PENAKSIR BAYES UNTUK PARAMETER DISTRIBUSI EKSPONENSIAL BERDASARKAN FUNGSI KERUGIAN KUADRATIK DAN FUNGSI KERUGIAN ENTROPI
|
|
- Erlin Hartanto
- 6 tahun lalu
- Tontonan:
Transkripsi
1 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 Fakultas Matematika da Ilmu Pegetahua Alam Uiversitas Riau Kampus BiaWidya Pekabaru (893), Idoesia NZegsih@gmail.com ABSTRACT This paper discusses the estimator for parameter of expoetial distributio usig Bayesia statistics. Prior distributio used is the extesio of Jeffrey s prior. Bayes estimators are obtaied by quadratic loss fuctio ad etropy loss fuctio. Bayes estimators uder quadratic loss fuctio ad etropy loss fuctio are biased estimators. Mea squared errors of Bayes estimators are obtaied usig simulatio. Simulatio results show that Bayes estimator uder etropy loss fuctio with proper choise of ad depedig o the value of c is more efficiet tha Bayes estimator uder quadratic loss fuctio. Keywords: Expoetial distributio, Bayesia statistics, extesio of Jeffrey prior, quadratic loss fuctio, etropy loss fuctio ABSTRAK Artikel ii membahas peaksir parameter distribusi ekspoesial megguaka statistika Bayesia. Distribusi prior yag diguaka adalah prior perluasa Jeffrey. Peaksir Bayes diperoleh berdasarka fugsi kerugia kuadratik da fugsi kerugia etropi. Peaksir Bayes berdasarka fugsi kerugia kuadratik da fugsi kerugia etropi adalah peaksir bias. Mea squared error dari Peaksir Bayes diperoleh melalui simulasi. Hasil simulasi meujukka bahwa peaksir Bayes berdasarka fugsi kerugia etropi dega piliha yag tepat dari da bergatug pada ilai c lebih efisie dari pada peaksir Bayes berdasarka fugsi kerugia kuadratik. Kata kuci: Distribusi ekspoesial, statistika Bayesia, prior perluasa Jeffrey, fugsi kerugia kuadratik, fugsi kerugia etropi. PENDAHULUAN Statistika iferesi merupaka suatu metode utuk mearik kesimpula megeai parameter populasi yag didasarka pada iformasi data sampel tersebut diambil.
2 Pearika kesimpula dapat dilakuka dega taksira parameter da uji hipotesa. Taksira parameter dalam statistika ada dua jeis yaitu taksira titik da taksira iterval. Kedua jeis taksira ii dapat ditetuka megguaka dua metode yaitu statistika klasik da statistika Bayesia. Pada statistika klasik data sampel diyataka dalam betuk fugsi desitas yag distribusiya bergatug pada parameter yag ilaiya tidak diketahui, dari fugsi desitas aka ditetuka fugsi likelihood. Berdasarka fugsi likelihood, dapat dibuat suatu iferesi megeai parameter. Pada statistika Bayesia terdapat iformasi tambaha megeai parameter suatu populasi yag diperoleh berdasarka pegalama atau ivestigasi statistika sebelumya yag disebut dega distribusi prior. Al-Kutubi da Ibrahim [] mejelaska peaksir Bayes utuk distribusi ekspoesial dega prior perluasa Jeffrey. Berdasarka teorema Bayes, iformasi yag diyataka dega fugsi likelihood da distribusi prior digabugka utuk membetuk distribusi posterior. DeGroot [6, h. 6] mejelaska distribusi posterior merupaka distribusi yag merigkas iformasi megeai parameter setelah dilakukaya observasi data. Distribusi posterior yag telah diperoleh, diguaka utuk mecari peaksir Bayes berdasarka fugsi kerugia kuadratik da fugsi kerugia etropi. Calabria da Pulcii [4] mejelaska taksira titik berdasarka fugsi kerugia asimetris utuk sampel dari ekspoesial terpotog di kiri. Ramachadara da Tsokos[7, h. 7] mejelaska bagaimaa cara meetuka peaksir yag efisie melalui efisiesi relatif. Kosep efisiesi relatif aka diguaka dalam simulasi utuk mecari mea squared error yag miimum. Pada artikel ii dibahas megeai peaksir Bayes utuk parameter distribusi ekspoesialberdasarka fugsi kerugia kuadratik da fugsi kerugia etropi, dega membatasi pembahasa haya dega megguaka prior perluasa Jeffrey yag merupaka kajia ulag dari artikel Albaldawi [].. DISTRIBUSI EKSPONENSIAL Albaldawi [] mejelaska megeai distribusi ekspoesial dega megguaka satu parameter yaitu parameter. Fugsi desitas da fugsi distribusi komulatif dari distribusi ekspoesial adalah f(x;) = [ exp x ], < x <, >, () da F (x;) = exp [ x ]. Ekspektasi da variasi dari distribusi ekspoesial berturut-turut sebagai berikut: E(X) =. Var(X) =.
3 Misalka X,X,...,X merupaka sampel radom berukura dari distribusi ekspoesial dega fugsi desitas pada persamaa (), maka fugsi likelihood dari distribusi ekspoesial adalah L() = exp [ ]. () 3. STATISTIKA BAYESIAN Al-Kutubi da Ibrahim [] mejelaska prior perluasa Jeffrey yag dikemukaka oleh Harold Jeffrey adalah prior o iformatif yag didefiisika dega π() = k[i()] c,,c >, (3) dega k adalah kostata da I() adalah iformasi Fisher yag didefiisika [ ] lf (x;) I() = E. (4) Utuk mecari I(), terlebih dahulu dicari logaritma atural dari fugsi desitas pada persamaa () kemudia ditetuka turua kedua terhadap da diperoleh I() =. (5) Dega mesubstitusika persamaa (5) ke persamaa (3), diperoleh π() = kc,,c >, (6) c dega k adalah kostata. Selajutya, utuk meetuka peaksir Bayes diperluka distribusi posterior dega otasi π( x) yag didefiisika dega π( x) = H(x,x,...,x ;) P (x,x,...,x ). (7) Utuk memperoleh distribusi posterior diperluka fugsi desitas gabuga da fugsi desitas margial. Fugsi desitas gabuga ditulis dalam betuk H(x,x,...,x ;) = L()π(). (8) Dega mesubstitusika persamaa () da persamaa (6) ke persamaa (8), diperoleh ( H(x,x,...,x ;) = ) exp k c c H(x,x,...,x ;) = kc exp. (9) +c 3
4 Selajutya ditetuka fugsi desitas margial dari pada data (x,x,...,x ). Fugsi desitas margial ditulis dalam betuk P(x,x,...,x ) = H(x,x,...,x ;) d. () Dega mesubstitusika persamaa (9) ke persamaa (), maka diperoleh ( ) P(x,x,...,x ) = k c exp d. () +c Jika itegral maka diperoleh +c exp +c exp d pada persamaa () diselesaika, d = Γ(+c ) ( x ) +c, () dega mesubstitusika persamaa () ke persamaa (), maka fugsi desitas margial adalah P(x,x,...,x ) = kc Γ(+c ) ( ). (3) +c x Selajutya ditetuka distribusi posterior dega mesubstitusika persamaa (9) da persamaa (3) ke persamaa (7), diperoleh ( ) +c exp π( x) =. (4) +c Γ(+c ) 4. PENAKSIR BAYES Peaksir Bayes yag aka diguaka adalah peaksir Bayes berdasarka fugsi kerugia kuadratik da peaksir Bayes berdasarka fugsi kerugia etropi. Peaksir Bayes Berdasarka Fugsi Kerugia Kuadratik Berikut ii diberika teorema utuk meetuka peaksir Bayes berdasarka fugsi kerugia kuadratik. 4
5 Teorema [3, h. 34] Peaksir Bayes ˆ BK dari berdasarka fugsi kerugia ( kuadratik l(ˆ,) = ˆ ) adalah ˆ BK = ( ) E x ( ) = E x π( x) d. (5) π( x) d Bukti. Resiko Bayes yag diotasika Aˆ pada fugsi kerugia kuadratik adalah [ ( ˆ + ˆ ) ] π( x) d p(x) dx. Aˆ = ( ˆ + Resiko Bayes mecapai miimum apabila itegral ˆ ) π( x) d miimum, utuk memiimumkaya maka turua pertama harus sama dega ol [ d ˆ + ˆ ] π( x) d =. (6) dˆ Berdasarka kosep differesial di dalam tada itegral [5, h. 69], persamaa (6) ditulis mejadi [ ( d ˆ + ˆ ) ] [ ( d ˆ + π( x) d = ˆ ) ] π( x) d dˆ dˆ [ ( d ˆ + ˆ ) ] ˆ π( x) d = π( x) d + π( x) d, (7) dˆ dega mesubstitusika persamaa (7) ke persamaa (6), diperoleh ( ) E x π( x) d ˆ BK = ( ) =. E x π( x) d Peaksir Bayes berdasarka fugsi kerugia kuadratik, diperoleh megguaka Teorema. Selajutya lagkah pertama ditetuka itegral π( x) d sebagai berikut: ( ) +c exp π( x) d = d. +c Γ(+c ) 5
6 ( ) +c exp π( x) d = d. (8) Γ(+c ) +c+ exp Jika itegral d pada persamaa (8) diselesaika, maka diperoleh +c+ exp +c+ d = ( Γ(+c) ), (9) +c dega mesubstitusika persamaa (9) ke persamaa (8), diperoleh π( x) d = ( ) Γ(+c) Γ(+c ). () Lagkah kedua aka ditetuka itegral π( x) d sebagai berikut: ( ) +c exp π( x) d = d +c Γ(+c ) ( ) +c exp π( x) d = d. () Γ(+c ) +c+ exp Jika itegral d pada persamaa () diselesaika, maka diperoleh +c+ exp +c+ d = ( Γ(+c+) ), () +c+ 6
7 dega mesubstitusika persamaa () ke persamaa (), diperoleh π( x) d = ( ) Γ(+c+) Γ(+c ). (3) Selajutya dega mesubstitusika persamaa () da persamaa (3) ke persamaa (5), diperoleh ˆ BK = +c. (4) Persamaa (4) adalah peaksir Bayes berdasarka fugsi kerugia kuadratik dega E(ˆ BK ) = +c. Karea E(ˆ BK ), maka peaksir Bayes berdasarka fugsi kerugia kuadratik adalah peaksir bias. Peaksir Bayes Berdasarka Fugsi Kerugia Etropi Berikut ii diberika teorema utuk meetuka peaksir Bayes berdasarka fugsi kerugia etropi. Teorema [3, h. 34] ) Peaksir Bayes ˆ BE dari berdasarka fugsi kerugia ) ] [(ˆ (ˆ etropi l(ˆ,) = l adalah ˆ BE = [ E( x) ] [ = ] π( x) d. (5) Bukti. Resiko Bayes yag diotasika Aˆ pada fugsi kerugia etropi adalah Aˆ = [ [(ˆ ) l ) ] ] (ˆ π( x) d p(x) dx. [(ˆ ) ) ] (ˆ Resiko Bayes aka mecapai miimum apabila itegral l π( x) d miimum. Utuk memiimumkaya, turua pertamaya harus sama dega ol. [ ) ) ] ] d [(ˆ (ˆ l π( x) d =. (6) dˆ 7
8 Berdasarka kosep differesial di dalam tada itegral [5, h. 69], persamaa (6) ditulis mejadi [ ) ) ] ] d [(ˆ (ˆ [ ) ) ] d [(ˆ (ˆ l π( x) d = l dˆ dˆ ] d dˆ [ ) [(ˆ l π( x) d ) ] ] (ˆ π( x) d = ˆ π( x) d dega mesubstitusika persamaa (7) ke persamaa (6), diperoleh ˆ BE = [ E( x) ] [ ] = π( x) d. ˆπ( x) d, (7) Peaksir Bayes berdasarka fugsi kerugia etropi, diperoleh megguaka Teorema. Lagkah pertama aka ditetuka itegral π( x) d sebagai berikut: ( ) +c exp π( x) d = d +c Γ(+c ) ( ) +c exp π( x) d = d. (8) Γ(+c ) +c+ exp Jika itegral d pada persamaa (8) diselesaika, maka diperoleh +c+ exp d = +c+ Γ(+c+ ) ( ) +c+. (9) Dega mesubstitusika persamaa (9) ke persamaa (8), diperoleh ( ) Γ(+c+ ) π( x) d = Γ(+c ). (3) 8
9 [ ] Lagkah kedua aka ditetuka π( x)d, degamesubstitusika persamaa (3) ke persamaa (5) diperoleh ˆ BE = [ ] Γ(+c ). (3) Γ(+c+ ) Persamaa (3) merupaka peaksir Bayes berdasarka fugsi kerugia etropi [ ] Γ(+c ) dega E(ˆ BE ) = (). Karea E(ˆ BE ), maka peaksir Γ(+c+ ) Bayes berdasarka fugsi kerugia etropi adalah peaksir bias. 5. Mea Squared Error Dalam artikel ii mea squared error disigkat dega MSE. Selajutya diberika teorema megeai MSE Teorema 3 [3, h. 39] Jika ˆ adalah peaksir dari, maka MSE(ˆ) = Var(ˆ)+(b(ˆ)). Bukti. Pembuktia Teorema 3 dapat dilihat pada buku Bai da Egelhardt [3, h. 3]. MSE Dari Peaksir Bayes Berdasarka Fugsi Kerugia Kuadratik Karea peaksir Bayes berdasarka fugsi kerugia kuadratik adalah peaksir bias, meurut Teorema 3 MSE dari peaksir Bayes berdasarka fugsi kerugia kuadratik adalah MSE(ˆ BK ) = Var(ˆ)+(b(ˆ)) ( MSE(ˆ BK ) = (+c) Var )+ MSE(ˆ BK ) = (+4c) (+c). ( ) c +c MSE Dari Peaksir Bayes Berdasarka Fugsi Kerugia Etropi Meurut Teorema 3, MSE dari peaksir Bayes berdasarka fugsi kerugia etropi adalah MSE(ˆ BE ) = Var(ˆ)+(b(ˆ)) [ ( ) ] ( Γ(+c ) ) MSE(ˆ BE ) = Var Γ(+c+ ) 9
10 [ ] Γ(+c ) + [ Γ(+c ) Γ(+c+ ) Γ(+c+ ) MSE(ˆ BE ) = [ ( + )[ (+c )! (+c+ )! ] 6. Simulasi [ (+c )! (+c+ )! ] + ] + ]. Nilai MSE (ˆ BK ) da ilai MSE (ˆ BE ) ditetuka dega megguaka rumus [] MSE(ˆ) = (ˆi ) Simulasi ii dilakuka dega ukura sampel = 5, 5, 75, da ilai parameter distribusi =.5,. Nilai parameter prior perluasa Jeffrey c =.5, da ilai parameter fugsi kerugia etropi =,,, serta pegulaga yag dilakuka sebayak R =. Hasil dari simulasi aka disajika pada Tabel da Tabel. Tabel : Nilai MSE dari peaksir Bayes utuk parameter =.5 da c = pada distribusi ekspoesial MSE ˆ MSE ˆ BE Selisih ilai MSE BK = = = = = = = = R. Tabel : Nilai MSE dari peaksir Bayes utuk parameter = da c =.5 pada distribusi ekspoesial MSE ˆ MSE ˆ BE Selisih ilai MSE BK = = = = = = = = Berdasarka Tabel da Tabel utuk semua ukura sampel MSE(ˆ BE ) dega =,,, diperoleh ilai MSE lebih kecil dibadigka dega MSE(ˆ BK ), sehigga ˆ BE lebih efisie dibadigka ˆ BK. Dari Tabel da Tabel dapat disimpulka bahwa ilai MSE da selisih ilai MSE(ˆ BE ) da MSE(ˆ BK ) meuru
11 dega meigkatya ukura sampel. Semaki besar ukura sampel yag diamati maka selisih dari ilai MSE(ˆ BE ) da MSE(ˆ BK ) aka medekati ol. Hal iimeujukkabahwamse(ˆ BK )akamedekatimse(ˆ BE )utukukurasampel yag semaki besar. 6. Kesimpula Hasil dari simulasi meujukka bahwa peaksir Bayes berdasarka fugsi kerugia kuadratik da peaksir Bayes berdasarka fugsi kerugia etropi merupaka peaksir bias. Peaksir Bayes berdasarka fugsi kerugia etropi meghasilka ilai MSE lebih kecil dibadigka peaksir Bayes berdasarka fugsi kerugia kuadratik. Aka tetapi hal itu tidak berlaku secara umum, karea hal itu ditetuka oleh ilai c yag merupaka parameter dari distribusi prior. Oleh karea itu utuk meaksir parameter distribusi ekspoesial, peaksir Bayes berdasarka fugsi kerugia etropi dega piliha yag tepat dari da bergatug pada ilai c besar dari satu lebih efisie dibadigka dega peaksir Bayes berdasarka fugsi kerugia kuadratik. Daftar Pustaka [] T. H. K. Albaldawi, Bayesia estimatio of the parameters of the expoetial distributio with differet prior uder symmetric ad asymmetric loss fuctio, Egieerig ad Techology Joural, 3 (3), [] H. S. Al-Kutubi da N. A. Ibrahim, Bayes estimator of expoetial distributio with extesio of Jeffrey prior iformatio, Joural of Mathematical Scieces, 3 (9), [3] L. J. Bai da M. Egelhardt, Itroductio to Probability ad Mathematical Statistics, Secod Editio, Duxbury Press, Belmot, 993. [4] R. Calabria da G. Pulcii, Poit estimatio uder asymmetric loss fuctios for left of trucated expoetial samples, Commuicatio i Statistics- Theory ad Methods, 5 (996), [5] G. Casella da R. L. Berger, Statistical Iferece, Secod Editio, Duxbury Press, Pacific Grove,. [6] M. H. DeGroot, Probability ad Statistics, Addiso-Wesley Publishig Compay Ic, Califoria, 975. [7] K. M. Ramachadra da C. P. Tsokos, Mathematical Statistics with Applicatios, Elsevier Academic Press, Sa Diego, 9.
PENDUGAAN 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 terperinciPENAKSIR RANTAI RASIO DAN RANTAI PRODUK YANG EFISIEN UNTUK MENAKSIR RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA
PENAKSIR RANTAI RASIO DAN RANTAI PRODUK YANG EFISIEN UNTUK MENAKSIR RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA V. M. Vidya *, Bustami, R. Efedi Mahasiswa Program S Matematika Dose Jurusa Matematika
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Distribusi Ekspoesial Fugsi ekspoesial adalah salah satu fugsi yag palig petig dalam matematika. Biasaya, fugsi ii ditulis dega otasi exp(x) atau e x, di maa e adalah basis logaritma
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 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 terperinciESTIMASI PARAMETER MODEL REGRESI LINIER SEDERHANA BAYES DENGAN DISTRIBUSI PRIOR NONINFORMATIF JEFFREY
Prosidig Semiar Matematika da Pedidika Matematika ISBN: 978-60-6-0-9 http://jural.fkip.us.ac.id ESTIMASI PARAMETER MODEL REGRESI LINIER SEDERHANA BAYES DENGAN DISTRIBUSI PRIOR NONINFORMATIF JEFFREY Firda
Lebih terperinciPENAKSIR RASIO UNTUK RATA-RATA POPULASI MENGGUNAKAN KOEFISIEN VARIASI DAN KOEFISIEN KURTOSIS PADA SAMPLING GANDA
PEAKSIR RASIO UTUK RATA-RATA POPULASI MEGGUAKA KOEFISIE VARIASI DA KOEFISIE KURTOSIS PADA SAMPLIG GADA Heru Agriato *, Arisma Ada, Firdaus Mahasiswa Program S Matematika Dose Jurusa Matematika Fakultas
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 terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang. Universitas Sumatera Utara
BAB I PENDAHULUAN 1.1 Latar Belakag Salah satu pera da fugsi statistik dalam ilmu pegetahua adalah sebagai. alat aalisis da iterpretasi data kuatitatif ilmu pegetahua, sehigga didapatka suatu kesimpula
Lebih terperinciPerbandingan Beberapa Metode Pendugaan Parameter AR(1)
Jural Vokasi 0, Vol.7. No. 5-3 Perbadiga Beberapa Metode Pedugaa Parameter AR() MUHLASAH NOVITASARI M, NANI SETIANINGSIH & DADAN K Program Studi Matematika Fakultas MIPA Uiversitas Tajugpura Jl. Ahmad
Lebih terperinciPENGGUNAAN METODE BAYESIAN OBYEKTIF DALAM PEMBUATAN GRAFIK PENGENDALI p-chart
Prosidig Semiar Nasioal Peelitia, Pedidika da Peerapa MIPA, Fakultas MIPA, Uiversitas Negeri Yogyakarta, 2 Jui 2012 PENGGUNAAN METODE BAYESIAN OBYEKTIF DALAM PEMBUATAN GRAFIK PENGENDALI p-chart Adi Setiawa
Lebih terperinciMETODE SIMPSON TERMODIFIKASI UNTUK MENYELESAIKAN PERSAMAAN INTEGRAL VOLTERRA LINEAR JENIS KEDUA. Jonas Lodewyk H 1, Zulkarnain 2 ABSTRACT
METODE SIMPSON TERMODIFIKASI UNTUK MENYELESAIKAN PERSAMAAN INTEGRAL VOLTERRA LINEAR JENIS KEDUA Joas Lodewyk H 1, Zulkarai 1 Mahasiswa Program Studi S1 Matematika Dose Jurusa Matematika Fakultas Matematika
Lebih terperinciEMPAT CARA UNTUK MENENTUKAN NILAI INTEGRAL POISSON., Sri Gemawati 2, Agusni 2. Mahasiswa Program Studi S1 Matematika 2
EMPAT CARA UNTUK MENENTUKAN NLA NTEGRAL POSSON Novrialma *, Sri Gemawati, Agusi Mahasiswa Program Studi S Matematika Dose Jurusa Matematika Fakultas Matematika da lmu Pegetahua Alam Uiversitas Riau Kampus
Lebih terperinciESTIMASI DENSITAS KERNEL ADJUSTED: STUDI SIMULASI. Novita Eka Chandra Universitas Islam Darul Ulum Lamongan
JMP : Vol. 8 No., Des. 016, al. 33-40 ISSN 085-1456 ESTIMASI DENSITAS KERNEL ADJUSTED: STUDI SIMULASI Novita Eka Cadra Uiversitas Islam Darul Ulum Lamoga ovitaekacadra@gmail.com Masriai Mayuddi Uiversitas
Lebih terperinciPengantar Statistika Matematika II
Pegatar Statistika Matematika II Metode Evaluasi Atia Ahdika, S.Si., M.Si. Prodi Statistika FMIPA Uiversitas Islam Idoesia April 11, 2017 atiaahdika.com Pegguaa metode estimasi yag berbeda dapat meghasilka
Lebih terperinciBAB VIII MASALAH ESTIMASI SATU DAN DUA SAMPEL
BAB VIII MASAAH ESTIMASI SAT DAN DA SAMPE 8.1 Statistik iferesial Statistik iferesial suatu metode megambil kesimpula dari suatu populasi. Ada dua pedekata yag diguaka dalam statistik iferesial. Pertama,
Lebih terperinciANUITAS DUE PADA STATUS HIDUP PERORANGAN BERDASARKAN FORMULA WOOLHOUSE
2 ANUITAS DUE PADA STATUS HIDUP PERORANGAN BERDASARKAN FORMULA WOOLHOUSE Sri Purwati 1, Johaes Kho 2, Aziskha 2 1 Mahasiswa Program S1 Matematika FMIPA Uiversitas Riau email : srii_purwatii@yahoo.co.id
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 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 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 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 terperinciSIFAT-SIFAT FUNGSI EKSPONENSIAL BERBASIS BILANGAN NATURAL YANG DIDEFINISIKAN SEBAGAI LIMIT
Jural Matematika UNAND Vol. 4 No. 1 Hal. 12 22 ISSN : 2303 2910 c Jurusa Matematika FMIPA UNAND SIFAT-SIFAT FUNGSI EKSPONENSIAL BERBASIS BILANGAN NATURAL YANG DIDEFINISIKAN SEBAGAI LIMIT ENIVA RAMADANI
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 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 terperinciMENENTUKAN PELUANG RUIN DENGAN METODE KOMBINASI EKSPONENSIAL
MENENTUKAN PELUANG RUIN DENGAN METODE KOMBINASI EKSPONENSIAL Karmila 1*, Hasriati 2, Haposa Sirait 2 1 Mahasiswa Program S1 Matematika 2 Dose Jurusa Matematika Fakultas Matematika da Ilmu Pegetahua Alam
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 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 terperinciInfinityJurnal Ilmiah Program Studi Matematika STKIP Siliwangi Bandung, Vol 2, No.1, Februari 2013
IfiityJural Ilmiah Program Studi Matematika STKIP Siliwagi Badug, Vol 2, No.1, Februari 2013 KEKONTINUAN FUNGSI PADA RUANG METRIK Oleh: Cece Kustiawa Jurusa Pedidika Matematika FPMIPA UPI, cecekustiawa@yahoo.com
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 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 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 LOGISTIK MULTINOMIAL DENGAN METODE BAYES
JURNAL GAUSSIAN, Volume, Nomor, Tahu 03, Halama 79-88 Olie di: http://ejoural-s.udip.ac.id/idex.php/gaussia ESTIMASI PARAMETER REGRESI LOGISTIK MULTINOMIAL DENGAN METODE BAYES Wayaig Apsari, Hasbi Yasi,
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 terperinciIII PEMBAHASAN. λ = 0. Ly = 0, maka solusi umum dari persamaan diferensial (3.3) adalah
III PEMBAHASAN Pada bagia ii aka diformulasika masalah yag aka dibahas. Solusi masalah aka diselesaika dega Metode Dekomposisi Adomia. Selajutya metode ii aka diguaka utuk meyelesaika model yag diyataka
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 terperinciBAB I PENDAHULUAN. X Y X Y X Y sampel
BAB I PENDAHULUAN 1.1 Latar Belakag Masalah Aalisis regresi merupaka metode aalisis data yag meggambarka hubuga atara variabel respo dega satu atau beberapa variabel prediktor. Aalisis regresi tersebut
Lebih terperinciPEMBUKTIAN TEOREMA HUKUM LEMAH BILANGAN BESAR DENGAN MENGGUNAKAN FUNGSI KARAKTERISTIK
Jural Matematika UNAND Vol. 2 No. 2 Hal. 71 75 ISSN : 2303 2910 c Jurusa Matematika FMIPA UNAND PEMBUKTIAN TEOREMA HUKUM LEMAH BILANGAN BESAR DENGAN MENGGUNAKAN FUNGSI KARAKTERISTIK SUCI SARI WAHYUNI,
Lebih terperinciPERBANDINGAN HASIL PENGUJIAN INTERCEPT
IdoMS Joural o Statistics Vol., No. (3), Page 35-47 PERBANDINGAN HASIL PENGUJIAN INTERCEPT PADA UJI SATU ARAH MAKSIMUM DAN MINIMUM PADA UJI-UJI TERKAIT NON-SAMPLE PRIOR INFORMATION PADA MODEL REGRESI SEDERHANA
Lebih terperinciMetode Bootstrap Persentil Pada Sensor Tipe II Berdistribusi Eksponensial
Statistika, Vol. 7 No. 1, 1 6 Mei 007 Metode Bootstrap Persetil Pada Sesor Tipe II Berdistribusi Ekspoesial Jurusa Statistika FMIPA Uiversitas Islam Idoesia Yogyakarta Abstrak Metode bootstrap adalah suatu
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 terperinciI. DERET TAKHINGGA, DERET PANGKAT
I. DERET TAKHINGGA, DERET PANGKAT. Pedahulua Pembahasa tetag deret takhigga sebagai betuk pejumlaha suku-suku takhigga memegag peraa petig dalam fisika. Pada bab ii aka dibahas megeai pegertia deret da
Lebih terperinciSecara umum, suatu barisan dapat dinyatakan sebagai susunan terurut dari bilangan-bilangan real:
BARISAN TAK HINGGA Secara umum, suatu barisa dapat diyataka sebagai susua terurut dari bilaga-bilaga real: u 1, u 2, u 3, Barisa tak higga merupaka suatu fugsi dega domai berupa himpua bilaga bulat positif
Lebih terperinciPENGUJIAN INTERCEPT PADA UJI SATU ARAH MAKSIMUM UNTUK TESTS TERKAIT NON-SAMPLE PRIOR INFORMATION
UNIVERSITAS DIPONEGORO 3 ISBN: 978-6-4387-- PENGUJIAN INTERCEPT PADA UJI SATU ARAH MAKSIMUM UNTUK TESTS TERKAIT NON-SAMPLE PRIOR INFORMATION Budi Pratiko da Arlida Widiaa Jurusa MIPA Matematika Usoed Purwokerto
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 terperinciBAB III PERUMUSAN PENDUGA DAN SIFAT SIFAT STATISTIKNYA
BAB III PERUMUSAN PENDUGA DAN SIFAT SIFAT STATISTIKNYA 3. Perumusa Peduga Misalka N adala proses Poisso o omoge pada iterval [, dega fugsi itesitas yag tidak diketaui. Fugsi ii diasumsika teritegralka
Lebih terperinciSelang Kepercayaan (Confidence Interval) Pengantar Penduga titik (point estimator) telah dibahas pada kuliah-kuliah sebelumnya. Walau statistikawan
Selag Kepercayaa (Cofidece Iterval) Pegatar Peduga titik (poit estimator) telah dibahas pada kuliah-kuliah sebelumya. Walau statistikawa telah berusaha memperoleh peduga titik yag baik, amu hampir bisa
Lebih terperinciBAB II LANDASAN TEORI. matematika secara numerik dan menggunakan alat bantu komputer, yaitu:
4 BAB II LANDASAN TEORI 2.1 Model matematis da tahapa matematis Secara umum tahapa yag harus ditempuh dalam meyelesaika masalah matematika secara umerik da megguaka alat batu komputer, yaitu: 2.1.1 Tahap
Lebih terperinciPENAKSIR RASIO DAN PRODUK YANG EFISIEN UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK SISTEMATIK
PENAKI AIO DAN PODUK ANG EFIIEN UNTUK ATA-ATA POPULAI PADA AMPLING AAK ITEMATIK D. L. Pratiwi *, A. Ada,. ugiarto Mahasiswa Program Matematika Dose Jurusa Matematika Fakultas Matematika da Ilmu Pegetahua
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 MENENTUKAN MODEL KERUSAKAN DAN INTERVAL WAKTU PREVENTIVE MAINTENANCE OPTIMUM SISTEM AXIS PADA MESIN CINCINNATI MILACRON DOUBLE GANTRY TIPE-F
BAB III MENENUKAN MODEL KERUSAKAN DAN INERVAL WAKU PREVENIVE MAINENANCE OPIMUM SISEM AXIS PADA MESIN CINCINNAI MILACRON DOUBLE GANRY IPE-F 3.1 Pedahulua Pada Bab II telah dijelaska beberapa teori yag diguaka
Lebih terperinciPENAKSIRAN PARAMETER PADA DISTRIBUSI RAYLEIGH MENGGUNAKAN METODE MAXIMUM LIKELIHOOD DAN METODE BAYES SKRIPSI FITRI ARDIANTI
PENAKSIRAN PARAMETER PADA DISTRIBUSI RAYLEIGH MENGGUNAKAN METODE MAXIMUM LIKELIHOOD DAN METODE BAYES SKRIPSI FITRI ARDIANTI 138377 DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM MEDAN
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 terperinciDefinisi Integral Tentu
Defiisi Itegral Tetu Bila kita megedarai kedaraa bermotor (sepeda motor atau mobil) selama 4 jam dega kecepata 50 km / jam, berapa jarak yag ditempuh? Tetu saja jawabya sagat mudah yaitu 50 x 4 = 200 km.
Lebih terperinciANALISIS REGRESI BAYES LINEAR SEDERHANA DENGAN PRIOR NONINFORMATIF
E-Jural Matematika Vol. 3, No.2 Mei 204, 38-44 ISSN: 2303-75 ANALISIS REGRESI BAYES LINEAR SEDERHANA DENGAN PRIOR NONINFORMATIF ANAK AGUNG ISTRI AGUNG CANDRA ISWARI, I WAYAN SUMARJAYA 2, I GUSTI AYU MADE
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 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 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 terperinciMETODE TRAPESIUM NONLINEAR UNTUK MENYELESAIKAN PERSAMAAN DIFERENSIAL ORDE SATU ABSTRACT
METODE TRAPESIUM NONLINEAR UNTUK MENYELESAIKAN PERSAMAAN DIFERENSIAL ORDE SATU Rahma Dodi 1, Musraii M 1 Mahasiswa Program Studi S1 Matematika Dose Jurusa Matematika Fakultas Matematika da Ilmu Pegetahua
Lebih terperinciBARISAN DAN DERET. Nurdinintya Athari (NDT)
BARISAN DAN DERET Nurdiitya Athari (NDT) BARISAN Defiisi Barisa bilaga didefiisika sebagai fugsi dega daerah asal merupaka bilaga asli. Notasi: f: N R f( ) = a Fugsi tersebut dikeal sebagai barisa bilaga
Lebih terperinciBAB 1 PENDAHULUAN. dimana f(x) adalah fungsi tujuan dan h(x) adalah fungsi pembatas.
BAB 1 PENDAHUUAN 1.1 atar Belakag Pada dasarya masalah optimisasi adalah suatu masalah utuk membuat ilai fugsi tujua mejadi maksimum atau miimum dega memperhatika pembatas pembatas yag ada. Dalam aplikasi
Lebih terperinciGambar 1. Partisi P dari empat persegi panjang R = [a, b] x [c, d] adalah dua himpunan i i
INTEGAL LIPAT. Itegral Lipat Dua dalam Koordiat Kartesius Pada bagia ii, dipelajari itegral lipat dua dalam. Misalka diketahui dua iterval tertutup [a, b] da [c, d]. Hasil kali kartesius dari kedua iterval
Lebih terperinciREPRESENTASI KANONIK UNTUK FUNGSI KARAKTERISTIK DARI SEBARAN TERBAGI TAK HINGGA
Jural Matematika UNAND Vol. 3 No. Hal. 7 34 ISSN : 33 9 c Jurusa Matematika FMIPA UNAND REPRESENTASI KANONIK UNTUK FUNGSI KARAKTERISTIK DARI SEBARAN TERBAGI TAK HINGGA EKA RAHMI KAHAR, DODI DEVIANTO Program
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 terperinciHUBUNGAN PELABELAN GRACEFUL PADA DIGRAF BIDIRECTIONAL G DAN GRAF UNDERLYING DARI G
J Sais MIPA Desember 7 Vol 1 No Hal: 197 - ISSN 1978-187 ABSTRACT HUBUNGAN PELABELAN GRACEFUL PADA DIGRAF BIDIRECTIONAL G DAN GRAF UNDERLYING DARI G Kristiaa Wijaya Jurusa Matematika FMIPA Uiversitas Jember
Lebih terperinciESTIMASI. (PENDUGAAN STATISTIK) Ir. Tito Adi Dewanto. Statistika
Wed 6/0/3 ETIMAI (PENDUGAAN TATITIK) Ir. Tito Adi Dewato tatistika Deskriptif Iferesi Estimasi Uji Hipotesis Titik Retag Estimasi da Uji Hipotesis Dilakuka setelah peelitia dalam tahap pegambila suatu
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 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 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 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 terperinciPENDUGA SELANG KEPERCAYAAN NILAI TENGAH DENGAN PENDEKATAN KLASIK, BAYES, DAN BOOTSTRAP *
PENDUGA SELANG KEPERCAYAAN NILAI TENGAH DENGAN PENDEKATAN KLASIK, BAYES, DAN BOOTSTRAP Adji Achmad Rialdo Ferades, SSi, MSc ABSTRAK Pada suatu peelitia, terkadag diamati karakteristik dari sebuah populasi
Lebih terperincioleh hasil kali Jika dan keduanya fungsi yang dapat didiferensialkan, maka
Itegral etu Jika fugsi kotiu yag didefiisika utuk, kita bagi selag mejadi selag bagia berlebar sama Misalka berupa titik ujug selag bagia ii da pilih titik sampel di dalam selag bagia ii, sehigga terletak
Lebih terperinciSIFAT-SIFAT SEMIGRUP SIMETRIS INTERVAL
SIFAT-SIFAT SEMIGRUP SIMETRIS INTERVAL Riza Febri Yusma Sri Gemawati Asli Sirait *riza_febri@yahoo.com Mahasiswa Program S Matematika Dose Jurusa Matematika Fakultas Matematika da Ilmu Pegetahua Alam Uiveritas
Lebih terperinciANALISIS TENTANG GRAF PERFECT
Aalisis Tetag Graf Perfect ANALISIS TENTANG GRAF PERFET Nurul Imamah AH Fakultas Matematika da Ilmu Pegetahua Alam Uiversitas Pesatre Tiggi Darul Ulum Jombag urul.imamah86@gmail.com Abstrak Seirig perkembaga
Lebih terperinciMetode Beda Hingga dan Teorema Newton untuk Menentukan Jumlah Deret. Finite Difference Method and Newton's Theorem to Determine the Sum of Series
Jural ILM DASAR, Vol, No, Juli : 9-98 9 Metode Beda Higga da Teorema Newto utuk Meetuka Jumlah Deret Fiite Differece Method ad Newto's Theorem to Determie the Sum of Series Tri Mulyai,*), Moh Hasa ), Slami
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 terperinciKiki Reskianti, Nurtiti Sunusi dan Nasrah Sirajang
ESTIMASI PARAMETER BAYESIAN PADA ANALISIS DATA KETAHANAN HIDUP BERDISTRIBUSI EKSPONENSIAL MELALUI PENDEKATAN SELF. STUDI KASUS : ANALISIS KETAHANAN HIDUP FLOUROPHORES. Kiki Reskiati, Nurtiti Suusi da Nasrah
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 terperinciPROSIDING ISBN:
S-6 Perlukah Cross Validatio dilakuka? Perbadiga atara Mea Square Predictio Error da Mea Square Error sebagai Peaksir Harapa Kuadrat Kekelirua Model Yusep Suparma (yusep.suparma@ upad.ac.id) Uiversitas
Lebih terperinciBAB IV APLIKASI METODE CALLBACK. Dalam bab sebelumnya telah dibahas mengenai cara mengatasi
BAB IV APLIKASI METODE CALLBACK Dalam bab sebelumya telah dibahas megeai ara megatasi orespo yaitu dega melakuka allbak pada respode yag tidak merespo. Callbak pada peelitia ii dibatasi haya sampai t =
Lebih terperinciPENAKSIR PARAMETER DISTRIBUSI INVERS MAXWELL UKURAN BIAS SAMPEL MENGGUNAKAN METODE BAYESIAN. Rince Adrianti 1, Haposan Sirait 2 ABSTRACT ABSTRAK
PENAKSIR PARAMETER DISTRIBUSI INVERS MAXWELL UKURAN BIAS SAMPEL MENGGUNAKAN METODE BAYESIAN Rince Adrianti, Haposan Sirait Mahasiswa Program Studi S Matematika Dosen Matematika, Jurusan Matematika Fakultas
Lebih terperinciBUKTI ALTERNATIF KONVERGENSI DERET PELL DAN PELL-LUCAS (ALTERNATIVE PROOF THE CONVERGENCE OF PELL AND PELL-LUCAS SERIES)
rosidig Semirata2015 bidag MIA BKS-TN Barat Uiversitas Tajugpura otiaak BUKTI ALTERNATIF KONVERGENSI DERET ELL DAN ELL-LUCAS (ALTERNATIVE ROOF THE CONVERGENCE OF ELL AND ELL-LUCAS SERIES) Baki Swita 1
Lebih terperinciAn = an. An 1 = An. h + an 1 An 2 = An 1. h + an 2... A2 = A3. h + a2 A1 = A2. h + a1 A0 = A1. h + a0. x + a 0. x = h a n. f(x) = 4x 3 + 2x 2 + x - 3
SUKU BANYAK A Pegertia: f(x) x + a 1 x 1 + a 2 x 2 + + a 2 +a 1 adalah suku bayak (poliom) dega : - a, a 1, a 2,.,a 2, a 1, a 0 adalah koefisiekoefisie suku bayak yag merupaka kostata real dega a 0 - a
Lebih terperinciPENGGUNAAN METODE BAYESIAN SUBYEKTIF DALAM PENGKONSTRUKSIAN GRAFIK PENGENDALI-p
PENGGUNAAN METODE BAYESIAN SUBYEKTIF DALAM PENGKONSTRUKSIAN GRAFIK PENGENDALI-p Sekar Sukma Asmara 1, Adi Setiawa 2, Tudjug Mahatma 3 1 Mahasiswa Program Studi Matematika Fakultas Sais da Matematika Uiversitas
Lebih terperinciProgram Perkuliahan Dasar Umum Sekolah Tinggi Teknologi Telkom. Barisan dan Deret
Program Perkuliaha Dasar Umum Sekolah Tiggi Tekologi Telkom Barisa da Deret Barisa Defiisi Barisa bilaga didefiisika sebagai fugsi dega daerah asal merupaka bilaga asli. Notasi: f: N R f( ) a Fugsi tersebut
Lebih terperinciStatistika Inferensia: Pendugaan Parameter. Dr. Kusman Sadik, M.Si Dept. Statistika IPB, 2015
Statistika Iferesia: Pedugaa Parameter Dr. Kusma Sadik, M.Si Dept. Statistika IPB, 05 Populasi : Parameter Sampel : Statistik Statistik merupaka PENDUGA bagi parameter populasi Pegetahua megeai distribusi
Lebih terperinciPendugaan Selang: Metode Pivotal Langkah-langkahnya 1. Andaikan X1, X
Pedugaa Selag: Metode Pivotal Lagkah-lagkahya 1. Adaika X1, X,..., X adalah cotoh acak dari populasi dega fugsi kepekata f( x; ), da parameter yag tidak diketahui ilaiya. Adaika T adalah peduga titik bagi..
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 terperinciPengendalian Proses Menggunakan Diagram Kendali Median Absolute Deviation (MAD)
Prosidig Statistika ISSN: 2460-6456 Pegedalia Proses Megguaka Diagram Kedali Media Absolute Deviatio () 1 Haida Lestari, 2 Suliadi, 3 Lisur Wachidah 1,2,3 Prodi Statistika, Fakultas Matematika da Ilmu
Lebih terperinciKEKONVERGENAN MODEL BINOMIAL UNTUK PENENTUAN HARGA OPSI EROPA. Fitriani Agustina, Math, UPI
KEKONVERGENAN MODEL BINOMIAL UNTUK PENENTUAN HARGA OPSI EROPA Fitriai Agustia, Math, UPI 1 Fiacial Derivative Opsi Mafaat Opsi Opsi Eropa Peetua Harga Opsi Kekovergea Model Biomial Fitriai Agustia, Math,
Lebih terperinciPendugaan Parameter. Debrina Puspita Andriani /
Pedugaa Parameter 7 Debria Puspita Adriai E-mail : debria.ub@gmail.com / debria@ub.ac.id Outlie Pedahulua Pedugaa Titik Pedugaa Iterval Pedugaa Parameter: Kasus Sampel Rataa Populasi Pedugaa Parameter:
Lebih terperinciBAB III ECONOMIC ORDER QUANTITY MULTIITEM DENGAN MEMPERTIMBANGKAN WAKTU KADALUARSA DAN FAKTOR DISKON
BAB III ECONOMIC ORDER QUANTITY MULTIITEM DENGAN MEMPERTIMBANGKAN WAKTU KADALUARA DAN FAKTOR DIKON 3.1 Ecoomic Order Quatity Ecoomic Order Quatity (EOQ) merupaka suatu metode yag diguaka utuk megedalika
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB LANDASAN TEORI. Kosep Dasar Peaksira Parameter Statistik iferesi adalah Statistik yag dega segala iformasi dari sampel diguaka utuk mearik kesimpula megeai karakteristik populasi dari maa sampel
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 terperinciBARISAN TAK HINGGA DAN DERET TAK HINGGA
BARIAN TAK HINGGA DAN DERET TAK HINGGA Bajar/Barisa Tak Higga Barisa tak higga { } adalah suatu fugsi dari dimaa daerah domaiya adalah himpua bilaga bulat positif (bilaga asli). Cotoh: Bila.. maka fugsi
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 terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Model Pertumbuha Betuk ugsi pertumbuha satu jeis spesies pada umumya megguaka otasi ugsi aalitik yag diyataka dalam satu persamaa. Secara umum ugsi pertumbuha meyataka hubuga
Lebih terperinciRING MATRIKS ATAS RING KOMUTATIF. Achmad Abdurrazzaq, Ari Wardayani, Suroto Universitas Jenderal Soedirman
JMP : Volume 7 Nomor 1, Jui 2015, hal 11-18 RING MATRIKS ATAS RING KOMUTATIF Achmad Abdurrazzaq, Ari Wardayai, Suroto razzaqgaesha@gmailcom Uiversitas Jederal Soedirma ABSTRACT This paper discusses a matrices
Lebih terperinciDeret Fourier. Modul 1 PENDAHULUAN
Modul Deret Fourier Prof. Dr. Bambag Soedijoo P PENDAHULUAN ada modul ii dibahas masalah ekspasi deret Fourier Sius osius utuk suatu fugsi periodik ataupu yag diaggap periodik, da dibahas pula trasformasi
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 terperinciSTATISTIKA MATEMATIKA
Praktikum STATISTIKA MATEMATIKA Adi Setiawa Uiversitas Kriste Satya Wacaa Salatiga 2006 i Cotets : Statistik Cukup 2 Latiha Soal Statistik Cukup 6 3 : Estimasi Titik 7 4 Latiha Soal Estimasi Titik 37 5
Lebih terperinci