Regression Logistic Model for Multivariate biner Response by Generalized Estimating Equation
|
|
- Indra Rachman
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Model Regres Logstk utuk Resos Ber Multvarate dega Geeralzed Estmatg Euato Oleh : Jaka Nugraha, Suryo Gurto & Sr Haryatm Kartko. Jurusa Statstka, FMIPA UII. Emal: ugraha@fma.u.ac.d.jurusa Matematka FMIPA UGM Abstrak Dalam makalah aka dbahas model regres utuk data kategork multvarate, khususya reso ber (dkotoms. Utuk megestmas arameter ada model margal, aka dguaka edekata Ideedet Estmatg Euato (IEE da edekata Geeralzed Estmatg Euatos (GEE. Proses teras megguaka metode scorg utuk meyelesaka ersamaa eaksr dega rogram R. Dar hasl smulas, deroleh bahwa edekata GEE meghaslka eaksr arameter dega varas yag lebh kecl dbadgka dega edekata IEE. Kata kuc : model margal, fugs lk,iee, GEE Regresso Logstc Model for Multvarate ber Resose by Geeralzed Estmatg Euato Abstract hs aer wll dscuss about regresso model for multvarate categorcal resose, esecally for ber resose (dchotomus. o estmate aramters margal model, t wll used aromato Ideedet Estmatg Euato (IEE ad Geeralzed Estmatg Euatos (GEE. Iterato rocess erformade by scorg methods to solve estmatg euato usg R rograme. Results show that GEE aroach gve lower varace estmatg arameter tha that of IEE aroach Key words : margal model, lk fuctos, IEE, GEE. Pegatar Aalss ada reso data kotu da dasumska berdstrbus Gausa, basaya dguaka aalss model lear. Dalam reso ber, yag basaya dlh model o lear utuk mea, model aka membuat kesulta terretas model margalya. Model efek radom, seauh sagat sedkt yag dkembagka utuk reso ber dbadgka dega reso kotu. GEE meruaka edekata yag meark utuk reso ber multvarate, yag maa tdak memerluka sesfkas legka ada dstrbus gabuga. Dasumska bahwa N dvdu masg-masg dobservas sebayak J reso. Y adalah reso ke ada dvdu/subek ke da seta resoya adalah ber. Sehgga reso ada dvdu ke, daat dsaka dalam betuk Y (Y,.,Y J sebaga vektor J, dmaa varabel radom ber Y ka subek memuya la (sukses ada reso da 0 utuk yag la. Seta dvdu memuya vektor covarate berukura P utuk seta reso da (,, J t meruaka matrk kovarate JP utuk dvdu. Sehgga data utuk dvdu ke- bers observas (Y,. Dresetaska dalam Semar Nasoal MIPA 006 dega tema "Peelta, Peddka, da Peeraa MIPA serta Peraaya dalam Pegkata Kerofesoala Peddk da eaga Keeddka" yag dseleggaraka oleh Fakultas MIPA UNY, Yogyakarta ada taggal Agustus 006
2 Jaka Nugraha, Suryo Gurto & Sr Haryatm Kartko Dstrbus margal Y adalah Beroul da model margalya adalah [6] f(y / e[y θ -log{+e(θ }], ( dmaa dasumska bahwa θ log[π /(-π ] t β da π π (β E(Y r(y, β yag meruaka robabltas sukses utuk reso da β adalah vektor arameter berukura P. Dalam hal kta haya membuat asums ada dstrbus margal Y. Model margal daat dtulska sebaga e( β π r(y, β utuk,, J + e( β ( da (,.., adalah matrk. Model damaka model margal regres logstk. Selautya π (β daat dkelomokka bersama-sama ke betuk vektor π (β yag memuat robabltas margal sukses, π (β E(Y (π,., π J t. Pada reso ber, fugs lk logt adalah yag basa dlh, ada rsya sebarag fugs lk daat dguaka. Dalam makalah aka dbahas dua edekata estmas arameter, yatu IEE da GEE dar data smulas dega rogram R. Dambl kasus utuk data ber bvarate da tr varate. Sebaga embadg hasl, data uga destmas secara arsal dega geeralzed lear model.. Model Observas Ideede Jka datara J reso dasumska salg deede, maka dstrbus bersama resos ber tersebut adalah f(y e (3 J y θ J log[ + e( θ ] Peaksra arameter regres logstk dega edekata IEE megasumska bahwa vektor Y-,.,Y sebaga ulaga observas adalah deede da asaga observas margal Y,.Y J uga salg deedet deede. eorema. Peaksr utuk IEE dar β katakalah βˆ I adalah suatu eyelesaa dar ersamaa Bukt: π (Y 0 dega (,. da π (π,,π, Y adalah vektor observas. M - 40 Semar Nasoal MIPA 006
3 Jaka Nugraha, Suryo Gurto & Sr Haryatm Kartko Y dega,,..j da,., meruaka keada Beroul, sehgga destas margal Y daat dyataka sebaga θ f(y e[ y θ l{ + e(θ }] θ θ θ Karea Y,.,Y sebaga ulaga observas adalah deede, demka uga asaga observas margal Y,.Y deede maka fugs log-kemugka utuk dvdu ke- adalah f(y e[ y θ L l f(y y θ l[+ e(θ ] l[ + e(θ ] Kemuda fugs d atas ddervatfka terhada β utuk dvdu ke- adalah L selautya. L y - L y E(y y - π e(θ + e(θ L L L. L y y Y - π.. y. M - 4 Semar Nasoal MIPA 006
4 Jaka Nugraha, Suryo Gurto & Sr Haryatm Kartko. t e(θ [+ e(θ ] 0 π ( π Var(Y ka t ka t ad Var(Y Var(Y 0 Dag{ Cov(Y} Var(Y 3.. Karea π e( β, maka + e( β e( β. [+ e( β ] Var(Y Sehgga [ Var Y Var( Y. Var( Y ] ( Var(Y Var(Y Var(Y dega Dag{Cov(Y } Dar (, ( da (3 deroleh L 0 (Y - π Var(Y Var(Y Var(Y. Var(Y Var(Y. Var(Y L Dag{Cov(Y }[Dag{ Cov(Y }] - (Y - π M - 4 Semar Nasoal MIPA 006
5 Jaka Nugraha, Suryo Gurto & Sr Haryatm Kartko Kemuda eaksr kemugka maksmum utuk arameter β adalah eyelesaa dar L L Derevatf ke dua dar fugs lkelhood adalah L ( (y (y - ( π [ dag( Cov( Y ] I(β basa dsebut dega matrk formas. Lemma. Peyelesaa ersamaa eaksr IEE dega megguaka metode Newto-Rahso ada teras ke-t+ adalah β (t+ β (t + Dag{π (t ( π (t } (t (Y (4 Bukt: Rumus dar metode ewto ramso adalah β (t+ β (t (H (t - (t dasumska H (t osgular. L(β L(β β da H L(β.. L(β L(β L(β (t da H (t meruaka suku taksra ada β (t, yatu eduga ke-t dar β (t 0,,,. D atas telah dhtug bahwa M - 43 Semar Nasoal MIPA 006
6 Jaka Nugraha, Suryo Gurto & Sr Haryatm Kartko da (t L (y H I (β - Dag[ π ( ] H (t Dag{π Sehgga terbukt bahwa (t ( π (t } β (t+ β (t (t (t (t + Dag{π ( π } (Y Sela metode Newto Raso, metode la yag kadag-kadag lebh sederhaa adalah metode scorg []. Metode scorg deroleh dega meggat matrk H, yatu derevatf kedua dar ersamaa, dgat dega matrk E(H. L(β E(H E ab -Dag[ πˆ (- πˆ ] Sehgga ersamaa teras dega metode scorg adalah β (t+ β (t + (5 Matrk kovarasya adalah Dag{πˆ (t ( πˆ (t } (t (Y Cov( βˆ Dag{πˆ ( πˆ } Cov(Y (6 Dag{πˆ ( πˆ } Peaksr kemugka maksmum dega edekata IEE d atas meghaslka eaksr yag selaras da Normal asmtots []. M - 44 Semar Nasoal MIPA 006
7 Jaka Nugraha, Suryo Gurto & Sr Haryatm Kartko eorema. βˆ I adalah eaksr utuk β yag selaras da / (βˆ I-β berdstrbus asmtots Multvarate Normal (Gausa ada dega mea ol da matrk kovaraya lm Bukt: Cov(Y Adaka b sebaga eaksr dar β berdasarka edekata deret aylor orde ertama, vektor skore U (β utuk la β b adalah U (β U(b + H(b( β - b dega H(b I(b, yatu matrk dervatf ke-dua dar fugs log-kemugka ada βb da UU -H. Dketahu bahwa γ E(-H Cov(Y Selautya utuk samel besar U (β U(b - γ( β - b Karea U(b 0 maka (b -β γ - U (β Dasumska γ kostata da o sgular, da karea E{U (β } 0 maka E(b -β γ - E{U (β } 0 sehgga b adalah eaksr tak bas asmtots utuk β. Matrk kovaras utuk b adalah E[(b -β(b -β ] γ - E(UU γ - γ - sebab γ E(UU da γ - matrk smetrs. Utuk samel besar (b -β ~ N(0, γ - / (b -β ~ N(0, γ - Pada umumya, erulaga ada dvdu yag sama megakbatka adaya korelas, hal berakbat vers dar matrk formas tdak selaras [3]. Dega adaya asums deede atar reso, MLE ada regre logstk meghaslka estmas yag kosste da Asymtots ormal []. Namu secara umum, ka terdaat korelas atar reso ber, megakbatka vers dar estmator matrk formas mead tdak kosste. Lag da Zeger [3] megusulka egguaa estmator robust utuk meaksr varas yag kosste terhada korelas atar reso. Ketka korelas atar M - 45 Semar Nasoal MIPA 006
8 Jaka Nugraha, Suryo Gurto & Sr Haryatm Kartko reso tdak terlalu besar, Lstz, S.R., Lard, N.M., da Harrgto, D.P. [5] megusulka estmator MLE d atas mash cuku efse. 3. Pedekata GEE Utuk megkatka efses eaksra arameter model margal, Lag da Zeger [3,4] da Pretce [7] telah megembagka GEE. Pedekata GEE meghaslka estmator kosste utuk arameter regres, d bawah secfkas yag bear utuk fugs mea, π yag meruaka vektor resos utuk masg-masg dvdu. GEE utuk β ddefska sebaga U(β D (7 dega D dtulska sebaga V / V (Y π 0 da V adalah edekata utuk matrk kovaras. V daat R ( α / / dega Dag{Cov(Y } da ddefska Dag{ var(y var(y } R (α Corr(Y meruaka matrk JJ. α meuukka vektor arameter yag berkata dega model tertetu utuk Corr(Y. Koefse korelas berasaga dasumska ρ sr (α corr(y s,y r utuk,,.. da s,r,, J. Utuk megestmas R, ddefska J(J-/ vektor korelas emrk, r dega eleme-eleme r st (8 ( Ys s ( Yt t [ π ( π ( ] s s t t / Catata bahwa E(r rs ρ rs corr(y s,y t. GEE utuk regres logstk dega megguaka matrk korelas R (α adalah U(β V (9 (Y π 0 Persamaa daat dselesaka dega metode Newto-Rahso atauu dega metode Scorg. Persamaa terasya adalah M - 46 Semar Nasoal MIPA 006
9 Jaka Nugraha, Suryo Gurto & Sr Haryatm Kartko β (t+ β (t + V - V (Y (t (0 Lag da Zeger (989[4], meuukka asmtots dega matrk kovara βˆgee adalah selaras da berdstrbus ormal secara cov( βˆgee lm ( D V - D - ( ( atau daat dtulska sebaga D V - Cov(Y V - D ( D V - D - Cov( βˆ ( V - V Cov(Y V V - Peaksra cov( βˆgee daat deroleh dega meggat Cov(Y dega (Y - ˆ (Y- ˆ da meggat arameter ρ dega ρˆ. Peaksr cov( βˆgee "robust" karea selaras mesku V Cov(Y. Jka emlha R(α teat, dalam art R(α meyataka korelas sesugguhya dar Y maka V Cov(Y. βˆ ot adalah eaksr "otmal" utuk β yag meruaka eyelesaa dar GEE ada V Cov(Y, sehgga [3] cov( βˆ ot lm ( D V - D - ( D V - V V - D ( D V - D - lm ( D V - D - (3 Msal utuk reso bvarate (J, da korelas berasaga dtaksr dega [5] ρ r ( Y ( Y [ π ( π ( ] (4 adalah korelas dvdu ke-. da V ρ (5 Utuk reso trvarate (J 3, ρ / M - 47 Semar Nasoal MIPA 006
10 Jaka Nugraha, Suryo Gurto & Sr Haryatm Kartko V ρ ρ ρ ρ ρ ρ (6 4. Smulas Estmas arameter dega IEE da GEE Dalam bab aka dlakuka estmas arameter megguaka GEE da IEE berdasarka data yag dbagktka dega varabel deede da robabltas sukses dketahu. Dalam hal dambl kasus utuk data bvarat da trvarate dega satu varabel deee. Fugs learya adalah f( a + b dega a da b-. Probabltas sukses (π adalah π e{f( }/[+ e{f( }] Proses erhtuga megguaka rogram R.30. dega komuter RAM 56 Prosesor Itel Petum,76 Gga. Smulas dlakuka utuk beberaa, yatu 00, 500, 000 da 000. Lagkah-lagkah smulas adalah sbb:. bagktka data utuk varable deedet ~ N(µ,σ da z ~ UNIF(0,, z ~ UNIF(0, + z da 3 + z. htug robabltas π, π, π 3 berdasarka varabel deede tersebut 3. Dar la robabltas yag terbetuk, bagktka data Y bomal (π.,,3 da,, 4. Car eaksr arameter dega metode Newto Rahso da scorg utuk cara IIE da GEE. Sebaga embadg, dlakuka estmas arameter dega GLM secara arsal 5. Htug efses atara IEE da GEE utuk masg-masg eaksr robust da eaksr otmal. Dar roses smulas yag telah dlakuka, daat dcatat beberaa hal yatu. dar rumus korelas r, berart harus dsyaratka bahwa π 0 atauu π.. utuk GEE dsyaratka bahwa matrk formas harus o sgular atau matrk V adalah o sgular. Hasl smulas adalah. Secara umum GEE meghaslka eaksr yag memuya varas lebh kecl dbadgka dega IEE, bak utuk easr robust mauu eaksr otmal M - 48 Semar Nasoal MIPA 006
11 Jaka Nugraha, Suryo Gurto & Sr Haryatm Kartko. Peaksr utuk IEE laya lebh dekat dega la arameter yag sesugguhya (a da b - dbadg eaksr GEE. 3. Peaksr otmal utuk IEE sama dega eaksr GLM yag dlakuka secara arsal (masg masg Y secara tersah. 5. Smula. Pedekata GEE meark, yag daat drgkas sebaga berkut. memberka eaksr yag kosste utuk βˆ, da haya memerluka sesfkas utuk π(β da meghaslka eaksr dega varas yag lebh kecl dbadg eaksr IEE.. Jka emlha korelas dlakuka secara teat, maka aka deroleh eaksr yag kosste. 3. walauu emlha corelato tdak deroleh secara teat, eaksr yag kosste mash daat deroleh dega eaksr robust. 4. kelemaha utama edekata GEE adalah dalam roses teras deroleh matrkv yag sgular. Daftar Pustaka [] Agrest A. (990, Categorcal Data Aalyss, Joh Wley & So [] Ftzmaurce, G.M., Lard N.M., Rattzky, A.G. (993 Regresso Models for Dscrete Logtudal Resoses. Statstcal Scece Vol. 8 No [3] Lag, K.Y., da Zeger,S.L (986. Logtudal data aalyss usg geeralsed lear models, Bometrka 73, 3-. [4] Lag, K.Y., da Zeger, S.L., (989. A class of logstc regresso models for multvarate bary tme seres. Joural of the Amerca Statstcal Assosato 84, [5] Lstz, S.R., Lard, N.M., da Harrgto, D.P. (990. Mamum lkelhood regresso models for ared bary data. Statstcs Medce 9, [6] McDoald B.W. (993 Estmatg Logstc Regrsso Parameters for Bvarate Bary Data. Joural of he Royal Statstcal Socety, Seres B 55, [7] Pretce, R.L. (988 Correlated bary regresso wth covarates secfc to each bary observato. Bometrcs 44, M - 49 Semar Nasoal MIPA 006
12 Jaka Nugraha, Suryo Gurto & Sr Haryatm Kartko LAMPIRAN abel. Outut rogram estmas arameter data bvarate ada N00 GLM BEA SE Z Value A B A B IEE,R[]0 BEA Cov Z Value Cov Z value A B A B GEE,R[] BEA Cov Z Value Cov Z value A B A B abel. Outut rogram estmas arameter data bvarate ada N500 GLM BEA SE Z Value A B A B IEE,R[]0 BEA Cov Z Value Cov Z value A B A B GEE,R[] BEA Cov Z Value Cov Z value A B A B abel 3. Outut rogram estmas arameter data bvarate ada N000 GLM BEA SE Z Value A B A B IEE,R[]0 BEA Cov Z Value Cov Z value A B A B GEE,R[] BEA Cov Z Value Cov Z value A B A B M - 50 Semar Nasoal MIPA 006
13 Jaka Nugraha, Suryo Gurto & Sr Haryatm Kartko abel 4. Outut rogram estmas arameter data rvarate ada N00 GLM BEA SE Z Value A B A B A B IEE,R[]0 BEA Cov Z Value Cov Z value A B A B A B GEE,R[] BEA Cov Z Value Cov Z value A B A B A B abel 5.Outut rogram estmas arameter data rvarate ada N500 GLM BEA SE Z Value A B A B A B IEE,R[]0 BEA Cov Z Value Cov Z value A B A B A B GEE,R[] BEA Cov Z Value Cov Z value A B A B A B M - 5 Semar Nasoal MIPA 006
14 Jaka Nugraha, Suryo Gurto & Sr Haryatm Kartko abel 6. Outut rogram estmas arameter data rvarate ada N000 GLM BEA SE Z Value A B A B A B IEE,R[]0 BEA Cov Z Value Cov Z value A B A B A B GEE,R[] BEA Cov Z Value Cov Z value A B A B A B abel 7. Outut rogram estmas arameter data rvarate ada N000 GLM BEA SE Z Value A B A B A B IEE,R[]0 BEA Cov Z Value Cov Z value A B A B A B GEE,R[] BEA Cov Z Value Cov Z value A B A B A B M - 5 Semar Nasoal MIPA 006
( ) ( ) ( ) ( ) ( ) 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 terperinciProses inferensi pada model logit Agus Rusgiyono. Abstracts
Proses eres ada model logt Agus Rusgoo Let dstrbuto wth Abstracts 3 rereset the resose o a omal radom varable o Beroull P P where s a arameter wth ukow value. Problems o estmatg used smallest square methods
Lebih terperinciPENAKSIR 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 terperinciBAB 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 terperinciBAB II LANDASAN TEORI. Pada bab ini akan dibahas mengenai dasar-dasar teori yang akan
BAB II LANDASAN TEORI Pada bab aka dbahas megea dasar-dasar teor ag aka dguaka dalam eulsa skrs, atu megea data hrark, model regres -level, model logstk, estmas arameter model logstk, uj sgfkas arameter
Lebih terperinciTAKSIRAN 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 terperinciSuatu Tinjauan Tentang Generalized Estimating Equation
Vol. 4, No.1, 19-25, Jul 2007 Suatu Tjaua Tetag Geeralzed Estmatg Equato Muhammad Abdy Abstrak Geeralzed Estmatg Equato (GEE) yag pertama kal dperkealka oleh Lag da Zeger pada tahu 1986 telah medapat perhata
Lebih terperinciBAB III ESTIMASI MODEL PROBIT TERURUT
BAB III ESTIMASI MODEL PROBIT TERURUT 3. Pedahulua Model eurua kods embata destmas dega model robt terurut. Estmas terhada arameter model robt terurut yatu koefse model da threshold dlakuka dega metode
Lebih terperinciPenaksiran Parameter Model Regresi Polinomial Berkson Menggunakan Metode Minimum Distance
Peaksra Parameter Model Regres Polomal Berkso Megguaka Metode Mmum Dstace Da Kurawat Dearteme Matematka, FMIPA UI, Kamus UI Deok 16 da61@gmal.com Abstrak Berkso Measuremet Error Model meruaka model regres
Lebih terperinciTAKSIRAN 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 terperinciBAB 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 terperinciBab 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 terperinciBAB 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 terperinciESTIMASI PARAMETER REGRESI GANDA MENGGUNAKAN BOOTSTRAP DAN JACKNIFE.
Prosdg Semar Nasoal Alkas Sas & Tekolog (SNAST) Yogakarta, 6 November 6 ISSN : 979 9X eissn : 54 58X ESTIMASI PARAMETER REGRESI GANDA MENGGUNAKAN BOOTSTRAP DAN JACKNIFE Noerat, Rka Herda,, Jurusa Statstka,
Lebih terperinciBAB 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 terperinciRuang 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 terperinciBAB 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 terperinciBAB 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 terperinciPENAKSIR RASIO REGRESI LINEAR SEDERHANA UNTUK RATA-RATA POPULASI MENGGUNAKANKARAKTER TAMBAHAN
PENAKIR RAIO REGREI LINEAR EDERHANA UNTUK RATA-RATA POPULAI MENGGUNAKANKARAKTER TAMBAHAN Astar Rahmadta *, Harso, Haosa rat Mahasswa Program tud Matematka Dose Jurusa Matematka Fakultas Matematka da Ilmu
Lebih terperinciMINGGU 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 terperinciKOMBINASI PENAKSIR RASIO UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA MENGGUNAKAN KOEFISIEN REGRESI, KOEFISIEN KURTOSIS DAN KOEFISIEN VARIASI
KOMBINASI PENAKSIR RASIO UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA MENGGUNAKAN KOEFISIEN REGRESI, KOEFISIEN KURTOSIS DAN KOEFISIEN VARIASI Defl Ardh 1, Frdaus, Haposa Srat defl_math@ahoo.com
Lebih terperinciBAB 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 terperinciBAB 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 terperinciANALISIS PEUBAH PREDIKTOR YANG MEMUAT KESALAHAN PENGUKURAN DENGAN REGRESI ORTOGONAL
Prosdg Semar Nasoal Peelta, Peddka da Peerapa MIPA, Fakultas MIPA, Uverstas Neger Yogyakarta, 4 Me ANALISIS PEUBAH PREDIKTOR YANG MEMUAT KESALAHAN PENGUKURAN DENGAN REGRESI ORTOGONAL Ksmat Jurusa Peddka
Lebih terperinciPERTEMUAN 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 terperinciPENDUGAAN BERBASIS MODEL UNTUK KASUS BINER PADA SMALL AREA ESTIMATION. Kismiantini
PENDUGAAN BERBASIS MODEL UNUK KASUS BINER PADA SMALL AREA ESIMAION Ksmat Jurusa Peddka Matematka, Uverstas Neger Yogyakarta Karagmalag, Yogyakarta 558, Idoesa e-mal : ksm_uy@yahoo.com ABSRAK Small Area
Lebih terperinciJMP : Volume 1 Nomor 2, Oktober 2009 PEMILIHAN PARAMETER PENGHALUS PADA ESTIMATOR DERET FOURIER DALAM REGRESI NONPARAMETRIK. Agustini Tripena Br.Sb.
JMP : Volume Nomor, Oktober 009 PEMILIHAN PARAMETER PENGHALUS PADA ESTIMATOR DERET FOURIER DALAM REGRESI NONPARAMETRIK Agust Trpea Br.Sb. Fakultas Sas da Tekk, Uverstas Jederal Soedrma Purwokerto, Idoesa
Lebih terperinciEstimasi dan Statistik Uji pada Model Probit Biner Bivariat. Estimation and Statistical Test in Bivariate Binary Probit Model
Jural ILMU DASAR Vol. No.. 0 : 97-0 97 Estmas da Statstk Uj ada Model robt Ber Bvarat Estmato ad Statstcal est Bvarate Bar robt Model Vta Ratasar, urhad, Isma & Suhartoo Mahasswa S-3 Statstka FMIA IS,
Lebih terperinciINTERVAL 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 terperinciSIFAT-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 terperinciBAB 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 terperinciBAB 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 terperinciPENAKSIR 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 terperinciBAB 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 terperinciAplikasi Model Regresi Logit dan Probit pada Data Kategorik
Vol. 6, No.2, 07-4, Jauar 200 Aplkas Model Regres Logt da Probt pada Data Kategork Georga M. Tugk Abstrak Pembahasa dua model alteratf utuk data ber atu model Regress Logt da Probt. Regress Logt dguaka
Lebih terperinciPENAKSIR 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 terperinciPENDUGAAN BERBASIS MODEL UNTUK KASUS BINER PADA SMALL AREA ESTIMATION 1. Kismiantini
PENDUGAAN BERBASIS MODEL UNUK KASUS BINER PADA SMALL AREA ESIMAION Ksmat Jurusa Peddka Matematka, Uverstas Neger Yogyakarta Karagmalag, Yogyakarta 5528, Idoesa e-mal : ksm_uy@yahoo.com ABSRAK Small Area
Lebih terperinciRELATIF EFISIENSI PENAKSIR MOMEN TERHADAP PENAKSIR MAKSIMUM LIKELIHOOD UNTUK PARAMATER BERDISTRIBUSI SEGITIGA. Haposan Sirait 1, Usman Malik 2 ABSTRAK
Relatf Efses Peaksr Mome Terhada Peaksr Maksmum Lkelhood RELATIF EFISIENSI PENAKSIR MOMEN TERHADAP PENAKSIR MAKSIMUM LIKELIHOOD UNTUK PARAMATER BERDISTRIBUSI SEGITIGA Haosa Srat, Usma Malk ABSTRAK Makalah
Lebih terperinciBAB 5 HASIL DAN PEMBAHASAN
3 BAB 5 HASIL DAN PEMBAHASAN Dalam baga hasl da embahasa aka dtamlka roses aalss da egolaha data, dalam betuk deskrtf, tabel-tabel yag dguaka, gambar-gambar beserta hasl da embahasaya. Dega memerhatka
Lebih terperinciDi 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 terperinciANALISIS REGRESI. Model regresi linier sederhana merupakan sebuah model yang hanya terdiri dari satu peubah terikat dan satu peubah penjelas:
ANALISIS REGRESI Pedahulua Aalss regres berkata dega stud megea ketergatuga satu peubah (peubah terkat) terhadap satu atau lebh peubah laya (peubah pejelas). Jka Y dumpamaka sebaga peubah terkat da X1,X,...,X
Lebih terperinci11/10/2010 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 terperinciBAB II LANDASAN TEORI. digunakan dengan mengabaikan asumsi-asumsi yang melandasi penggunaan metode
BAB II ANDASAN TEORI. Regres Noparametrk Metode statstka oparametrk merupaka metode statstka ag dapat dguaka dega megabaka asums-asums ag meladas pegguaa metode statstk parametrk. Terutama ag berkata dega
Lebih terperinciBAB 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 terperinciBAB 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 terperinciJawablah 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 terperinciBAB 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 terperinciUji 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 terperinciESTIMASI 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 terperinciVolume 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 terperinciBAB II KAJIAN LITERATUR
BAB II Kaja Lteratur 4 BAB II KAJIAN LITERATUR. Jarak Mahalaobs Megut artkel tetag jarak Mahalaobs dar htt://e.wkeda.org ada 8 Maret 008, jarak Mahalaobs adalah ukura jarak yag derkealka oleh Prasata Chadra
Lebih terperinciANALISIS REGRESI LINIER BERGANDA : PERSOALAN ESTIMASI DAN PENGUJIAN HIPOTESIS
ANALISIS REGRESI LINIER BERGANDA : PERSOALAN ESTIMASI DAN PENGUJIAN HIPOTESIS = 1 + + + + k k + u PowerPot Sldes baa Rohmaa Educato Uverst of Idoesa 007 Laboratorum Ekoom & Koperas Publshg Jl. Dr. Setabud
Lebih terperinciTAKSIRAN YANG LEBIH EFISIEN UNTUK PARAMETER PADA DISTRUSI WEIBULL. Erma Kusuma Wati 1), Sigit Sugiarto 2), Bustami 2)
TAKSIRAN YANG LEBIH EFISIEN UNTUK PARAMETER PADA DISTRUSI WEIBULL Erma Kusuma Wat, Sgt Sugarto, Bustam emakusumawat7@yahooco Mahasswa Program S Matematka Dose Matematka, Jurusa Matematka Fakultas Matematka
Lebih terperinciANALISIS REGRESI LINIER PIECEWISE DUA SEGMEN. Keywords: two-segment piecewise linear regression, X-knots, discharge, bedload transport.
JURNAL GAUSSIAN, Volume, Nomor, Tahu 0, Halama 9-8 Ole d: htt://ejoural-s.ud.ac.d/dex.h/gaussa ANALISIS REGRESI LINIER PIECEWISE DUA SEGMEN Sylf, Dw Isryat, Dah Saftr 3 Mahasswa Jurusa Statstka FSM Uverstas
Lebih terperinciDISTRIBUSI GAMMA. Ada beberapa distribusi penting dalam distribusi uji hidup, salah satunya adalah distribusi gamma.
DITRIBUI GAMMA Ada beberaa dsrbus eg dalam dsrbus uj hdu, salah sauya adalah dsrbus gamma. A. Fugs keadaa eluag (fk) Fugs keadaa eluag (fk) dar dsrbus gamma dega dua arameer yau da adalah sebaga berku:
Lebih terperinciKONSISTENSI 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 terperinciINFERENSI VEKTOR RATA RATA. Disusun untuk memenuhi salah satu tugas mata kuliah multivariat
INFERENSI VEKTOR RATA RATA Dsusu utuk memeuh salah satu tugas mata kulah multvarat Dsusu oleh: Ast Aula Rahma (6796) Khaerusa Mahmudah (69) Lucky Heryat Jufr (673) Rsa Nur Vauzyah (6933) Syfa Isa (66)
Lebih terperinciPENAKSIR 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 terperinciBAB 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 terperinci3 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 terperinciX, Y, yang diasumsikan mengikuti model :
PERBANDINGAN MODEL REGRESI NONPARAMETRIK DENGAN REGRESI SPLINE DAN KERNEL Lls Laome Jurusa Matematka FMIPA Uverstas Haluoleo Kedar 933 emal : ls@yaoo.com Abstrak Tulsa membaas model regres oarametrk utuk
Lebih terperinciANALISIS REGRESI SEMIPARAMETRIK PADA KASUS HILANGNYA RESPON
ANALISIS REGRESI SEMIPARAMERIK PADA KASUS HILANGNA RESPON Irma ahya ), I Nyoma Budatara ), da Kartka Ftrasar ) ) Jurusa Matematka FMIPA, Uverstas Haluoleo Kedar ) Jurusa Statstka FMIPA, IS Sukollo Surabaya
Lebih terperinciPROSEDUR KOMPUTASI PENALIZED QUASI LIKELIHOOD DALAM PENAKSIRAN PARAMETER MODEL REGRESI POISSON MULTILEVEL
A9 Semar Nasoal ekolog Iformas 16 PROSEDUR KOMPUASI PENALIZED QUASI LIKELIHOOD DALAM PENAKSIRAN PARAMEER MODEL REGRESI POISSON MULILEVEL Bertho atular 1) Resa Septa Potoh ) Def Yust Fadah 3) 1,,3) Departeme
Lebih terperinciBAB 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 terperinciBAB 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 terperinciPENAKSIR RASIO UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA MENGGUNAKAN KOEFISIEN VARIASI DAN MEDIAN
PENAKI AIO UNTUK ATA-ATA POPULAI PADA AMPLING ACAK EDEHANA MENGGUNAKAN KOEFIIEN VAIAI DAN MEDIAN sk ahmada *, Arsma Ada, Haposa rat Mahasswa Program Matematka Dose Jurusa Matematka Fakultas Matematka da
Lebih terperinciPenerapan Regresi Logistik pada Jawaban Siswa terhadap Butir Tes dengan Penskoran Dikotomi
Peeraa Regres Logstk ada Jawaba Sswa terhada Butr Tes dega Peskora Dkotom Oleh : Her Retawat Peddka Matematka FMIPA UNY (Rwat@yahoo.com) ABSTRAK Dalam dua eddka, sebaga besar tes yag dguaka adalah tes
Lebih terperinciPEMILIHAN MODEL REGRESI TERBAIK MENGGUNAKAN R 2, Cp MALLOW, dan S PADA KASUS INDEKS HARGA SAHAM BURSA GLOBAL
Majalah Ekoom ISSN 4-950 : Vol. VII No. Des 03 PEMILIHAN MODEL REGRESI TERBAIK MENGGUNAKAN R, C MALLOW, da S PADA KASUS INDEKS HARGA SAHAM BURSA GLOBAL Oleh : Wara Pramest, Martha Suhardyah Fakultas Matematka
Lebih terperinciPROSEDUR ESTIMASI PARAMETER MODEL REGRESI MENGGUNAKAN RESAMPLING BOOTSTRAP DAN JACKKNIFE
PROSEDUR ESTIMASI PARAMETER MODEL REGRESI MENGGUNAKAN RESAMPLING BOOTSTRAP DAN JACKKNIFE ESTIMATION OF PARAMETER REGRESION MODEL USING BOOTSTRAP AND JACKKNIFE Hed (Staf Pegajar UP MKU Poltekk Neger Badug)
Lebih terperinciX a, TINJAUAN PUSTAKA
PENELITIAN SEBELUMNYA Statstka Deskrptf TINJAUAN PUSTAKA TINJAUAN STATISTIKA Uj Idepedes Uj depedes dguak utuk megetahu adaya hubuga atara dua varabel (Agrest, 1990). H 0 : tdak ada hubuga atara varabel
Lebih terperinciBAB 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 terperinciPENAKSIR DUAL RATIO-CUM-PRODUCT UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA
ENAKSI DUAL ATIO-UM-ODUT UNTUK ATA-ATA OULASI ADA SAMLING AAK SEDEHANA hrsta ajata, Frdaus, Haposa Srat Mahasswa rogram Stud S Matematka Dose Jurusa Matematka Fakultas Matematka da Ilmu egetahua Alam Uverstas
Lebih terperinciREGRESI 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 terperinciPenarikan Contoh Acak Berlapis (Stratified Random Sampling) Pertemuan IV
Pearka Cotoh Acak Berlas (Stratfed Radom Samlg Pertemua IV Defs Cotoh acak berlas ddaatka dega cara membag oulas mejad beberaa kelomok ag tdak salg tumag tdh, da kemuda megambl secara acak dar seta kelomokkelomok
Lebih terperinciBab II Teori Dasar. Data spasial adalah data yang memuat informasi lokasi. Misalkan z( ), i = 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
Lebih terperinciPOWER OF THE TESTS DENGAN NON-SAMPLE PRIOR INFORMATION PADA PENGUJIAN HIPOTESIS SATU ARAH
JMP : Vol. 8 No., Des. 6, hal. 89- ISSN 85-456 POWER OF THE TESTS DENGAN NON-SAMPLE PRIOR INFORMATION PADA PENGUJIAN HIPOTESIS SATU ARAH Bud Pratko Jurusa Matematka, Fakultas MIPA, UNSOED Purwokerto bratkto@gmal.com
Lebih terperinciKALKULUS 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 terperinciBAB 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 terperinciBAB 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 terperinciPEMBENTUKAN MODEL PROBIT BIVARIAT
PEMBENTUKAN MODEL PROBIT BIVARIAT SKRIPSI Dsusu Oleh : Yudh Cadra JE 003 66 PROGRAM STUDI STATISTIKA JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS DIPONEGORO SEMARANG 009
Lebih terperinciTAKSIRAN 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 terperinciSTATISTIK. 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 terperinciBAB 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 terperinciIMPUTASI MENGGUNAKAN PENAKSIR REGRESI UNTUK MENAKSIR RATA-RATA POPULASI PADA SAMPLING GANDA
IMPUTAI MEGGUAKA PEAKIR REGREI UTUK MEAKIR RATA-RATA POPUAI PADA AMPIG GADA Berad Fudka Marpaug * Rustam Efed Haposa rat Mahasswa Program tud Matematka Dose Jurusa Matematka Fakultas Matematka da Ilmu
Lebih terperinciEstimator Imputasi Regresi Untuk Mengestimasi Model Regresi Semiparametrik Dengan Respon Hilang
SEMNAR NASONAL MAEMAKA DAN PENDDKAN MAEMAKA UNY 05-3 Estmator mputas Regres Utuk Megestmas Model Regres Semparametrk Dega Respo Hlag Nur Salam Matematka, FMPA Uverstas Lambug Magkurat. ursalam0@gmal.com.
Lebih terperinciALGORITMA 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 terperinciPemodelan Faktor-Faktor yang Mempengaruhi Jumlah Kasus HIV & AIDS di Provinsi Jawa Timur Tahun 2013 Menggunakan Bivariate Poisson.
JURNAL SAINS DAN SENI IS Vol. 4, No., (5) 337-35 (3-98X Prt) D45 Pemodela Faktor-Faktor yag Mempegaruh Jumlah Kasus IV & AIDS d Provs Jawa mur ahu 3 Megguaka Bvarate Posso Regresso Lucy Da Pusptasar da
Lebih terperinciPENDAHULUAN 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 terperinciPendahuluan. Relasi Antar Variabel. Relasi Antar Variabel. Relasi Antar Variabel 4/6/2015. Oleh : Fauzan Amin
4/6/015 Oleh : Fauza Am Se, 06 Aprl 015 GDL 11 (07.30-10.50) Pedahulua Aalsa regres dguaka utuk mempelajar da megukur hubuga statstk ag terjad atara dua atau lebh varbel. Dalam regres sederhaa dkaj dua
Lebih terperinciTAKSIRAN 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 terperinciBAB 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 terperinciMATEMATIKA 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 terperinciProsiding SNaPP2011 Sains, Teknologi, dan Kesehatan. 1 Joko Riyono. (Kampus A Jl.Kiyai Tapa No.1,Jakarta11440)
Prosdg NaPP as, Tekolog, da Kesehata IN:89-58 MODIFIKAI TATITIK UJI-t PADA TET INFERENIA MEAN MEREDUKI PENGARUH KEAIMETRIKAN POPULAI MENGGUNAKAN EKPANI CORNIH-FIHER Joko Ryoo taf.pegajar Fakultas Tekolog
Lebih terperinciAnalisis Regresi Logistik Ordinal pada Prestasi Belajar Lulusan Mahasiswa di ITS Berbasis SKEM
D- JURNAL SAINS DAN SENI ITS Vol. 4, No., (05) 337-350 (30-98X Prt) Aalss Regres Logstk Ordal ada Prestas Belajar Lulusa Mahasswa d ITS Berbass SKEM Zakaryah da Isma Za Jurusa Statstka, FMIPA, Isttut Tekolog
Lebih terperinciMuniya Alteza
RISIKO DAN RETURN 1. Estmas Retur da Rsko Idvdual. Kosep Dversfkas 3. Kovaras da Koefse Korelas 4. Estmas Retur da Rsko Portofolo Muya Alteza m_alteza@uy.ac.d Estmas Retur da Rsko 1) Estmas Realzed Retur
Lebih terperinciANALISIS INDEKS DISTURBANCES STORM TIME DENGAN KOMPONEN H GEOMAGNET
Prosdg Semar Nasoal Peelta, Peddka da Peerapa MIPA Fakultas MIPA, Uverstas Neger Yogyakarta, 6 Me 9 ANALISIS INDEKS DISTURBANCES STORM TIME DENGAN KOMPONEN H GEOMAGNET Sty Rachyay Pusat Pemafaata Sas Atarksa,
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI. Defes Aalss Korelas da Regres a Aalss Korelas adalah metode statstka yag dguaka utuk meetuka kuatya atau derajat huuga lear atara dua varael atau leh. Semak yata huuga ler gars lurus,
Lebih terperinciTUGAS 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 terperinciBOBOT OPTIMAL PADA REGRESI SEMIPARAMETRIK SPLINE
BOBOT OPTIMAL PADA REGRESI SEMIPARAMETRIK SPLINE Jerry Dw Trjoyo Puromo Jurusa Statstka Isttut Tekolog Sepuluh Nopember Surabaya Emal: jerrypuromo@yahoo.com ABSTRAK Regres semparametrk sple adalah metode
Lebih terperinciTINJAUAN PUSTAKA Evaluasi Pengajaran
TINJAUAN PUSTAKA Evaluas Pegajara Evaluas adalah suatu proses merecaaka, memperoleh da meyedaka formas yag sagat dperluka utuk membuat alteratf- alteratf keputusa. Dalam hubuga dega kegata pegajara evaluas
Lebih terperinci