betuk atau pola hubuga varabelvarabel tersebut dapat ddetfkas

Lebih terperinci

Jawablah pertanyaan berikut dengan ringkas dan jelas menggunakan bolpoin. Total nilai 100. A. ISIAN SINGKAT (Poin 20) 2

Jawablah pertanyaan berikut dengan ringkas dan jelas menggunakan bolpoin. Total nilai 100. A. ISIAN SINGKAT (Poin 20) 2 M 81 STTISTIK DSR SEMESTER II 11/1 KK STTISTIK, FMIP IT SOLUSI UJIN TENGH SEMESTER (UTS) Sabtu, 1 Me 1, Pukul 9. 1.4 WI (1 met) Kelas 1. Pegajar: Udjaa S. Pasarbu/Rr. Kura Novta Sar, Kelas. Pegajar: Utrwe

Lebih terperinci

; θ ) dengan parameter θ,

; θ ) dengan parameter θ, Vol. 4. No. 3, 5-59, Desember 00, ISSN : 40-858 APLIKASI METODE BESARAN PIVOTAL DALAM PENENTUAN SELANG KEYAKINAN TAKSIRAN PARAMETER POPULASI. Agus Rusgyoo Jurusa Matematka FMIPA UNDIP Abstraks Dberka populas

Lebih terperinci

BAB I PENDAHULUAN. 1.1 Statistika Deskriptif dan Statistika Inferensial. 1.2 Populasi dan Sampel

BAB I PENDAHULUAN. 1.1 Statistika Deskriptif dan Statistika Inferensial. 1.2 Populasi dan Sampel BAB I PENDAHULUAN 1.1 Statstka Deskrptf da Statstka Iferesal Dewasa d berbaga bdag lmu da kehdupa utuk memaham/megetahu sesuatu dperluka dat Sebaga cotoh utuk megetahu berapa bayak rakyat Idoesa yag memerluka

Lebih terperinci

MATEMATIKA INTEGRAL RIEMANN

MATEMATIKA INTEGRAL RIEMANN MATEMATIKA KELAS XII IPA - KURIKULUM GABUNGAN Ses NGAN INTEGRAL RIEMANN A. NOTASI SIGMA a. Defs Notas Sgma Sgma (Σ) adalah otas matematka megguaka smbol yag mewakl pejumlaha da beberapa suku yag memlk

Lebih terperinci

Regresi & Korelasi Linier Sederhana. Gagasan perhitungan ditetapkan oleh Sir Francis Galton ( )

Regresi & Korelasi Linier Sederhana. Gagasan perhitungan ditetapkan oleh Sir Francis Galton ( ) Regres & Korelas Ler Sederhaa 1. Pedahulua Gagasa perhtuga dtetapka oleh Sr Fracs Galto (18-1911) Persamaa regres :Persamaa matematk yag memugkka peramala la suatu peubah takbebas (depedet varable) dar

Lebih terperinci

SUM BER BELA JAR Menerap kan aturan konsep statistika dalam pemecah an masalah INDIKATOR MATERI TUGAS

SUM BER BELA JAR Menerap kan aturan konsep statistika dalam pemecah an masalah INDIKATOR MATERI TUGAS C. Pembelajara 3 1. Slabus N o STANDA R KOMPE TENSI KOMPE TENSI DASAR INDIKATOR MATERI TUGAS BUKTI BELAJAR KON TEN INDIKA TOR WAK TU SUM BER BELA JAR Meerap ka atura kosep statstka dalam pemecah a masalah

Lebih terperinci

b) Untuk data berfrekuensi fixi Data (Xi)

b) Untuk data berfrekuensi fixi Data (Xi) B. Meghtug ukura pemusata, ukura letak da ukura peyebara data serta peafsraya A. Ukura Pemusata Data Msalka kumpula data berkut meujukka hasl pegukura tgg bada dar orag sswa. 0 cm 30 cm 5 cm 5 cm 35 cm

Lebih terperinci

Volume 1, Nomor 2, Desember 2007

Volume 1, Nomor 2, Desember 2007 Volume, Nomor, Desember 007 Barekeg, Desember 007. hal.-7 Vol.. No. ESTIMASI PARAMETER DISTRIBUSI EKPONENSIAL PADA LOKASI TERBATAS (Estmatg Parameter Dstrbuto Expoetal At Fte Locato MOZART W TALAKUA, JEFRI

Lebih terperinci

INTERVAL KEPERCAYAAN UNTUK PERBEDAAN KOEFISIEN VARIASI DARI DISTRIBUSI LOGNORMAL I. Pebriyani 1*, Bustami 2, S. Sugiarto 2

INTERVAL KEPERCAYAAN UNTUK PERBEDAAN KOEFISIEN VARIASI DARI DISTRIBUSI LOGNORMAL I. Pebriyani 1*, Bustami 2, S. Sugiarto 2 INTERVAL KEPERCAAAN UNTUK PERBEDAAN KOEFIIEN VARIAI DARI DITRIBUI LOGNORMAL I. Pebrya * Bustam. ugarto Mahasswa Program Matematka Dose Jurusa Matematka Fakultas Matematka da Ilmu Pegetahua Alam Uverstas

Lebih terperinci

4/1/2013. Bila X 1, X 2, X 3,,X n adalah pengamatan dari sampel, maka rata-rata hitung dirumuskan sebagai berikut. Dengan: n = banyak data

4/1/2013. Bila X 1, X 2, X 3,,X n adalah pengamatan dari sampel, maka rata-rata hitung dirumuskan sebagai berikut. Dengan: n = banyak data //203 UKURAN GEJALA PUSAT DAN UKURAN LETAK Kaa Evta Dew, S.Pd., M.S. Ukura gejala pusat Utuk medapatka gambara yag lebh jelas tetag sekumpula data megea sesuatu hal, bak tu dar sampel ataupu populas Ukura

Lebih terperinci

PENAKSIR PARAMETER DISTRIBUSI EKSPONENSIAL PARETO DENGAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD

PENAKSIR PARAMETER DISTRIBUSI EKSPONENSIAL PARETO DENGAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD PENAKSIR PARAMETER DISTRIBUSI EKSPONENSIAL PARETO DENGAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD Mayag Novhta Sar *, Bustam, Sgt Sugarto Mahasswa Program Stud S Matematka FMIPA Uverstas Rau Dose Fakultas

Lebih terperinci

BAB IX PENGGUNAAN STATISTIK DALAM SIMULASI

BAB IX PENGGUNAAN STATISTIK DALAM SIMULASI BAB IX PENGGUNAAN STATISTIK DALAM SIMULASI 9.1. Dstrbus Kotu Dstrbus memlk sfat kotu dmaa data yag damat berjala secara kesambuga da tdak terputus. Maksudya adalah bahwa data yag damat tersebut tergatug

Lebih terperinci

BAB 1 ERROR PERHITUNGAN NUMERIK

BAB 1 ERROR PERHITUNGAN NUMERIK BAB ERROR PERHITUNGAN NUMERIK A. Tujua a. Memaham galat da hampra b. Mampu meghtug galat da hampra c. Mampu membuat program utuk meelesaka perhtuga galat da hampra dega Matlab B. Peragkat da Mater a. Software

Lebih terperinci

PENAKSIR RASIO YANG EFISIEN UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN

PENAKSIR RASIO YANG EFISIEN UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN PENAKSIR RASIO YANG EFISIEN UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN Idah Vltr, Harso, Haposa Srat Mahassa Program S Matematka Dose Jurusa Matematka Fakultas Matematka da Ilmu

Lebih terperinci

Mengubah bahan baku menjadi produk yang lebih bernilai melalui sintesis kimia banyak dilakukan di industri

Mengubah bahan baku menjadi produk yang lebih bernilai melalui sintesis kimia banyak dilakukan di industri Megubah baha baku mead produk yag lebh berla melalu stess kma bayak dlakuka d dustr Asam sulfat, ammoa, etlea, proplea, asam fosfat, klor, asam trat, urea, bezea, metaol, etaol, da etle glkol Serat/beag,

Lebih terperinci

BAB II TINJAUAN PUSTAKA

BAB II TINJAUAN PUSTAKA BAB II TINJAUAN PUSTAKA.1 Pedahulua Sebelum membahas megea prosedur peguja hpotess, terlebh dahulu aka djelaska beberapa teor da metode yag meujag utuk mempermudah pembahasa. Adapu teor da metode tersebut

Lebih terperinci

BAB III TEOREMA GLEASON DAN t-desain

BAB III TEOREMA GLEASON DAN t-desain BAB III TEOREMA GLEASON DAN t-desain Dalam ubbab 3., kta aka mempelaar alah atu fat petg dar kode wa-dual geap. Sfat terebut dberka oleh Teorema 3.(Teorema Gleao), Teorema ecara megeaka telah meetuka betuk

Lebih terperinci

PENAKSIR REGRESI CUM RASIO UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN KOEFISIEN KURTOSIS DAN KOEFISIEN SKEWNESS

PENAKSIR REGRESI CUM RASIO UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN KOEFISIEN KURTOSIS DAN KOEFISIEN SKEWNESS PENAKIR REGREI CUM RAIO UNTUK RATA-RATA POPULAI DENGAN MENGGUNAKAN KOEFIIEN KURTOI DAN KOEFIIEN KEWNE usta Wula ar *, Arsma Ada, Haposa rat Mahasswa Program Matematka Dose Jurusa Matematka Fakultas Matematka

Lebih terperinci

BAB II LANDASAN TEORI. teori dan definisi mengenai variabel random, regresi linier, metode kuadrat

BAB II LANDASAN TEORI. teori dan definisi mengenai variabel random, regresi linier, metode kuadrat BAB II LANDASAN TEORI Sebaga pedukug dalam pembahasa selajutya, dperluka beberapa teor da defs megea varabel radom, regres ler, metode kuadrat terkecl, peguja asums aalss regres, outler, da regres robust.

Lebih terperinci

TAKSIRAN PARAMETER PADA MODEL REGRESI ROBUST DENGAN MENGGUNAKAN FUNGSI HUBER STEVANI WIJAYA Y

TAKSIRAN PARAMETER PADA MODEL REGRESI ROBUST DENGAN MENGGUNAKAN FUNGSI HUBER STEVANI WIJAYA Y TAKSIRAN PARAMETER PADA MODEL REGRESI ROBUST DENGAN MENGGUNAKAN FUNGSI HUBER STEVANI WIJAYA 030501061Y UNIVERSITAS INDONESIA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM DEPARTEMEN MATEMATIKA DEPOK 009

Lebih terperinci

III PEMBAHASAN. Karena vektor-vektor kolom X adalah bebas linear, maka L(ε) mempunyai n vektor eigen yang bebas linear. (Terbukti)

III PEMBAHASAN. Karena vektor-vektor kolom X adalah bebas linear, maka L(ε) mempunyai n vektor eigen yang bebas linear. (Terbukti) Karea vektor-vektor kolom X adalah bebas lear maka mempuya vektor ege yag bebas lear. erbukt eorema 9 Jka... adalah la ege dar maka... adalah la ege dar. BUK : salka... adalah la ege dar yag bersesuaa

Lebih terperinci

Penarikan Contoh Acak Sederhana (Simple Random Sampling)

Penarikan Contoh Acak Sederhana (Simple Random Sampling) Pearka Cotoh Acak Sederhaa (Smple Radom Samplg) Defs Jka sebuah cotoh berukura dambl dar suatu populas sedemka rupa sehgga setap cotoh berukura ag mugk memlk peluag sama utuk terambl, maka prosedur tu

Lebih terperinci

* MEMBUAT DAFTAR DISTRIBUSI FREKUENSI MENGGUNAKAN ATURAN STURGES

* MEMBUAT DAFTAR DISTRIBUSI FREKUENSI MENGGUNAKAN ATURAN STURGES * PENYAJIAN DATA Secara umum, ada dua cara peyaja data, yatu : 1. Tabel atau daftar. Grafk atau dagram Macam-macam daftar yag dkeal : a. Daftar bars kolom b. Daftar kotges c. Daftar dstrbus frekues Sedagka

Lebih terperinci

PRINSIP INKLUSI- EKSKLUSI INCLUSION- EXCLUSION PRINCIPLE

PRINSIP INKLUSI- EKSKLUSI INCLUSION- EXCLUSION PRINCIPLE RISI IKLUSI- EKSKLUSI ICLUSIO- EXCLUSIO RICILE rsp Iklus-Eksklus Ada berapa aggota dalam gabuga dua hmpua hgga? A A = A A - A A Cotoh Ada berapa blaga bulat postf lebh kecl atau sama dega 00 yag habs dbag

Lebih terperinci

PENDAHULUAN Metode numerik merupakan suatu teknik atau cara untuk menganalisa dan menyelesaikan masalah masalah di dalam bidang rekayasa teknik dan

PENDAHULUAN Metode numerik merupakan suatu teknik atau cara untuk menganalisa dan menyelesaikan masalah masalah di dalam bidang rekayasa teknik dan Aalsa Numerk Baha Matrkulas PENDAHULUAN Metode umerk merupaka suatu tekk atau cara utuk megaalsa da meyelesaka masalah masalah d dalam bdag rekayasa tekk da sa dega megguaka operas perhtuga matematk Masalah-masalah

Lebih terperinci

TEKNIK SAMPLING. Hazmira Yozza Izzati Rahmi HG Jurusan Matematika FMIPA Universitas Andalas

TEKNIK SAMPLING. Hazmira Yozza Izzati Rahmi HG Jurusan Matematika FMIPA Universitas Andalas TEKNIK SAMPLING Hazmra Yozza Izzat Rahm HG Jurusa Matematka FMIPA Uverstas Adalas Defs Suatu cotoh gerombol adalah suatu cotoh acak sederhaa dmaa setap ut pearka cotoh adalah kelompok atau gerombol dar

Lebih terperinci

I PENDAHULUAN II LANDASAN TEORI

I PENDAHULUAN II LANDASAN TEORI I PENDAHULUAN 11 Latar Belakag Peelta yag dlakuka oleh Va der Pol pada sebuah tabug trode tertutup, yatu sebuah alat yag dguaka utuk megedalka arus lstrk dalam suatu srkut pada trasmtter da recever meghaslka

Lebih terperinci

LANGKAH-LANGKAH UJI HIPOTESIS DENGAN 2 (Untuk Data Nominal)

LANGKAH-LANGKAH UJI HIPOTESIS DENGAN 2 (Untuk Data Nominal) LANGKAH-LANGKAH UJI HIPOTESIS DENGAN (Utuk Data Nomal). Merumuska hpotess (termasuk rumusa hpotess statstk). Data hasl peelta duat dalam etuk tael slag (tael frekues oservas) 3. Meetuka krtera uj atau

Lebih terperinci

8. MENGANALISIS HASIL EVALUASI

8. MENGANALISIS HASIL EVALUASI 8. MENGANALISIS HASIL EVALUASI Tujua : Mampu megaalsa tgkat kesukara hasl evaluas utuk megkatka hasl proses pembelajara Kegata megaals hasl evaluas merupaka upaya utuk memperbak programprogram pembelajara

Lebih terperinci

ESTIMASI FUNGSI REGRESI MENGGUNAKAN METODE DERET FOURIER

ESTIMASI FUNGSI REGRESI MENGGUNAKAN METODE DERET FOURIER Supart da Sudargo Estmas Regres Deret Fourer ESTIMASI FUNGSI REGRESI MENGGUNAKAN METODE DERET FOURIER Supart da Sudargo 2 ) Jurusa Matematka, FMIPA, Udp 2) Jurusa Ped. Matematka, FPMIPA, IKIP PGRI, Semarag

Lebih terperinci

Penelitian Operasional II Teori Permainan TEORI PERMAINAN

Penelitian Operasional II Teori Permainan TEORI PERMAINAN Peelta Operasoal II Teor Permaa 7 2 TEORI PERMAINAN 2 Pegatar 2 Krtera Tekk Permaa : () Terdapat persaga kepetga datara pelaku (2) Setap pema memlk stateg, bak terbatas maupu tak terbatas (3) Far Game

Lebih terperinci

Extra 4 Pengantar Teori Modul

Extra 4 Pengantar Teori Modul Extra 4 Pegatar Teor odul Apabla selama dkealka suatu kosep aljabar megea ruag vektor, maka modul merupaka perumuma dar ruag vektor. Pada modul, syarat skalar dperumum mejad eleme pada suatu rg da buka

Lebih terperinci

BAB 2 LANDASAN TEORI. yang akan terjadi pada masa yang akan datang dengan waktu yang relative lama.

BAB 2 LANDASAN TEORI. yang akan terjadi pada masa yang akan datang dengan waktu yang relative lama. BAB 2 LANDASAN TEORI 2.1 Pegerta Peramala Peramala ( forecastg ) adalah kegata memperkraka atau mempredkska apa yag aka terjad pada masa yag aka datag dega waktu yag relatve lama. Sedagka ramala adalah

Lebih terperinci

PELABELAN GRACEFUL PADA DIGRAF LINTASAN DAN DIGRAF BIPARTIT LENGKAP

PELABELAN GRACEFUL PADA DIGRAF LINTASAN DAN DIGRAF BIPARTIT LENGKAP PELABELAN GRACEFUL PADA DIGRAF LINTASAN DAN DIGRAF BIPARTIT LENGKAP Lusa Tr Lstyowat Krstaa Waya M Fatekurohma Jurusa Matematka FMIPA Uerstas Jember e-mal: krstaa_waya@yahoocom da m_fatkur@yahoocom Abstract:

Lebih terperinci

BAB 2 LANDASAN TEORI. disebut dengan bermacam-macam istilah: variabel penjelas, variabel

BAB 2 LANDASAN TEORI. disebut dengan bermacam-macam istilah: variabel penjelas, variabel BAB LANDASAN TEORI.1 Pegerta Regres Regres dalam statstka adalah salah satu metode utuk meetuka tgkat pegaruh suatu varabel terhadap varabel yag la. Varabel yag pertama dsebut dega bermacam-macam stlah:

Lebih terperinci

PENDAHULUAN. Di dalam modul ini Anda akan mempelajari teori gangguan bebas waktu yang mencakup:

PENDAHULUAN. Di dalam modul ini Anda akan mempelajari teori gangguan bebas waktu yang mencakup: PENDAULUAN D dalam modul Ada aka mempelajar teor gaggua bebas waktu yag mecakup: teor gaggua tak degeeras bebas waktu, teor gaggua degeeras bebas waktu, da efek Stark. Oleh karea tu, sebelum mempelajar

Lebih terperinci

IDEAL DALAM ALJABAR LINTASAN LEAVITT

IDEAL DALAM ALJABAR LINTASAN LEAVITT Delta-P: Jural Matematka da Peddka Matematka ISSN 289-855X Vol., No. 2, Oktober 22 IDAL DALAM ALJABAR LINTASAN LAVITT Ida Kura Walyat Program Stud Peddka Matematka Jurusa Peddka MIPA FKIP Uverstas Kharu

Lebih terperinci

KONSISTENSI KOEFISIEN DETERMINASI SEBAGAI UKURAN KESESUAIAN MODEL PADA REGRESI ROBUST

KONSISTENSI KOEFISIEN DETERMINASI SEBAGAI UKURAN KESESUAIAN MODEL PADA REGRESI ROBUST KONSISTENSI KOEFISIEN DETERINASI SEBAGAI UKURAN KESESUAIAN ODEL PADA REGRESI ROBUST Harm Sugart (harm@ut.ac.d) Ad egawar Jurusa Statstka FIPA Uverstas Terbuka ABSTRACT I statstcs, the coeffcet of determato

Lebih terperinci

ALGORITMA MENENTUKAN HIMPUNAN TERBESAR DARI SUATU MATRIKS INTERVAL DALAM ALJABAR MAX-PLUS

ALGORITMA MENENTUKAN HIMPUNAN TERBESAR DARI SUATU MATRIKS INTERVAL DALAM ALJABAR MAX-PLUS LGORITM MENENTUKN HIMPUNN TERBESR DRI SUTU MTRIKS INTERVL DLM LJBR MX-PLUS Rata Novtasar Program Stud Matematka FMIP UNDIP JlProfSoedarto SH Semarag 575 bstract Ths research dscussed about how to obtaed

Lebih terperinci

STATISTIKA A. Definisi Umum B. Tabel Distribusi Frekuensi

STATISTIKA A. Definisi Umum B. Tabel Distribusi Frekuensi STATISTIKA A. Des Umum. Pegerta statstk Statstk adalah kumpula akta yag berbetuk agka da dsusu dalam datar atau tabel yag meggambarka suatu persoala. Cotoh: statstk kurs dolar Amerka, statstk pertumbuha

Lebih terperinci

3 Departemen Statistika FMIPA IPB

3 Departemen Statistika FMIPA IPB Supleme Respos Pertemua ANALISIS DATA KATEGORIK (STK51) Departeme Statstka FMIPA IPB Pokok Bahasa Sub Pokok Bahasa Referes Waktu U potess Tga Cotoh atau Lebh U Kruskal-Walls (aalss ragam satu-arah berdasarka

Lebih terperinci

REGRESI SEDERHANA Regresi

REGRESI SEDERHANA Regresi P a g e REGRESI SEDERHANA.. Regres Istlah regres dkemukaka utuk pertama kal oleh seorag atropolog da ahl meteorology Fracs Galto dalam artkelya Famly Lkeess Stature pada tahu 886. Ada juga sumber la yag

Lebih terperinci

Regresi & Korelasi Linier Sederhana

Regresi & Korelasi Linier Sederhana Regres & Korelas Ler Sederhaa. Pedahulua Gagasa perhtuga dtetapka oleh Sr Fracs Galto (8-9) Persamaa regres :Persamaa matematk ag memugkka peramala la suatu peubah takbebas (depedet varable) dar la peubah

Lebih terperinci

KODE SIKLIK (CYCLIC CODES)

KODE SIKLIK (CYCLIC CODES) Pegatar Teor Pegkodea (Codg Theory) KODE SIKLIK (CYCLIC CODES) Dose Pegampu : Al Sutjaa DISUSUN OLEH: Nama : M Zak Ryato Nm : /5679/PA/8944 Program Stud : Matematka JURUSAN MATEMATIKA FAKULTAS MATEMATIKA

Lebih terperinci

BAB II TINJAUAN TEORITIS. Statistik merupakan cara cara tertentu yang digunakan dalam mengumpulkan,

BAB II TINJAUAN TEORITIS. Statistik merupakan cara cara tertentu yang digunakan dalam mengumpulkan, BAB II TINJAUAN TEORITIS.1 Kosep Dasar Statstka Statstk merupaka cara cara tertetu yag dguaka dalam megumpulka, meyusu atau megatur, meyajka, megaalsa da member terpretas terhadap sekumpula data, sehgga

Lebih terperinci

XI. ANALISIS REGRESI KORELASI

XI. ANALISIS REGRESI KORELASI I ANALISIS REGRESI KORELASI Aalss regres mempelajar betuk hubuga atara satu atau lebh peubah bebas dega satu peubah tak bebas dalam peelta peubah bebas basaya peubah yag dtetuka oelh peelt secara bebas

Lebih terperinci

BAB II LANDASAN TEORI. merepresentasikan dan menjelaskan permasalahan pada dunia nyata ke dalam. pernyataan matematis (Widowati & Sutimin, 2007 : 1).

BAB II LANDASAN TEORI. merepresentasikan dan menjelaskan permasalahan pada dunia nyata ke dalam. pernyataan matematis (Widowati & Sutimin, 2007 : 1). BAB II LANDASAN EORI.. Model Matematka Model Matematka merupaka represetas matematka yag dhaslka dar pemodela Matematka. Pemodela Matematka merupaka suatu proses merepresetaska da mejelaska permasalaha

Lebih terperinci

REGRESI LINEAR SEDERHANA

REGRESI LINEAR SEDERHANA REGRESI LINEAR SEDERHANA MODUL Dra. Sr Pagest, S.U. PENDAHULUAN A alss regres merupaka aalss statstk yag mempelajar ubuga atara dua varabel atau leb. Dalam aalss regres lear dasumska berlakuya betuk ubuga

Lebih terperinci

NILAI EIGEN DAN VEKTOR EIGEN MATRIKS TERREDUKSI REGULER DALAM ALJABAR MAX-PLUS INTERVAL

NILAI EIGEN DAN VEKTOR EIGEN MATRIKS TERREDUKSI REGULER DALAM ALJABAR MAX-PLUS INTERVAL NILAI EIGEN DAN VEKTOR EIGEN MATRIKS TERREDUKSI REGULER DALAM ALJABAR MAX-PLUS INTERVAL A-12 Sswato 1, Ar Suparwato 2, M Ady Rudhto 3 1 Mahasswa S3 Matematka FMIPA UGM da Staff Pegajar FMIPA UNS Surakarta,

Lebih terperinci

BAB 2 TINJAUAN TEORITIS. regresi berkenaan dengan studi ketergantungan antara dua atau lebih variabel yaitu

BAB 2 TINJAUAN TEORITIS. regresi berkenaan dengan studi ketergantungan antara dua atau lebih variabel yaitu BAB TINJAUAN TEORITIS. Pegerta Aalsa Regres Istlah regres pertama kal dperkealka oleh Fracs Galto. Meurutya, aalss regres berkeaa dega stud ketergatuga atara dua atau lebh varabel yatu varabel yag meeragka

Lebih terperinci

On A Generalized Köthe-Toeplitz Duals

On A Generalized Köthe-Toeplitz Duals JMP : Volume 4 Nomor, Ju 202, hal. 3-39 O A Geeralzed Köthe-Toepltz Duals Sumardoo, Supama 2, da Soepara Darmawaa 3 PPPPTK Matematka, smrd2007@gmal.com 2 Mathematcs Departmet, Gadah Mada Uverst, supama@ugm.ac.d

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDAAN TORI. Regres Ler ederhaa Dalam beberapa masalah terdapat dua atau lebh varabel yag hubugaya tdak dapat dpsahka, da hal tersebut basaya dseldk sfat hubugaya. Aalss regres adalah sebuah tekk

Lebih terperinci

PENAKSIR RASIO REGRESI LINEAR YANG EFISIEN UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN

PENAKSIR RASIO REGRESI LINEAR YANG EFISIEN UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN PENAKIR RAIO REGREI LINEAR ANG EFIIEN UNTUK RATA-RATA POPULAI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN Ed Jamlu 1* Harso Haposa rat 1 Mahasswa Program tud 1 Matematka Dose Jurusa Matematka Fakultas Matematka

Lebih terperinci