FPM PADA KELUARGA EKSPONENSIAL BENTUK KONONIK
|
|
- Hadi Budiaman
- 6 tahun lalu
- Tontonan:
Transkripsi
1 FPM PADA KELUARGA EKSPONENSIAL BENTUK KONONIK Oleh : Entit Puspita Jurusan Pendidikan Matematika Fakultas Pendidikan Matematika dan Ilmu Pengetahuan Alam Universitas Pendidikan Indonesia ABSTRACT We can determine the distribution of the random variable by considering its moment generating function (MGF). Unfortunately there are some distribution which have no MGF. This kind of the problem cann t occur on an eponential family, because the comunic form of the family always can be determined its MGF. Kata kunci : Bentuk kanonik, keluarga eksponensial, fungsi pembangkitan momen. Pendahuluan Pada makalah ini akan dibahas Fungsi Pembangkit Momen (FPM) secara umum, dimana dengan melihat FPM dari sebarang variabel random kita bisa mengenali bentuk distribusi variabel random tersebut. Mean dan variasi tersebut dapat pula di turunkan dari FPM-nya. Selanjutnya akan dibahas pula FPM dari keluarga eksponensial yang telah di parameterisasi kembali mengingat tidak setiap distribusi mempunyai FPM. Materi Prasyarat Definisi 1 Keluarga densitas disebut keluarga ekponensial satu parameter, bila dapat dinyatakan sebagai f (, ) = ep t () c() + d() + s() (1) Jurnal Pengajaran MIPA, Vol. 3 No. 1 Juni 00 63
2 Dengan : : parameter c(), d() : Fungsi berharga real dari t (), s() : Fungsi berharga real dari Sering kali untuk keperluan tertentu, diperlukan reparameter sehingga dengan mengambil = c() berbentuk (1) dapat ditulis dalam bentuk kanonik : f (, ) = ep t() + do () + s() () Bentuk () adalah tidak tunggal, sebagai contoh gandakan dengan c dan pada saat yang sama kita dapat mengganti t() dengan t(). Himpunan H : do () < disebut ruang parameter alami dari keluatga eksponensial. Contoh 1 Misal adalah variabel random dari distribusi normal dengan mean dan variasi ² diketahui, maka pdf dari adalah : F(, ) = 1/. ep 1/ - = ep - In. ² ² ² dengan mengambil = / ², maka bentuk kanonik dari distribusi N (, ²) adalah f ( 1 ) = ep -² ² - ² - In. (3) ² Definisi Fungsi Pembangkit Momen (FPM) dari sebuah variabel random untuk setiap bilangan real s didefinisikan sebagai : (s) = E (e s ) = e s f() d jika Kontinu e s f() jika diskrit 64 Jurnal Pengajaran MIPA, Vol. 3 No. 1 Juni 00
3 Definisi 3 FPM dari sebarang variabel random terdefinisi jika E ( e s ) ada. Teorema 1 Jika FPM (s) dari sebarang random ada untuk S S (untuk suatu S > 0 ), maka E( n ) ada dan E( n ) = n (0) = d n (s) S = 0 ds n Bukti : Berdasarkan definisi. (s) = E ( e s ). Dengan epansi Taylor terhadap e s dieroleh : (s) = E ( e s ) = E (1 + s + (s) + (s) 3 +..)! 3! Akibatnya : = E(1 + s + s + 3 s 3 + )! 3! = 1 + s E ( ) + s E +.+ s n E ( n ) +.! n! 1 (s) s=0 = 0 +E() + SE ( ) +.+ s n E ( n ) +. S=0 (n )! = E ( ) dan seterusnya dapat dilakukan dengan cara yang sama sehingga diperoleh bentuk umum E ( n ) = n (0) Berikut ini di sajikan tabel beberapa distribusi dengan pdf, FPM, mean dan variasinya. Jurnal Pengajaran MIPA, Vol. 3 No. 1 Juni 00 65
4 e t Tabel 1 Nama dan Pdf FPM Mean Variasi Bernoulli + (1 - ) (1 - ) (1- ) 1- Poission e (e t 1) ( e - )! Gamma (1 - t) - ( e - / ) / () Uniform e t - e t ½( + ) 1/1 ( - ) ( - ) -1 ( - ) Normal ( ) -1/ ep -1/ (-) dll e t +1/ t FPM mean digunakan untuk menentukan mean dan variasi dari variabel random, FPM dapat pula digunakan untuk mengenali jenis distribusi dari variabel random tersebut. Hal ini terungkap pada teorema berikut : Teorema (Teorema Ketunggalan FPM) (i) Jika dua buah variabel random mempunyai FPM yang sama maka mereka mempunyai fungsi distribusi yang sama. (ii) Jika dua buah variabel random mempunyai fungsi distribusi yang sama maka mereka mempunyai FPM yang sama. Teorema teorema memperlihatkan bahwa terdapat korespondensi satu-satu antara fungsi distribusi dengan FPM, artinya jika kita mempunyai sebuah FPM maka kita bisa mengenali fungsi distribusi nya ataupun sebaliknya. Sayangnya teknis ini tidak selalu dapat digunakan mengingat tidak setiap distribusi mempunyai FPM, seperti diperlihatkan pada contoh berikut : Contoh Misalkan adalah variabel random dari distribusi Pareto dengan pdf : F ( 1 1 ) = Jika 0 X +1 0 Jika yang lain FPM dari distribusi tersebut adalah : 66 Jurnal Pengajaran MIPA, Vol. 3 No. 1 Juni 00
5 (s) = E (e s ) = e s d X +1 = e s d +1 Karena untuk, e s lebih cepat bergerak di banding +1 akibatnya e s. Ini berarti +1 E(e s ) tidak ada, atau dengan kata lain distribusi Pareto tidak memiliki FPM Kegagalan sebuah distribusi mempunyai FPM tidak akan terjadi pada distribusi yang termasuk ke dalam keluarga eksponensial seperti akan di uraikan pada bagian berikut : FPM pada Keluarga Eksponensial Teorema 3 Misalkan adalah variabel random dari distribusi eksponensial dengan pdf () maka FPM dari t() Ada dan sama dengan : t() (s) = ep do () do ( + s) Bukti : a. Untuk kasus kotinu FPM dari t() adalah : t() (s) = E (t t() ) = e s t() ep t () + do () + s () d = ep (s + )t () + do () + do ( + s ) do ( + s ) + s () d = ep do () - do ( + s) ep (s + ) t() + do( + s) + s () d = ep do () - do ( + s) b. Untuk kasus diskrit t() (s) = e t() s ep t() + do () + s() Jurnal Pengajaran MIPA, Vol. 3 No. 1 Juni 00 67
6 = ep (s + ) t() + do() + do( + s) do( + s) + s() = ep do() - do( + s) ep (s + ) t() + do( + s) + s() = ep do() - do( + s) Catatan : ep (s + )t () + do( + s) + s () d = ep (s + ) t() + do( + s) + s() = 1 Karena ep (s + )t() + do( + s) + s() adalah pdf dari keluarga eksponensial dengan parameter baru (s + ). Teorema 4 Misal adalah variabel random dengan pdf () maka : E (t()) = - do 1 () dan varians (t()) = do 11 () Bukti : Karena Variabel random dengan pdf (), artinya termasuk kedalam keluarga ekponensial sehingga berdasarkan teorema 3 FPM dari t() dijamin ada. Dengan teorema 1, ditunjukan bahwa E (X n n/s ) = s = 0 Dalam hal ini dengan mengambil t() sebagai variabel baru diperoleh E ( t() ) n = n t () (s) s = 0 Akibatnya : E (t() ) = 1 t () (s) s = 0 = ep do() - do( + s). - do 1 ( + s) s = 0 = - do 1 () E (t() )² = 11 t () (s) s = 0 = ep do() - do( + s) - do 1 ( + s) ² - do 11 ( + s). ep do() - do( + s) s = 0 = do 1 ()² - do 11 () Sehingga : Varians (t() ) = E (t() )² - E(t() ) ² = - do 11 () Contoh 3 Misal adalah variabel random dari distribusi Normal dengan mean dan variansi ² (diketahui). 68 Jurnal Pengajaran MIPA, Vol. 3 No. 1 Juni 00
7 Dari contoh 1 ditunjukan bahwa bentuk kanonik dari distribusi N(, ² ) dengan = / ² adalah F (, ) = ep { - ² ² - ² - In. ² Dalam hal ini : t () = do () = - ² ² s() = -² - In. ² Berdasarkan teotema 3 FPM dari t () = adalah (s) = t () (s) = ep do() - do( + s) = ep { - ² ² + ( + s) ² ² Dari FPM tersebut dapat diturunkan pula mean distribusi tersebut, yaitu : E() = E (t() ) = 1 () (s) s = 0 = - do 1 () = ² = ² Jika diperhatikan FPM dan mean dari distribusi ini terlihat berbeda dengan FPM dan mean yang sudah kita kenal (lihat tabel), tetapi dengan mensubtitusikan = / ² diperoleh (s) = ep { - ² ² + ( + s) ² = ep { s ² ² + s ² = ep { s + ½ ² s ² dan E () = ² =. ² = ² Seperti nilai-nilai yang sudah kita kenal Kesimpulan FPM dari sebuah variabel random keberadaannya dijamin pada keluarga eksponensial satu parameter, dengan terlebih dahuku mengubah bentuk pdf keluarga ekponensial kedalam bentuk kanonik, untuk selanjutnya mean dan variansi dari variabel random diturunkan dari FPM yang ada Jurnal Pengajaran MIPA, Vol. 3 No. 1 Juni 00 69
8 Daftar Pustaka Dudewicz, E.J. Modern Mathematical Statistic. John Wiley and Son s. New York (1988) Lehmann, E.L. Theory Of Point Estimation. John Wiley and Son s. New York (1983) Roussas, G. Linier Statistical Inference and Its Aplications. John Wiley and Son s. New York (1973) 70 Jurnal Pengajaran MIPA, Vol. 3 No. 1 Juni 00
BAB I PENDAHULUAN. dapat dianggap mendekati normal dengan mean μ = μ dan variansi
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Matematika merupakan salah satu cabang ilmu pengetahuan yang melambangkan kemajuan zaman. Oleh karena itu matematika banyak digunakan oleh cabang ilmu lain
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Distribusi eksponensial tergenaralisir (Generalized Eponential Distribution) pertama kali diperkenalkan oleh Gupta dan Kundu pada tahun 1999. Distribusi ini diambil
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 terperinciKARAKTERISTIK DISTRIBUSI KELUARGA TRANSFORMASI KHI-KUADRAT. Oleh : Entit Puspita. Dosen Jurusan pendidikan Matematika
KARAKTERISTIK DISTRIBUSI KELUARGA TRANSFORMASI KHI-KUADRAT Oleh : Entit Puspita Dosen Jurusan pendidikan Matematika FPMIPA Universitas Pendidikan Indonesia Abstrak Dalam Keluarga eksponensial satu parameter
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 terperinciLANDASAN TEORI. Generalized Lambda Distribution (GLD) awalnya diusulkan oleh Ramberg dan
4 II. LANDASAN TEORI Generalized Lambda Distribution (GLD) awalnya diusulkan oleh Ramberg dan Schmeiser (1974), yang memiliki empat parameter dari pengembangan distribusi Lambda Tukey. Keluarga distribusi
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 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 terperinciDISTRIBUSI ERLANG DAN PENERAPANNYA. Rini Kurniasih 1, Getut Pramesti 2 Mahasiswi Pendidikan Matematika FKIP UNS, Dosen Pendidikan Matematika FKIP UNS
DISTRIBUSI ERLANG DAN PENERAPANNYA Rini Kurniasih 1, Getut Pramesti 2 Mahasiswi Pendidikan Matematika FKIP UNS, Dosen Pendidikan Matematika FKIP UNS nia.rini.purita2316@gmail.com, getut.uns@gmail.com ABSTRAK
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 terperinciSILABUS. 5. Evaluasi a. Kehadiran = 10% b. Tugas = 20% c. UTS = 30% d. UAS = 40%
0 SILABUS 1. Identitas Mata Kuliah Nama Mata Kuliah : Statistika Matematik 1 Kode Mata Kuliah : MT 404 Jumlah SKS : 3 Semester : 6 Kelompok Mata Kuliah : Mata Kuliah Keahlian (MKK) Program Studi Jurusan/Program
Lebih terperinciPENAKSIRAN PARAMETER REGRESI LINIER DENGAN METODE BOOTSTRAP MENGGUNAKAN DATA BERDISTRIBUSI NORMAL DAN UNIFORM
BIAStatistics (2015) Vol. 9, 2, hal. 28-32 PENAKSIRAN PARAMETER REGRESI LINIER DENGAN METODE BOOTSTRAP MENGGUNAKAN DATA BERDISTRIBUSI NORMAL DAN UNIFORM Munawar Jurusan Matematika FMIPA Universitas Syiah
Lebih terperinciCNH3E3 PROSES STOKASTIK Peubah Acak & Pendukungnya
CNH3E3 PROSES STOKASTIK Peubah Acak & Pendukungnya Dosen: Aniq A Rohmawati, M.Si TELKOM UNIVERSITY JALAN TELEKOMUNIKASI 1, BANDUNG, INDONESIA Ruang Sampel dan Kejadian PEUBAH ACAK (P.A) Fungsi yang memetakan
Lebih terperinciLANDASAN TEORI. menyatakan hubungan antara variabel respon Y dengan variabel-variabel
5 II. LANDASAN TEORI 2.1 Model Regresi Poisson Analisis regresi merupakan metode statistika yang populer digunakan untuk menyatakan hubungan antara variabel respon Y dengan variabel-variabel prediktor
Lebih terperinciII. LANDASAN TEORI. karakteristik dari generalized Weibull distribution dibutuhkan beberapa fungsi
II. LANDASAN TEORI Pada bab ini akan diberikan beberapa definisi dan teorema yang berkaitan dengan penelitian penulis. Dalam menyelesaikan momen, kumulan dan fungsi karakteristik dari generalized Weibull
Lebih terperinciKARAKTERISASI SEBARAN BINOMIAL NEGATIF
Jurnal Matematika UNAND Vol. 5 No. 2 Hal. 65 70 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND KARAKTERISASI SEBARAN BINOMIAL NEGATIF DEBY HANDAYANI Program Studi Magister Matematika, Fakultas Matematika
Lebih terperinciREFLEKSIVITAS PADA RUANG ORLICZ DENGAN KEKONVERGENAN RATA-RATA
REFLEKSIVITAS PADA RUANG ORLICZ DENGAN KEKONVERGENAN RATA-RATA Mila Apriliani Utari, Encum Sumiaty, Sumanang Muchtar Departemen Pendidikan Matematika FPMIPA Universitas Pendidikan Indonesia *Coresponding
Lebih terperinciMedan, Juli Penulis
9. Seluruh teman-teman seperjuangan di Ekstensi Matematika Statistika, dan semua pihak yang turut membantu menyelesaikan skripsi ini. Sepenuhnya penulis menyadari bahwa dalam penulisan skripsi ini masih
Lebih terperinciII. TINJAUAN PUSTAKA. Ruang sampel S adalah himpunan semua hasil dari suatu percobaan. Kejadian E
5 II. TINJAUAN PUSTAKA 2.1 Konsep Dasar Peluang Ruang sampel S adalah himpunan semua hasil dari suatu percobaan. Kejadian E adalah himpunan bagian dari ruang sampel. Peluang suatu kejadian P(E) adalah
Lebih terperinciSILABUS MATA KULIAH. : Dapat menyelesaikan permasalahan probabilitas dan mampu mengaplikasikan dalam kehidupan
SILABUS MATA KULIAH Program Studi : Pendidikan Matematika Kode Mata Kuliah : 306203 Mata kuliah : Probabilitas Bobot : 3 SKS Semester : III Mata Kuliah Prasyarat : - Deskripsi Mata Kuliah : Mata kuliah
Lebih terperinciBAB II LANDASAN TEORI. ilmiah. Pencacahan atau pengukuran karakteristik suatu objek kajian yang
BAB II LANDASAN TEORI 2.1 Konsep Dasar Peluang Pada dasarnya statistika berkaitan dengan penyajian dan penafsiran hasil yang berkemungkinan (hasil yang belum dapat ditentukan sebelumnya) yang muncul dalam
Lebih terperinciFUNGSI PEMBANGKIT MOMEN UNTUK MEMENUHI TUGAS MATAKULIAH. Statistika Matematika. Yang dibina oleh Bapak Hendro Permadi. Oleh :
FUNGSI PEMBANGKIT MOMEN UNTUK MEMENUHI TUGAS MATAKULIAH Statistika Matematika Yang dibina oleh Bapak Hendro Permadi Oleh : Intan Putri Natari 10311418961 Nurroh Fitri A 1031419469 Reza Taufikurachman 1031419470
Lebih terperinciPENGANTAR PROBABILITAS STATISTIKA UNIPA SBY
PENGANTAR PROBABILITAS GANGGA ANURAGA POKOK BAHASAN Konsep dasar probabilitas Teori himpunan Permutasi Kombinasi Koefisien binomial Koefisien multinomial Probabilitas Aksioma probabilitas Probabilitas
Lebih terperinciKekontraktifan Pemetaan pada Ruang Metrik Kerucut
Jurnal Matematika Integratif ISSN 1412-6184 Vol 9 No 2, Oktober 2013 pp 53-57 Kekontraktifan Pemetaan pada Ruang Metrik Kerucut Badrulfalah dan Iin Irianingsih Jurusan Matematika, Fakultas MIPA, Universitas
Lebih terperinciRENCANA MUTU PEMBELAJARAN. I. Standar Kompetensi : Menyelesaikan masalah probabilitas baik secara teoritik maupun aplikasinya dalam kehidupan.
RENCANA MUTU PEMBELAJARAN Nama Dosen : N. Setyaningsih, MSi. Program Studi : Pendidikan Matematika Kode Mata Kuliah : 306203 Nama Mata Kuliah : Probabilitas Jumlah sks : 3 sks Semester : III Alokasi Waktu
Lebih terperinci28/09/2012 SAMPLE SPACE, SAMPLE POINTS, EVENTS. ω Ω
SAMPLE SPACE, SAMPLE POINTS, EVENTS Sample space,ω, Ω adalah sekumpulan semua sample points,ω, ω yang mungkin; dimana ω Ω Contoh 1. Melemparkan satu buah koin:ω={gambar,angka} Contoh 2. Menggelindingkan
Lebih terperinciSIMULASI DAMPAK MULTIKOLINEARITAS PADA KONDISI PENYIMPANGAN ASUMSI NORMALITAS
SIMULASI DAMPAK MULTIKOLINEARITAS PADA KONDISI PENYIMPANGAN ASUMSI NORMALITAS Joko Sungkono 1, Th. Kriswianti Nugrahaningsih 2 Abstract: Terdapat empat asumsi klasik dalam regresi diantaranya asumsi normalitas.
Lebih terperinciBAB II TINJAUAN PUSTAKA. (b) Variabel independen yang biasanya dinyatakan dengan simbol
BAB II TINJAUAN PUSTAKA A. Regresi Regresi adalah suatu studi statistik untuk menjelaskan hubungan dua variabel atau lebih yang dinyatakan dalam bentuk persamaan. Salah satu variabel merupakan variabel
Lebih terperinciLANDASAN TEORI. Distribusi Gamma adalah salah satu keluarga distribusi probabilitas kontinu.
II. LANDASAN TEORI Distribusi Gamma adalah salah satu keluarga distribusi probabilitas kontinu. Distribusi ini merupakan distribusi fungsi padat yang terkenal luas dalam bidang matematika. Distribusi gamma
Lebih terperinciPenentuan Daerah Kritis Terbaik dengan Teorema Neyman- Pearson
Vol. 6, No.1, 44-48, Juli 2009 Penentuan Daerah Kritis Terbaik dengan Teorema Neyman- Pearson Georgina M. Tinungki Abstrak Terdapat beberapa metode untuk membangun uji statistik yang baik, diantaranya
Lebih terperinciESTIMASI PARAMETER DISTRIBUSI WEIBULL DENGAN TRANSFORMASI MODEL REGRESI MENGGUNAKAN METODE KUADRAT TERKECIL LINIER
ESTIMASI PARAMETER DISTRIBUSI WEIBULL DENGAN TRANSFORMASI MODEL REGRESI MENGGUNAKAN METODE KUADRAT TERKECIL LINIER 1 ESTIMASI PARAMETER DISTRIBUSI WEIBULL DENGAN TRANSFORMASI MODEL REGRESI MENGGUNAKAN
Lebih terperinciPengantar Statistika Matematik(a)
Catatan Kuliah Pengantar Statistika Matematik(a) Statistika Lebih Dari Sekadar Matematika disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2014
Lebih terperinciDEFICIENCY PENAKSIR PARAMETER PADA DISTRIBUSI GAMMA
digilib.uns.ac.id DEFICIENCY PENAKSIR PARAMETER PADA DISTRIBUSI GAMMA oleh ANIS TELAS TANTI M0106003 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh gelar Sarjana Sains Matematika
Lebih terperinciII. LANDASAN TEORI. Pada bab ini akan diberikan beberapa definisi dan teorema yang berkaitan dengan
II. LANDASAN TEORI Pada bab ini akan diberikan beberapa definisi dan teorema yang berkaitan dengan penelitian. Dalam menyelesaikan momen, kumulan dan fungsi karakteristik dari distribusi generalized lambda
Lebih terperinciII. TINJAUAN PUSTAKA. kontinu. Bentuk kurva distribusi logistik adalah simetri dan uni-modal. Bentuk
5 II. TINJAUAN PUSTAKA Dalam bab ini akan dijelaskan beberapa tinjauan pustaka yang digunakan penulis pada penelitian ini, antara lain : 2.1 Distribusi Logistik Distribusi logistik merupakan distribusi
Lebih terperinciII. TINJAUAN PUSTAKA. Menurut Herrhyanto & Gantini (2009), peubah acak X dikatakan berdistribusi
II. TINJAUAN PUSTAKA 2.1 Distribusi Normal Umum Menurut Herrhyanto & Gantini (2009), peubah acak X dikatakan berdistribusi normal umum, jika dan hanya jika fungsi densitasnya berbentuk: ; Penulisan notasi
Lebih terperinciTINJAUAN PUSTAKA. mengestimasi parameter regresi. Distribusi generalized. digunakan dalam bidang ekonomi dan keuangan.
II. TINJAUAN PUSTAKA Distribusi generalized,,, adalah salah satu distribusi probabilitas kontinu. Distribusi ini pertama kali diperkenalkan McDonald dan Newey 988 untuk mengestimasi parameter regresi.
Lebih terperinciESTIMASI PARAMETER DISTRIBUSI WEIBULL DENGAN TRANSFORMASI MODEL REGRESI MENGGUNAKAN METODE KUADRAT TERKECIL LINIER
1 ESTIMASI PARAMETER DISTRIBUSI WEIBULL DENGAN TRANSFORMASI MODEL REGRESI MENGGUNAKAN METODE KUADRAT TERKECIL LINIER A. Musdalifa, Raupong, Anna Islamiyati Abstrak Estimasi parameter adalah merupakan hal
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 terperinciUNNES Journal of Mathematics
UJM 1 (1) (2012) UNNES Journal of Mathematics http://journal.unnes.ac.id/sju/index.php/ujm PENYELESAIAN KASUS BEBERAPA INTEGRAL TAK WAJAR DENGAN INTEGRAN MEMUAT FUNGSI EKSPONENSIAL DAN FUNGSI LOGARITMA
Lebih terperinciPengantar Proses Stokastik
Bab 1: Dasar-Dasar Probabilitas Statistika FMIPA Universitas Islam Indonesia Peluang Percobaan adalah kegiatan yang menghasilkan keluaran/hasil yang mungkin secara acak. Contoh: pelemparan sebuah dadu.
Lebih terperinciINFERENSI PARAMETER SIMPANGAN BAKU POPULASI NORMAL DENGAN METODE BAYESIAN OBYEKTIF
INFERENSI PARAMETER SIMPANGAN BAKU S - POPULASI NORMAL DENGAN METODE BAYESIAN OBYEKTIF Adi Setiawan Program Studi Matematika Fakultas Sains dan Matematika Universitas Kristen Satya Wacana, Jl Diponegoro
Lebih terperinciPENAKSIR MAKSIMUM LIKELIHOOD DENGAN METODE ITERASI NEWTON - RAPHSON
PENAKSIR MAKSIMUM LIKELIHOOD DENGAN METODE ITERASI NEWTON - RAPHSON Haposan Sirait 1 dan Rustam Efendi 2 1,2 Dosen Program Studi Matematika FMIPA Universitas Riau. Abstrak: Makalah ini menyajikan tentang
Lebih terperinciLANDASAN TEORI. penelitian mengenai pendekatan distribusi GE ke distribusi GLL(,,
4 II. LANDASAN TEORI Pada bab ini akan dijelaskan beberapa definisi yang berhubungan dengan penelitian mengenai pendekatan distribusi GE ke distribusi GLL melalui distribusi eksponensial dengan menyamakan
Lebih terperinciKONSEP DASAR TERKAIT METODE BAYES
KONSEP DASAR TERKAIT METODE BAYES 2.3. Peubah Acak dan Distribusi Peluang Pada statistika kita melakukan percobaan dimana percobaan tersebut akan menghasilkan suatu peluang. Ruang sampel pada percobaan
Lebih terperinciBI5106 ANALISIS BIOSTATISTIK Bab 3 Peubah Acak dan Dist
BI5106 ANALISIS BIOSTATISTIK Bab 3 Peubah Acak dan Distribusi Orang Biologi Tidak Anti Statistika Silabus Silabus dan Tujuan Konsep peubah acak, fungsi peluang (probability density function), fungsi distribusi
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 terperinciANALISA SIFAT-SIFAT ANTRIAN M/M/1 DENGAN WORKING VACATION
ANALISA SIFAT-SIFAT ANTRIAN M/M/1 DENGAN WORKING VACATION Oleh: Desi Nur Faizah 1209 1000 17 JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA
Lebih terperinciSTK 203 TEORI STATISTIKA I
STK 203 TEORI STATISTIKA I V. SEBARAN FUNGSI PEUBAH ACAK V. Sebaran Fungsi Peubah Acak 1 Sebaran Fungsi Peubah Acak Dalam banyak kasus untuk melakukan inferensi terhadap suatu parameter kita lebih banyak
Lebih terperinciII. TINJAUAN PUSTAKA. Dalam bab ini akan dijelaskan mengenai teori-teori yang mendukung dalam
4 II. TINJAUAN PUSTAKA Dalam bab ini akan dijelaskan mengenai teori-teori yang mendukung dalam menentukan momen, kumulan, dan fungsi karakteristik dari distribusi log-logistik (α,β). 2.1 Distribusi Log-Logistik
Lebih terperinciPRODI DIII STATISTIKA-FMIPA ITS RENCANA PEMBELAJARAN KODE/ MATA KULIAH/ SKS/ SEMESTER : SS /PENGANTAR METODE STATISTIKA / (2/1/1) I
CAPAIAN PEMBELAJARAN (Learning outcome) : Mampu melakukan deskripsi, eksplorasi dan interpretasi data serta Mampu menganalisis data dengan metode statistika yang sesuai Penguasaan Pengetahuan 5.1 Mampu
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 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 terperinciPengantar Proses Stokastik
Bab 1: Dasar-Dasar Probabilitas Statistika FMIPA Universitas Islam Indonesia Peluang Percobaan adalah kegiatan yang menghasilkan keluaran/hasil yang mungkin secara acak. Contoh: pelemparan sebuah dadu.
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 terperinciRENCANA PEMBELAJARAN SEMESTER (RPS) PROGRAM STUDI STATISTIKA. B. TUJUAN PEMBELAJARAN Setelah menempuh mata kuliah ini mahasiswa diharapkan mampu:
RENCANA PEMBELAJARAN SEMESTER (RPS) PROGRAM STUDI STATISTIKA A. MATA KULIAH Nama Mata Kuliah Statistika Maa I Kode/sks : MAS 4111/ 3 Semester : III Status (Wajib/Pilihan) : Wajib (W) Prasyarat : MAS 4218
Lebih terperinciRandy Toleka Ririhena, Nur Salam * dan Dewi Sri Susanti Program Studi Matematika Fakultas MIPA Universitas Lambung Mangkurat ABSTRACT
PERKIRAAN SELANG KEPERCAYAAN UNTUK NILAI RATA-RATA PADA DISTRIBUSI POISSON Randy Toleka Ririhena, Nur Salam * dan Dewi Sri Susanti Program Studi Matematika Fakultas MIPA Universitas Lambung Mangkurat *email:
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 terperinciMODEL REGRESI DATA TAHAN HIDUP TERSENSOR TIPE III BERDISTRIBUSI EKSPONENSIAL. Jln. Prof. H. Soedarto, S.H., Tembalang, Semarang.
MODEL REGRESI DATA TAHAN HIDUP TERSENSOR TIPE III BERDISTRIBUSI EKSPONENSIAL Winda Faati Kartika 1, Triastuti Wuryandari 2 1, 2) Program Studi Statistika Jurusan Matematika FMIPA Universitas Diponegoro
Lebih terperinciLANDASAN TEORI. Dalam proses penelitian pendekatan distribusi generalized t(,,, ), ), melalui distribusi generalized beta 2
5 II. LANDASAN TEORI Dalam proses penelitian pendekatan distribusi generalized t terhadap distribusi gamma dan melalui distribusi generalized beta 2 distribusi generalized diperlukan gamma beberapa konsep
Lebih terperinciDISTRIBUTIONS OF RANDOM VARIABLE DISTRIBUSI VARIABEL RANDOM
1.11 Chebyshev s Inequality DISTRIBUTIONS OF RANDOM VARIABLE (Ketaksamaan Chebyshev) A. Pendahuluan DISTRIBUSI VARIABEL RANDOM Konsep atau rumus yang berhubungan dengan Ketaksamaan Chebyshev Ekspektasi
Lebih terperinciCatatan Kuliah AK5161 MATEMATIKA KEUANGAN AKTUARIA. Insure and Invest! Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah AK5161 MATEMATIKA KEUANGAN AKTUARIA Insure and Invest! disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2014 Tentang AK5161 MatKeu
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI.1 Peubah Acak dan Distribusinya.1.1 Peubah Acak Definisi.1: Peubah acak adalah suatu fungsi yang menghubungkan sebuah bilangan real dengan setiap unsur di dalam ruang contoh, (Walpole
Lebih terperinciKEKUATAN KONVERGENSI DALAM PROBABILITAS DAN KONVERGENSI ALMOST SURELY
KEKUATAN KONVERGENSI DALAM PROBABILITAS DAN KONVERGENSI ALMOST SURELY Joko Sungkono* Abstrak : Tujuan yang ingin dicapai pada tulisan ini adalah mengetahui kekuatan konvergensi dalam probabilitas dan konvergensi
Lebih terperinciPengantar Proses Stokastik
Bab 1: Dasar-Dasar Probabilitas Statistika FMIPA Universitas Islam Indonesia 2015 Percobaan adalah kegiatan yang menghasilkan keluaran/hasil yang mungkin secara acak. Contoh: pelemparan sebuah dadu. Ruang
Lebih terperinciKontrak Kuliah Metode Statistika 2
Kontrak Kuliah Metode Statistika 2 Ayundyah K., M.Si. PROGRAM STUDI STATISTIKA UNIVERSITAS ISLAM INDONESIA 2015 Deskripsi Mata Kuliah Nama Mata Kuliah : Metode Statistika 2 Semester/SKS : I / 3 SKS Kompetensi
Lebih terperinciBeberapa Peubah Acak Diskret (1) Kuliah 8 Pengantar Hitung Peluang
Beberapa Peubah Acak Diskret (1) Kuliah 8 Pengantar Hitung Peluang rahmaanisa@apps.ipb.ac.id Outline Peubah acak Bernoulli Peubah acak binom Peubah acak geometrik Latihan dan Diskusi Review Peubah Acak
Lebih terperinciMA2082 BIOSTATISTIKA Bab 3 Peubah Acak dan Distribusi
MA2082 BIOSTATISTIKA Bab 3 Peubah Acak dan Distribusi Orang Biologi Tidak Anti Statistika Silabus Silabus dan Tujuan Konsep peubah acak, fungsi peluang (probability density function), fungsi distribusi
Lebih terperinciBEBERAPA DISTRIBUSI KHUSUS DKINTINU DIKENAL
BEBERAPA DISTRIBUSI KHUSUS DKINTINU DIKENAL Dalam hal ini akan dibahas beberapa distribusi yang mempunyai bentuk fungsi densitas dan nama tertentu dari peubah acak kontinu, yaitu: distribusi seragam, distribusi
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 terperinciDasar-dasar Statistika Pemodelan Sistem
Dasar-dasar Statistika Pemodelan Sistem Kuliah Pemodelan Sistem Semester Genap 2015-2016 MZI Fakultas Informatika Telkom University FIF Tel-U Januari 2016 MZI (FIF Tel-U) Statistika Pemodelan Januari 2016
Lebih terperinciKetunggalan titik Tetap Pemetaan Kondisi Tipe Kontraktif pada Ruang Banach
Ketunggalan titik Tetap Pemetaan Kondisi Tipe Kontraktif pada Ruang Banach Badrulfalah 1,Khafsah Joebaedi 2 1 Departemen Matematika FMIPA Universitas Padjadjaran badrulfalah@gmail.com 2 Departemen Matematika
Lebih terperinciVariabel Random dan Nilai Harapan. Oleh Azimmatul Ihwah
Variabel Random dan Nilai Harapan Oleh Azimmatul Ihwah Outcomes dari suatu eksperimen dapat dinyatakan dengan angka untuk mempermudah. Suatu variabel yang mengasosiakan outcomes dari suatu eksperimen dengan
Lebih terperinciAK5161 Matematika Keuangan Aktuaria
Catatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2015 1 Tentang AK5161 Matematika
Lebih terperinciANALISIS KEKONVERGENAN PADA BARISAN FUNGSI
34 Jurnal Matematika Vol 6 No 1 Tahun 2017 ANALISIS KEKONVERGENAN PADA BARISAN FUNGSI THE CONVERGENCE ANALYZE ON THE SEQUENCE OF FUNCTION Oleh: Restu Puji Setiyawan 1), Dr. Hartono 2) Program Studi Matematika,
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 terperinciRENCANA PEMBELAJARAN SEMESTER (RPS) KKKF33112 PROBABILITAS DAN STATISTIKA
RENCANA PEMBELAJARAN SEMESTER (RPS) KKKF33112 PROBABILITAS DAN STATISTIKA PROGRAM STUDI S1 TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER (FILKOM) UNIVERSITAS PUTRA INDONESIA YPTK PADANG LEMBAR PENGESAHAN Rencana
Lebih terperinciPemodelan Data Curah Hujan Menggunakan Proses Shot Noise Modeling Rainfall Data Using a Shot Noise Process
Prosiding Statistika ISSN: 2460-6456 Pemodelan Data Menggunakan Proses Shot Noise Modeling Rainfall Data Using a Shot Noise Process 1 Novi Tri Wahyuni, 2 Sutawatir Darwis, 3 Teti Sofia Yanti 1,2,3 Prodi
Lebih terperinciPRODI. Dosen : MM No.Revisi : 00. Semester : I Hal: 1 dari 5. kelompok. Deskripsi 2 populasi. Kemampuan. Kemampuan kerja.
RP S1 SP 01 A. CAPAIAN PEMAN : 1. CP 11.1 : Mampu menganalisis data secara kuantitatif baik secara univariat maupun Multivariat serta menerapkannya. 2. CP 8.1 : Memformulasikan masalah ke dalam pemodelan
Lebih terperinciRENCANA MUTU PEMBELAJARAN
RENCANA MUTU PEMBELAJARAN Nama Dosen : N. Setyaningsih, MSi. Program Studi : Pendidikan Matematika Kode Mata Kuliah : 504203 Nama Mata Kuliah : Statistika Matematika Jumlah sks : 3 sks Semester : V Alokasi
Lebih terperinciPengantar Proses Stokastik
Bab 1: Dasar-Dasar Probabilitas Atina Ahdika, S.Si, M.Si Statistika FMIPA Universitas Islam Indonesia Ruang Sampel dan Kejadian Ruang Sampel dan Kejadian Ruang Sampel dan Kejadian Percobaan adalah kegiatan
Lebih terperinciKONVOLUSI DISTRIBUSI EKSPONENSIAL DENGAN PARAMETER BERBEDA
Jurnal Matematika UNAND Vol. No. 4 Hal. 9 ISSN : 33 9 c Jurusan Matematika FMIPA UNAND KONVOLUSI DISTRIBUSI EKSPONENSIAL DENGAN PARAMETER BERBEDA MARNISYAH ANAS Program Studi Magister Matematika, Fakultas
Lebih terperinciBAB II LANDASAN TEORI
4 BAB II LANDASAN TEORI Teori yang ditulis dalam bab ini merupakan beberapa landasan yang digunakan untuk menganalisis sebaran besarnya klaim yang berekor kurus (thin tailed) dan yang berekor gemuk (fat
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 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 terperinci2 G R U P. 1 Struktur Aljabar Grup Aswad 2013 Blog: aswhat.wordpress.com
2 G R U P Struktur aljabar adalah suatu himpunan tak kosong S yang dilengkapi dengan satu atau lebih operasi biner. Jika himpunan S dilengkapi dengan satu operasi biner * maka struktur aljabar tersebut
Lebih terperinciMINGGU KE-8 HARGA HARAPAN DAN BEBERAPA KETAKSAMAAN DALA
MINGGU KE-8 HARGA HARAPAN DAN BEBERAPA KETAKSAMAAN DALAM STATISTIKA HARGA HARAPAN Definisi Misalkan X variabel random. Bila X variabel random kontinu dengan f.k.p. f (x) dan maka harga harapan X adalah
Lebih terperinciMODEL STOKASTIK PERTUMBUHAN POPULASI (PURE BIRTH PROCESS)
Jurnal Euclid, Vol. 4, No. 1, p.675 MODEL STOKASTIK PERTUMBUHAN POPULASI (PURE BIRTH PROCESS) Surya Amami Pramuditya 1, Tonah 2 1,2 Pendidikan Matematika FKIP Universitas Swadaya Gunung Jati Cirebon amamisurya@fkip-unswagati.ac.id
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 terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Fungsi Densitas Definisi 2.1 (Walpole & Myers, 1989) Fungsi adalah fungsi kepadatan peluang peubah acak kontinu, yang biasanya disebut fungsi densitas,yang didefinisikan di atas
Lebih terperinciII. TINJAUAN PUSTAKA. Dalam mengkaji penelitian Karakteristik Penduga Parameter Distribusi Log
II. TINJAUAN PUSTAKA Dalam mengkaji penelitian Karakteristik Penduga Parameter Distribusi Log Normal Menggunakan Metode Generalized Moment digunakan beberapa definisi, dan teorema yang berkaitan dengan
Lebih terperinciBAB III METODE PENELITIAN
digilib.uns.ac.id BAB III METODE PENELITIAN Metode yang digunakan dalam penelitian ini adalah kajian pustaka dari buku referensi karya ilmiah. Karya ilmiah yang digunakan adalah hasil penelitian serta
Lebih terperinciTHEORY. By: Hanung N. Prasetyo PEUBAH ACAK TELKOM POLYTECHNIC/HANUNGNP
THEORY By: Hanung N. Prasetyo PEUBAH ACAK Variabel acak adalah suatu variabel yang nilainya bisa berapa saja Variabel acak merupakan deskripsi numerik dari outcome beberapa percobaan / eksperimen VARIABEL
Lebih terperinciFORMAT LAPORAN MODUL V DISTRIBUSI SAMPLING
FORMAT LAPORAN MODUL V DISTRIBUSI SAMPLING ABSTRAK ABSTRACT KATA PENGANTAR DAFTAR ISI DAFTAR TABEL DAFTAR GAMBAR DAFTAR LAMPIRAN BAB I PENDAHULUAN (kata pengantar) 1.1 Latar Belakang 1.2 Tujuan Penulisan
Lebih terperinciMENAKSIR PARAMETER µ DARI N( µ, ) DENGAN METODE BAYES
MENAKSIR PARAMETER µ DARI N( µ, ) DENGAN METODE BAYES Hartayuni Saini 1 1 Jurusan Matematika, FMIPA-UNTAD. e-mail: yunh3_chendist@yahoo.co.id Abstrak Untuk menaksir nilai µ dari N(µ, ) umumnya digunakan
Lebih terperinciBAB 2 FUNGSI MEAN RESIDUAL LIFE
BB 2 FUNGSI MEN RESIDUL LIFE 2. Sifat-Sifat Peluang 2.. Identitas dasar Pertama akan ditunjukkan sebuah hubungan dasar di antara fungsi survival dan momen dari distribusi. Untuk sebuah random variabel
Lebih terperinciPengantar Statistika Matematik(a)
Catatan Kuliah Pengantar Statistika Matematik(a) Statistika Lebih Dari Sekadar Matematika disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2014
Lebih terperinciArie Wijaya, Yuni Yulida, Faisal
Vol.9 No.1 (215) Hal. 12-19 HUBUNGAN ANTARA TRANSFORMASI LAPLACE DENGAN TRANSFORMASI ELZAKI Arie Wijaya, Yuni Yulida, Faisal PS Matematika Fakultas MIPA Universitas Lambung Mangkurat Jl. A. Yani Km. 36
Lebih terperinciSATUAN ACARA PERKULIAHAN MATA KULIAH : ANALISIS DATA UJI HIDUP KODE MATA KULIAH : MAA SKS
SATUAN ACARA PERKULIAHAN MATA KULIAH : ANALISIS DATA UJI HIDUP KODE MATA KULIAH : MAA 516 3 SKS MINGGU 1 Pendahuluan dan - Pengertian Dasar soal-soal 2 Konsep-Konsep Dasar untuk Hidup Model Kontinu 1.
Lebih terperinciRELIABILITAS ORDINAL PADA METODE TEST-RETEST
RELIABILITAS ORDINAL PADA METODE TEST-RETEST Yaqozho Tunnisa 1, Rianti Setiadi 2 Departemen Matematika, FMIPA UI, Kampus UI Depok 16424 tunnisa.yaqozho@gmail.com 1, ririnie@yahoo.com.sg 2 Abstrak Dalam
Lebih terperinci