SIFAT-SIFAT GENERALISASI DISTRIBUSI BINOMIAL YANG BERTIPE COM-POISSON
|
|
- Budi Budiono
- 7 tahun lalu
- Tontonan:
Transkripsi
1 J. Math. ad Its Appl. ISSN: X Vol. 2, No., Mei 205, 3-22 SIFAT-SIFAT GENERALISASI DISTRIBUSI BINOMIAL YANG BERTIPE COM-POISSON Farida Agustii Widjajati, Marselly Dia Saputri 2, Nur Asiyah 3,2,3 Jurusa Mateatika, Fakultas MIPA, Istitut Tekologi Sepuluh Nopeber (ITS Jl. Arief Raha Haki, Surabaya 60 Abstrak Distribusi Bioial da Poisso diguaka utuk egaalisis data diskrit. Karea distribusi Poisso berlaku equidispersi, sehigga dilakuka geeralisasi terhadap distribusi Poisso ejadi distribusi COM-Poisso utuk egaalisis data diskrit yag equidispersi, oerdispersi da uderdispersi. Geeralisasi dari distribusi Bioial yag dapat egaalisis data dega kejadia oerdispersi da uderdispersi adalah distribusi COM- Poisso-Bioial. Pdf ya diperoleh dari distribusi COM-Poisso bersyarat dari pejulaha dua distribusi COM-Poisso. Selai itu, dala kajia ii juga dilakuka estiasi terhadap paraeter-paraeter dari COM-Poisso- Bioial dega egguaka Maiu Likelihood Estiatio (MLE. Selajutya hasil estiasi ii dicoba pada data asosiasi sekuder dari krooso di Brassika. M L E eghasilka persaaa o-liier yag hasilya diguaka utuk ecari ilai estiasi paraeter θ da paraeter, persaaa o-liier tersebut diselesaika dega egguaka etode Newto-Raphso. Dari proses tersebut didapatka ilai estiasi paraeter θ =.742 da ilai estiasi paraeter =.0328 Kata Kuci: Distribusi Bioial; Distribusi COM-Poisso; Oerdispersi, Uderdispersi; Maiu Likelihood Estiatio. Pedahulua Distribusi Bioial da Poisso diguaka utuk egaalisis data diskrit. Nau, pada distribusi Poisso berlaku equidispersi (ariasi da ea berilai saa. Sehigga distribusi Poisso tidak tepat diguaka utuk egaalisis data diskrit dega kejadia oerdispersi (ilai ariasi lebih besar dari ea atau kejadia uderdispersi (ilai ariasi lebih kecil dari ea. Utuk data diskrit dega kejadia oerdispersi dapat diodelka dega distribusi Bioial Negatif yag erupaka gabuga distribusi Poisso da Gaa, disapig itu utuk kasus oerdispersi atau uderdispersi yag disebabka frekuesi ol terlalu bayak pada data dapat 3
2 4 Sifat-Sifat Geeralisasi Distribusi Bioial Yag Bertipe COM-Poisso diodelka dega Zero Iflated Poisso (ZIP []. Distribusi utuk egaalisis data diskrit dega kejadia oerdispersi atau uderdispersi adalah distribusi COM-Poisso (Coway-Mawell-Poisso []. Distribusi COM-Poisso erupaka geeralisasi dari distribusi Poisso yag dikebagka oleh Coway da Mawell pada tahu 962. Distribusi Bioial digeeralisasika dega berbagai cara. Dari segala geeralisasiya ada beberapa geeralisasi berbetuk perkalia da pertabaha dari distribusi Bioial. Probability desity fuctio (pdf dari distribusi perkalia Bioial adalah perkalia dari pdf da faktorya. Itu ebuat perbedaa ariasiya lebih besar atau kurag dari ariasi Bioial yag sesuai, hal itu bergatug pada ilai-ilai faktorya. Disisi lai distribusi Bioial yag bersifat pertabaha itu adalah capura dari tiga odel Bioial yag uu da odel korelasi Bioial yag ecakup ariabel Beroulli yag depedet [2]. Bayak literatur yag eperkealka geeralisasi distribusi Bioial atara lai, literatur yag ebahas tetag distribusi Bioial yag epuyai 3 paraeter yag erupaka geeralisasi dari Bioial yaitu Beta-Bioial, da korelasi distribusi Bioial [3]. Adapu literatur yag ejelaska geeralisasi laiya dari distribusi Bioial yaitu distribusi COM-Poisso-Bioial [], tetapi dala literatur tersebut tidak ebahas sifat-sifat dari distribusi COM-Poisso-Bioial. Pada kajia ii ebahas tetag sifat-sifat geeralisasi dari distribusi Bioial yag bertype COM-Poisso 2. Tijaua Pustaka 2.. Mea da Variasi Mea atau ilai harapa dari peubah acak diskrit X dega pdf f( dapat didefiisika sebagai [5] μ = E(X = f( Mea diotasika dega μ atau E(X. Variasi dari peubah acak X yag diotasika dega σ 2 atau Var(X dapat didefiisika sebagai [5] σ 2 = Var(X = E[(X μ 2 ] (2 da stadar deiasi dari X adalah σ = σ Distribusi COM-Poisso Distribusi COM-Poisso erupaka pegebaga dari distribusi Poisso yag diteuka oleh Coway da Mawell. Distribusi COM- Poisso apu eodelka data yag egalai equidispersi, uderdispersi da oerdispersi. Peubah acak X yag berdistribusi COM-Poisso dega paraeter λ > 0 da > 0 epuyai pdf (
3 Farida Agustii Widjajati, Marselly Dia Saputri, Nur Asiyah 5 diaa, λ Z(λ, = (! e λ λ 2 (2π 2 dega, e : λ : paraeter lokasi : paraeter dispersi Z(λ, : kostata oralisasi f(; λ, = λ (!, = 0,,2, (3 Z(λ, [] Subtitusi Z(λ,, Sehigga persaaa (3 ejadi f(; λ, = λ (! e λ/ λ 2 (2π 2 = λ λ 2 (2π 2 (! e λ/ = λ + 2 (2π 2 (! e λ Beberapa sifat distribusi COM-Poisso adalah sebagai berikut Mea : μ = E(X = λ / 2 Variasi : σ 2 = Var(X = λ/ ( Maiu Likelihood Estiatio Salah Salah satu etode yag dapat diguaka dala egestiasi paraeter pada distribusi adalah MLE. Maksiu likelihood erupaka suatu cara yag egarah pada sifat-sifat estiator yag diigika, terutaa utuk sapel besar, yaitu dega egguaka ilai dala paraeter yag berhubuga dega keugkia terbesar utuk data pegaata sebagai perkiraa dari paraeter yag tidak diketahui. Utuk distribusi bersaa dari ariabel X,, X dega ilai,, da f(,, ; θ adalah fugsi likelihood. Utuk,, yag tetap, fugsi likelihood ya adalah sebuah fugsi dari θ, ditulis dega L(θ. Jika X,, X adalah sapel acak dari f(; θ, aka L(θ = f( ; θ f( ; θ (5 Dala peerapa fugsi likelihood, L(θ epresetasika distribusi bersaa dari sapel acak, walaupu aiu likelihood juga dapat dipakai dala kasus lai seperti dala order statistik. Nilai θ yag eaksialka L(θ juga aka eaksialka l likelihood atau ditulis l L(θ, utuk edapatka persaaa aiu likelihood yaitu [6] d l L(θ = 0 (6 dθ 2.4. Metode Newto-Raphso Metode Newtho-Raphso adalah etode pedekata utuk eyelesaika persaaa oliear atau diguaka utuk eetuka titik saat fugsi aksiu. Titik pedekata ke t + dituliska sebagai [7] β t+ = β t [H t ] G t (7
4 6 Sifat-Sifat Geeralisasi Distribusi Bioial Yag Bertipe COM-Poisso dega β t+ : ektor estiasi paraeter pada iterasi ke t + β t : ektor estiasi paraeter pada iterasi ke t [H t ] : iers dari atriks Hessia yag isi dari atriks erupaka turua kedua dari l L(β. : ektor yag berisi turua pertaa dari l L(β. G t Lagkah-lagkah etode Newto-Raphso:. Tetuka ilai awal β 2. Lakuka iterasi β t+ = β t [H t ] G t diaa t = 0,,2,3,. 3. Iterasi berheti jika salah satu kriteria dibawah ii terpeuhi: a. β t+ β t ε s b. Bayakya iterasi terlapaui 3. Hasil Peelitia da Pebahasa 3..Kajia Distribusi COM-Poisso Distribusi Distribusi COM-Poisso erupaka geeralisasi dari distribusi Poisso. Dala hal ii jika =, aka pdf distribusi COM-Poisso erupaka pdf dari distribusi Poisso. Utuk =, subtitusi ke persaaa (4 diperoleh distribusi Poisso sebagai berikut: f(; λ, = λ+ f(; λ, = λ+ 2 (2π (! e λ 2 2 (2π (! e λ 2 = λ+0 (2π 0. (!e λ = λ (!e λ Sehigga diperoleh pdf distribusi Poisso (; λ = λ! e λ 3.2.Pdf Distribusi COM-Poisso-Bioial Distribusi Distribusi COM-Poisso Bioial dapat erepresetasika oerdispersio da uderdispersio relatif kepada distribusi Bioial pada uuya. Ketika > egalai uderdispersio da ketika < eujukka terjadiya oerdispersio yag berhubuga dega distribusi Bioial. Hal ii dikareaka distribusi COM-Poisso-Bioial di defiisika dari distribusi COM-Poisso bersyarat yag erupaka pejulaha dari dua ariabel COM-Poisso yag idepede. Megguaka defiisi distribusi probabilitas bioial, diisalka S = X + Y erupaka julah pegaata. Sehigga utuk eperoleh X = da S = s, aka perlu X = da Y = s, aka diperoleh distribusi bersaa dari X da S f X,S (, s = P[X =, S = s] = P[X =, Y = s ] = f X,Y (, s Karea ariabel X da Y erupaka ariabel idepede distribusi bersaa dapat ditulis
5 Farida Agustii Widjajati, Marselly Dia Saputri, Nur Asiyah 7 f X,Y (, y = f(f(s λ λ y s = (! Z(λ, ((s! Z(λ y, (λ + λ y s = (s! Z(λ, Z(λ y, (s ( λ ( λ s y λ + λ y λ + λ y dega distribusi argial s f(s = f(, s = (λ + λ y s (s! Z(λ, Z(λ y, (s ( λ ( λ s y λ + λ y λ + λ y s s (λ + λ y s = (s! Z(λ, Z(λ y, (s ( λ ( λ s y λ + λ y λ + λ y (8 (9 Sehigga didapatka distribusi bersyarat dari X diketahui S = s dari distribusi bersaa pada Persaaa (8 da distribusi argial pada Persaaa (9 dega p = λ ( s ( λ + λ ( y λ + λ y f( s = ( s λ ( λ s y ( λ + λ y λ + λ y λ λ +λ y Persaaa (0 ejadi λ y f( s = (s (p ( p s ( s (p ( p s s dari Persaaa ( didapatka pdf dari distribusi COM-Poisso-Bioial s s (0 ( P(;, p, = ( p ( p (, = 0,,., (2 p ( p dega : julah pegaata p : peluag sukses Distribusi COM-Poisso-Bioial erupaka geeralisasi dari distribusi bioial. Hal ii diperoleh jika = utuk Z +, p (0, da R, pdf distribusi COM-Poisso-Bioial adalah pdf dari distribusi bioial. f(;, p, = ( p ( p ( p ( p ( = p ( p ( p + ( p( p + + p = ( p ( p = f(;, p Teorea 2 [] Misal X adalah ariabel COM-Poisso-Bioial dega paraeter,, da p. Jika da p 0 dega λ = p kosta, utuk 0 aka ( li p ( p ( p ( p = λ (! λ k (! (3
6 8 Sifat-Sifat Geeralisasi Distribusi Bioial Yag Bertipe COM-Poisso Bukti ( li P[X =, p, ] = li p ( p ( k p ( p λ (( + (! = li ( λ λ (( + (! ( λ λ (! = li ( λ λ (! li ( λ = λ (! λ (! Utuk edapatka struktur tipe COM-Poisso utuk pdf distribusi COM-Poisso-Bioial, Persaaa (2 dibagi pebilag da peyebutya dega ( p (!. P[X = ;, p, ] = ( p ( p (! (! ( = p ( p p ( p (! (! p ( p Selajutya, θ = p p (4 Disubtitusika ke Persaaa (4 sehigga diperoleh pdf dari distribusi COM-Poisso-Bioial, yag diotasika sebagai X~CMPB(, θ, ejadi dega Z(θ, = θ P[X = ;, θ, ] =, = 0,,, (5 Z(θ, (! (! θ (!(! : julah pegaata θ : paraeter lokasi : paraeter dispersi Z(θ, : kostata oralisasi 3.3.Mea da Varias distribusi COM-Poisso-Bioial Pada bagia ii aka diuraika cara eperoleh ea da arias dari peubah acak X yag berdistribusi COM-Poisso-Bioial. Dega egguaka Persaaa ( didapatka ea dari distribusi COM-Poisso-Bioial E[] = f( = Z(θ, (! (! θ = Z(θ, (! (! θ = θ Z(θ, (! (! θ
7 Farida Agustii Widjajati, Marselly Dia Saputri, Nur Asiyah 9 l(z(θ, = θ. Selajutya, dega egguaka Persaaa (2 didapatka arias dari distribusi COM-Poisso-Bioial Var( = E[(X μ 2 ] = 2 Z(θ, (! (! = θ ( ( 2 θ (! (! ( θ ( ( θ θ 2 ( (! (! θ θ (! (! (! (! ( ( ( Z(θ, (! (! θ 2 (! (! θ (! (! θ 2 = θ E[X] 3.4.Estiasi Paraeter dari Distribusi COM-Poisso-Bioial Estiasi dari paraeter distribusi COM-Poisso-Bioial bertujua utuk edapatka estiator dari COM-Poisso-Bioial. Pada bagia ii aka dibahas egeai bagaiaa ecari estiator distribusi COM- Poisso-Bioial dega egguaka Maiu Likelihood Estiatio. Diisalka, 2,, adalah sapel acak berukura yag berdistribusi COM-Poisso-Bioial. Sehigga, fugsi likelihood dari distribusi COM- Poisso-Bioial didefiisika oleh θ L(,., ; θ, = ( ( i! ( i!. Z(θ,.. ( θ ( i! ( i!. Z(θ, = ( Z(θ,. i= θ i= i ( i! ( i! Oleh karea itu, diperoleh fugsi log likelihood sebagai berikut: l L(,., ; θ, = l (( Z(θ,. i= θ i= i ( i! ( i! (6 = l θ. i. l ( i! ( i!. l Z(θ, (7 i= i= Selajutya dicari turua fugsi log likelihood terhadap asig-asig paraeterya. Utuk edapatka turua pertaa dari fugsi log likelihood terhadap θ dilakuka proses sebagai berikut : l L(θ, = (l θ. i. l ( i! ( i!. l Z(θ, i= i= θ = ( (. i= i (! (! ( θ θ (8 (! (!
8 20 Sifat-Sifat Geeralisasi Distribusi Bioial Yag Bertipe COM-Poisso Turua pertaa log likelihood terhadap, dilakuka proses sebagai berikut : l L(θ, = (l θ. i. l( i! ( i!. l Z(θ, i= i= ( = ( l( i! ( i! + i= θ l(! (! (! (! θ (! (! (9 Persaaa (8 da (9 selajutya diguaka utuk ecari ilai estiasi dari paraeter θ da. Karea persaaa yag diperoleh adalah persaaa o liier Sehigga, utuk eyelesaikaya harus egguaka etode uerik. Metode uerik yag diguaka adalah etode Newto Raphso. Pegguaa etode Newto Raphso dapat dilakuka elalui persaaa (7. Adapu elee-elee yag terdapat dala atriks hessia erupaka turua kedua fugsi log likelihood adalah 2 l L(θ, H = 2 2 l L(θ, [ 2 l L(θ, 2 l L(θ, 2 ] Da G adalah ektor yag eleeya berisi turua pertaa fugsi log likelihood l L(θ, G = [ ] l L(θ, 3.5.Peerapa Estiasi Paraeter Distribusi COM-Poisso- Bioial Data dala cotoh ii erujuk pada 337 pegaata pada asosiasi sekuder dari krooso di Brassika [8] yag disajika di dala Tabel, erupaka kejadia uderdispersi dega ea lebih besar daripada ariasya. Karea data dala Tabel uderdispersi da julah pasag bialeya erupaka data cacah, sehigga diodelka dega distribusi COM-Poisso-Bioial. Tabel. Data asosiasi sekuder dari krooso di Brassika Julah pasag biale ( Julah data yag diaati Peluag ( Peluag ( berdistribusi CMPB (3,.742, Total
9 Farida Agustii Widjajati, Marselly Dia Saputri, Nur Asiyah 2 Dega egguaka Persaaa (8, dega ilai awal θ 0 =, 0 = da ε = hasilya, didapatka ilai estiasi paraeter pada iterasi ke yaitu θ =.742 da =.0328, sehigga data julah pasag biale ( dala Tabel berdistribusi CMPB(, θ, atau dapat ditulis CMPB (3,.742,.0328 dega pdf θ f(;, θ, = (! (! θ (! (!.742 f(; 3,.742,.0328 = (! (3! (! (3!.0328 = 0,,2,3 eyataka julah pasag biale. Dari pdf tersebut didapatka probabilitas utuk asig-asig ilai seperti pada Tabel kolo ke 4. Dari Tabel didapatka 2 pasag biale eiliki probabilitas tertiggi, sehigga odus data julah pasag biale tersebut saa dega odus data berdistribusi CMPB (3,.742, Sedagka ea dari data berdistribusi CMPB (3,.742,.0328 adalah l(z(θ, E(X = θ. θ (! (! E(X = θ θ (! (! (! (3! = ( (! (3!.0328 = ( =.8992 Mea tersebut hapir saa dega ea dari data julah pasag biale ( yaitu.748. karea odus da ea dari data julah pasag biale ( hapir saa dega odus da ea data berdistribusi CMPB (3,.742,.0328 aka ilai estiasi paraeter yag diperoleh cocok dega data. 4. Kesipula Berdasarka keseluruha hasil peelitia da pebahasa diperoleh kesipula sebagai berikut:. Betuk geeralisasi distribusi Bioial yag bertipe distribusi COM- Poisso ejadi COM-Poisso-Bioial dega ejulahka dua distribusi COM-Poisso yag idepede eghasilka pdf distribusi COM-Poisso-Bioial f(;, p, = ( p ( p, = 0,,.,. Sehigga pdf COM-Poisso- ( p ( p Bioial yag bertipe COM-Poisso ejadi X~CMPB(, θ, = θ Z(θ, (!(! l(z(θ, θ., = 0,,.,. Diperoleh juga sifat-sifatya yaitu E[] = da Var( = θ E[X] Dari hasil estiasi paraeter dari distribusi COM-Poisso-Bioial dega egguaka Maiu Likelihood Estiatio didapatka
10 22 Sifat-Sifat Geeralisasi Distribusi Bioial Yag Bertipe COM-Poisso paraeter-paraeter dari distribusi COM-Poisso-Bioial yag berupa persaaa-persaaa o liier sebagai berikut: a. Utuk ilai paraeter θ didapatka persaaa o liier sebagai berikut: θ ( (. i= i (! (! ( θ θ = 0 (! (! b. Utuk ilai paraeter didapatka persaaa o liier sebagai berikut: ( ( l( i! ( i! + i= θ l(! (! (! (! θ (! (! Utuk eyelesaika persaaa o liier tersebut diguaka etode Newto-Raphso. Peerapa data asosiasi sekuder dari krooso di Brassika pada Maiu Likelihood Estiatio COM-Poisso-Bioial didapatka ilai estiasi paraeter θ =.742 da = Daftar Pustaka [] Shueli, G., T. P. Mika, J. B. Kadae, Borle, ad P. Boatwright A Useful Ditributio for Fittig Discrete Data: Reial of The Coway- Mawell-Poisso Distributio. Applied Statistics, Joural of Royal Statistical Society 54 o., hal [2] Altha, P.M.E Two geeralizatios of the bioial distributio. J. Roy. Statist. Soc. Ser. C 27, hal [3] Kupper, L.L., Hasea, J.K The use of a correlated bioial odel for the aalysis of certai toicological eperiets. Bioetrics 34, hal [4] Borges, P., Rodrigues, J., Balakrisha, N., ad B. Jorge A COM-Poisso Type Geeralizatio of the Bioial Distributio ad its Properties ad Applicatios. Statistics ad Probability Letters 87, hal [5] Walpole, R.E. Pegatar Statistika Edisi ke-3. Jakarta: PT. Graedia Pustaka Utaa. [6] Bai, L.J., ad Egelhardt, Ma. 99. Itroductio to Probability ad Matheatical Statistics 2d editio. Belot, Califoria: Dubury Press. [7] Agresti, A Categorical Data Aalysis 2d editio. Joh Wiley ad Sos, New York. [8] Skella, J.G A probablility distributio deried fro the bioial distributio by regardig the probability of success as ariable betwee the sets of trials. J.Roy. Statist.Soc.Ser. B 0, hal = 0
DISTRIBUSI BINOMIAL. (sukses sebanyak x kali, gagal sebanyak n x kali)
DISTRIBUSI BINOMIAL Distribusi bioial berasal dari percobaa bioial yaitu suatu proses Beroulli yag diulag sebayak kali da salig bebas. Distribusi Bioial erupaka distribusi peubah acak diskrit. Secara lagsug,
Lebih terperinciKajian Generalisasi Distribusi Binomial yang Bertipe COM-Poisson dan Sifat-Sifatnya
JURNAL SAINS DAN SENI ITS Vol. 4, No.2, 2015 2337-3520 2301-928X Print A-67 Kajian Generalisasi Distribusi Binomial yang Bertipe COM-Poisson dan Sifat-Sifatnya Marselly Dian Saputri, Farida Agustini Widjajati,
Lebih terperinciTAKSIRAN INTERVAL PARAMETER BENTUK DARI DISTRIBUSI PARETO BERDASARKAN METODE MOMEN DAN MAKSIMUM LIKELIHOOD
TAKSIRAN INTERVAL PARAMETER BENTUK DARI DISTRIBUSI PARETO BERDASARKAN METODE MOMEN DAN MAKSIMUM LIKELIHOOD Jailah * Firdaus Sigit Sugiarto Mahasiwa Progra S Mateatika Dose Jurusa Mateatika Fakultas Mateatika
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakag Kehidupa ausia seatiasa diarahka pada kodisi yag aka datag, yag keberadaaya tidak dapat diketahui secara pasti. Sehigga ausia berusaha elakuka kegiata kegiata dega berorietasi
Lebih terperinciBAB 4: PELUANG DAN DISTRIBUSI NORMAL.
BAB 4: PELUANG DAN DISTRIBUSI NORMAL. PELUANG Peluag atau yag biasa juga disebut dega istilah keugkia, probablilitas, atau kas eujukka suatu tigkat keugkia terjadiya suatu kejadia yag diyataka dala betuk
Lebih terperinciPenerapan Teorema Perron-Frobenius pada Penentuan Distribusi Stasioner Rantai Markov
Vol. 3, No., 85-9, Juli 6 Peerapa Teorea Perro-Frobeius pada Peetua Distribusi Stasioer Ratai Markov Jusawati Massalesse Abstrak Perilaku suatu ratai Markov setelah berala ukup laa dapat diketahui elalui
Lebih terperinciI. PENDAHULUAN II. LANDASAN TEORI
5 I PENDAHULUAN Latar Belakag Persaaa diferesial adalah suatu persaaa ag egadug sebuah fugsi ag tak diketahui dega satu atau lebih turuaa [Stewart, 3] Persaaa diferesial dapat dibedaka eurut ordea, salah
Lebih terperinciBAB 2 DASAR TEORI. 2.1 Probabilitas
BAB DASAR TEORI. Probabilitas Probabilitas epuyai bayak persaaa seperti keugkia, kesepata da kecederuga. Probabilitas eujukka keugkia terjadiya suatu peristiwa yag bersifat acak. Suatu peristiwa disebut
Lebih terperinciDefinisi 2.3 : Jika max min E(X,Y) = min
Teori Peraia 22 Peelitia Operasioal II Defiisi 23 : Jika ax i E(X,Y) = z y i y ax E(X,Y) =E(x 0, y 0 ), aka (x 0, y 0 ) didefiisika z sebagai strategi uri dari peraia itu dega x 0 sebagai strategi optiu
Lebih terperinciMAKALAH TUGAS AKHIR DIMENSI PARTISI PADA PENGEMBANGAN GRAPH KINCIR DENGAN POLA K 1 +mk n
MAKALAH TUGAS AKHIR DIMENSI PARTISI PADA PENGEMBANGAN GRAPH KINCIR DENGAN POLA K 1 +K Oleh : MOHAMMAD IQBAL 1 0 100 01 Pebibig : Drs. Suhud Wahyudi, M.Si. 1900109 198701 1 001 ABSTRAK Graph adalah hipua
Lebih terperinciPerbaikan Bagan Kendali Pergerakan Data (Data Driven)
Bab 3 Perbaika Baga Kedali Pergeraka Data Data Drive) 3.1 Pedahulua Baga kedali klasik utuk eoitorig rataa didasarka pada asusi keorala. Ketika syarat keorala tidak dipeuhi, baga kedali klasik ii tidak
Lebih terperinciTRANSFORMASI BOX-COX PADA ANALISIS REGRESI LINIER SEDERHANA
Jural Matematika UNAND Vol. 2 No. 2 Hal. 115 122 ISSN : 2303 2910 c Jurusa Matematika FMIPA UNAND TRANSFORMASI BOX-COX PADA ANALISIS REGRESI LINIER SEDERHANA ELVI YATI, DODI DEVIANTO, YUDIANTRI ASDI Program
Lebih terperinciPenyelesaian Masalah Penugasan Menggunakan Metode Hungarian dan Pinalti (Studi Kasus: CV. Surya Pelangi)
Peyelesaia Masalah Peugasa Megguaka Metode Hugaria da Pialti (Studi Kasus: CV. Surya Pelagi) Sri Basriati 1, Ayu Lestari 2 1,2 Jurusa Mateatika, Fakultas Sais da Tekologi, UIN Sulta Syarif Kasi Riau Jl.
Lebih terperinciRepresentasi Deret ke dalam Bentuk Integral Lipat Dua
Jural Kubik, Volue 2 No. (27) ISSN : 2338-896 Represetasi Deret ke dala Betuk Itegral Lipat Dua Siti Julaeha, a) 2, b) da Arii Soesatyo Putri Jurusa Mateatika Fakultas Sais da Tekologi UIN SGD Badug 2
Lebih terperinciMENENTUKAN PENYELESAIAN PERTIDAKSAMAAN DENGAN METODE TITIK PEMECAH. Warsito. Program Studi Matematika FMIPA Universitas Terbuka.
MENENTUKAN PENYELESAIAN PERTIDAKSAMAAN DENGAN METODE TITIK PEMECAH Warsito Progra Studi Mateatika FMIPA Uiversitas Terbuka warsito@ut.ac.id Abstrak Peyelesaia pertidaksaaa ( x- a, a Î R adalah x a (egguaka
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 PENDAHULUAN Persoala trasportasi yag serig ucul dala kehidupa sehari-hari, erupaka gologa tersediri dala persoala progra liier. Maka etode traportasi ii juga dapat diguaka utuk eyelesaika beberapa
Lebih terperinciDistribusi Pendekatan (Limiting Distributions)
Distribusi Pedekata (Limitig Distributios) Ada 3 tekik utuk meetuka distribusi pedekata: 1. Tekik Fugsi Distribusi Cotoh 2. Tekik Fugsi Pembagkit Mome Cotoh 3. Tekik Teorema Limit Pusat Cotoh Fitriai Agustia,
Lebih terperinciPENDUGAAN PARAMETER DARI DISTRIBUSI POISSON DENGAN MENGGUNAKAN METODE MAXIMUM LIKEHOOD ESTIMATION (MLE) DAN METODE BAYES
Jural Matematika UNAND Vol. 3 No. 4 Hal. 52 59 ISSN : 233 29 c Jurusa Matematika FMIPA UNAND PENDUGAAN PARAMETER DARI DISTRIBUSI POISSON DENGAN MENGGUNAKAN METODE MAXIMUM LIKEHOOD ESTIMATION (MLE) DAN
Lebih terperinciStatistika dibagi menjadi dua, yaitu: 1. Statistika Deskriftif 2. Statistik Inferensial Penarikan kesimpulan dapat dilakukan dengan dua cara, yaitu:
Peaksira Parameter Statistika dibagi mejadi dua yaitu:. Statistika Deskriftif 2. Statistik Iferesial Pearika kesimpula dapat dilakuka dega dua cara yaitu:. Peaksira Parameter 2. Pegujia Hipotesis Peaksira
Lebih terperinciDistribusi Sampel, Likelihood dan Penaksir
BAB 1 Distribusi Sampel, Likelihood da Peaksir 1.1 Sampel Acak Misalka X 1, X 2,..., X sampel acak berukura (radom sample of size ). Fugsi peluag -variat ya adalah f X1,X 2,,X (x 1, x 2,..., x ) = f Xi
Lebih terperinciBAB I PENDAHULUAN. Integral adalah salah satu konsep penting dalam Matematika yang
BAB I PENDAHULUAN 1.1 Latar Belakag Masalah Itegral adalah salah satu kosep petig dalam Matematika yag dikemukaka pertama kali oleh Isac Newto da Gottfried Wilhelm Leibiz pada akhir abad ke-17. Selajutya
Lebih terperinciLAJU REAKSI. A. KEMOLARAN - Kemolaran adalah menyatakan banyaknya mol zat terlarut dalam 1 liter larutan. M = V
LAJU REAKSI STANDART KOMPETENSI; Meahai kietika reaksi, kesetibaga kiia, da faktor-faktor yag berpegaruh, serta peerapaya dala kehidupa sehari-hari KOMPETENSI DASAR; Medeskripsika pegertia laju reaksi
Lebih terperinciLEMBAR KERJA SISWA 5
94 LEMBAR KERJA SISWA 5 Mata Pelajara Kelas/Seester Materi Pokok Subateri Pokok Alokasi Waktu : Kiia : XI/gajil : Laju Reaksi : Orde Reaksi : 2 x 45 eit Stadar Kopetesi 3. Meahai Kietika Reaksi, Kesetibaga
Lebih terperinciBAB III BASIS DATA UNTUK IDENTIFIKASI DAERAH RAWAN BANJIR DAN KEBERADAAN DATA SPASIAL YANG DIPERLUKAN
BAB III BASIS DATA UNTUK IDENTIFIKASI DAERAH RAWAN BANJIR DAN KEBERADAAN DATA SPASIAL YANG DIPERLUKAN Siste idetifikasi daerah rawa bajir ebutuhka adaya data spasial yag diolah dega eafaatka tekologi Siste
Lebih terperinciPENDUGA RASIO UNTUK RATA-RATA POPULASI MENGGUNAKAN KUARTIL VARIABEL BANTU PADA PENGAMBILAN SAMPEL ACAK SEDERHANA DAN PENGATURAN PERINGKAT MEDIAN
PEDUGA RASIO UTUK RATA-RATA POPULASI MEGGUAKA KUARTIL VARIABEL BATU PADA PEGAMBILA SAMPEL ACAK SEDERHAA DA PEGATURA PERIGKAT MEDIA ur Khasaah, Etik Zukhroah, da Dewi Reto Sari S. Prodi Matematika Fakultas
Lebih terperinciPENERAPAN TEOREMA TITIK TETAP UNTUK MENUNJUKKAN ADANYA PENYELESAIAN PADA SISTEM PERSAMAAN LINEAR
PENERAPAN TEOREMA TITIK TETAP UNTUK MENUNJUKKAN ADANYA PENYELESAIAN PADA SISTEM PERSAMAAN LINEAR Nur Aei Prodi Matematika, FST-UINAM uraeiatullah@gmail.com Ifo: Jural MSA Vol. 3 No. 2 Edisi: Juli Desember
Lebih terperinciBAB 4. METODE ESTIMASI PARAMETER DARI DISTRIBUSI WAKTU KERUSAKAN
BAB 4 METODE ESTIMASI PARAMETER DARI DISTRIBUSI WAKTU KERUSAKAN Estimasi reliabilitas membutuhka pegetahua distribusi waktu kerusaka yag medasari dari kompoe atau sistem yag dimodelka Utuk memprediksi
Lebih terperinciBAB II LANDASAN TEORI. Dalam tugas akhir ini akan dibahas mengenai penaksiran besarnya
5 BAB II LANDASAN TEORI Dalam tugas akhir ii aka dibahas megeai peaksira besarya koefisie korelasi atara dua variabel radom kotiu jika data yag teramati berupa data kategorik yag terbetuk dari kedua variabel
Lebih terperinciBab 3 Metode Interpolasi
Baha Kuliah 03 Bab 3 Metode Iterpolasi Pedahulua Iterpolasi serig diartika sebagai mecari ilai variabel tergatug tertetu, misalya y, pada ilai variabel bebas, misalya, diatara dua atau lebih ilai yag diketahui
Lebih terperinciPENERAPAN TEOREMA TITIK TETAP UNTUK MENUNJUKKAN ADANYA PENYELESAIAN PADA SISTEM PERSAMAAN LINEAR
PENERAPAN TEOREMA TITIK TETAP UNTUK MENUNJUKKAN ADANYA PENYELESAIAN PADA SISTEM PERSAMAAN LINEAR Nur Aei Prodi Matematika, FST-UINAM uraeiatullah@gmail.com Ifo: Jural MSA Vol. 3 No. 2 Edisi: Juli Desember
Lebih terperinciPerbandingan Inversi Least-Square dengan Levenberg- Marquardt pada Metode Geomagnet untuk Model Crustal Block
PROSIDING SKF 6 Perbadiga Iversi Least-Square dega Leveberg- Marquardt pada Metode Geoaget utuk Model Crustal Block Uar Said a, Mohaad eriyato b, da Wahyu Srigutoo c Laboratoriu Fisika Bui, Kelopok Keilua
Lebih terperinciBAB 3 ENTROPI DARI BEBERAPA DISTRIBUSI
BAB 3 ENTROPI DARI BEBERAPA DISTRIBUSI Utuk lebih memahami megeai etropi, pada bab ii aka diberika perhituga etropi utuk beberapa distribusi diskrit da kotiu. 3. Distribusi Diskrit Pada sub bab ii dibahas
Lebih terperinciLANDASAN TEORI. Secara umum, himpunan kejadian A i ; i I dikatakan saling bebas jika: Ruang Contoh, Kejadian, dan Peluang
2 LANDASAN TEORI Ruag Cotoh, Kejadia, da Peluag Percobaa acak adalah suatu percobaa yag dapat diulag dalam kodisi yag sama, yag hasilya tidak dapat diprediksi secara tepat tetapi dapat diketahui semua
Lebih terperinciDistribusi Sampel & Statistitik Terurut
Distribusi Sampel & Statistitik Terurut Sampel Acak, Rataa sampel, X-bar, Variasi sampel, S, Teorema Limit Pusat, Distribusi t,, F Statistik Terurut MA 3181 Teori Peluag 11 November 014 Utriwei Mukhaiyar
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 6. No. 2, 77-85, Agustus 2003, ISSN : DISTRIBUSI WAKTU BERHENTI PADA PROSES PEMBAHARUAN
JURAL MATEMATKA DA KOMPUTER Vol. 6. o., 77-85, Agustus 003, SS : 40-858 DSTRBUS WAKTU BERHET PADA PROSES PEMBAHARUA Sudaro Jurusa Matematika FMPA UDP Abstrak Dalam proses stokhastik yag maa kejadia dapat
Lebih terperinciPenyelesaian Persamaan Non Linier
Peyelesaia Persamaa No Liier Metode Iterasi Sederhaa Metode Newto Raphso Permasalaha Titik Kritis pada Newto Raphso Metode Secat Metode Numerik Iterasi/NewtoRaphso/Secat - Metode Iterasi Sederhaa- Metode
Lebih terperinciProgram studi Statistika, Jurusan Matematika, FMIPA, Universitas Hasanuddin
Uiversitas Hasauddi ESTIMASI PARAMETER GENERALIZED LINEAR MIXED MODELS PADA DATA LONGITUDINAL DENGAN METODE GAUSS-HERMITE QUADRATURE Ahid Iai Fitriaigsih, Adi Kresa Jaya 2, Raupog 3 Progra studi Statistika,
Lebih terperinciPENAKSIR BAYES UNTUK PARAMETER DISTRIBUSI EKSPONENSIAL BERDASARKAN FUNGSI KERUGIAN KUADRATIK DAN FUNGSI KERUGIAN ENTROPI
PENAKSIR BAYES UNTUK PARAMETER DISTRIBUSI EKSPONENSIAL BERDASARKAN FUNGSI KERUGIAN KUADRATIK DAN FUNGSI KERUGIAN ENTROPI Nadya Zulfa Negsih, Bustami Mahasiswa Program Studi S Matematika Dose Jurusa Matematika
Lebih terperinciPENYELESAIAN TEORI PERMAINAN MENGGUNAKAN METODE SIMPLEKS ALTERNATIF
Jural Matriks, ol. 1, No. 2, 2018 1 PENYELESAIAN TEORI PERMAINAN MENGGUNAKAN METODE SIMPLEKS ALTERNATIF Rii Hidayattillah, Pardi Affadi, Akhad Yusuf Progra Studi Mateatika Fakultas MIPA Uiversitas Labug
Lebih terperinciMETODE NUMERIK JURUSAN TEKNIK SIPIL FAKULTAS TEKNIK UNIVERSITAS BRAWIJAYA 7/4/2012 SUGENG2010. Copyright Dale Carnegie & Associates, Inc.
METODE NUMERIK JURUSAN TEKNIK SIPIL FAKULTAS TEKNIK UNIVERSITAS BRAWIJAYA 7/4/0 SUGENG00 Copyright 996-98 Dale Caregie & Associates, Ic. Kesalaha ERROR: Selisih atara ilai perkiraa dega ilai eksakilai
Lebih terperinciBAB II LANDASAN TEORI. Pada bagian ini akan dibahas tentang teori-teori dasar yang. digunakan untuk dalam mengestimasi parameter model.
BAB II LANDASAN TEORI Pada bagia ii aka dibahas tetag teori-teori dasar yag diguaka utuk dalam megestimasi parameter model.. MATRIKS DAN VEKTOR Defiisi : Trace dari matriks bujur sagkar A a adalah pejumlaha
Lebih terperinciMINGGU KE-12 TEOREMA LIMIT PUSAT DAN TERAPANNYA
MINGGU KE-12 TEOREMA LIMIT PUSAT DAN TERAPANNYA TEOREMA LIMIT PUSAT DAN TERAPANNYA Telah dikeal bahwa X 1, X 2...X sampel radom dari distribusi ormal dega mea µ da variasi σ 2, maka x µ σ/ atau xi µ σ
Lebih terperinciPENERAPAN REGRESI BINOMIAL NEGATIF UNTUK MENGATASI OVERDISPERSI PADA REGRESI POISSON
E-Jural Matematika Vol., No., Mei 013, 6-10 ISSN: 303-1751 PENERAPAN REGRESI BINOMIAL NEGATIF UNTUK MENGATASI OVERDISPERSI PADA REGRESI POISSON PUTU SUSAN PRADAWATI 1, KOMANG GDE SUKARSA, I GUSTI AYU MADE
Lebih terperinciDISTRIBUSI KHUSUS YANG DIKENAL
0 DISTRIBUSI KHUSUS YANG DIKENAL Kita sudah membahas fugsi peluag atau fugsi desitas, baik defiisiya maupu sifatya. Fugsi peluag atau fugsi desitas ii merupaka ciri dari sebuah distribusi, artiya fugsi
Lebih terperinciAji Wiratama, Yuni Yulida, Thresye Program Studi Matematika Fakultas MIPA Universitas Lambung Mangkurat Jl. Jend. A. Yani km 36 Banjarbaru
Jural Matematika Muri da Terapa εpsilo Vol.8 No.2 (24) Hal. 39-45 APLIKASI METODE DEKOMPOSISI ADOMIAN UNTUK MENENTUKAN FORMULA TRANSFORMASI LAPLACE Aji Wiratama, Yui Yulida, Thresye Program Studi Matematika
Lebih terperinciPENGGGUNAAN ALGORITMA GAUSS-NEWTON UNTUK MENENTUKAN SIFAT-SIFAT PENAKSIR PARAMETER DAN
PENGGGUNAAN ALGORITMA GAUSS-NEWTON UNTUK MENENTUKAN SIFAT-SIFAT PENAKSIR PARAMETER DAN DALAM SUATU MODEL NON-LINIER Abstrak Nur ei 1 1, Jurusa Matematika FMIPA Uiversitas Tadulako Jl. Sukaro-Hatta Palu,
Lebih terperinciAbstract: Given a graph G ( V,
PELABELAN SUPER GRACEFUL UNTUK BEBERAPA GRAF KHUSUS Prias Tri Ajar Ajai, Robertus Heri SU, Bayu Surarso,, Jurusa Mateatika Uiversitas Dipoegoro Jl. Prof. Soedarto, SH, Tebalag, Searag 7 Abstract: Give
Lebih terperinciKARAKTERISTIK MATRIKS CENTRO-SIMETRIS THE CHARACTERISTICS OF CENTROSYMMETRIC MATRICES
ural Ilu Mateatika da erapa Deseber 206 Volue 0 Noor 2 Hal 69 76 KAAKEIIK MAIK CENO-IMEI Bery Pebo oasouw urusa Mateatika FMIPA Uiversitas Pattiura l Ir M Putuhea, Kapus Upatti, Poka-Abo, Idoesia e-ail:
Lebih terperinciPendekatan Nilai Logaritma dan Inversnya Secara Manual
Pedekata Nilai Logaritma da Iversya Secara Maual Moh. Affaf Program Studi Pedidika Matematika, STKIP PGRI BANGKALAN affafs.theorem@yahoo.com Abstrak Pada pegaplikasiaya, bayak peggua yag meggatugka masalah
Lebih terperinciPENYELESAIAN TEORI PERMAINAN MENGGUNAKAN METODE SIMPLEKS ALTERNATIF
Jural Matriks, ol. 1, No. 1, 2018 1 PENYELESAIAN TEORI PERMAINAN MENGGUNAKAN METODE SIMPLEKS ALTERNATIF Rii Hidayattillah, Pardi Affadi, Akhad Yusuf Progra Studi Mateatika Fakultas MIPA Uiversitas Labug
Lebih terperinciMETODE DEKOMPOSISI LAPLACE UNTUK MENENTUKAN SOLUSI PERSAMAAN DIFERENSIAL PARSIAL NONLINIER
Vol.1 No.1 (16) Hal. 38-45 METODE DEKOMPOSISI LAPLACE UNTUK MENENTUKAN SOLUSI PERSAMAAN DIFERENSIAL PARSIAL NONLINIER Siar Ismaya, Yui Yulida *, Na imah Hijriati Program Studi Matematika Fakultas MIPA
Lebih terperinciPeubah Acak. Peubah Acak Diskrit dan Distribusi Peluang. Peubah Acak. Peubah Acak
Peubah Acak Peubah Acak Diskrit da Distribusi Peluag Peubah Acak (Radom Variable): Sebuah keluara umerik yag merupaka hasil dari percobaa (eksperime) Utuk setiap aggota dari ruag sampel percobaa, peubah
Lebih terperinciHUBUNGAN ANTARA KONVERGEN HAMPIR PASTI, KONVERGEN DALAM PELUANG, DAN KONVERGEN DALAM SEBARAN
Jural Matematika UNAND Vol. 2 No. 2 Hal. 0 6 ISSN : 2303 290 c Jurusa Matematika FMIPA UNAND HUBUNGAN ANTARA KONVERGEN HAMPIR PASTI, KONVERGEN DALAM PELUANG, DAN KONVERGEN DALAM SEBARAN VIRA AGUSTA, DODI
Lebih terperinciB a b 1 I s y a r a t
34 TKE 315 ISYARAT DAN SISTEM B a b 1 I s y a r a t (bagia 3) Idah Susilawati, S.T., M.Eg. Program Studi Tekik Elektro Fakultas Tekik da Ilmu Komputer Uiversitas Mercu Buaa Yogyakarta 29 35 1.5.2. Isyarat
Lebih terperinciPOSITRON, Vol. II, No. 2 (2012), Hal. 1-5 ISSN : Penentuan Energi Osilator Kuantum Anharmonik Menggunakan Teori Gangguan
POSITRON, Vol. II, No. (0), Hal. -5 ISSN : 30-4970 Peetua Eergi Osilator Kuatum Aharmoik Megguaka Teori Gaggua Iklas Saubary ), Yudha Arma ), Azrul Azwar ) )Program Studi Fisika Fakultas Matematika da
Lebih terperinciProbabilitas dan Proses Stokastik
Probabilitas da Proses Stokastik Tim ProStok Jurusa Tekik Elektro - FTI Istitut Tekologi Sepuluh Nopember Surabaya, 014 O U T L I N E 1. Capaia Pembelajara. Pegatar da Teori 3. Cotoh 4. Rigkasa 5. Latiha
Lebih terperinciFungsi Kompleks. (Pertemuan XXVII - XXX) Dr. AZ Jurusan Teknik Sipil Fakultas Teknik Universitas Brawijaya
TKS 4007 Matematika III Fugsi Kompleks (Pertemua XXVII - XXX) Dr. AZ Jurusa Tekik Sipil Fakultas Tekik Uiversitas Brawijaya Pedahulua Persamaa x + 1 = 0 tidak memiliki akar dalam himpua bilaga real. Pertayaaya,
Lebih terperinciPENGGUNAAN NILAI EIGEN DAN VEKTOR EIGEN UNTUK MENENTUKAN MODEL GENOTIP KETURUNAN YANG TERTAUT KROMOSOM X
Jural Maajee Ioratika da Tekik Koputer Volue, Noor, pril PENGGUNN NILI EIGEN DN VEKTOR EIGEN UNTUK MENENTUKN MODEL GENOTIP KETURUNN YNG TERTUT KROMOSOM X Havid Syawa *, Nurwati Jurusa Maajee Ioratika,
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakag Maajeme risiko merupaka salah satu eleme petig dalam mejalaka bisis perusahaa karea semaki berkembagya duia perusahaa serta meigkatya kompleksitas aktivitas perusahaa
Lebih terperinciJurnal Matematika Murni dan Terapan Vol. 4 No.2 Desember 2010: 1-13 TEOREMA TITIK TETAP BANACH PADA RUANG METRIK-D
Jural Mateatika Muri da Terapa Vol 4 No Deseber : - 3 TEOREMA TITIK TETAP BANACH PADA RUANG METRIK-D Muhaad Ahsar Kari, Dewi Sri Susati, da Nurul Huda Progra Studi Mateatika Uiversitas Labug Magkurat Jl
Lebih terperinciTaksiran Interval bagi Rata-rata Parameter Distribusi Poisson Interval Estimate for The Average of Parameter Poisson Distribution
Prosidig Statistika ISSN: 460-6456 Taksira Iterval bagi Rata-rata Parameter Distribusi Poisso Iterval Estimate for The Average of Parameter Poisso Distributio 1 Putri Aggita Nuraei, Teti Sofia Yati, 3
Lebih terperinciSTATISTICS. Hanung N. Prasetyo Week 11 TELKOM POLTECH/HANUNG NP
STATISTICS Haug N. Prasetyo Week 11 PENDAHULUAN Regresi da korelasi diguaka utuk megetahui hubuga dua atau lebih kejadia (variabel) yag dapat diukur secara matematis. Ada dua hal yag diukur atau diaalisis,
Lebih terperinciREGRESI LINIER DAN KORELASI. Variabel bebas atau variabel prediktor -> variabel yang mudah didapat atau tersedia. Dapat dinyatakan
REGRESI LINIER DAN KORELASI Variabel dibedaka dalam dua jeis dalam aalisis regresi: Variabel bebas atau variabel prediktor -> variabel yag mudah didapat atau tersedia. Dapat diyataka dega X 1, X,, X k
Lebih terperinciBab II Landasan Teori
4 Bab II Ladasa Teori II. Aalisis "Net Social Gai" (NSG) PT. Siar Asia Fortua sebagai suatu perusahaa tabag baha galia batugapig epuyai kotribusi positif terhadap peigkata pedapata jika ilai outputya lebih
Lebih terperinciBAB 6: ESTIMASI PARAMETER (2)
Bab 6: Estimasi Parameter () BAB 6: ESTIMASI PARAMETER (). ESTIMASI PROPORSI POPULASI Proporsi merupaka perbadiga atara terjadiya suatu peristiwa dega semua kemugkiaa peritiwa yag bisa terjadi. Besara
Lebih terperinciPersamaan Non-Linear
Persamaa No-Liear Peyelesaia persamaa o-liear adalah meghitug akar suatu persamaa o-liear dega satu variabel,, atau secara umum dituliska : = 0 Cotoh: 2 5. 5 4 9 2 0 2 5 5 4 9 2 2. 2 0 2 5. e 0 Metode
Lebih terperinciBAB VII RANDOM VARIATE DISTRIBUSI DISKRET
BAB VII RANDOM VARIATE DISTRIBUSI DISKRET Diskret radom variabel dapat diguaka utuk berbagai radom umber yag diambil dalam betuk iteger. Pola kebutuha ivetori (persediaa) merupaka cotoh yag serig diguaka
Lebih terperinciSTUDI TENTANG BEBERAPA MODIFIKASI METODE ITERASI BEBAS TURUNAN
STUDI TENTANG BEBERAPA MODIFIKASI METODE ITERASI BEBAS TURUNAN Supriadi Putra, M,Si Laboratorium Komputasi Numerik Jurusa Matematika FMIPA Uiversitas Riau e-mail : spoetra@yahoo.co.id ABSTRAK Makalah ii
Lebih terperinciPETA KONSEP RETURN dan RISIKO PORTOFOLIO
PETA KONSEP RETURN da RISIKO PORTOFOLIO RETURN PORTOFOLIO RISIKO PORTOFOLIO RISIKO TOTAL DIVERSIFIKASI PORTOFOLIO DENGAN DUA AKTIVA PORTOFOLIO DENGAN BANYAK AKTIVA DEVERSIFIKASI DENGAN BANYAK AKTIVA DEVERSIFIKASI
Lebih terperinciBAB I PENDAHULUAN. Matematika merupakan suatu ilmu yang mempunyai obyek kajian
BAB I PENDAHULUAN A. Latar Belakag Masalah Matematika merupaka suatu ilmu yag mempuyai obyek kajia abstrak, uiversal, medasari perkembaga tekologi moder, da mempuyai pera petig dalam berbagai disipli,
Lebih terperinciTINJAUAN PUSTAKA Pengertian
TINJAUAN PUSTAKA Pegertia Racaga peelitia kasus-kotrol di bidag epidemiologi didefiisika sebagai racaga epidemiologi yag mempelajari hubuga atara faktor peelitia dega peyakit, dega cara membadigka kelompok
Lebih terperinciBAB III PENGGUNAAN METODE EMPIRICAL BEST LINEAR UNBIASED PREDICTION (EBLUP) PADA GENERAL LINEAR MIXED MODEL
BAB III PENGGUNAAN MEODE EMPIRICAL BES LINEAR UNBIASED PREDICION (EBLUP PADA GENERAL LINEAR MIXED MODEL Pada Bab III ii aka dibahas megeai taksira parameter pada Geeral Liear Mixed Model berdasarka asumsi
Lebih terperinciStatistika Matematika. Soal dan Pembahasan. M. Samy Baladram
Statistika Matematika Soal da embahasa M Samy Baladram Bab 4 Ubiasedess, Cosistecy, ad Limitig istributios Ubiasedess, Cosistecy, ad Limitig istributios 41 Ekspektasi Fugsi Key oits Ṫeorema 411 Jika T
Lebih terperinci1 Persamaan rekursif linier non homogen koefisien konstan tingkat satu
Secara umum persamaa rekursif liier tigkat-k bisa dituliska dalam betuk: dega C 0 0. C 0 x + C 1 x 1 + C 2 x 2 + + C k x k = b, Jika b = 0 maka persamaa rekursif tersebut diamaka persamaa rekursif liier
Lebih terperinciRange atau jangkauan suatu kelompok data didefinisikan sebagai selisih antara nilai terbesar dan nilai terkecil, yaitu
BAB 4 UKURAN PENYEBARAN DATA Pada Bab sebelumya kita telah mempelajari beberapa ukura pemusata data, yaitu ukura yag memberika iformasi tetag bagaimaa data-data ii megumpul atau memusat Pada bagia Bab
Lebih terperinciSIFAT-SIFAT FUNGSI YANG TERINTEGRAL MCSHANE DALAM RUANG EUCLIDE BERDIMENSI N UNTUK FUNGSI-FUNGSI BERNILAI BANACH
βeta p-issn: 2085-5893 / e-issn: 2541-0458 http://juralbeta.ac.id Vol. 5 No. 1 (Mei) 2012, Hal. 21-29 βeta 2012 SIFAT-SIFAT FUNGSI YANG TRINTGRAL MCSHAN DALAM RUANG UCLID BRDIMNSI N UNTUK FUNGSI-FUNGSI
Lebih terperinciOptimisasi Terpadu Persoalan Inventori dan Persoalan Transfortasi dengan Metode ITIO ( Inventory Transfortation Integrated Optimization)
Prosidig Seirata FMIP Uiversitas Lapug, Optiisasi Terpadu Persoala Ivetori da Persoala Trasfortasi dega Metode ITIO ( Ivetory Trasfortatio Itegrated Optiizatio) T.P.Nababa, Sukato, Karida Puspita N Jurusa
Lebih terperinciMasih ingat beda antara Statistik Sampel Vs Parameter Populasi? Perhatikan tabel berikut: Ukuran/Ciri Statistik Sampel Parameter Populasi.
Distribusi Samplig (Distribusi Pearika Sampel). Pedahulua Bidag Iferesia Statistik membahas geeralisasi/pearika kesimpula da prediksi/ peramala. Geeralisasi da prediksi tersebut melibatka sampel/cotoh,
Lebih terperinciANALISIS REGRESI TERPOTONG (TRUNCATED) ATAS BAWAH DAN PENERAPANNYA SKRIPSI
ANALISIS REGRESI TERPOTONG (TRUNCATED) ATAS BAWAH DAN PENERAPANNYA SKRIPSI Diajuka kepada Fakultas Matematika da Ilmu Pegetahua Alam Uiversitas Negeri Yogyakarta utuk memeuhi sebagia persyarata gua memperoleh
Lebih terperinciPENENTUAN SOLUSI RELASI REKUREN DARI BILANGAN FIBONACCI DAN BILANGAN LUCAS DENGAN MENGGUNAKAN FUNGSI PEMBANGKIT
Prosidig Semiar Nasioal Matematika da Terapaya 06 p-issn : 0-0384; e-issn : 0-039 PENENTUAN SOLUSI RELASI REKUREN DARI BILANGAN FIBONACCI DAN BILANGAN LUCAS DENGAN MENGGUNAKAN FUNGSI PEMBANGKIT Liatus
Lebih terperinciPerbandingan Power of Test dari Uji Normalitas Metode Bayesian, Uji Shapiro-Wilk, Uji Cramer-von Mises, dan Uji Anderson-Darling
Jural Gradie Vol No Juli 5 : -5 Perbadiga Power of Test dari Uji Normalitas Metode Bayesia, Uji Shapiro-Wilk, Uji Cramer-vo Mises, da Uji Aderso-Darlig Dyah Setyo Rii, Fachri Faisal Jurusa Matematika,
Lebih terperinciSTATISTIKA NON PARAMETRIK
. PENDAHULUAN STATISTIKA NON PARAMETRIK Kelebiha Uji No Parametrik: - Perhituga sederhaa da cepat - Data dapat berupa data kualitatif (Nomial atau Ordial) - Distribusi data tidak harus Normal Kelemaha
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakag Didalam melakuka kegiata suatu alat atau mesi yag bekerja, kita megeal adaya waktu hidup atau life time. Waktu hidup adalah lamaya waktu hidup suatu kompoe atau uit pada
Lebih terperinciBAB III PEMBAHASAN. Pada BAB III ini akan dibahas mengenai bentuk program linear fuzzy
BAB III PEMBAHASAN Pada BAB III ii aka dibahas megeai betuk program liear fuzzy dega koefisie tekis kedala berbetuk bilaga fuzzy da pembahasa peyelesaia masalah optimasi studi kasus pada UD FIRDAUS Magelag
Lebih terperinciBAB III TAKSIRAN KOEFISIEN KORELASI POLYCHORIC DUA TAHAP. Permasalahan dalam tugas akhir ini dibatasi hanya pada penaksiran
BAB III TAKSIRAN KOEFISIEN KORELASI POLYCHORIC DUA TAHAP Permasalaha dalam tugas akhir ii dibatasi haya pada peaksira besarya koefisie korelasi polychoric da tidak dilakuka peguia terhadap koefisie korelasi
Lebih terperinciESTIMASI PARAMETER REGRESI DATA PANEL MODEL EFEK TETAP BERDISTRIBUSI POISSON TERGENERALISASI TERBATAS MENGGUNAKAN METODE MAKSIMUM LIKELIHOOD
ESTIMASI PARAMETER REGRESI DATA PANEL MODEL EFEK TETAP BERDISTRIBUSI POISSON TERGENERALISASI TERBATAS MENGGUNAKAN METODE MAKSIMUM LIKELIHOOD Fahri 1, Kresa, Aisa 3 ABSTRAK Data pael adalah data hasil pegaata
Lebih terperinci9 Departemen Statistika FMIPA IPB
Supleme Resposi Pertemua ANALISIS DATA KATEGORIK (STK351 9 Departeme Statistika FMIPA IPB Pokok Bahasa Sub Pokok Bahasa Referesi Waktu Pegatar Aalisis utuk Data Respo Kategorik Data respo kategorik Sebara
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakag Statistika iferesi merupaka salah satu cabag statistika yag bergua utuk meaksir parameter. Peaksira dapat diartika sebagai dugaa atau perkiraa atas sesuatu yag aka terjadi
Lebih terperinciSupriyadi Wibowo Jurusan Matematika F MIPA UNS
Prosidig Semiar Nasioal Peelitia, Pedidika da Peerapa MIPA akultas MIPA, Uiversitas Negeri Yogyakarta, 16 Mei 29 HUBUNGAN ANTARA ORDER DERIVATI- DARI UNGSI f : DENGAN DIMENSI-γ DARI HIMPUNAN RAKTAL Supriyadi
Lebih terperinciBAB III METODE PENELITIAN
36 BAB III METODE PENELITIAN A. Racaga Peelitia 1. Pedekata Peelitia Peelitia ii megguaka pedekata kuatitatif karea data yag diguaka dalam peelitia ii berupa data agka sebagai alat meetuka suatu keteraga.
Lebih terperinciIV. METODE PENELITIAN
IV. METODE PENELITIAN 4.1 Lokasi da Waktu peelitia Peelitia dilakuka pada budidaya jamur tiram putih yag dimiliki oleh usaha Yayasa Paguyuba Ikhlas yag berada di Jl. Thamri No 1 Desa Cibeig, Kecamata Pamijaha,
Lebih terperinciUkuran Pemusatan. Pertemuan 3. Median. Quartil. 17-Mar-17. Modus
-Mar- Ukura Pemusata Pertemua STATISTIKA DESKRIPTIF Statistik deskripti adalah pegolaha data utuk tujua medeskripsika atau memberika gambara terhadap obyek yag diteliti dega megguaka sampel atau populasi.
Lebih terperinciBAB II TINJAUAN PUSTAKA
3 BAB II TINJAUAN PUSTAKA.1 Ruag Cotoh, Kejadia da Peluag Defiisi.1 (Ruag cotoh da kejadia) Suatu percobaa yag dapat diulag dalam kodisi yag sama, yag hasilya tidak bisa diprediksi secara tepat tetapi
Lebih terperinciPerilaku Distribusi Bernoulli. Definisi: Bernoulli. Contoh Binomial. Contoh Binomial
Defiisi: Beroulli ercobaa Beroulli: Haya terdaat satu kali ercobaa dega eluag sukses da eluag gagal - eluag Sukse: eluag Gagal: ( = ) = ( = 0 ( = 0) = ( 0 0 = erilaku Distribusi Beroulli E() = Var () =
Lebih terperinciIII. METODOLOGI PENELITIAN. Penelitian ini dilakukan di SMA Negeri 1 Way Jepara Kabupaten Lampung Timur
III. METODOLOGI PENELITIAN A. Lokasi da Waktu Peelitia Peelitia ii dilakuka di SMA Negeri Way Jepara Kabupate Lampug Timur pada bula Desember 0 sampai dega Mei 03. B. Populasi da Sampel Populasi dalam
Lebih terperinciBARISAN PANGKAT TERURUT MATRIKS PADA ALJABAR MAX PLUS
BRISN PNGKT TERURUT MTRIKS PD LJBR MX PLUS Nurwa Jurusa Matematika FMIP Uiversitas Negeri Gorotalo E-mail: urwa_mat@ug.ac.id bstrak Diberika matriks R yag memeuhi = λ. Matriks adalah k + c c k taktereduksi
Lebih terperinciDISTRIBUSI SAMPLING. Oleh : Dewi Rachmatin
DISTRIBUSI SAMPLING Oleh : Dewi Rachmati Distribusi Rata-rata Misalka sebuah populasi berukura higga N dega parameter rata-rata µ da simpaga baku. Dari populasi ii diambil sampel acak berukura, jika tapa
Lebih terperinciBAB III 1 METODE PENELITAN. Penelitian dilakukan di SMP Negeri 2 Batudaa Kab. Gorontalo dengan
BAB III METODE PENELITAN. Tempat Da Waktu Peelitia Peelitia dilakuka di SMP Negeri Batudaa Kab. Gorotalo dega subject Peelitia adalah siswa kelas VIII. Pemiliha SMP Negeri Batudaa Kab. Gorotalo. Adapu
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Kosep Peasara Kosep peasara erupaka filsafat bisis yag bagkit eatag kosep-kosep sebeluya. Kosep peasara berpedapat bahwa kuci utuk ecapai tujuatujua orgaisasi/ perusahaaa terdiri
Lebih terperinciTri Handhika Pusat Studi Komputasi Matematika (PSKM), Kampus D 139 Universitas Gunadarma Abstrak
PENGGUNAAN MEODE EMPIRICAL BES LINEAR UNBIASED PREDICION (EBLUP) PADA GENERAL LINEAR MIXED MODEL ri Hadhika Pusat Studi Komputasi Matematika (PSKM), Kampus D 139 Uiversitas Guadarma trihadika@staff.guadarma.ac.id
Lebih terperinci