SILABUS MATA KULIAH. : Dapat menganalisis tentang statistika inferensial secara teoritik beserta komponen dan sifat-sifatnya

Ukuran: px
Mulai penontonan dengan halaman:

Download "SILABUS MATA KULIAH. : Dapat menganalisis tentang statistika inferensial secara teoritik beserta komponen dan sifat-sifatnya"

Transkripsi

1 SILABUS MATA KULIAH Program Studi : Pendidikan Matematika Kode Mata Kuliah : Mata kuliah : Statistika Matematika Bobot : 3 SKS Semester : V Mata Kuliah Prasyarat : Probabilitas Deskripsi Mata Kuliah : 1) Fungsi variabel yang meliputi : (a) Fingsi densitas, (b) teknik mencari fungsi variabel random distribusi yaitu teknik fungsi distribusi, teknik transformasi dan teknik fungsi pembangikt (2) distribusi sampling meliputi : (a) distribusi mean, (b) distribusi t, (c) distribusi chi kuadrat dan (d) distribusi F ; (3) Estimasi titik meliputi (a) metode mencari estimator yaitu metode likelihood dan metode serta (b) sifat-sifat estimator yang meliputi sifat unbiased, varian minimum, konsisten dan cukup; (4) estimasi interval meliputi (a) estimasi mean dan beda mean, (b) estimasi untuk variansi serta (5) meliputi (a) tipe kesalahan dalam, (b) untuk mean, (c) untuk beda mean dan (d) untuk variansi. Standar Kompetensi : Dapat menganalisis tentang statistika inferensial secara teoritik beserta komponen dan sifat-sifatnya Kompetensi Dasar Indikator Pengalaman Belajar Materi Pokok Alokasi Waktu Sumber/alat Penilaian Menjelaskan mencari fungsi Membahas fungsi 1. Fungsi densitas 2 x 150 Media : dalam mencari variabel dengan distribusi dari 2. fungsi Variabel teknik fungsi variabel random variabel random Random distribusi yang diketahui dengan teknik : Mendismusi fungsi a. fungsi distribusi densitas dengan cara b. transformasi menurunkan fungsi c. fungsi pembangkit distribusi mencari fungsi

2 Menjelaskan tentang distribusi sampling dari suatu variable variabel dengan teknik transformasi variabel mencari fungsi variabel dengan teknik fungsi pembangkit mencari distribusi mean dari suatu variable random fungsi invers dari fungsi diferensiabel yang diketahui turunan dari fungsi invers fungsi densitas yang merupakan hasi kali dari fungsi dari fungsi invers dengan turunan dari fungsi invers fungsi densitas bersama hasil kali fungsi pembangikt untuk setiap variabel fungsi densitas yang diperoleh dari fungsi pembangkit Mengkaji fungsi distribusi bersama Mengkaji fungsi pembangkit Distribusi normal Distri busi bersama Metode Distribusi t 3 x 150 Media :

3 random mencari distribusi chi Kuadrat dari suatu variable random Mencari distribusi t, jika diketahui distribusi normal Mencari distribusi F dari suatu variable random distribusi mean dari suatu variabel Mengkaji fungsi normal standar fungsi distribusi sampling untuk bentuk kuadrat dari normal standar Menetukan fungsi normal standar chi kuadrat distribusi sampling untuk bentuk dari normal standardibagi chi kuadrat chi kuadrat dengan derajat kebebasan V1 chi kuadrat dengan derajat kebebasan V2 distribusi sampling Distribusi F Distribusi χ 2 Statistics, prentice untuk bentuk dari chi kuadarat(v1)/chi kuadarat(v2) Menentukan atau mencari estimator 1. Metode mencari 4 x 150 Media :

4 mencari estimator beserta sifatsifatnya dari suatu variabel likelihoor mencari estimator likelihoor mencari estimator mencari estimator random diskrit likelihood untuk variable diskrit Mentransformasikan ke bentuk logaritma natural Menentukan syarat masimum likelihood untuk variable kontinu Mentransformasikan ke bentuk logaritma natural Menentukan syarat masimum Mencari sample ke-n dari variable random kontinu harapan dari var Menyelesaikan persamaan m k = μ k Mencari sample ke-n dari variable random diskrit harapan dari var diskrit Menyelesaikan persamaan m k = μ k Estimator yaitu a. metode likelihood b. metode Sifat-sifat estimator : a. unbiased b. mempunyai varian minimum c. konsisten d. cukup

5 Menjelaskan tentang estimasi interval beserta sifat-sifaatnya.mencari sifat unbias dari suatu estimatort mencari sifat varian minimum dari estimator mencari konsisten estimator sifat dari mencari sifat cukup dari suatu estimator menjelaskan tentang interval konfidensi mencari estimasi mean dengan σ 2 diketahui Mencari nilai harapan E(x) Menyelidiki apakan E(θ) = θ Menetukan CRLB Mencari var (θ) Menyelidiki apakah CRLB = var (θ) Mencari var (θ) Menyelidiki apakah Lim var (θ) = 0 untuk n ~ densitas bersama Menyelidiki apakah fungsi densitas bersama dapat difaktorkan tentang interval konfidensi tentang sifat-sifat Menetukan rumus sifat yang diketahui dengan σ 2 diketahui Mencari nilai table z atau t Menyelesaikan 1. Interval konfidensi 2. stimasi interval untuk mean dengan σ 2 diketahui l 3. estimasi interval untuk beda mean dengan σ 2 tidak diketahui 4. estimasi interval untuk varian 2 x 150 Media : and Son Inc.,

6 Menjelaskan tentang.mencari estimasi beda mean dengan σ 2 tidak diketahui mencari estimasi varian mencari estimasi rasio dua varian membedakan penggunaan estimasi interval beserta sifatsifatnya Menetukan tipe kesalahan dalam Mengkaji rumus sifat yang diketahui dengan σ 2 tidak diketahui Mengkaji rumus sifat σ 2 diketahui Mengkaji rumus sifat yang diketahui rasio dua varian perbedaan estimasi interval berdasarkan sifat-sifatnya Mendefinisikan jenis kesalahan 1. Hipotesis teoritik a. Jenis hipotesi 3 x 150 Media :

7 secara teoritik maupun aplikasinya membedakan tipe kesalahan satu dan dua melakukan pengujian mean melakukan pengujian mean melakukan pengujian variansi beda untuk tentang sifat-sifat tipe kesalahan Membahas tentang sifat-sifat tipe kesalahan Mendiskusi lemma Neymen-pearson membuktikan lemma Neymenpearson Membuktikan lemma Neymenpearson Menetukan jenis Menentukan statistika uji Membuat kesimpulan Menetukan jenis Menentukan statistika uji Membuat kesimpulan Menetukan jenis Menentukan statistika uji Membuat kesimpulan b. Tipe kesalahan 2. Aplikasi a. mean b. beda mean c. variann

RENCANA MUTU PEMBELAJARAN

RENCANA 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 terperinci

Setiap karakteristik dari distribusi populasi disebut dengan parameter. Statistik adalah variabel random yang hanya tergantung pada harga observasi

Setiap karakteristik dari distribusi populasi disebut dengan parameter. Statistik adalah variabel random yang hanya tergantung pada harga observasi ESTIMASI TITIK Setiap karakteristik dari distribusi populasi disebut dengan parameter. Statistik adalah variabel random yang hanya tergantung pada harga observasi sampel. Statistik merupakan bentuk dari

Lebih terperinci

SILABUS MATA KULIAH. : Dapat menyelesaikan permasalahan probabilitas dan mampu mengaplikasikan dalam kehidupan

SILABUS 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 terperinci

SILABUS MATA KULIAH. : Dapat mengaplikasikan statistika dasar dalam memecahkan masalah, khususnya dalam penelitian.

SILABUS MATA KULIAH. : Dapat mengaplikasikan statistika dasar dalam memecahkan masalah, khususnya dalam penelitian. SILABUS MATA KULIAH Program Studi : Pendidikan Matematika Kode Mata Kuliah : 405203 Mata kuliah : Statistika Dasar Bobot : 3 SKS Semester : IV Mata Kuliah Prasyarat : Probabilitas Deskripsi Mata Kuliah

Lebih terperinci

Estimasi Titik. (Point Estimation) Minggu ke 1-3. Prof. Dr. Sri Haryatmi, M. Sc. Universitas Gadjah Mada

Estimasi Titik. (Point Estimation) Minggu ke 1-3. Prof. Dr. Sri Haryatmi, M. Sc. Universitas Gadjah Mada Estimasi Titik (Point Estimation) Minggu ke 1-3 Prof. Dr. Sri Haryatmi, M. Sc. Universitas Gadjah Mada 2014 Prof. Dr. Sri Haryatmi, M. Sc. (UGM) Daftar Isi 2014 1 / 33 DAFTAR ISI 1 Minggu 1 Pertemuan 1

Lebih terperinci

Pengantar Statistika Matematika II

Pengantar Statistika Matematika II Bab 4: Metode Evaluasi Estimator Statistika FMIPA Universitas Islam Indonesia Penggunaan metode estimasi yang berbeda dapat menghasilkan estimator yang sama maupun berbeda Dari hasil estimator yang berbeda,

Lebih terperinci

SATUAN 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 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 terperinci

MODUL TEORI ESTIMASI ATAU MENAKSIR TEORI ESTIMASI ATAU MENAKSIR

MODUL TEORI ESTIMASI ATAU MENAKSIR TEORI ESTIMASI ATAU MENAKSIR TEORI ESTIMASI ATAU MENAKSIR MODUL 9 TEORI ESTIMASI ATAU MENAKSIR. Pendahuluan Untuk menginginkan mengumpulkan populasi kita lakukan dengan statistik berdasarkan data yang diambil secara sampling yang

Lebih terperinci

ESTIMASI. Arna Fariza PENDAHULUAN

ESTIMASI. 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 terperinci

RENCANA MUTU PEMBELAJARAN. I. Standar Kompetensi : Menyelesaikan masalah probabilitas baik secara teoritik maupun aplikasinya dalam kehidupan.

RENCANA 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 terperinci

4. Mahasiswa mampu melakukan estimasi parameter, melakukan uji hipotesis statistic serta estimasi interval. Diskripsi Singkat MK

4. Mahasiswa mampu melakukan estimasi parameter, melakukan uji hipotesis statistic serta estimasi interval. Diskripsi Singkat MK INSTITUT TEKNOLOGI KALIMANTAN JURUSAN MATEMATIKA DAN TEKNOLOGI INFORMASI PROGRAM STUDI MATEMATIKA RENCANA PEMBELAJARAN MATA KULIAH KODE Rumpun MK BOBOT (sks) SEMESTER Tgl Penyusunan Matematika Statistika

Lebih terperinci

BAB I PENDAHULUAN. sewajarnya untuk mempelajari cara bagaimana variabel-variabel itu dapat

BAB I PENDAHULUAN. sewajarnya untuk mempelajari cara bagaimana variabel-variabel itu dapat BAB I PENDAHULUAN 1.1 Latar Belakang Jika kita mempunyai data yang terdiri dari dua atau lebih variabel maka sewajarnya untuk mempelajari cara bagaimana variabel-variabel itu dapat berhubungan, hubungan

Lebih terperinci

Standar Kompetensi : Dapat mengaplikasikan statistika nonparametrik dalam memecahkan masalah, khususnya dalam penelitian.

Standar Kompetensi : Dapat mengaplikasikan statistika nonparametrik dalam memecahkan masalah, khususnya dalam penelitian. KEMENTERIAN PENDIDIKAN NASIONAL UNIVERSITAS NEGERI YOGYAKARTA PROGRAM PASCASARJANA Alamat: Karangmalang, Yogyakarta Kode Pos 55281 Telp: (0274) 586168, Pswt. 229 & 285; (0274) 550835, 520326 Faxs: (0274)

Lebih terperinci

BAB II LANDASAN TEORI

BAB 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 terperinci

BAB V INFERENSI STATISTIK SATU POPULASI NORMAL

BAB V INFERENSI STATISTIK SATU POPULASI NORMAL BAB V INFERENSI STATISTIK SATU POPULASI NORMAL Bab ini membahas inferensi statistik untuk mean dan variansi satu populasi normal berdasarkan sampel random berukuran kecil dan besar. Untuk membahas hal

Lebih terperinci

STATISTIKA MATEMATIKA

STATISTIKA MATEMATIKA STATISTIKA MATEMATIKA Penulis: Prof. Subanar, Ph.D Edisi Pertama Cetakan Pertama, 2013 Hak Cipta 2013 pada penulis, Hak Cipta dilindungi undang-undang. Dilarang memperbanyak atau memindahkan sebagian atau

Lebih terperinci

STATISTIKA UNIPA SURABAYA

STATISTIKA 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 terperinci

KONSEP DASAR TERKAIT METODE BAYES

KONSEP 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 terperinci

Distribusi Diskrit dan Kontinu yang Penting. Oleh Azimmatul Ihwah

Distribusi Diskrit dan Kontinu yang Penting. Oleh Azimmatul Ihwah Distribusi Diskrit dan Kontinu yang Penting Oleh Azimmatul Ihwah Distribusi Diskrit Fungsi probabilitas dari variabel random diskrit dapat dinyatakan dalam formula matematik tertentu yang dinamakan fungsi

Lebih terperinci

BAB 1 PENDAHULUAN Latar Belakang

BAB 1 PENDAHULUAN Latar Belakang BAB 1 PENDAHULUAN 1.1. Latar Belakang Dalam pembicaraan statistik, jawaban yang diinginkan adalah jawaban untuk ruang lingkup yang lebih luas, yakni populasi. Tetapi objek dari studi ini menggunakan sampel

Lebih terperinci

BAB I PENDAHULUAN. Dalam statistika, sebuah penaksir adalah sebuah fungsi dari sample data

BAB I PENDAHULUAN. Dalam statistika, sebuah penaksir adalah sebuah fungsi dari sample data BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Dalam statistika, sebuah penaksir adalah sebuah fungsi dari sample data observasi yang digunakan untuk menaksir parameter populasi yang tidak diketahui. Ada

Lebih terperinci

DISTRIBUSI 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 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 terperinci

PENAKSIR MAKSIMUM LIKELIHOOD DENGAN METODE ITERASI NEWTON - RAPHSON

PENAKSIR 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 terperinci

BAB II KAJIAN PUSTAKA

BAB II KAJIAN PUSTAKA 4 BAB II KAJIAN PUSTAKA Pada sub bab ini akan diberikan beberapa definisi dan teori yang mendukung rancangan Sequential Probability Ratio Test (SPRT) yaitu percobaan dan ruang sampel, peubah acak dan fungsi

Lebih terperinci

BAB IV INFERENSI STATISTIK SATU POPULASI SEMBARANG

BAB IV INFERENSI STATISTIK SATU POPULASI SEMBARANG BAB IV INFERENSI STATISTIK SATU POPULASI SEMBARANG Bab ini akan membahas inferensi statistik terhadap mean suatu populasi sembarang dan proporsi suatu populasi dikotomi/binomial. Ukuran sampel random yang

Lebih terperinci

2 SKS. Oleh ; N. Setyaningsih

2 SKS. Oleh ; N. Setyaningsih 2 SKS Oleh ; N. Setyaningsih MATERI PERKULIAHAN (1)Pendahuluan peran statistika dalam penelitian ; (2)Penyajian data : dalam bentuk (a) tabel dan (b) diagram; (3) ukuran tendensi sentaral, ukuran penyimpangan,

Lebih terperinci

Pertemuan ke Nilai Harapan (Mean atau Rata rata) dan Varians Distribusi Kontinu

Pertemuan ke Nilai Harapan (Mean atau Rata rata) dan Varians Distribusi Kontinu Pertemuan ke 5 4.1 Nilai Harapan (Mean atau Rata rata) dan Varians Distribusi Kontinu Fungsi Probabilitas dengan variabel kontinu terdiri dari : 1. Distribusi Normal 2. Distribusi T 3. Distribusi Chi Kuadrat

Lebih terperinci

statistika untuk penelitian

statistika untuk penelitian statistika untuk penelitian Kelompok Ilmiah Remaja (KIR) Delayota Experiment Team (D Expert) 2013 Freeaninationwallpaper.blogspot.com Apa itu Statistika? Statistika adalah ilmu yang mempelajari cara pengumpulan,

Lebih terperinci

Pengantar Statistika Matematik(a)

Pengantar 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 terperinci

ALGORITMA PENENTUAN UKURAN SAMPEL EKSAK UNTUK DISTRIBUSI NORMAL, DISTRIBUSI POISSON DAN DUA DISTRIBUSI BINOMIAL DALAM MODEL KELUARGA EKSPONENSIAL

ALGORITMA PENENTUAN UKURAN SAMPEL EKSAK UNTUK DISTRIBUSI NORMAL, DISTRIBUSI POISSON DAN DUA DISTRIBUSI BINOMIAL DALAM MODEL KELUARGA EKSPONENSIAL ALGORITMA PENENTUAN UKURAN SAMPEL EKSAK UNTUK DISTRIBUSI NORMAL, DISTRIBUSI POISSON DAN DUA DISTRIBUSI BINOMIAL DALAM MODEL KELUARGA EKSPONENSIAL 1) Program Studi Matematika Universitas Ahmad Dahlan dian@math.uad.ac.id

Lebih terperinci

SILABUS MATA KULIAH. Pengalaman Pembelajaran

SILABUS MATA KULIAH. Pengalaman Pembelajaran SILABUS MATA KULIAH Program Studi : Teknik Industri Kode Mata Kuliah : TKI-204 Nama Mata Kuliah : Statistika Industri Jumlah SKS : 2 Semester : III Mata Kuliah Pra Syarat : TKI-110 Teori Probabilitas Deskripsi

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 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 terperinci

RENCANA PERKULIAHAN SEMESTER

RENCANA PERKULIAHAN SEMESTER Program Studi : S1 Pendidikan Administrasi Perkantoran Mata kuliah : Statistik I Kode Mata Kuliah : 7024213033 Semester/SKS : Genap (4)/ 3 SKS Prasyarat : Aplikasi Komputer I Dosen Pengampu : Choirul Nikmah,

Lebih terperinci

UJI RATA-RATA SATU SAMPEL MENGGUNAKAN R UNTUK MENGETAHUI PENGARUH MODEL BELAJAR TERHADAP HASIL BELAJAR MATA KULIAH ANALISIS VEKTOR

UJI RATA-RATA SATU SAMPEL MENGGUNAKAN R UNTUK MENGETAHUI PENGARUH MODEL BELAJAR TERHADAP HASIL BELAJAR MATA KULIAH ANALISIS VEKTOR PYTHAGORAS, 6(2): 161-166 Oktober 2017 ISSN Cetak: 2301-5314 UJI RATA-RATA SATU SAMPEL MENGGUNAKAN R UNTUK MENGETAHUI PENGARUH MODEL BELAJAR TERHADAP HASIL BELAJAR MATA KULIAH ANALISIS VEKTOR Hermansah

Lebih terperinci

BAB II LANDASAN TEORI. landasan pembahasan pada bab selanjutnya. Pengertian-pengertian dasar yang di

BAB II LANDASAN TEORI. landasan pembahasan pada bab selanjutnya. Pengertian-pengertian dasar yang di 5 BAB II LANDASAN TEORI Bab ini membahas pengertian-pengertian dasar yang digunakan sebagai landasan pembahasan pada bab selanjutnya. Pengertian-pengertian dasar yang di bahas adalah sebagai berikut: A.

Lebih terperinci

III. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Negeri 7 Bandarlampung.

III. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Negeri 7 Bandarlampung. III. METODE PENELITIAN A. Populasi dan Sampel Penelitian ini dilaksanakan di SMP Negeri 7 Bandarlampung. Populasi dari penelitian ini adalah seluruh siswa kelas VIII SMP Negeri 7 Bandarlampung tahun pelajaran

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 Regresi Linier Sederhana Dalam beberapa masalah terdapat dua atau lebih variabel yang hubungannya tidak dapat dipisahkan karena perubahan nilai suatu variabel tidak selalu terjadi

Lebih terperinci

Contoh Solusi PR 4 Statistika & Probabilitas. 1. Nilai probabilitas pada masing-masing soal mengacu pada tabel Standard Normal Distribution.

Contoh Solusi PR 4 Statistika & Probabilitas. 1. Nilai probabilitas pada masing-masing soal mengacu pada tabel Standard Normal Distribution. Contoh Solusi PR 4 Statistika & Probabilitas 1. Nilai probabilitas pada masing-masing soal mengacu pada tabel Standard Normal Distribution. a X := curah hujan satu tahun. X : N 42,16. Dit: PX > 50. 50

Lebih terperinci

SILABUS MATA KULIAH. Kompetensi Dasar Indikator Pengalaman Belajar Materi Pokok Alokasi Waktu Sumber/alat Penilaian Portofolio. geometri.

SILABUS MATA KULIAH. Kompetensi Dasar Indikator Pengalaman Belajar Materi Pokok Alokasi Waktu Sumber/alat Penilaian Portofolio. geometri. SILABUS MATA KULIAH Program Studi : Pendidikan Matematika Kode Mata Kuliah : 603203 Mata kuliah : Bobot : 2 SKS Semester : VI Mata Kuliah Prasyarat : Bidang dan Analit Datar Deskripsi Mata Kuliah : Mata

Lebih terperinci

Biostatistika (KUI 611) TOPIK 3: VARIABEL RANDOM & DISTRIBUSI PROBABILITAS

Biostatistika (KUI 611) TOPIK 3: VARIABEL RANDOM & DISTRIBUSI PROBABILITAS Biostatistika (KUI 611) TOPIK 3: VARIABEL RANDOM & DISTRIBUSI PROBABILITAS 1 Probabilitas Perlunya pengetahuan tentang probabilitas dalam Biostatistik Pengertian probabilitas, variabel random dan distribusi

Lebih terperinci

6. Teori Estimasi. EL2002-Probabilitas dan Statistik. Dosen: Andriyan B. Suksmono

6. Teori Estimasi. EL2002-Probabilitas dan Statistik. Dosen: Andriyan B. Suksmono 6. Teori Estimasi EL2002-Probabilitas dan Statistik Dosen: Andriyan B. Suksmono Pendahuluan Inferensi statistik adalah metoda untuk menarik inferensi atau membuat generalisasi dari suatu populasi. Ada

Lebih terperinci

Sri Subanti TEORI PELUANG SEBELAS MARET UNIVERSITY PRESS. iii

Sri Subanti TEORI PELUANG SEBELAS MARET UNIVERSITY PRESS. iii TEORI PELUANG i Sanksi Pelanggaran Pasal 72 Undang-undang Nomor 19 Tahun 2002 Perubahan atas Undang-undang Nomor 7 Tahun 1987 Perubahan atas Undang-undang Nomor 6 Tahun 1982 Tentang Hak Cipta 1. Barang

Lebih terperinci

PENDUGAAN PARAMETER STATISTIK INDUSTRI 1

PENDUGAAN PARAMETER STATISTIK INDUSTRI 1 PENDUGAAN PARAMETER STATISTIK INDUSTRI 1 Agustina Eunike, ST., MT., MBA Mengetahui populasi dan membuat pernyataan peluang mengenai elemen yang diambil dari populasi tersebut Tidak mengetahui distribusi

Lebih terperinci

Variansi dan Kovariansi. Bahan Kuliah II2092 Probabilitas dan Statistik Oleh: Rinaldi Munir Sekolah Teknik Elektro dan Informatika ITB

Variansi dan Kovariansi. Bahan Kuliah II2092 Probabilitas dan Statistik Oleh: Rinaldi Munir Sekolah Teknik Elektro dan Informatika ITB Variansi dan Kovariansi Bahan Kuliah II2092 Probabilitas dan Statistik Oleh: Rinaldi Munir Sekolah Teknik Elektro dan Informatika ITB 1 Variansi Kita sudah memahami bahwa nilai harapan peubah acak X seringkali

Lebih terperinci

Pengantar Statistika Matematika II

Pengantar Statistika Matematika II Pengantar Statistika Matematika II Distribusi Sampling Atina Ahdika, S.Si., M.Si. Prodi Statistika FMIPA Universitas Islam Indonesia March 20, 2017 atinaahdika.com Bila sampling berasal dari populasi yang

Lebih terperinci

RENCANA PEMBELAJARAN SEMESTER (RPS)

RENCANA 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 terperinci

Bab 2 DISTRIBUSI PELUANG

Bab 2 DISTRIBUSI PELUANG Bab 2 DISTRIBUSI PELUANG PENDAHULUAN Setiap peristiwa akan mempunyai peluangnya masingmasing, dan peluang terjadinya peristiwa itu akan mempunyai penyebaran yang mengikuti suatu pola tertentu yang di sebut

Lebih terperinci

PENENTUAN ESTIMASI INTERVAL DARI DISTRIBUSI NORMAL DENGAN METODE BAYES SKRIPSI. Oleh : Pramita Elfa Diana Santi J2E

PENENTUAN ESTIMASI INTERVAL DARI DISTRIBUSI NORMAL DENGAN METODE BAYES SKRIPSI. Oleh : Pramita Elfa Diana Santi J2E PENENTUAN ESTIMASI INTERVAL DARI DISTRIBUSI NORMAL DENGAN METODE BAYES SKRIPSI Oleh : Pramita Elfa Diana Santi JE 005 40 PROGRAM STUDI STATISTIKA JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN

Lebih terperinci

II. TINJAUAN PUSTAKA. Ruang sampel S adalah himpunan semua hasil dari suatu percobaan. Kejadian E

II. 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 terperinci

Kumpulan 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=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 terperinci

SILABUS MATAKULIAH. Revisi : 4 Tanggal Berlaku : 4 September 2015

SILABUS MATAKULIAH. Revisi : 4 Tanggal Berlaku : 4 September 2015 SILABUS MATAKULIAH Revisi : 4 Tanggal Berlaku : 4 September 2015 A. Identitas 1. Nama Matakuliah : Teori Probabilitas 2. Program Studi : Teknik Industri 3. Fakultas : Teknik 4. Bobot sks : 2 SKS 5. Elemen

Lebih terperinci

MINGGU KE-8 HARGA HARAPAN DAN BEBERAPA KETAKSAMAAN DALA

MINGGU 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 terperinci

Ekspektasi Satu Peubah Acak Kontinu

Ekspektasi Satu Peubah Acak Kontinu Chandra Novtiar 0857948015 chandramathitb07@gmail.com PROGRAM STUDI PENDIDIKAN MATEMATIKA SEKOLAH TINGGI KEGURUAN DAN ILMU PENDIDIKAN (STKIP) SILIWANGI BANDUNG Garis Besar Pembahasan Sub Pokok Pembahasan

Lebih terperinci

INDEKS KEMAMPUAN PROSES BERDASARKAN PROPORSI PERSESUAIAN UNTUK DISTRIBUSI NON NORMAL

INDEKS KEMAMPUAN PROSES BERDASARKAN PROPORSI PERSESUAIAN UNTUK DISTRIBUSI NON NORMAL J. Math. and Its Appl. ISSN: 1829-605X Vol. 7, No. 2, November 2010, 47 55 INDEKS KEMAMPUAN PROSES BERDASARKAN PROPORSI PERSESUAIAN UNTUK DISTRIBUSI NON NORMAL Laksmi P Wardhani 1, Resty Z Fahrida, Nur

Lebih terperinci

UJI HOMOGENITAS. Pada dasarnya uji homogenitas dimaksudkan untuk memperlihatkan bahwa dua atau lebih

UJI HOMOGENITAS. Pada dasarnya uji homogenitas dimaksudkan untuk memperlihatkan bahwa dua atau lebih UJI HOMOGENITAS Pada dasarnya uji homogenitas dimaksudkan untuk memperlihatkan bahwa dua atau lebih kelompok data sampel berasal dari populasi yang memiliki variansi yang sama. Uji homogenitas terbagi

Lebih terperinci

BERKAS PENYUSUNAN RENCANA PEMBELAJARAN SEMESTER (RPS) FAKULTAS KOMUNIKASI BISNIS. Program Studi ADMINISTRASI BISNIS. Mata Kuliah : STATISTIKA BISNIS

BERKAS PENYUSUNAN RENCANA PEMBELAJARAN SEMESTER (RPS) FAKULTAS KOMUNIKASI BISNIS. Program Studi ADMINISTRASI BISNIS. Mata Kuliah : STATISTIKA BISNIS FAKULTAS KOMUNIKASI BISNIS Program Studi ADMINISTRASI BISNIS BERKAS PENYUSUNAN RENCANA PEMBELAJARAN SEMESTER (RPS) Mata Kuliah : STATISTIKA BISNIS Kode Mata Kuliah : EBH0B4 SKS : 4 SKS Semester : 3 Tahun

Lebih terperinci

BAB I PENDAHULUAN 1.1 Latar Belakang

BAB I PENDAHULUAN 1.1 Latar Belakang BAB I PENDAHULUAN 1.1 Latar Belakang Permasalahan dalam statistika biasanya dirumuskan melalui variabel random yang menjadi perhatian, tetapi fungsi kepadatan probabilitas atau fungsi massa probabilitas

Lebih terperinci

INFERENSI PARAMETER MEAN POPULASI NORMAL DENGAN METODE BAYESIAN OBYEKTIF

INFERENSI PARAMETER MEAN POPULASI NORMAL DENGAN METODE BAYESIAN OBYEKTIF INFERENSI PARAMETER MEAN POPULASI NORMAL DENGAN METODE BAYESIAN OBYEKTIF Adi Setiawan Program Studi Matematika Industri dan Statistika, Fakultas Sains dan Matematika Universitas Kristen Satya Wacana Jl

Lebih terperinci

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN BAB III METODE PENELITIAN A. Jenis Penelitian Metode yang digunakan pada penelitian ini adalah metode eksperimen, yaitu prosedur untuk menyelidiki hubungan sebab akibat dengan menempatkan obyek secara

Lebih terperinci

KONSISTENSI ESTIMATOR

KONSISTENSI ESTIMATOR KONSISTENSI ESTIMATOR TUGAS STATISTIKA MATEMATIKA II Oleh 1. Wahyu Nikmatus S. (121810101010) 2. Vivie Aisyafi F. (121810101050) 3. Rere Figurani A. (121810101052) 4. Dwindah Setiari W. (121810101054)

Lebih terperinci

BAB II TINJAUAN PUSTAKA. nonparametrik, pengujian hipotesis, One-Way Layout, dan pengujian untuk lebih dari

BAB II TINJAUAN PUSTAKA. nonparametrik, pengujian hipotesis, One-Way Layout, dan pengujian untuk lebih dari BAB II TINJAUAN PUSTAKA 2.1 Pendahuluan Untuk melakukan pembahasan mengenai materi di skripsi ini, diperlukan teoriteori yang mendukung. Pada bab ini akan diuraikan beberapa teori yang mendukung penulisan

Lebih terperinci

Pr { +h =1 = } lim. Suatu fungsi dikatakan h apabila lim =0. Dapat dilihat bahwa besarnya. probabilitas independen dari.

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 terperinci

BAB IV HASIL PENELITIAN DAN PEMBAHASAN

BAB IV HASIL PENELITIAN DAN PEMBAHASAN BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Deskripsi Data Hasil Penelitian Penelitian ini terdiri dari dua kelas yaitu kelas eksperimen dan kelas kontrol. Kegiatan penelitian dilaksanakan pada tanggal 08

Lebih terperinci

PRODI DIII STATISTIKA-FMIPA ITS RENCANA PEMBELAJARAN KODE/ MATA KULIAH/ SKS/ SEMESTER : SS /PENGANTAR METODE STATISTIKA / (2/1/1) I

PRODI 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 terperinci

PENJABARAN MATA KULIAH (COURSE OUTLINE)

PENJABARAN MATA KULIAH (COURSE OUTLINE) UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-05/RO Versi : 1 Tanggal Revisi : 25 Juli 2011 Revisi : 1 Tanggal Berlaku : 1 September 2011 PENJABARAN MATA KULIAH (COURSE OUTLINE) A. IDENTITAS MATA KULIAH Nama

Lebih terperinci

Distribusi Peluang. Kuliah 6

Distribusi Peluang. Kuliah 6 Distribusi Peluang Kuliah 6 1. Diskrit 1. Bernoulli 2. Binomial 3. Poisson Distribution 2. Kontinu 1. Normal (Gaussian) 2. t 3. F 4. Chi Kuadrat Distribusi Peluang 1.1. Distribusi Bernoulli Distribusi

Lebih terperinci

SILABUS MATAKULIAH TEORI INTEGRAL (MAA 525)

SILABUS MATAKULIAH TEORI INTEGRAL (MAA 525) SILABUS MATAKULIAH TEORI INTEGRAL (MAA 525) JURUSAN PENDIDIKAN MATEMATIKA FPMIPA UPI BANDUNG 200 A. IDENTITAS MATAKULIH. Nama Matakuliah : Teori Integral 2. Kode Matakuliah : MAA 525 3. Program : Pendidikan

Lebih terperinci

METODA REPLIKASI PADA SIMULASI SISTEM ANTRIAN M/M/1

METODA REPLIKASI PADA SIMULASI SISTEM ANTRIAN M/M/1 Media Informatika Vol. 4 No. 3 (2005) METODA REPLIKASI PADA SIMULASI SISTEM ANTRIAN M/M/1 Ekabrata Yudhistyra Sekolah Tinggi Manajemen Informatika dan Komputer LIKMI Jl. Ir. H. Juanda 96 Bandung 40132

Lebih terperinci

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN BAB III METODE PENELITIAN A. Jenis Penelitian Jenis penelitian kuantitatif yang akan dilakukan merupakan metode eksperimen yang berdesain posttest-only control design, karena tujuan dalam penelitian ini

Lebih terperinci

DISTRIBUTIONS OF RANDOM VARIABLE DISTRIBUSI VARIABEL RANDOM

DISTRIBUTIONS 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 terperinci

Kontrak Kuliah Metode Statistika 2

Kontrak 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 terperinci

DEFICIENCY PENAKSIR PARAMETER PADA DISTRIBUSI GAMMA

DEFICIENCY 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 terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 2.. Konsep Dasar Analisis Runtun Waktu Pada bagian ini akan dikemukakan beberapa definisi yang menyangkut pengertian dan konsep dasar analisis runtun waktu. Definisi Runtun waktu

Lebih terperinci

ESTIMASI PARAMETER MODEL REGRESI ZERO-INFLATED POISSON (ZIP) MENGGUNAKAN METODE BAYESIAN

ESTIMASI PARAMETER MODEL REGRESI ZERO-INFLATED POISSON (ZIP) MENGGUNAKAN METODE BAYESIAN ESTIMASI PARAMETER MODEL REGRESI ZERO-INFLATED POISSON (ZIP) MENGGUNAKAN METODE BAYESIAN Karima Puspita Sari, Respatiwulan, dan Bowo Winarno Program Studi Matematika FMIPA UNS Abstrak. Model regresi zero-inflated

Lebih terperinci

SILABUS MATAKULIAH. : Setelah mengikuti matakuliah ini mahasiswa diharapkan dapat memiliki pengetahuan dan pemahaman mengenai

SILABUS MATAKULIAH. : Setelah mengikuti matakuliah ini mahasiswa diharapkan dapat memiliki pengetahuan dan pemahaman mengenai SILABUS MATAKULIAH Matakuliah Program Studi : Geometri Transformasi : Pendidikan Matematika Kode Matakuliah : 011-032513 Bobot Semester Mata Kuliah Prasyarat Standar Kompetensi : 3 SKS : VI : Aljabar Linier

Lebih terperinci

STATISTIKA DASAR ( FI 411 )

STATISTIKA DASAR ( FI 411 ) 1 STATISTIKA DASAR ( FI 411 ) I DESKRIPSI Mata Kuliah ini merupakan mata kuliah wajib bagi mahasiswa Fisika dan Pendidikan fisika. Hasil yang diharapkan dari perkuliahan ini adalah mahasiswa menguasai

Lebih terperinci

ESTIMASI TOTAL DAYA LISTRIK YANG HILANG MELALUI PROSES POISSON TERPANCUNG MAJEMUK

ESTIMASI TOTAL DAYA LISTRIK YANG HILANG MELALUI PROSES POISSON TERPANCUNG MAJEMUK ESTIMASI TOTAL DAYA LISTRIK YANG HILANG MELALUI PROSES POISSON TERPANCUNG MAJEMUK Adri Arisena 1, Anna Chadidjah 2, Achmad Zanbar Soleh 3 Departemen Statistika Universitas Padjadjaran 1 Departemen Statistika

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 Himpunan Fuzzy Tidak semua himpunan yang dijumpai dalam kehidupan sehari-hari terdefinisi secara jelas, misalnya himpunan orang miskin, himpunan orang pandai, himpunan orang tinggi,

Lebih terperinci

THEORY. By: Hanung N. Prasetyo PEUBAH ACAK TELKOM POLYTECHNIC/HANUNGNP

THEORY. 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 terperinci

Contoh Solusi PR 5 Statistika & Probabilitas

Contoh Solusi PR 5 Statistika & Probabilitas Contoh Solusi PR 5 Statistika & Probabilitas 1. X = proporsi pelanggan yang menggunakan layanan penerbangan untuk keperluan bisnis. n = ukuran sampel, p = proporsi sampel yang menggunakan layanan penerbangan

Lebih terperinci

3. METODE. Kerangka Pemikiran

3. METODE. Kerangka Pemikiran 25 3. METODE 3.1. Kerangka Pemikiran Berdasarkan hasil-hasil penelitian terdahulu serta mengacu kepada latar belakang penelitian, rumusan masalah, dan tujuan penelitian maka dapat dibuat suatu bentuk kerangka

Lebih terperinci

Pengantar Statistika Matematika II

Pengantar Statistika Matematika II Bab 3: Estimasi Titik dengan Metode Bayes Statistika FMIPA Universitas Islam Indonesia Dalam pendekatan klasik, parameter θ adalah besaran tetap yang tidak diketahui Sampel random X 1, X 2,..., X n diambil

Lebih terperinci

Statistika (MMS-1403)

Statistika (MMS-1403) Statistika (MMS-1403) Dr. Danardono, MPH danardono@ugm.ac.id Program Studi Statistika Jurusan Matematika FMIPA UGM MMS-1403 p.1/93 Distribusi Sampling Statistik Populasi: himpunan keseluruhan obyek yang

Lebih terperinci

RENCANA PEMBELAJARAN SEMESTER (RPS) KKKF33112 PROBABILITAS DAN STATISTIKA

RENCANA 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 terperinci

Pengantar Statistika Matematika II

Pengantar Statistika Matematika II Pengantar Statistika Matematika II Estimasi Titik dengan Metode Atina Ahdika, S.Si., M.Si. Prodi Statistika FMIPA Universitas Islam Indonesia May 9, 2017 atinaahdika.com Dalam pendekatan klasik, parameter

Lebih terperinci

Medan, Juli Penulis

Medan, 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 terperinci

Kelompok Mata Kuliah : MKU Program Studi/Program : Teknik Tenaga Elektrik/S1 Status Mata Kuliah : Wajib Prasyarat : - : Aip Saripudin, M.T.

Kelompok Mata Kuliah : MKU Program Studi/Program : Teknik Tenaga Elektrik/S1 Status Mata Kuliah : Wajib Prasyarat : - : Aip Saripudin, M.T. DESKRIPSI MATA KULIAH TK-... Matematika Dasar: S1, 3 SKS, Semester I Mata kuliah ini merupakan kuliah dasar. Selesai mengikuti perkuliahan ini mahasiswa diharapkan mampu memahami konsep-konsep matematika

Lebih terperinci

(R.2) KAJIAN PREDIKSI KLASIFIKASI OBYEK PADA VARIABEL RESPON BINER

(R.2) KAJIAN PREDIKSI KLASIFIKASI OBYEK PADA VARIABEL RESPON BINER (R.2) KAJIAN PREDIKSI KLASIFIKASI OBYEK PADA VARIABEL RESPON BINER Drs. Soekardi Hadi P. Prodi Matematika Fakultas Sains dan Teknologi Universitas Islam As-Syafi iyah Email : s.hadip@yahoo.co.id Abstrak

Lebih terperinci

PERSATUAN AKTUARIS INDONESIA

PERSATUAN AKTUARIS INDONESIA PERSATUAN AKTUARIS INDONESIA Komisi Penguji PERSATUAN AKTUARIS INDONESIA UJIAN PROFESI AKTUARIS MATA UJIAN : A70 Pemodelan dan Teori Risiko TANGGAL : 25 Juni 2013 JAM : 13.30 16.30 WIB LAMA UJIAN : 180

Lebih terperinci

BAB I PENDAHULUAN 1.1 Latar Belakang

BAB I PENDAHULUAN 1.1 Latar Belakang BAB I PENDAHULUAN 1.1 Latar Belakang Analisis statistika pada dasarnya merupakan suatu analisis terhadap sampel yang kemudian hasilnya akan digeneralisasi untuk menggambarkan suatu karakteristik populasi.

Lebih terperinci

Randy Toleka Ririhena, Nur Salam * dan Dewi Sri Susanti Program Studi Matematika Fakultas MIPA Universitas Lambung Mangkurat ABSTRACT

Randy 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 terperinci

BAB I PENDAHULUAN Latar Belakang dan Permasalahan

BAB I PENDAHULUAN Latar Belakang dan Permasalahan BAB I PENDAHULUAN 1.1. Latar Belakang dan Permasalahan Di dalam statistika, sebuah estimator adalah hasil perhitungan suatu estimasi terhadap kuantitas tertentu berdasarkan pada data terobservasi atau

Lebih terperinci

INFERENSI STATISTIK DISTRIBUSI BINOMIAL DENGAN METODE BAYES MENGGUNAKAN PRIOR KONJUGAT. Oleh : ADE CANDRA SISKA NIM: J2E SKRIPSI

INFERENSI STATISTIK DISTRIBUSI BINOMIAL DENGAN METODE BAYES MENGGUNAKAN PRIOR KONJUGAT. Oleh : ADE CANDRA SISKA NIM: J2E SKRIPSI INFERENSI STATISTIK DISTRIBUSI BINOMIAL DENGAN METODE BAYES MENGGUNAKAN PRIOR KONJUGAT Oleh : ADE CANDRA SISKA NIM: J2E 006 002 SKRIPSI Sebagai Salah Satu Syarat untuk Memperoleh Gelar Sarjana Sains Pada

Lebih terperinci

BAB I PENDAHULUAN. 1.1 Latar Belakang

BAB I PENDAHULUAN. 1.1 Latar Belakang BAB I PENDAHULUAN 1.1 Latar Belakang Estimasi reliabilitas adalah estimasi yang menggambarkan sebuah taksiran terhadap suatu komponen tertentu, dimana dan adalah variabel random yang independen dengan

Lebih terperinci

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN BAB III METODE PENELITIAN A. Jenis dan Pendekatan Penelitian Pada penelitian ini jenis penelitiannya adalah penelitian kuantitatif dengan menggunakan metode penelitian eksperimen. Penelitian kuantitatif

Lebih terperinci

BAB I PENDAHULUAN. penerbangan, kedokteran, teknik mesin, software komputer, bahkan militer

BAB 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 terperinci

III. METODE PENELITIAN. Penelitian ini dilaksanakan pada semester ganjil tahun pelajaran pada lokasi sekolah yang rawan terjadi tsunami.

III. METODE PENELITIAN. Penelitian ini dilaksanakan pada semester ganjil tahun pelajaran pada lokasi sekolah yang rawan terjadi tsunami. 24 III. METODE PENELITIAN A. Waktu dan Tempat Penelitian Penelitian ini dilaksanakan pada semester ganjil tahun pelajaran 2010-2011 di SMP Negeri 27 Bandar Lampung. Pemilihan tempat penelitian didasarkan

Lebih terperinci

SILABUS, RPP, RPS STATISTIKA. Program Studi Informatika FAKULTAS TEKNIK- UNIVERSITAS PGRI SEMARANG

SILABUS, RPP, RPS STATISTIKA. Program Studi Informatika FAKULTAS TEKNIK- UNIVERSITAS PGRI SEMARANG SILABUS, RPP, RPS STATISTIKA Program Studi Informatika FAKULTAS TEKNIK- UNIVERSITAS PGRI SEMARANG FORMULIR No.Dokumen FM-01-AKD-1516 UNIVERSITAS PGRI SEMARANG FORMAT SILABUS Tanggal Berlaku Halaman 1

Lebih terperinci

Ummu Kalsum UNIVERSITAS GUNADARMA

Ummu Kalsum UNIVERSITAS GUNADARMA Ummu Kalsum UNIVERSITAS GUNADARMA 2016 Inferensia Statistika : Mencakup semua metode yang digunakan untuk penarikan kesimpulan atau generalisasi mengenai populasi dengan melakukan pengambilan sampel (sampling)

Lebih terperinci

BAB I PENDAHULUAN. dapat dianggap mendekati normal dengan mean μ = μ dan variansi

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 terperinci