Goodness of fit (GoF) Test 1/4/2019
|
|
- Lanny Hartono
- 5 tahun lalu
- Tontonan:
Transkripsi
1 Goodness of fit (GoF) Test 1/4/2019
2 Sering dalam statistik, kita asumsikan suatu sampel berasal dari suatu distribusi tertentu Goodness-of-fit (GoF) test membantu kita untuk mengetahui apakah distribusi yang kita asumsikan relevan dengan data yang kita miliki.
3 Kolmogorov GoF test Fungsi distribusi empirik, F(x), dari suatu sampel adalah suatu estimasi dari fungsi distribusi kumulatif, F x, dari populasinya sampel tersebut. S x F x F x = P X x
4 Jika F(x) dekat dengan cdf dari distribusi yang kita asumsikan maka asumsi kita relevan. Jika F(x) jauh dari cdf dari distribusi yang diasumsikan, maka asumsi kita dapat ditolak.
5 Ilustrasi
6 Jarak F(x) dan F(x) Kolmogorov: T = sup F x F(x) x perbedaan vertikal antara F(x) dan F(x) yang paling besar.
7 Kolmogorov Goodness of Fit test Asumsi : X 1, X 2,, X n saling bebas. Statistik uji berdasarkan hipotesis: T = sup x F x F x untuk dua arah T + = sup x F x F x satu arah T = sup( F x F x ) satu arah x Gunakan Tabel Kolmogorov untuk n 40 Untuk n > 40 gunakan aproksimasi distribusi
8 Hipotesa 2 arah H 1 : F x H 0 : F x = F (x) F x, untuk beberapa x Tolak H 0 jika T > w 1 α (Tabel Kolmogorov 2 arah)
9 Hipotesa 1 arah (+) H 0 : F x H 1 : F x F (x) < F x Tolak H 0 jika T + > w 1 α (Tabel Kolmogorov 1 arah)
10 Hipotesa 1 arah (-) H 0 : F x H 1 : F x F x > F x Tolak H 0 jika T > w 1 α ( Kolmogorov 1 arah )
11 Contoh 10 observasi diperoleh dari suatu sampel yang diduga berasal dari distribusi seragam (0,1) Data sampel: 0.203, 0.329, 0.382, 0.477, 0.480, 0.503, 0.554, 0.581, 0.621, Apakah distribusi yang diasumsikan dapat dianggap benar? α = 5%.
12 Distribusi yang diasumsikan F x 0 1
13
14 H 0 : F x H 1 : F x = F x F x Statistik uji: T = 0,290 Keputusan: w 0,95 = 0,409 T < w 0,95 maka H 0 tidak ditolak Kesimpulan: distribusi seragam (0,1) relevan dengan data
15 Contoh 2 Sebelumnya banyaknya tumor pada ginjal berdistribusi Poisson dengan laju 1,75. Diambil sampel 18 ginjal dan diperoleh data banyaknya tumor dari setiap ginjal sebagai berikut: 2,2,4,1,3,1,4,0,2,2,1,1,0,2,2,3,3,3. Apakah terdapat bukti bahwa distribusi banyaknya tumor lebih besar secara stokastik dari sebelumnya?
16 P X > x > P X > x P X x < P X x H 0 : F x F x vs. H 1 : F x < F x T + = 0,4106, w 0,95 = 0,279 Keputusan: T + > w 0,95 H 0 ditolak Kesimpulan: Distribusi sebenarnya cenderung akan memberikan banyaknya tumor lebih besar dibanding distribusi Poisson(1,75).
17 Selang kepercayaan 1 α 100% Batas bawah : S x w 1 α Batas atas: S x + w 1 α
18 Uji Lilliefors untuk uji kenormalan X 1, X 2,, X n sampel acak berukuran n berasal dari distribusi yang tidak diketahui F x Rataan sampel : n Variansi sampel X = 1 n i=1 X i Normalisasi : s = 1 n 1 Z i = X i X s n i=1 X i X 2, i = 1,2,, n
19 F x N 0,1 Statistik Uji: T 1 = sup F x S(x) x S x disini distribusi empirik data yang dinormalisasi!
20 Hipotesa H 0 : sampel acak berasal dari populasi berdistribusi normal dengan mean dan standar deviasi yang tidak diketahui H 1 : distribusi dari sampel acak X i bikan normal. Keputusan: TolakH 0 jika T 1 > w 1 α pda tabel Lillyfors
21
22 Contoh X i Z i X i Z i X i X i X i
23 T 1 = 0,08 w 0,95 = 0,886 n = 0, = 0,125 T 1 < w 0,95 maka H 0 tidak ditolak Kesimpulan: Distribusi Normal dapat sesuai dengan data
24 Lillyfors untuk uji eksponensial H 0 : sampel acak memiliki distribusi eksponensial H 1 : tidak eksponensial Data sampel acak X 1, X 2,, X n Transformasi : Z i = X i, i = 1,2,, n. X Statistik uji : T 2 = sup F x S x x Keputusan: Tolak H 0 jika T 2 > w 1 α pada tabel Lillyfors untuk eksponensial
25
26 Contoh 6,2,8,6,1,11,10,3,4,6 berasal dari distribusi eksponensial dengan parameter tidak diketahui. i X i Z i F z i S z i F z i F z i S z i : :
Pr { +h =1 = } lim. Suatu fungsi dikatakan h apabila lim =0. Dapat dilihat bahwa besarnya. probabilitas independen dari.
6.. Proses Kelahiran Murni Dalam bab ini, akan dibahas beberapa contoh penting dari waktu kontinu, state diskrit, proses Markov. Khususnya, dengan kumpulan dari variabel acak {;0 } di mana nilai yang mungkin
Lebih terperinciSTUDI ANTRIAN DI PINTU MASUK GERBANG TOL PASTEUR. Deasi Harnesi NRP : Pembimbing : V. Hartanto, Ir., M.Sc
22 STUDI ANTRIAN DI PINTU MASUK GERBANG TOL PASTEUR Deasi Harnesi NRP : 0221099 Pembimbing : V. Hartanto, Ir., M.Sc FAKULTAS TEKNIK JURUSAN TEKNIK SIPIL UNIVERSITAS KRISTEN MARANATHA BANDUNG ABSTRAK Transportasi
Lebih terperinciPEMBANGKIT RANDOM VARIATE
PEMBANGKIT RANDOM VARIATE Mata Kuliah Pemodelan & Simulasi JurusanTeknik Informatika Universitas Komputer Indonesia 1 Pendahuluan (1) Sifat probalitistik pada sistem nyata mempunyai pola distribusi probabilistik
Lebih terperinciMINGGU KE-9 MACAM-MACAM KONVERGENSI
MINGGU KE-9 MACAM-MACAM KONVERGENSI Kita telah mengetahui bahwa untuk n besar dan θ kecil sedemikian hingga nθ = λ, distribusi binomial bisa dihampiri oleh distribusi Poisson. Mencari hampiran distribusi
Lebih terperinciPENGUJIAN POLA DISTRIBUSI
PENGUJIAN POLA DISTRIBUSI 1. Pengujian Kolmogorov-Smirnov Normal Langkah-langkah : a. Menetapkan hipotesis H0 : data berdistribusi normal H1 : data tidak berdistribusi normal b. Menghitung statistik uji
Lebih terperinciBAB III METODOLOGI PENELITIAN. Langkah perancangan yang akan dilakukan adalah sebagai berikut: produksi pada departemen plastik
BAB III METODOLOGI PENELITIAN 3.1 Langkah Perancangan Langkah perancangan yang akan dilakukan adalah sebagai berikut: a. Melakukan studi literatur sejumlah buku yang berkaitan dengan preventive maintenance.
Lebih terperinciKULIAH ANALISIS STATISTIK DATA SIMULASI Tipe-tipe simulasi berdasarkan analisis output:
KULIAH ANALISIS STATISTIK DATA SIMULASI Tipe-tipe simulasi berdasarkan analisis output: 1. Terminating simulation 2. Nonterminating simulation: a. Steady-state parameters b. Steady-state cycle parameters
Lebih terperinciSIMULASI ANTRIAN PELAYANAN BONGKAR MUAT KAPAL
SEMINAR TUGAS AKHIR SIMULASI ANTRIAN PELAYANAN BONGKAR MUAT KAPAL (STUDI KASUS TERMINAL MIRAH PELABUHAN TANJUNG PERAK SURABAYA) Oleh : Risky Abadi 1203.109.004 Latar Belakang Pelabuhan Tanjung Perak sebagai
Lebih terperinci3 BAB III LANDASAN TEORI
3 BAB III LANDASAN TEORI 3.1 Pemeliharaan (Maintenance) 3.1.1 Pengertian Pemeliharaan Pemeliharaan (maintenance) adalah suatu kombinasi dari setiap tindakan yang dilakukan untuk menjaga suatu barang dalam,
Lebih terperinciBab III Studi Kasus III.1 Decline Rate
Bab III Studi Kasus III.1 Decline Rate Studi kasus akan difokuskan pada data penurunan laju produksi (decline rate) di 31 lokasi sumur reservoir panas bumi Kamojang, Garut. Persoalan mendasar dalam penilaian
Lebih terperinciDistribusi Probabilitas : Gamma & Eksponensial
Distribusi Probabilitas : Gamma & Eksponensial 11 Debrina Puspita Andriani E-mail : debrina.ub@gmail.com / debrina@ub.ac.id 2 Outline Distribusi Gamma Distribusi Eksponensial 3 Distribusi Gamma Tidak selamanya
Lebih terperinciMA5283 STATISTIKA Bab 3 Inferensi Untuk Mean
MA5283 STATISTIKA Bab 3 Inferensi Untuk Mean Orang Cerdas Belajar Statistika Silabus Silabus dan Tujuan Peubah acak kontinu, distribusi dan Tabel normal, penaksiran titik dan selang, uji hipotesis untuk
Lebih terperinciSTUDI ANTRIAN KENDARAAN PADA PINTU KELUAR GERBANG TOL PASTEUR. Gayus Purob NRP : Pembimbing : V. Hartanto. Ir.,M.Sc.
STUDI ANTRIAN KENDARAAN PADA PINTU KELUAR GERBANG TOL PASTEUR Gayus Purob NRP : 0021034 Pembimbing : V. Hartanto. Ir.,M.Sc. FAKULTAS TEKNIK JURUSAN TEKNIK SIPIL UNIVERSITAS KRISTEN MARANATHA BANDUNG ABSTRAK
Lebih terperinciMata Kuliah Pemodelan & Simulasi. Riani Lubis Program Studi Teknik Informatika Universitas Komputer Indonesia
Mata Kuliah Pemodelan & Simulasi Riani Lubis Program Studi Teknik Informatika Universitas Komputer Indonesia Pokok Bahasan Variabel Acak Pola Distribusi Masukan Pendugaan Pola Distribusi Uji Distribusi
Lebih 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 terperinciUJI STATISTIK NON PARAMETRIK. Widha Kusumaningdyah,, ST., MT
UJI STATISTIK NON PARAMETRIK Widha Kusumaningdyah,, ST., MT UJI KERANDOMAN (RANDOMNESS TEST / RUN TEST) Uji KERANDOMAN Untuk menguji apakah data sampel yang diambil merupakan data yang acak / random Prosedur
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 terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Perkembangan teori statistika telah mempengaruhi hampir semua aspek kehidupan. Hal ini disebabkan statistika merupakan salah satu disiplin ilmu yang berperan
Lebih terperinciPROSES POISSON MAJEMUK DAN PENERAPANNYA PADA PENENTUAN EKSPEKTASI JUMLAH PENJUALAN SAHAM PT SRI REJEKI ISMAN TBK
PROSES POISSON MAJEMUK DAN PENERAPANNYA PADA PENENTUAN EKSPEKTASI JUMLAH PENJUALAN SAHAM PT SRI REJEKI ISMAN TBK Ririn Dwi Utami, Respatiwulan, dan Siswanto Program Studi Matematika FMIPA UNS Abstrak.
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 terperinciBAB I PENDAHULUAN. Dalam kehidupan sehari-hari, sering kali kita melihat adanya suatu antrian yang
1 BAB I PENDAHULUAN 1.1 Latar Belakang Dalam kehidupan sehari-hari, sering kali kita melihat adanya suatu antrian yang panjang. Sebagai contoh adalah antrian di bank saat nasabah mengantri di teller untuk
Lebih terperinciSATUAN ACARA PERKULIAHAN MATA KULIAH SIMULASI (KB) KODE / SKS : KK / 3 SKS
KODE / SKS : KK-01333 / 3 SKS 1 Pengertian dan tujuan 1. Klasifikasi Model 1 Simulasi. Perbedaan penyelesaian problem Dapat menjelaskan klasifikasi model dari matematis secara analitis dan numeris suatu
Lebih terperinci6 Departemen Statistika FMIPA IPB
Suplemen Responsi Pertemuan ANALISIS DATA KATEGORIK (STK351) 6 Departemen Statistika FMIPA IPB Pokok Bahasan Sub Pokok Bahasan Referensi Waktu Uji Kebaikan Suai Khi- Kuadrat untuk Sebaran Kontinu dan Uji
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. yaitu meliputi data dan metode analisis data yang digunakan untuk menentukan interval
BAB IV HASIL DAN PEMBAHASAN 4.1 Pendahuluan Pada bab sebelumnya telah dijelasakan mengenai pemecahan masalah penelitian, yaitu meliputi data dan metode analisis data yang digunakan untuk menentukan interval
Lebih terperinciPemeriksaan Sebaran Data Bagus Sartono
STK335 Analisis Eksplorasi Data Pertemuan 04 Pemeriksaan Sebaran Data Bagus Sartono Outline Quantile-Quantile Plot Apa itu kuantil? Plot kuantil QQplot QQplot Normal QQplot selain normal Goodness of Fit
Lebih terperinciDISTRIBUSI VARIABEL RANDOM
DISTRIBUSI VARIABEL RANDM Distribusi Variabel Diskrit Distribusi variabel diskrit adalah salah satu variabel acak yang diasumsikan memiliki bilangan terbatas dari nilai-nilai yang berbeda. Contoh : Waktu
Lebih terperinciTabel 4 Urutan dan penempatan bubu pada tali utama
30 Penggunaan umpan digunakan secukupnya, pada penelitian ini digunakan sebanyak kurang lebih 50 gram cacing per kantong umpan. Kemudian kawat kasa tersebut ditusukkan pada besi yang digunakan untuk pemasangan
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 terperinci2.3. K.omponen sistem antrian 8
DAFTAR ISI HALAMANJUDUL IIALAMAN PENGESAHAAN HALAMAN PERNYATAAN NASKAH SOAL TUGAS AKHIR HALAMAN PERSEMBAHAN INTISARI KATA PENGANTAR DAFTAR ISI DAFTAR GAMBAR DAFTAR TABEL BAB IPENDAHULUAN 1.1. Latar Belakang
Lebih terperinciBab 9 Peluang dan Ekspektasi Bersyarat: Harapan Tanpa Syarat
MA38 Teori Peluang - Khreshna Syuhada Bab 9 Bab 9 Peluang dan Ekspektasi Bersyarat: Harapan Tanpa Syarat Ilustrasi 9. Misalkan banyaknya kecelakaan kerja rata-rata per minggu di suatu pabrik adalah empat.
Lebih terperinciInterval Kepercayaan Skewness dan Kurtosis Menggunakan Bootstrap pada Data Kekuatan Gempa Bumi
Interval Kepercayaan Skewness dan Kurtosis Menggunakan ootstrap pada Data Kekuatan Gempa umi Hardianti Hafid, Anisa, Anna Islamiyati Program Studi Statistia, FMIPA, Universitas Hasanuddin Gempa bumi yang
Lebih terperinciStatistik Non Parametrik-2
Statistik Non Parametrik-2 UJI RUN 2 Uji Run Disebut juga uji random Bertujuan untuk menentukan apakah urutan yang dipilih atau sampel yang diambil diperoleh secara random atau tidak Didasarkan atas banyaknya
Lebih terperinci6.1 Distribusi Chi Kuadrat Gambar distribusi Chi kuadrat. α Jika x berdistribusi χ 2 (v) dengan v = derajat kebebasan = n 1 maka P (c 1.
Pertemuan ke- BAB IV POPULASI, SAMPEL, DISTRIBUSI TEORITIS, VARIABEL KONTINU, DAN FUNGSI PROBABILITAS. Distribusi Chi Kuadrat Gambar distribusi Chi kuadrat α Jika x berdistribusi χ (v) dengan v = derajat
Lebih terperinciterhadap kesehatan persalinan. Sehingga tak heran jika negara-negara maju di
Nama: Ummi Fadilah NIM: 12/339683/PPA/3995 Teori Resiko Aktuaria PROSES PEMODELAN PENDAHULUAN Salah satu ciri dari negara maju adalah pemerintah dan masyarakat yang peduli terhadap kesehatan persalinan.
Lebih terperinciStatistik Non Parametrik
Statistik Non Parametrik Tjipto Juwono, Ph.D. March 2017 TJ (SU) Non Parametrik March 2017 1 / 26 Tipe-tipe Variabel dan Level Pengukuran Tipe-tipe Variabel kualitatif Bersifat non-numerik (tidak dapat
Lebih terperinciHaryoso Wicaksono, S.Si., M.M., M.Kom. 26
Distribusi probabilita kontinu, yaitu apabila random variabel yang digunakan kontinu. Probabilita dihitung untuk nilai dalam suatu interval tertentu. Probabilita di suatu titik = 0. Probabilita untuk random
Lebih 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 terperinciUji Hipotesa. Arna Fariza. Materi
Uji Hipotesa Arna Fariza 1 Materi Metodologi uji hipotesa test untuk mean ( diketahui) Hubungan dengan estimasi confidence interval Tes One-tail T test untuk mean ( tidak diketahui) test untuk proporsi
Lebih terperinciSumbu X (horizontal) memiliki range (rentang) dari minus takhingga. ( ) hingga positif takhingga (+ ). Kurva normal memiliki puncak pada X
Sumbu X (horizontal) memiliki range (rentang) dari minus takhingga ( ) hingga positif takhingga (+ ). Kurva normal memiliki puncak pada X = 0. Perlu diketahui bahwa luas kurva normal adalah satu (sebagaimana
Lebih terperinciS - 19 UJI NORMALITAS BERDASARKAN METODE ANDERSON- DARLING, CRAMER-VON MISES DAN LILLIEFORS MENGGUNAKAN METODE BOOTSTRAP
S - 19 UJI NORMALITAS BERDASARKAN METODE ANDERSON- DARLING, CRAMER-VON MISES DAN LILLIEFORS MENGGUNAKAN METODE BOOTSTRAP Janse Oktaviana Fallo 1, Adi Setiawan 2, Bambang Susanto 3 1,2,3 Program Studi Matematika
Lebih terperinciPeubah Acak dan Distribusi
BAB 1 Peubah Acak dan Distribusi 1.1 ILUSTRASI (Ilustrasi 1) B dan G secara bersamaan menembak sasaran tertentu. Peluang tembakan B mengenai sasaran adalah 0.7 sedangkan peluang tembakan G (bebas dari
Lebih terperinciBI5106 ANALISIS BIOSTATISTIK Bab 5 Uji Hipotesis
BI5106 ANALISIS BIOSTATISTIK Bab 5 Uji Hipotesis Orang Biologi Tidak Anti Statistika Silabus Silabus dan Tujuan Konsep uji hipotesis, kesalahan tipe 1 dan 2, uji hipotesis untuk mean (1 dan 2 sampel),
Lebih terperinciUji Kolmogorov Smirnov
Uji Kolmogorov Smirnov Pengertian Uji Kolmogorov Smirnov merupakan pengujian normalitas yang banyak dipakai, terutama setelah adanya banyak program statistik yang beredar. Kelebihan dari uji ini adalah
Lebih terperinciBAB IV METODOLOGI PEMECAHAN MASALAH
BAB IV METODOLOGI PEMECAHAN MASALAH 4.1. Model Rumusan Masalah dan Pengambilan Keputusan 4.1.1. Perumusan Masalah Pada metodologi penelitian ini, langkah awal yang dilakukan adalah mencari inti permasalahan
Lebih terperinciESTIMASI. Arna Fariza PENDAHULUAN
ESTIMASI Arna Fariza PENDAHULUAN MATERI LALU Karena adanya berbagai alasan seperti banyaknya individu dalam populasi amatan, maka penelitian keseluruhan terhadap populasi tersebut tidaklah ekonomis, baik
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 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 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 terperinciBAB I PENDAHULUAN. mengetahui fenomena yang akan terjadi pada periode mendatang akan
1 BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Pada kehidupan sehari-hari, adanya ketidakmampuan manusia untuk mengetahui fenomena yang akan terjadi pada periode mendatang akan mengakibatkan kurang tepatnya
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 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 terperinciMATRIKS SATUAN ACARA PERKULIAHAN MATA KULIAH PROBABILITA TERAPAN (SI) KODE / SKS: KD / 3 SKS
Minggu Pokok Bahasan ke dan TIU 1. 1.Distribusi sampling Memberi penjelasan tentang populasi, sampel, tehnik pengambilan sampel., serta distribusi sampling ratarata Sub Pokok Bahasan dan Sasaran Belajar
Lebih terperinciMODUL II DISTRIBUSI PELUANG DISKRIT DAN KONTINU
DISTRIBUSI PELUANG DISKRIT DAN KONTINU A. TUJUAN PRAKTIKUM Melalui praktikum Modul II ini diharapkan praktikan dapat: 1. Mengenal jenis dan karakteristik dari beberapa distribusi peluang. 2. Menguji dan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Pada bagian pertama bab ini diberikan tinjauan pustaka yang berisi penelitian sebelumnya yang mendasari penelitian ini Pada bagian kedua bab ini diberikan teori penunjang yang berisi
Lebih terperinciANALISIS MODEL PASIEN RAWAT JALAN RUMAH SAKIT KARIADI DENGAN PENDEKATAN POISSON-EKSPONENSIAL. Abstract
Analisis Model (Dwi Ispriyanti) ANALISIS MODEL PASIEN RAWAT JALAN RUMAH SAKIT KARIADI DENGAN PENDEKATAN POISSON-EKSPONENSIAL Dwi Ispriyanti 1, Sugito 2, Agus Rusgiyono 3 1,2,3 Dosen Jurusan Statistika
Lebih terperinciBAB II LANDASAN TEORI Pengertian perawatan Jenis-Jenis Perawatan Metode Reliability Centered Maintenance (RCM)...
DAFTAR ISI HALAMAN JUDUL... i LEMBAR PENGESAHAN PEMBIMBING... ii LEMBAR PENGESAHAN PENGUJI... iii HALAMAN PENGAKUAN... iv HALAMAN PERSEMBAHAN... v HALAMAN MOTTO... vi KATA PENGANTAR... vii DAFTAR ISI...
Lebih terperinciKAJIAN AVAILABILITAS PADA SISTEM PARALEL
KAJIAN AVAILABILITAS PADA SISTEM PARALEL Riana Ayu Andam P. 1, Sudarno 2, Suparti 3 1 Mahasiswa Jurusan Statistika FSM UNDIP 2,3 Staff Pengajar Jurusan Statistika FSM UNDIP Abstract Availabilitas merupakan
Lebih terperinciKuis 1 MA5181 Proses Stokastik Precise. Prospective. Tanggal 24 Agustus 2016, Waktu: suka-suka menit Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Kuis Selamat Datang MA5181 Proses Stokastik Precise. Prospective. Tanggal 23 Agustus 2016, Waktu: suka-suka menit 1. Mahasiswa yang datang ke ruang kuliah mengikuti suatu proses dengan laju kedatangan
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 terperinciANOVA (Analysis of Variance) PADA PRODUK CEREAL
ANOVA (Analysis of Variance) PADA PRODUK CEREAL A. ANOVA ANOVA adalah salah satu analisis statistika yang sering dimanfaatkan untuk mengecek perbedaan nilai rata-rata dari dua atau lebih kelompok data.
Lebih terperinciSATUAN ACARA PERKULIAHAN MATA KULIAH PROBABILITA TERAPAN (IA) KODE / SKS : KD / 3 SKS
1 1. Distribusi Sampling TIU : Memberi penjelasan tentang populasi, sampel, teknik pengambilan sampel, serta distribusi sampling rata-rata 2 1.2. Distribusi Sampling Rata-rata 1.1. Konsep Dasar Sampling
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Dalam bab ini diuraikan dua subbab yaitu tinjauan pustaka dan landasan teori. Subbab tinjauan pustaka memuat hasil-hasil penelitian yang telah dilakukan. Subbab landasan teori memuat
Lebih terperinciCatatan Kuliah MA4181 Pengantar Proses Stokastik Precise and Stochastic. Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah MA4181 Pengantar Proses Stokastik Precise and Stochastic Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2015 Tentang MA4181 (Pengantar)
Lebih terperinciII. TINJAUAN PUSTAKA
II. TINJAUAN PUSTAKA Dalam proses penelitian untuk mengkaji karakteristik penduga distribusi generalized gamma dengan metode generalized moment ini, penulis menggunakan definisi, teorema dan konsep dasar
Lebih terperinciCatatan Kuliah. MA5181 Proses Stokastik
Catatan Kuliah MA5181 Proses Stokastik Precise. Prospective. Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2016 1 Tentang MA5181 Proses Stokastik
Lebih terperinciDISTRIBUSI PELUANG KONTINYU DISTRIBUSI PROBABILITAS
DISTRIBUSI PROBABILITAS Berbeda dengan variabel random diskrit, sebuah variabel random kontinyu adalah variabel yang dapat mencakup nilai pecahan maupun mencakup range/ rentang nilai tertentu. Karena terdapat
Lebih terperinciTeorema Newman Pearson
pengujian terbaik Andi Kresna Jaya andikresna@yahoo.com Jurusan Matematika October 6, 2014 Outline 1 Review 2 Uji dua sisi untuk mean 3 Teorema Neyman-Pearson Back Outline 1 Review 2 Uji dua sisi untuk
Lebih terperinciUJI ASUMSI KLASIK (Uji Normalitas)
UJI ASUMSI KLASIK (Uji Normalitas) UJI ASUMSI KLASIK Uji Asumsi klasik adalah analisis yang dilakukan untuk menilai apakah di dalam sebuah model regresi linear Ordinary Least Square (OLS) terdapat masalah-masalah
Lebih terperinciStatistik Non Parametrik
Statistik Non Parametrik UJI FRIEDMAN (UJI X ) r X r UJI Friedman (uji ) Untuk k sampel berpasangan (k>) dengan data setidaknya data skala ordinal Sebagai alternatif dari analisis variansi dua arah bila
Lebih terperinciDISTRIBUSI KONTINU. Uniform Normal Gamma & Eksponensial. MA3181 Teori Peluang 3 November 2014 Utriweni Mukhaiyar
DISTRIBUSI KONTINU Uniform Normal Gamma & Eksponensial MA3181 Teori Peluang 3 November 2014 Utriweni Mukhaiyar Distribusi Uniform 2 Distribusi kontinu yang paling sederhana Notasi: X ~ U (a,b) f.k.p: f(x)
Lebih terperinciUJI NORMALITAS DR. R A R T A U U ILMA M I ND N RA R PU P T U RI R
UJI NORMALITAS DR. RATU ILMA INDRA PUTRI Uji normalitas berguna untuk menentukan data yang telah dikumpulkan berdistribusi normal atau diambil dari populasi normal Uji statistik normalitas yang dapat digunakan
Lebih terperinciANALISIS RELIABILITAS PADA MESIN MEISA KHUSUSNYA KOMPONEN PISAU PAPER BAG UNTUK MEMPEROLEH JADUAL PERAWATAN PREVENTIF
Prosiding Seminar Nasional Matematika dan Pendidikan Matematika (SESIOMADIKA) 2017 ISBN: 978-602-60550-1-9 Statistika, hal. 42-51 ANALISIS RELIABILITAS PADA MESIN MEISA KHUSUSNYA KOMPONEN PISAU PAPER BAG
Lebih terperinciSTUDI ANTRIAN DI PINTU MASUK GERBANG TOL SADANG FAKULTAS TEKNIK JURUSAN TEKNIK SIPIL UNIVERSITAS KRITEN MARANATHA BANDUNG
STUDI ANTRIAN DI PINTU MASUK GERBANG TOL SADANG Christianto Sukisworo NRP : 9921058 Pembimbing : Tan Lie Ing, ST., MT. FAKULTAS TEKNIK JURUSAN TEKNIK SIPIL UNIVERSITAS KRITEN MARANATHA BANDUNG ABSTRAK
Lebih terperinciESTIMASI INTERVAL. (INTERVAL ESTIMATION) Minggu ke Prof. Dr. Sri Haryatmi, M. Sc. Universitas Gadjah Mada
ESTIMASI INTERVAL (INTERVAL ESTIMATION) Minggu ke 8-10 Prof. Dr. Sri Haryatmi, M. Sc. Universitas Gadjah Mada 2014 Outline 1 Metode Kuantitas Pivotal 2 3 Outline 1 Metode Kuantitas Pivotal 2 3 Outline
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN Metodologi penelitian Efficient Market Hypothesis dan Fractal Market Hypothesis terhadap perilaku return harian indeks LQ45 dan saham-saham perbankan yang tergabung dalam LQ45
Lebih terperinciSTATISTIKA. Muhamad Nursalman Pendilkom/Ilkom UPI
STATISTIKA Muhamad Nursalman Pendilkom/Ilkom UPI 1 Daftar Isi Bab 1 Peluang Bab Peubah Acak Bab 3 Distribusi Peluang Diskret Bab 4 Distribusi Peluang Kontinu Bab 5 Fungsi Peubah Acak Bab 6 Teori Penaksiran
Lebih terperinciSATUAN ACARA PERKULIAHAN UNIVERSITAS GUNADARMA
Mata Kuliah Kode / SKS Program Studi Fakultas : Statistika 2 / Probabilitas Terapan : IT012249 / 2 SKS : Sistem Komputer : Ilmu Komputer & Teknologi Informasi 1. Distribusi sampling populasi, sampel, tehnik
Lebih terperinciMETODOLOGI. (a). (b) (c) Gambar 3. Pola sebaran data dengan = 0.05, 5, dan 50
METODOLOGI Data Data yang digunakan dalam penelitian ini ada dua jenis, yaitu data simulasi dan data riil Data simulasi digunakan untuk melihat pengaruh perubahan parameter konsentrasi ( ) terhadap karakteristik
Lebih terperinci4. Misalkan peubah acak X memiliki fungsi distribusi:
Diskusi 1 Tanggal 19 Februari 2014, Waktu: suka-suka menit 1. Enam laki-laki dan 5 perempuan melamar suatu pekerjaan di PT KhrshFin. Empat dari mereka terpilih secara acak untuk diwawancarai. Misalkan
Lebih terperinciKumpulan pasangan nilai-nilai dari variabel acak X dengan probabilitas nilai-nilai variabel random X, yaitu P(X=x) disebut distribusi probabilitas X
Kumpulan pasangan nilai-nilai dari variabel acak X dengan probabilitas nilai-nilai variabel random X, yaitu P(X=) disebut distribusi probabilitas X (distribusi X) Diskrit Seragam Binomial Hipergeometrik
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 terperinciBAB IV. Pendidikan SMP SMA DIII S1 S2 Jumlah 2.9% 100% S2 3% SMP 29% DIII 15%
46 BAB IV HASIL PENELITIAN A. Deskripsi Data 1. Pendidikan Pendidikan terakhir responden di RW 04 Kelurahan Sukasari Kecamatan Tangerang Kota Tangerang yaitu SMP, SMA, DIII, S1, dan S2 dengan distribusi
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Pada bab ini akan dibahas tinjauan pustaka yang akan digunakan untuk tesis ini, yang selanjutnya akan diperlukan pada bab 3. Yang akan dibahas dalam bab ini adalah metode bootstrap
Lebih terperinciBAB V HASIL DAN PEMBAHASAN
14 BAB V HASIL DAN PEMBAHASAN.1. Hasil Penelitian.1.1 Pertumbuhan diameter S. leprosula Miq umur tanam 1 4 tahun Hasil pengamatan dan pengukuran pada 4 plot contoh yang memiliki luas 1 ha (0 m x 0 m) dapat
Lebih terperinciBAB 4 HASIL DAN PEMBAHASAN
BAB 4 HASIL DAN PEMBAHASAN 4.1 Pengantar Pada Bab ini akan dilakukan pembahasan untuk menetapkan beban overbooking melalui model penghitungan. Untuk dapat melakukan penghitungan tersebut, terlebih dahulu
Lebih 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 terperinciRiska Sismetha, Marisi Aritonang, Mariatul Kiftiah INTISARI
Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 6, No. 01 (2017), hal 51-60. ANALISIS MODEL DISTRIBUSI JUMLAH KEDATANGAN DAN WAKTU PELAYANAN PASIEN INSTALASI RAWAT JALAN RUMAH SAKIT IBU DAN
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 terperinciMA2081 STATISTIKA DASAR SEMESTER II TAHUN 2010/2011
MA081 STATISTIKA DASAR SEMESTER II TAHUN 010/011 LATIHAN I A. DISTRIBUSI DISKRIT KHUSUS 1) [BENAR/SALAH] Banyaknya kejadian angin tornado melanda suatu daerah dimodelkan sebagai suatu proses Poisson dengan
Lebih terperinciSTUDI ANTRIAN DI PINTU KELUAR GERBANG TOL BEKASI BARAT 1 FAKULTAS TEKNIK JURUSAN TEKNIK SIPIL UNIVERSITAS KRITEN MARANATHA BANDUNG
STUDI ANTRIAN DI PINTU KELUAR GERBANG TOL BEKASI BARAT 1 Achmad Zuhara NRP : 0121065 Pembimbing : Tan Lie Ing, ST., MT. FAKULTAS TEKNIK JURUSAN TEKNIK SIPIL UNIVERSITAS KRITEN MARANATHA BANDUNG ABSTRAK
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 terperinciTerima hipotesis Tidak membuat kesalahan Kesalahan tipe II Tolak hipotesis Kesalahan tipe I Tidak membuat kesalahan
PENGUJIAN HIPOTESIS Hipotesis Statistik adalah pernyataan atau dugaan mengenai satu atau lebih populasi. Dengan mengambil suatu sampel acak dari populasi tersebut dan menggunakan informasi yang dimiliki
Lebih terperinciPERBANDINGAN UJI KENORMALAN PADA KATEGORI FUNGSI DISTRIBUSI EMPIRIS MENGGUNAKAN METODE SIMULASI MONTE CARLO
PERBANDINGAN UJI KENORMALAN PADA KATEGORI FUNGSI DISTRIBUSI EMPIRIS MENGGUNAKAN METODE SIMULASI MONTE CARLO oleh ANNA ZAMMADUITA M0109010 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan
Lebih terperinciCatatan Kuliah. MA4181 PENGANTAR PROSES STOKASTIK Smart and Stochastic. disusun oleh Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah MA4181 PENGANTAR PROSES STOKASTIK Smart and Stochastic disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2014 Tentang MA4181 (Pengantar)
Lebih terperinciSATUAN ACUAN PERKULIAHAN MATA KULIAH : STATISTIK & PROBABILITAS KODE : TIK1010 / SKS : 3 SKS
SATUAN ACUAN PERKULIAHAN MATA KULIAH : KODE : TIK1010 / SKS : 3 SKS SEMESTER : III / GANJIL WAKTU : 150 Menit JUMLAH PERTEMUAN : 16 x pertemuan (14 x materi kuliah, 2 x Ujian (UTS dan UAS)) 1 ANALISIS
Lebih terperinciTINJAUAN PUSTAKA. Analisis regresi adalah suatu metode analisis data yang menggambarkan
II. TINJAUAN PUSTAKA 2.1 Analisis Regresi Analisis regresi adalah suatu metode analisis data yang menggambarkan hubungan fungsional antara variabel respon dengan satu atau beberapa variabel prediktor.
Lebih terperinciBAB IV ANALISIS DAN PEMBAHASAN
C BAB IV ANALISIS DAN PEMBAHASAN Penelitian ini mencoba meramalkan jumlah penumpang kereta api untuk masa yang akan datang berdasarkan data volume penumpang kereta api periode Januari 994-Februari 203
Lebih terperinciProbabilitas dan Statistika Distribusi Peluang Kontinyu 1. Adam Hendra Brata
Probabilitas dan Statistika Distribusi Peluang Kontinyu 1 Adam Hendra Brata Variabel Acak Kontinyu - Variabel Acak Kontinyu Suatu variabel yang memiliki nilai pecahan didalam range tertentu Distribusi
Lebih terperinciESTIMASI PARAMETER REGRESI RANK BERDISTRIBUSI EKSPONENSIAL DENGAN MENGGUNAKAN METODE KUADRAT TERKECIL TERBOBOTI
ESTIMASI PARAMETER REGRESI RANK BERDISTRIBUSI EKSPONENSIAL DENGAN MENGGUNAKAN METODE KUADRAT TERKECIL TERBOBOTI Megawati 1, Anisa 2, Raupong. 3 Abstrak Regresi kuadrat terkecil berdasarkan plot peluang,
Lebih terperinciUJI HIPOTESA PERBEDAAN. t-test
UJI HIPOTESA PERBEDAAN t-test T-test Digunakan untuk menguji hipotesa komparatif (uji perbedaan) Digunakan untuk sample kecil & varian populasi tidak diketahui Merupakan salah satu tehnik statistik parametrik
Lebih terperinci