Jurusan Teknik Sipil dan Lingkungan Universitas Gadjah Mada STATISTIKA. Continuous Probability Distributions.
|
|
- Budi Tanuwidjaja
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Jurusan Teknik Sipil dan Lingkungan Universitas Gadjah Mada STATISTIKA Continuous Probability Distributions 1
2 Continuous Probability Distributions Normal Distribution Uniform Distribution Exponential Distribution Gamma Distribution Lognormal Distribution Extreme Value Distributions Extreme Value Type I Extreme Value Type III Minimum (Weibull) Beta Distribution Pearson Distributions 2
3 Normal Distribution 3
4 Distribusi Uniform p X (x) a pdf: p X cdf: P X ( x) = 1 b - a, a x b ( x) = x - a b - a, a x b E ( X ) = 1 2 ( b+a ) var ( X ) = 1 12 ( b - a ) 2 b X 4
5 Distribusi Eksponensial p X (x) Coefficient of skew: c s = 2 (konstan) Parameter l: estimasi ˆl = 1 X pdf: p X cdf: P X ( x) = l e -l x, x > 0, l > 0 x ( x) = ò l e -lt dt =1- e -l x, x > 0 0 X 5
6 Distribusi Gamma Penjumlahan sejumlah n variabel random berdistribusi exponensial, masing-masing berparameter l, menghasilkan variabel random berdistribusi gamma dengan parameter l. pdf p X cdf P X P X x ( x) = l h x h-1 e -l x G( h), x,l,h > 0 x ( x) = l h t h-1 e -lt G h ò 0 ( ) =1- e -l x h-1 ( l x) j å j=0 j! ( ) dt, h = integer 6
7 Distribusi Gamma ( ) = fungsi gamma ( ) = h-1 ( ) = hg h G h G h ( )!, h =1,2,3,... G h+1 ( ), h > 0 ( ) = t h-1 e -h dt 0 ( ) = G( 2) =1 G h G 1 ò, h > 0 Mean: E ( X ) = h l Variance: var ( X ) = h l 2 Coef. of skew: ( ) = p G 1 2 g = 2 h 7
8 Distribusi Gamma p X (x) h= konstan l 1 l 2 < l 1 l 3 < l 2 < l 1 p X ( x) = 1 G h ( ) lh x h-1 e -l x, x,l,h > 0 X 8
9 Distribusi Lognormal Variabel random X Jika disusun dari penjumlahan sejumlah pengaruh variabel kecil, maka X kemungkinan besar berdistribusi normal. Jika disusun dari perkalian sejumlah pengaruh variabel kecil, maka ln X kemungkinan besar berdistribusi normal. X = X 1 + X X n X = X 1 X 2... X n ln X = ln X 1 + ln X ln X n X i = berdistribusi normal X = berdistribusi normal ln X = berdistribusi normal 9
10 Distribusi Lognormal Y = ln X Y i = ln X i Y = Y 1 +Y Y n Y berdistribusi normal p Y ( y) = 1 ( s Y 2p e-1 2 y-m Y ) 2 s 2 Y, - < y < + Distribusi X? p X ( x) = p ( Y y) d y d x Y = ln X Þ d y d x = 1 x, x > 0 p X ( x) = 1 ( xs Y 2p e-1 2 ln x-m Y ) 2 s 2 Y, x > 0 10
11 Distribusi Lognormal Estimasi m Y dan s Y m Y Y s Y s Y Data x i ditransformasikan dulu menjadi y i = ln x i Cara lain: æ Y = 1 2 ln X 2 ö ç ç 2 è c v +1 ø ( ) s Y 2 = ln cv 2 +1 c v = koefisien variasi data asli c v = s X X 11
12 Distribusi Lognormal Mean ç ( ) = e m Y +1 2 s Y 2 è E X Koefisien variasi æ æ c v = e s Y 2 ö ç -1 è ø 2 ö ø Varian var X ( ) 2 s 2 = m X ç e Y -1 Coefficient of skew 3 g = 3c v + c v æ è ö ø 12
13 Distribusi Nilai Ekstrem Contoh nilai ekstrem Debit banjir Debit minimum Nilai-nilai ekstrem variabel random juga merupakan variabel random. Distribusi variabel random nilai ekstrem tsb bergantung pada: distribusi variabel random tempat asal variabel nilai ekstrem tsb diperoleh parent distribution jumlah/ukuran sampel 13
14 Distribusi Nilai Ekstrem Contoh Variabel random X = x 1,x 2,..., x n Y = nilai ekstrem variabel random tersebut P Y P Xi P Y ( y) = prob( Y y) ( x) = prob( X i x) ( y) = prob( Y y) = prob( semua x yang y) 14
15 Distribusi Nilai Ekstrem maka: P Y ( y) = P ( X1 y) P ( X2 y) P ( Xn y) = P ( X y) é ë ù û n p Y ( ) ( y) = d P Y y d y = né ëp X y ( ) = né ëp X y ù ( ) ( ) ûn-1 px y ( ) d y ù n-1 d P y X û 15
16 Distribusi Nilai Ekstrem Contoh Waktu antara 2 hujan berurutan berdistribusi eksponensial. Waktu rata-rata antara 2 hujan = 4 hari Waktu antara tsb merupakan kejadian independent satu dengan yang lain Dicari: waktu antara terbesar, misal probabilitas waktu antara tsb lebih besar daripada 8 hari. 16
17 Distribusi Nilai Ekstrem Ditinjau 10 kejadian hujan h h h h h h h h h h x 1 x 2 x 3 x 4 x 5 x 6 x 7 x 8 x 9 n = 9 Distribusi Eksponensial: p X P X E X ( x) = l e -l x, x > 0, l > 0 ( x) =1- e -l x, x > 0 ( ) = l -1 Þ l = 1 E X ( ) ˆl = 1 X 17
18 Distribusi Nilai Ekstrem p X P X ( x) = 1 4 e-1 4 x ( x) =1- e -1 4 x P Y ( 8) = prob( Y 8) = prob( semua x 8) ( ) = é ëp X 8 ù û 9 = ( 1- e -2 ) 9 = prob( Y > 8) = =
19 Distribusi Nilai Ekstrem Permasalahan yang sering ditemui adalah bahwa jenis parent distribution tidak diketahui. Hal ini diatasi dengan ukuran sampel cukup besar, n» pemakaian distribusi asimtotis dikenal 3 jenis distribusi asimtotis Type I parent distribution unbounded in direction of the desired extreme and all moments of the distribution exist (exponential type distributions) Type II parent distribution unbounded in direction of the desired extreme and all moments of the distribution do not exist (Cauchy type distributions) Type III parent distribution bounded in the direction of the desired extreme (limited distributions) 19
20 Distribusi Nilai Ekstrem Permasalahan yang menjadi interest umumnya menyangkut nilai-nilai ekstrem maximum atau extrem minimum. Beberapa contoh parent distributions Type I extreme value largest normal, lognormal, eksponential, gamma Type I extreme value smallest normal Type II extreme value largest or smallest distribusi Cauchy Type III extreme value largest distribusi beta Type III extreme value smallest beta, lognormal, gamma, eksponential 20
21 Distribusi Nilai Extrem (9) Permasalahan di bidang hidrologi Type II extreme value largest or smallest jarang dijumpai/dipakai Type I extreme value largest nilai ekstrem maksimum sering mengikuti distribusi jenis ini mengingat banyak variabel hidrologi unbounded di sisi kanan Type III extreme value smallest nilai ekstrem minimum sering mengikuti distribusi jenis ini mengingat banyak variabel hidrologi bounded di sisi kiri oleh nilai nol 21
22 Type I Extreme Value Distribution (Gumbel Distribution) p X { ( ) a -exp ( x -b) a } a ( x) = exp x -b é ë ù û - < x < + - < b < + a > 0 untuk nilai maksimum + untuk nilai minimum α = skala β = lokasi = mode 22
23 Type I Extreme Value Distribution (Gumbel Distribution) E ( X ) = b+0.577a (max) = b a (min) var ( X ) =1.645a 2 (max min) g = (max) = (min) 23
24 Type I Extreme Value Distribution (Gumbel Distribution) Dengan memakai transformasi p Y ( y) = expé ë y -exp y ( ) ù û Y = x -b a P Y + ( y) = ò expé ë t - exp( t) ù û dt, - < y < + - untuk nilai maksimum + untuk nilai minimum ( ) ù û ( ) = expé ë - exp -y =1- expé ë - exp y ù û (max) (min) P min ( y) =1- P ( max -y) 24
25 Type I Extreme Value Distribution (Gumbel Distribution) Estimasi parameter α dan β s â = ˆb = X -0.45s (max) = X +0.45s (min) 25
26 Type II Extreme Value Distribution P X ( x) = 0 if x b é = expê æ - u -b ö ç ê è x -b ë ø k ù ú ú û if x ³ b k > 0 bentuk u -b > 0 skala b lokasi E ( X ) = b+ ( u -b) G( 1-1 k) é ëê var ( X ) = ( u -b) 2 G( 1-2 k) -G k ( ) ù ûú, k > 2 26
27 Type III Extreme (Minimum) Value Distribution (Weibull Distribution) p X P X é ( x) = a x a-1 b -a expê æ -ç x ö ê èb ë ø é æ ( x) =1- exp -ç x ö aù ê ê èbø ú ú ë û E X var X a ù ú ú, x ³ 0 û ( ) = b G( 1+1 a) ( ) = b 2 é G( 1+ 2 a) - G 2 ( 1+1 a) ëê ( ) - 3G 1+ 2 a g = G 1+ 3 a é G 1+ 2 a ëê ù ûú ( )G 1+1 a ( ) - G 2 ( 1+1 a) ( ) + 2G 3 ( 1+1 a) ù ûú
28 Type III Extreme (Minimum) Value Distribution (Weibull Distribution) Estimates: l = b -a ˆl = â = n å i=1 ˆb = â n x i â n n â ˆl åx i ln xi -åln x i i=1 ( ) -1 â n i=1 28
29 Extreme Value Distributions Silakan baca discussion pada hlm 118 (Haan, 1982) 29
30 Beta Distribution Distribusi yang memiliki batas atas dan batas bawah p X ( x) = x a-1 ( 1- x) b-1 B( a,b), 0 < x <1 and a,b > 0 B( a,b) = beta function 1 ò 0 = x a-1 1- x = G ( a )G b G a +b ( ) ( ) ( ) b-1 d x E ( X ) = a a +b var ( X ) = ab ( a +b+1) a +b ( ) 2 30
31 Pearson Type III Distribution p X p X ( x) = p ( 0 1+ x a) a 5 e -x d ( x) = p 0 e - x-a mode di x = 0 batas bawah di x = α Dengan transformasi (translasi) sehingga: mode di x = α batas bawah di x = 0 æ ö ç èaø ( ) d x a b 31
32 Distribusi Chi-square Distribusi t Distribusi F DISTRIBUSI SAMPEL STATISTIK 32
33 Chi-square Distribution Z = X -m s n å Y = Z i 2 i=1 variabel random berdistribusi normal berdistribusi chi-square dengan n degrees of freedom Distribusi chi-square = distribusi gamma dengan λ = ½ η = kelipatan ½ p c 2 ( x ) = ( 1-n 2) x- e -x 2 2 n 2 G( n 2) x,n > 0 n = 2h E ( c 2 ) = n var ( ) c2 = 2n ˆn = X 33
34 t Distribution Y = normal standar U = chi-square Y dan U independent X = Y n U berdistribusi t dengan ν degrees of freedom p T ( t) = ( ) -1 2 n+1 Gé ë 1 ( 2 n+1 ) ù û 1+t2 n pn G( n 2) ( ) - > t < + n > 0 E ( T ) = 0 var ( c 2 ) = n n - 2 untuk n > 2 34
35 F Distribution U = chi-square dengan γ = m degrees of freedom V = chi-square dengan γ = n degrees of freedom maka: p F ( f ) = G é ë 1 2 g 1 + g 2 g 2 + g 1 f ( ) ( ) 1 2 g 1 +g 2 1 ù û g g 1 2 g 1 g 2 2 f ( ) G g1 2 ( ) 2 g 1-2 ( )G g 2 2 ( ) g 1,g 2 > 0 U dan V independent X = ( U m) ( V n) berdistribusi F dengan γ 1 = m dan γ 2 = n degrees of freedom E ( F) = g 1 g 2-2 var ( F) = 2 g ( 2 g1 + 2) ( )( g 2-4) g 1 g
36 36
Jurusan Teknik Sipil dan Lingkungan Universitas Gadjah Mada. 1http://istiarto.staff.ugm.ac.id STATISTIKA. Discrete Probability Distributions
Jurusan Teknik Sipil dan Lingkungan Universitas Gadjah Mada STATISTIKA Discrete Probability Distributions 1http://istiarto.staff.ugm.ac.id Discrete Probability Distributions Distribusi Hipergeometrik Bernoulli
Lebih terperinciDistribusi Probabilitas Kontinyu Teoritis
Distribusi Probabilitas Kontinyu Teoritis Suprayogi Dist. Prob. Teoritis Kontinyu () Distribusi seragam kontinyu (continuous uniform distribution) Distribusi segitiga (triangular distribution) Distribusi
Lebih terperinciMagister Pengelolaan Air dan Air Limbah Universitas Gadjah Mada. 18-Aug-17. 1http://istiarto.staff.ugm.ac.id. Statistika Teknik.
Magister Pengelolaan Air dan Air Limbah Universitas Gadjah Mada Statistika Teknik Rentang Keyakinan 1 Rentang Keyakinan Estimasi Parameter Distribusi probabilitas memiliki sejumlah parameter. Parameter-parameter
Lebih terperinciStatistika. Random Variables Discrete Random Variables Continuous Random Variables. Jurusan Teknik Sipil dan Lingkungan Universitas Gadjah Mada
Jurusan Teknik Sipil dan Lingkungan Universitas Gadjah Mada Statistika Random Variables Discrete Random Variables Continuous Random Variables 1 Pengertian Random variable (variabel acak) Jenis suatu fungsi
Lebih terperinciINFERENSI STATISTIS: RENTANG KEYAKINAN
Universitas Gadjah Mada Fakultas Teknik Departemen Teknik Sipil dan Lingkungan INFERENSI STATISTIS: RENTANG KEYAKINAN Statistika dan Probabilitas Rentang Keyakinan Estimasi Parameter Distribusi probabilitas
Lebih terperinciAnalisa Frekuensi dan Probabilitas Curah Hujan
Analisa Frekuensi dan Probabilitas Curah Hujan Rekayasa Hidrologi Universitas Indo Global Mandiri Norma Puspita, ST.MT Sistem hidrologi terkadang dipengaruhi oleh peristiwa-peristiwa yang luar biasa, seperti
Lebih terperinciDistribusi Peluang Kontinyu STATISTIK INDUSTRI 1. Distribusi Peluang Kontinyu. Distribusi Diskrit Uniform. Distribusi Diskrit Uniform 13/11/2013
3//203 STATISTIK INDUSTRI Agustina Eunike, ST., MT., MBA Rata-rata dan Variansi Rumus Umum: Distribusi Peluang Diskrit dan Kontinyu UNIFORM Distribusi Diskrit Uniform Distribusi Diskrit Uniform Contoh:
Lebih terperinciPENS. Probability and Random Process. Topik 5. Beberapa jenis Distribusi Variabel Acak. Prima Kristalina April 2015
Program Pasca Sarjana Terapan Politeknik Elektronika Negeri Surabaya Probability and Random Process Topik 5. Beberapa jenis Distribusi Variabel Acak Prima Kristalina April 215 1 Outline 1. Beberapa macam
Lebih terperinciStatistika. Rentang Keyakinan. Universitas Gadjah Mada Fakultas Teknik Jurusan Teknik Sipil dan Lingkungan Prodi S2 Teknik Sipil.
Universitas Gadjah Mada Fakultas Teknik Jurusan Teknik Sipil dan Lingkungan Prodi S Teknik Sipil Statistika Rentang Keyakinan hp://is7arto.staff.ugm.ac.id 1 Rentang Keyakinan Es7masi Parameter Distribusi
Lebih terperinciUniversitas Gadjah Mada Fakultas Teknik Departemen Teknik Sipil dan Lingkungan ANALISIS FREKUENSI. Statistika dan Probabilitas
Universitas Gadjah Mada Fakultas Teknik Departemen Teknik Sipil dan Lingkungan ANALISIS FREKUENSI Statistika dan Probabilitas 2 Regresi Linear Tabel data x i y i = f(x i ) 1 0.5 2 2.5 3 2 4 4 5 3.5 6 6
Lebih terperinciDISTRIBUSI PROBABILITAS VARIABEL RANDOM
Universitas Gadjah Mada Fakultas Teknik Departemen Teknik Sipil dan Lingkungan DISTRIBUSI PROBABILITAS VARIABEL RANDOM Statistika dan Probabilitas 2 Distribusi probabilitas variabel random diskrit Distribusi
Lebih terperinciRELIABILITAS & FUNGSI HAZARD. 05/09/2012 MK. Analisis Reliabilitas Darmanto, S.Si.
RELIABILITAS & FUNGSI HAZARD 1 RELIABILITAS Peluang bahwa suatu produk atau jasa akan beroperasi dengan baik dalam jangka waktu tertentu (durabilitas) pada kondisi pengoperasian sesuai dengan desain (suhu,
Lebih terperinciOptimasi Preventive Maintenance pada Mesin Tuber. JurusanStatistika ITS
Optimasi Preventive Maintenance pada Mesin Tuber dan Bottomer dengan Metode Analisis Reliabilitas di PT Industri Kemasan Semen Gresik Oleh : Dosen Pembimbing : Drs. Haryono, MSIE Satria Hikmawan M.H (1309100070)
Lebih terperinci5/3/2012. Objective. Objective STATISTIKA DALAM HIDROLOGI STATISTIKA DALAM HIDROLOGI STATISTIKA DALAM HIDROLOGI
Week 11 & 12 HYDROLOGIC STATISTICS (and Frequency Analysis) Introduction Frequency and Probability Function Statistical Parameters Fitting a Probability Distribution Probability Distributions for Hydrologic
Lebih terperinciPenentuan Momen ke-5 dari Distribusi Gamma
Jurnal Penelitian Sains Volume 6 Nomor (A) April 0 Penentuan Momen ke-5 dari Distribusi Gamma Robinson Sitepu, Putra B.J. Bangun, dan Heriyanto Jurusan Matematika Fakultas MIPA Universitas Sriwijaya, Indonesia
Lebih terperinciJurusan Teknik Sipil dan Lingkungan Universitas Gadjah Mada STATISTIKA. Distribusi Normal. 1-Sep-14
Jurusan Teknik Sipil dan Lingkungan Universitas Gadjah Mada STATISTIKA Distribusi Normal 1-Sep-14 http://istiarto.staff.ugm.ac.id 1 Distribusi Binomial Ingat contoh pemilihan 1 kegiatan (Kegiatan A) dari
Lebih terperinciSumbu X (horizontal) memiliki range (rentang) dari minus takhingga. ( ) hingga positif takhingga (+ ). Kurva normal memiliki puncak pada X
Sumbu X (horizontal) memiliki range (rentang) dari minus takhingga ( ) hingga positif takhingga (+ ). Kurva normal memiliki puncak pada X = 0. Perlu diketahui bahwa luas kurva normal adalah satu (sebagaimana
Lebih terperinciSetiap karakteristik dari distribusi populasi disebut dengan parameter. Statistik adalah variabel random yang hanya tergantung pada harga observasi
ESTIMASI TITIK Setiap karakteristik dari distribusi populasi disebut dengan parameter. Statistik adalah variabel random yang hanya tergantung pada harga observasi sampel. Statistik merupakan bentuk dari
Lebih terperinciMA4183 MODEL RISIKO Control your Risk!
Catatan Kuliah MA4183 MODEL RISIKO Control your Risk! disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2014 Tentang MA4183 Model Risiko A. Jadwal
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Dalam pembicaraan statistik, jawaban yang diinginkan adalah jawaban untuk ruang lingkup yang lebih luas, yakni populasi. Tetapi objek dari studi ini menggunakan sampel
Lebih terperinciPEMBANGKIT RANDOM VARIATE
PEMBANGKIT RANDOM VARIATE Mata Kuliah Pemodelan & Simulasi JurusanTeknik Informatika Universitas Komputer Indonesia 1 Pendahuluan (1) Sifat probalitistik pada sistem nyata mempunyai pola distribusi probabilistik
Lebih terperinciBAB VI DISTRIBUSI PROBABILITAS MENERUS
BAB VI DISTRIBUSI ROBABILITAS MENERUS 6. Distribusi Uniform (seragam) Menerus Distribusi seragam menerus merupakan distribusi yang paling sederhana. Karaketristik distribusi ini adalah fungsi kepadatannya
Lebih terperinciDistribusi Diskrit dan Kontinu yang Penting. Oleh Azimmatul Ihwah
Distribusi Diskrit dan Kontinu yang Penting Oleh Azimmatul Ihwah Distribusi Diskrit Fungsi probabilitas dari variabel random diskrit dapat dinyatakan dalam formula matematik tertentu yang dinamakan fungsi
Lebih terperinciMata Kuliah Pemodelan & Simulasi
Mata Kuliah Pemodelan & Simulasi Riani Lubis Program Studi Teknik Informatika Universitas Komputer Indonesia 1 Pendahuluan (1) Sifat probabilitistik pada sistem nyata mempunyai pola distribusi probabilistik
Lebih terperinciTINJAUAN PERENCANAAN DRAINASE KALI GAJAH PUTIH KODIA SURAKARTA
TINJAUAN PERENCANAAN DRAINASE KALI GAJAH PUTIH KODIA SURAKARTA TUGAS AKHIR Diajukan sebagai salah satu syarat untuk memperoleh gelar Ahli Madya pada program D-III Teknik Sipil Infrastruktur Perkotaan Jurusan
Lebih terperinciMata Kuliah Pemodelan & Simulasi. Riani Lubis Program Studi Teknik Informatika Universitas Komputer Indonesia
Mata Kuliah Pemodelan & Simulasi Riani Lubis Program Studi Teknik Informatika Universitas Komputer Indonesia Pokok Bahasan Variabel Acak Pola Distribusi Masukan Pendugaan Pola Distribusi Uji Distribusi
Lebih terperinciINDEKS KEMAMPUAN PROSES BERDASARKAN PROPORSI PERSESUAIAN UNTUK DISTRIBUSI NON NORMAL
J. Math. and Its Appl. ISSN: 1829-605X Vol. 7, No. 2, November 2010, 47 55 INDEKS KEMAMPUAN PROSES BERDASARKAN PROPORSI PERSESUAIAN UNTUK DISTRIBUSI NON NORMAL Laksmi P Wardhani 1, Resty Z Fahrida, Nur
Lebih terperinciPengantar Statistika Matematika II
Bab 1: a FMIPA Universitas Islam Indonesia Parameter adalah karakteristik dari populasi (misal θ) adalah karakteristik dari sampel Akan dibahas konsep statistik dan distribusi sampling Parameter Misalkan
Lebih terperinciCatatan Kuliah. MA4183 Model Risiko
Catatan Kuliah MA4183 Model Risiko Forecast and control your risk Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2015 1 Tentang MA4183 Model Risiko
Lebih terperinciBAB 3 METODOLOGI DAN DATA PENELITIAN
BAB 3 METODOLOGI DAN DATA PENELITIAN 3.1 Pengantar Dalam penelitian ini digunakan rancangan penelitian kasus karena dengan rancangan ini diharapkan dapat memberikan informasi yang mendalam, akurat, lengkap
Lebih terperinciBAB III OBYEK DAN METODE PENELITIAN. penafsiran semua data yang berkaitan dengan apa yang menjadi obyek di dalam
BAB III OBYEK DAN METODE PENELITIAN 3.1 Obyek Penelitian Obyek penelitian adalah proses yang mendasari pemilihan, pengolahan, dan penafsiran semua data yang berkaitan dengan apa yang menjadi obyek di dalam
Lebih terperinciBILANGAN ACAK. Metode untuk mendapatkan bilangan acak : 1. Metode Kongruen Campuran Rumus :
BILANGAN ACAK Bilangan acak adalah bilangan sembarang tetapi tidak sembarangan. Kriteria yang harus dipenuhi, yaitu : Bilangan acak harus mempunyai distribusi serba sama (uniform) Beberapa bilangan acak
Lebih terperincidigunakan untuk menyelesaikan persamaan yang nantinya akan diperoleh dalam
II. LANDASAN TEORI Pada bab ini akan diberikan konsep dasar yang akan digunakan dalam pembahasan hasil penelitian ini, antara lain : 2.1 Fungsi Gamma Fungsi gamma merupakan suatu fungsi khusus. Fungsi
Lebih terperinciANALISIS CURAH HUJAN UNTUK MEMBUAT KURVA INTENSITY-DURATION-FREQUENCY (IDF) DI KAWASAN KOTA LHOKSEUMAWE
ANALISIS CURAH HUJAN UNTUK MEMBUAT KURVA INTENSITY-DURATION-FREQUENCY (IDF) DI KAWASAN KOTA LHOKSEUMAWE Fasdarsyah Dosen Jurusan Teknik Sipil, Universitas Malikussaleh Abstrak Rangkaian data hujan sangat
Lebih terperinciBAB II TINJAUAN PUSTAKA. Hidrologi merupakan salah satu cabang ilmu bumi (Geoscience atau
BAB II TINJAUAN PUSTAKA A. Analisis Hidrologi Hidrologi merupakan salah satu cabang ilmu bumi (Geoscience atau Science de la Terre) yang secara khusus mempelajari tentang siklus hidrologi atau siklus air
Lebih terperinciDistribusi Peluang Kontinyu STATISTIK INDUSTRI 1. Distribusi Peluang Kontinyu. Distribusi Diskrit Uniform. Distribusi Diskrit Uniform 17/12/2014
STATISTIK INDUSTRI 1 Agustina Eunike, ST., MT., MBA Rata-rata dan Variansi Rumus Umum: Distribusi Peluang Diskrit dan Kontinyu UNIFORM Distribusi Diskrit Uniform Distribusi Diskrit Uniform Contoh: Suatu
Lebih terperinciESTIMASI TOTAL DAYA LISTRIK YANG HILANG MELALUI PROSES POISSON TERPANCUNG MAJEMUK
ESTIMASI TOTAL DAYA LISTRIK YANG HILANG MELALUI PROSES POISSON TERPANCUNG MAJEMUK Adri Arisena 1, Anna Chadidjah 2, Achmad Zanbar Soleh 3 Departemen Statistika Universitas Padjadjaran 1 Departemen Statistika
Lebih terperinciMA4183 MODEL RISIKO Control your Risk!
Catatan Kuliah MA4183 MODEL RISIKO Control your Risk! disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2014 Tentang MA4183 Model Risiko A. Jadwal
Lebih terperinciSTATISTICS. WEEK 5 Hanung N. Prasetyo TELKOM POLTECH/HANUNG NP
STATISTICS WEEK 5 Hanung N. Prasetyo Kompetensi 1. Mahasiswa memahamikonsep dasar distribusi peluang kontinu khusus seperti uniform dan eksponensial 2. Mahasiswamampumelakukanoperasi hitungyang berkaitan
Lebih terperinciMakalah Matematika Asuransi MODEL PARAMETRIK TAHAN HIDUP
Makalah Matematika Asuransi MODEL PARAMETRIK TAHAN HIDUP Disusun Oleh : 1. Intan Wijaya M0108018. Nariswari Setya D. M01080 3. Rahmawati Oktriana M0108061 4. Sri Maria Puji L. M0108108 JURUSAN MATEMATIKA
Lebih terperinciPengantar Statistika Matematika II
Bab 2: Sifat-Sifat Estimator Statistika FMIPA Universitas Islam Indonesia Statistik Cukup Dalam kondisi real, kita tidak mengetahui parameter dari populasi data yang akan kita teliti Informasi dalam sampel
Lebih terperinciTeknik Pengolahan Data
Universitas Gadjah Mada Jurusan Teknik Sipil dan Lingkungan Prodi Magister Teknik Pengelolaan Bencana Alam Teknik Pengolahan Data Uji Hipotesis (Hypothesis Tes/ng) 1 Uji Hipotesis Model Matema/ka vs Pengukuran
Lebih terperinciBAB I PENDAHULUAN. penerbangan, kedokteran, teknik mesin, software komputer, bahkan militer
BAB I PENDAHULUAN A. Latar Belakang Statistika merupakan salah satu ilmu matematika yang terus berkembang dari waktu ke waktu. Di dalamnya mencakup berbagai sub pokok-sub pokok materi yang sangat bermanfaat
Lebih terperinciESTIMASI PARAMETER REGRESI RANK BERDISTRIBUSI EKSPONENSIAL DENGAN MENGGUNAKAN METODE KUADRAT TERKECIL TERBOBOTI
ESTIMASI PARAMETER REGRESI RANK BERDISTRIBUSI EKSPONENSIAL DENGAN MENGGUNAKAN METODE KUADRAT TERKECIL TERBOBOTI Megawati 1, Anisa 2, Raupong. 3 Abstrak Regresi kuadrat terkecil berdasarkan plot peluang,
Lebih terperinciBAB III METODOLOGI PENELITIAN. Langkah perancangan yang akan dilakukan adalah sebagai berikut: produksi pada departemen plastik
BAB III METODOLOGI PENELITIAN 3.1 Langkah Perancangan Langkah perancangan yang akan dilakukan adalah sebagai berikut: a. Melakukan studi literatur sejumlah buku yang berkaitan dengan preventive maintenance.
Lebih terperinciHIDROLOGI ANALISIS DATA HUJAN
HIDROLOGI ANALISIS DATA HUJAN Analisis Frekuensi dan Probabilitas Sistem hidrologi terkadang dipengaruhi oleh peristiwaperistiwa yang luar biasa, seperti hujan lebat, banjir, dan kekeringan. Besaran peristiwa
Lebih terperinciCatatan Kuliah. MA4183 Model Risiko Risk: Quantify and Control. Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah MA4183 Model Risiko Risk: Quantify and Control Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2017 1 Tentang MA4183 Model Risiko
Lebih terperinciContoh Solusi PR 4 Statistika & Probabilitas. 1. Nilai probabilitas pada masing-masing soal mengacu pada tabel Standard Normal Distribution.
Contoh Solusi PR 4 Statistika & Probabilitas 1. Nilai probabilitas pada masing-masing soal mengacu pada tabel Standard Normal Distribution. a X := curah hujan satu tahun. X : N 42,16. Dit: PX > 50. 50
Lebih terperinciMODUL DISTRIBUSI PROBABILITAS EKSPONENSIAL
MODUL DISTRIBUSI PROBABILITAS EKSPONENSIAL Tujuan Praktikum: Membantu mahasiswa memahami materi Distribusi Eksponensial Pengambilan keputusan dari suatu kasus dengan menggunakan kaidah dan syarat Distribusi
Lebih terperinciBAB 4 HASIL DAN PEMBAHASAN
BAB 4 HASIL DAN PEMBAHASAN 4.1 Pengantar Pada Bab ini akan dilakukan pembahasan untuk menetapkan beban overbooking melalui model penghitungan. Untuk dapat melakukan penghitungan tersebut, terlebih dahulu
Lebih terperinciDengan demikian, untuk sembarang B = [a, b], maka persamaan (5.1) menjadi
Bab 5 Peubah Acak Kontinu 5.1 Pendahuluan Definisi 5.1. Peubah acak adalah suatu fungsi dari ruang contoh S ke R (himpunan bilangan nyata) Peubah acak X bersifat diskret jika F (x) adalah fungsi tangga.
Lebih terperinciPengantar Statistika Matematika II
Bab 6: Statistika FMIPA Universitas Islam Indonesia Inferensi Statistik Pendahuluan Inferensi Statistik Inferensi statistik adalah metode untuk menarik kesimpulan mengenai suatu populasi. Inferensi statistik
Lebih terperinciRENCANA PEMBELAJARAN SEMESTER (RPS)
RENCANA PEMBELAJARAN SEMESTER (RPS) MUG2D3 PROBABILITAS DAN STATISTIKA Disusun oleh: INDWIARTI FAKULTAS INFORMATIKA TELKOM UNIVERSITY 1 LEMBAR PENGESAHAN Rencana Pembelajaran Semester (RPS) ini telah disahkan
Lebih terperincistatistika untuk penelitian
statistika untuk penelitian Kelompok Ilmiah Remaja (KIR) Delayota Experiment Team (D Expert) 2013 Freeaninationwallpaper.blogspot.com Apa itu Statistika? Statistika adalah ilmu yang mempelajari cara pengumpulan,
Lebih terperinciSTATISTIKA UNIPA SURABAYA
MATEMATIKA STATISTIKA (MATHEMATICAL STATISTICS) GANGGA ANURAGA Materi : Distribusi variabel random Teori Himpunan Fungsi Himpunan Fungsi Himpunan Peluang Variabel Random Fungsi Kepadatan Peluang Fungsi
Lebih terperinciPEMILIHAN DISTRIBUSI PROBABILITAS PADA ANALISA HUJAN DENGAN METODE GOODNESS OF FIT TEST
PEMILIHAN DISTRIBUSI PROBABILITAS PADA ANALISA HUJAN DENGAN METODE GOODNESS OF FIT TEST Togani Cahyadi Upomo 1, Rini Kusumawardani 2 1) Jurusan Teknik Sipil, Fakultas Teknik, Universitas Negeri Semarang
Lebih terperinciCatatan Kuliah. MA4183 Model Risiko
Catatan Kuliah MA4183 Model Risiko Forecast and control your risk Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2015 1 Tentang MA4183 Model Risiko
Lebih terperinciSTATISTIK DESKRIPTIF. Statistics. Strategi Membaca
2 Lampiran 8 Statistics N Mean Median Mode Std. Deviation Variance Range Minimum Maximum Sum Valid Missing STATISTIK DESKRIPTIF Statistics Strategi Membaca Variables Penguasaan Kosakata Kemampuan Memahami
Lebih terperinciStatistika. Analisis Data Time Series. 13-Sep-16. h2p://is5arto.staff.ugm.ac.id
Universitas Gadjah Mada Jurusan Teknik Sipil dan Lingkungan Prodi Pascasarjana Teknik Sipil Statistika Analisis Data Time Series 1 Analisis Data Time Series Acuan Haan, C.T., 1982, Sta+s+cal Methods in
Lebih terperinciTeknik Pengolahan Data
Universitas Gadjah Mada Jurusan Teknik Sipil dan Lingkungan Prodi Magister Teknik Pengelolaan Bencana Alam Teknik Pengolahan Data Distribusi Normal 1 Distribusi Binomial Ingat contoh pemilihan 1 kegiatan
Lebih terperinciBAB III ANALISIS FAKTOR. berfungsi untuk mereduksi dimensi data dengan cara menyatakan variabel asal
BAB III ANALISIS FAKTOR 3.1 Definisi Analisis faktor Analisis faktor adalah suatu teknik analisis statistika multivariat yang berfungsi untuk mereduksi dimensi data dengan cara menyatakan variabel asal
Lebih terperinciBAB II TINJAUAN PUSTAKA. return, mean, standard deviation, skewness, kurtosis, ACF, korelasi, GPD, copula,
BAB II TINJAUAN PUSTAKA Pada bab ini akan dibahas semua konsep yang mendasari penelitian ini yaitu return, mean, standard deviation, skewness, kurtosis, ACF, korelasi, GPD, copula, VaR, estimasi VaR dengan
Lebih terperinciContoh Analisis Data Korelasi Kecerdasan Emosi terhadap Stress Kerja 1. Sebaran Data Kecerdasan Emosi Hasil Skoring Kuesioner
Contoh Analisis Data Korelasi Kecerdasan Emosi terhadap Stress Kerja 1. Sebaran Data Kecerdasan Emosi Hasil Skoring Kuesioner 1. Sebaran Data Stress Kerja Hasil Skoring Kuesioner 2. Jumlah Skor Setiap
Lebih terperinciCatatan Kuliah. MA4183 Model Risiko Forecast, assess, and control your risk. Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah MA4183 Model Risiko Forecast, assess, and control your risk Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2016 1 Tentang MA4183
Lebih terperinciBAB IV PEMBAHASAN. 4.1 Proses Pencabangan model DTMC SIR
BAB IV PEMBAHASAN 4.1 Proses Pencabangan model DTMC SIR Proses pencabangan suatu individu terinfeksi berbentuk seperti diagram pohon dan diasumsikan bahwa semua individu terinfeksi adalah saling independent
Lebih terperinciAnalisis Regresi Nonlinear (I)
9 Oktober 2013 Topik Inferensi dalam Regresi Nonlinear Contoh Kasus Regresi linear berganda secara umum sesuai untuk kebanyakan kasus. Namun, banyak kasus peubah respons dan bebas berhubungan melalui fungsi
Lebih terperinciPeubah Acak. 14-Sep-07 TPADF (Kelas Ganjil/ Rahmat) Lecture 2 page 1
Peubah Acak 14-Sep-07 TPADF (Kelas Ganjil/ Rahmat) Lecture 2 page 1 Definisi Peubah Acak Peubah acak adalah peubah yang mengkarakterisasikan setiap elemen dalam ruang sampel dengan suatu bilangan real.
Lebih terperinciBAB IV ANALISIS HASIL DAN PEMBAHASAN
BAB IV ANALISIS HASIL DAN PEMBAHASAN A. Uji Statistik Deskriptif Statistik Deskriptif memberikan gambaran atau deskriptif suatu data yang dilihat dari nilai rata-rata (mean), standar deviasi, varian, maksimum
Lebih terperinciBAB IV ANALISA HIDROLOGI
BAB IV ANALISA HIDROLOGI 4.1. Diagram Alir M U L A I Data Curah Hujan N = 15 tahun Pemilihan Jenis Sebaran Menentukan Curah Hujan Rencana Uji Kecocokan Data - Chi Kuadrat - Smirnov Kolmogorov Intensitas
Lebih terperinciTUGAS BESAR PROBABILITAS DAN STATISTIK
TUGAS BESAR PROBABILITAS DAN STATISTIK DISTRIBUSI GAMMA (EKSPONENSIAL, CHI-SQUARE, DAN EKSPONENSIAL NEGATIF) Oleh : Kelompok 4 NAMA MAHASISWA NIM 1. Ade Firmansyah 131910201032 2. Novita Murti Hernandes
Lebih terperinciHaryoso Wicaksono, S.Si., M.M., M.Kom. 26
Distribusi probabilita kontinu, yaitu apabila random variabel yang digunakan kontinu. Probabilita dihitung untuk nilai dalam suatu interval tertentu. Probabilita di suatu titik = 0. Probabilita untuk random
Lebih terperinciANALISA STATISTIKA UNTUK CURAH HUJAN HARIAN PADA DAS KAMPAR BERDASARKAN AIC (AKAIKE INFORMATION CRITERION)
ANALISA STATISTIKA UNTUK CURAH HUJAN HARIAN PADA DAS KAMPAR BERDASARKAN AIC (AKAIKE INFORMATION CRITERION) Citra Dewi Simbolon, Bambang Sujatmoko, Mardani Sebayang Jurusan Teknik Sipil S1, Fakultas Teknik
Lebih terperinci1 PROBABILITAS. Pengertian
PROBABILITAS Pengertian Pada awal perkuliahan, sebelum menjelaskan probabilitas, dibahas sepintas sebagai pengantar tentang eksperimen, titik sampel, ruang sampel, dan peristiwa, serta variabel random
Lebih terperinciESTIMASI PARAMETER µ DAN σ 2 PADA DISTRIBUSI EKSPONENSIAL TERGENERALISIR DUA VARIABEL MENGGUNAKAN FUNGSI PEMBANGKIT MOMEN SKRIPSI
ESTIMASI PARAMETER µ DAN σ 2 PADA DISTRIBUSI EKSPONENSIAL TERGENERALISIR DUA VARIABEL MENGGUNAKAN FUNGSI PEMBANGKIT MOMEN SKRIPSI GHAZALI WARDHONO 090823040 DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN
Lebih terperinciBAB 3 DATA DAN METODOLOGI PENELITIAN
BAB 3 DATA DAN METODOLOGI PENELITIAN 3.1 Pengantar Di dalam penelitian ini akan dijelaskan secara detil mengenai data penelitian dan hal-hal yang terkait dengan data-data yang akan digunakan dalam penelitian
Lebih terperinciDistribusi Normal, Skewness dan Qurtosis
Distribusi Normal, Skewness dan Qurtosis Departemen Biostatistika FKM UI 1 2 SAP Statistika 1, minggu ke-4 4 Membekali mahasiswa agar lebih paham dan menguasai teori terkait: menghitung ukuran penyimpangan
Lebih terperinciPEMODELAN DISTRIBUSI FREKWENSI TIME HEADWAY LALU LINTAS DI WILAYAH JALAN BERBUKIT
PEMODELAN DISTRIBUSI FREKWENSI TIME HEADWAY LALU LINTAS DI WILAYAH JALAN BERBUKIT Rizky Indra Utama Jurusan Teknik Sipil Universitas Andalas Abstrak Time headway merupakan besaran mikroskopik arus lalu
Lebih terperinciBAB IV ANALISIS DAN PEMBAHASAN
BAB IV ANALISIS DAN PEMBAHASAN 4.1 Uraian Umum Sesuai dengan program pengembangan sumber daya air di Sulawesi Utara khususnya di Gorontalo, sebuah fasilitas listrik akan dikembangkan di daerah ini. Daerah
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Analisis Hidrologi Hidrologi didefinisikan sebagai ilmu yang mempelajari sistem kejadian air di atas pada permukaan dan di dalam tanah. Definisi tersebut terbatas pada hidrologi
Lebih terperinciBAB 4 ANALISIS DAN PEMBAHASAN
BAB 4 ANALISIS DAN PEMBAHASAN Pada bab ini akan dianalisis dan dibahas tentang pengukuran risiko operasional klaim asuransi kesehatan pada PT. XYZ menggunakan metode EVT. Pengukuran risiko operasional
Lebih terperinciPEMODELAN DISTRIBUSI FREKWENSI TIME HEADWAY LALU LINTAS DI WILAYAH JALAN BERBUKIT ABSTRAK
VOLUME 12 NO. 2, OKROBER 2016 PEMODELAN DISTRIBUSI FREKWENSI TIME HEADWAY LALU LINTAS DI WILAYAH JALAN BERBUKIT Rizky Indra Utama 1, Purnawan 2, dan Hendra Gunawan 3 ABSTRAK Time headway merupakan besaran
Lebih terperincimulai Identifikasi masalah dan tujuan dan Pengambilan data (pengamatan) Statistika deskriptif Uji asumsi tingkat kedatangan dan tingkat pelayanan
L A N G K A H mulai Identifikasi masalah dan tujuan dan Pengambilan data (pengamatan) Statistika deskriptif Uji asumsi tingkat kedatangan dan tingkat pelayanan A N A L I S I S Analisis sistem nyata Dibandingkan
Lebih terperinciMA4181 MODEL RISIKO Risk is managed, not avoided
Catatan Kuliah MA4181 MODEL RISIKO Risk is managed, not avoided disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2013 Tentang MA4181 Model Risiko
Lebih terperinciBab V Hasil dan Pembahasan
Bab V Hasil dan Pembahasan V.1 Hasil Pengujian Model Dari pengujian model dengan simulasi yang dilakukan sebanyak 10.000 iterasi yang merupakan iterasi terpilih, diperoleh hasil-hasil sebagai berikut:
Lebih terperinciProbabilitas dan Statistika Distribusi Peluang Kontinyu 1. Adam Hendra Brata
Probabilitas dan Statistika Distribusi Peluang Kontinyu 1 Adam Hendra Brata Variabel Acak Kontinyu - Variabel Acak Kontinyu Suatu variabel yang memiliki nilai pecahan didalam range tertentu Distribusi
Lebih terperinci1 Analisis Awal. 1.1 Analisis Hidrologi
1 Analisis Awal 1.1 Analisis Hidrologi Peran analisis hidrologi dalam desain jembatan yang melintasi sungai adalah pada aspek keamanan jembatan terhadap aliran banjir di sungai. Struktur atas jembatan
Lebih terperinciCatatan Kuliah. MA4183 Model Risiko Forecast, assess, and control your risk. Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah MA4183 Model Risiko Forecast, assess, and control your risk Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2016 1 Tentang MA4183
Lebih terperinciPengantar Statistika Matematika II
Pengantar a Matematika II Atina Ahdika, S.Si., M.Si. Prodi a FMIPA Universitas Islam Indonesia March 20, 2017 atinaahdika.com t F Parameter adalah karakteristik dari populasi (misal θ) adalah karakteristik
Lebih terperinciBAB IV ANALISIS HIDROLOGI
BAB IV ANALISIS HIDROLOGI 4.1 Tinjauan Umum Dalam menganalisistinggi muka air sungai, sebagai langkah awal dilakukan pengumpulan data-data. Data tersebut digunakan sebagai dasar perhitungan stabilitas
Lebih terperinciBAB IV PENGUMPULAN DAN PENGOLAHAN DATA
BAB IV PENGUMPULAN DAN PENGOLAHAN DATA Pada bab ini akan diuraikan proses pengumpulan dan pengolahan data hasil eksperimen. Data yang dikumpulkan meliputi langkah-langkah serta hasil pengumpulan dan pengolahan
Lebih terperinciBAB IV ANALISA HIDROLOGI. dalam perancangan bangunan-bangunan pengairan. Untuk maksud tersebut
BAB IV ANALISA HIDROLOGI 4.1 Uraian Umum Secara umum analisis hidrologi merupakan satu bagian analisis awal dalam perancangan bangunan-bangunan pengairan. Untuk maksud tersebut akan diperlukan pengumpulan
Lebih terperinciCara memperoleh data: Zaman dahulu, dgn cara : Melempar dadu Mengocok kartu
Cara memperoleh data: Zaman dahulu, dgn cara : Melempar dadu Mengocok kartu Zaman modern (>1940), dgn cara membentuk bilangan acak secara numerik/aritmatik (menggunakan komputer), disebut Pseudo Random
Lebih terperinciBAB IV ANALISIS HASIL DAN PEMBAHASAN
BAB IV ANALISIS HASIL DAN PEMBAHASAN A. Deskripsi Objek Penelitian 1. Hasil penelitian Berdasarkan hasil penelitian yang diperoleh nilai dari masingmasing variabel yang akan diuji pada penelitian ini.
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. hidrologi dengan panjang data minimal 10 tahun untuk masing-masing lokasi
BAB IV HASIL DAN PEMBAHASAN 4.1 Penentuan Stasiun Pengamat Hujan Untuk melakukan analisa ini digunakan data curah hujan harian maksimum untuk tiap stasiun pengamat hujan yang akan digunakan dalam analisa
Lebih terperinciSTATISTIK PERTEMUAN VI
STATISTIK PERTEMUAN VI 1. TEORI PENDUKUNG 1.1 Pendahuluan 1. Variabel acak 1.3 Distribusi variabel acak diskrit 1.4 Distribusi variabel acak kontinu 1.5 Distribusi multivariat 1.1 Pendahuluan Definisi
Lebih terperinciEstimasi Titik. (Point Estimation) Minggu ke 1-3. Prof. Dr. Sri Haryatmi, M. Sc. Universitas Gadjah Mada
Estimasi Titik (Point Estimation) Minggu ke 1-3 Prof. Dr. Sri Haryatmi, M. Sc. Universitas Gadjah Mada 2014 Prof. Dr. Sri Haryatmi, M. Sc. (UGM) Daftar Isi 2014 1 / 33 DAFTAR ISI 1 Minggu 1 Pertemuan 1
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. yaitu meliputi data dan metode analisis data yang digunakan untuk menentukan interval
BAB IV HASIL DAN PEMBAHASAN 4.1 Pendahuluan Pada bab sebelumnya telah dijelasakan mengenai pemecahan masalah penelitian, yaitu meliputi data dan metode analisis data yang digunakan untuk menentukan interval
Lebih terperinciSTATISTIKA. Distribusi Binomial. Ingat contoh pemilihan 1 kegiatan (Kegiatan A) dari 4 kegiatan untuk didanai. Distribusi Normal
STATISTIKA Distribusi Normal Distribusi Binomial Ingat contoh pemilihan 1 kegiatan (Kegiatan A) dari 4 kegiatan untuk didanai Distribusi Binomial Histogram Distribusi Probabilitas Sukses Statistika Distribusi
Lebih terperinciBAB 4 HASIL PENGUJIAN. 4.1 Penjelasan Deskriptif Objek Penelitian. Penelitian ini menguji adanya pengaruh pengungkapan pihak berelasi dan
BAB 4 HASIL PENGUJIAN 4.1 Penjelasan Deskriptif Objek Penelitian Penelitian ini menguji adanya pengaruh pengungkapan pihak berelasi dan transaksi antar pihak berelasi terhadap harga saham. Penelitian ini
Lebih terperinciE-Jurnal Matematika Vol. 2, No.3, Agustus 2013, ISSN:
E-Jurnal Matematika Vol. 2, No.3, Agustus 2013, 40-45 ISSN: 2303-1751 ANALISIS FAKTOR-FAKTOR YANG MEMENGARUHI WAKTU KELULUSAN MAHASISWA DENGAN MENGGUNAKAN METODE GOMPIT (Studi Kasus: Mahasiswa Fakultas
Lebih terperinci