BAB 3 Kesamaan Matriks Kovariansi. Bagian ini akan membahas tentang pengujian hipotesis kesamaan matriks kovariansi.
|
|
- Vera Yuwono
- 7 tahun lalu
- Tontonan:
Transkripsi
1 BAB 3 Ksamaan Matks Kovaans Bagan n akan mmahas tntang ngujan hotss ksamaan matks kovaans. 3. Uj Ksamaan Dua Matks Kovaans 3.. Ukuan Pnyaan Multvaat ( X ( ( Msalkan X suatu vkto acak d mana X dan X masngmasng dmns dan q. Tuls µ ( X ( ( E X ;, dan t ( ( ( j ( j (( µ ( µ Σ j E X X X dtuls ( ;,j,. Maka matk kovaans da Σ Σ Σ Σ Σ Untuk q, Σj adalah kovaans klask. Dalam kasus lan, (Escouf (973 dalam Djauha (006 mndfnskan ahwa ( ( V Cov X, X T Σ Σ saga kovaans da dua vkto acak atau ( ( asa dsut dngan kovaans vkto. T ( Σ Σ lmn dagonal da ( ΣΣ. adalah jumlah smua Da ngtan tsut, daat ddfnskan vaans vkto da X ( ( dan X masng-masng adalah: ( ( VV X T Σ dan VV X T Σ ( ( ( (
2 v v v Msalkan X, X,..., Xn saml acak da dstus N ( µ, Σ vkto ata-ata saml dan matk kovaans saml adalah: n n t X X dan ( X X( X X n n- Djauha (006 mnangkan ahwa jka n cuku sa, vaans vkto 8 n saml T ( konvgn dalam dstus k N T( Σ, T( Σ Uj Hotss Mlalu Vkto Vaans Dkan dua saml acak yang salng as v, v,..., v n da dstus nomal (,Σ N µ dan w w w da dstus nomal (,Σ,,..., n N µ. Bdasakan saml tsut akan duj aakah matks kovaans oulas tama sama dngan matks kovaans oulas kdua. aga hotss tandngan adalah matks kovaans kdua oulas da. Ho : Σ Σ dan H : Σ Σ Pngujan akan dlakukan dngan mnggunakan T ( dan ( yang dusulkan Djauha (006. Kana ( 8 n 4 k N T( Σ, T( Σ NT Z 8 N 4 ( Σ, T( Σ, ( T st T konvgn dalam dstus T konvgn dalam dstus k dan salng as, maka ( T ( T ( T ( Σ T ( Σ 8 8 T n N D awah Ho, kta daatkan: Z ( 4 4 ( Σ + T ( Σ ( T ( T ( 8 8 T n N 4 4 ( Σ + T ( Σ ( ~ N 0, ( ~ N 0, 3
3 Untuk n yang cuku sa, maka nyut daat dgant dngan taksannya σ ( T ( T (. Dngan dmkan Z ( T ( T ( ˆ σ ( T( ( T Dmana mnuut Djauha (006, 8 8 ˆ σ ( ( ( + + T ( T ( ( T n n n N N N T 4 4 ( Hotss Ho dtolak ada taaf katan α, jka Z > Z α Uj Hotss Mlalu Dtmnan Matks Kovaans Pngujan dngan ndkatan dtmnan matks kovaans ddasakan kada aso lklhood. Fungs lklhood, lhat G.A.F. (984, 03, adalah: ( µ, µ, Σ, Σ ( µ, Σ ( µ, Σ L L L Nla maksmum da L adalah: ( ˆ µ, ˆ µ,, Σ ˆ ( ˆ µ, ( ˆ µ, L L L ( π n / n / / / Bla H 0 na dan Σ Σ Σ, maka ( ˆ µ, ˆ µ, ΣΣ ˆ, ˆ ( ˆ µ, ( ˆ µ, L L L ( π / n/ / 4
4 Dngan dmkan, aso lklhood l adalah: L l L ( ˆ µ, ˆ µ,, ( ˆ µ, ˆ µ,, ( π ( π / n / / / n/ n/ ˆ ˆ / Σ Σ n/ ; dngan n n + n n/ n/ T.W. Andson (966, 67 mnunjukkan : T log ( l - log atau T log log n/ n/ n/ n/ n/ n/ gaungan n n gaungan n mmlk dstus ndkatan χ α, υ. Dngan dmkan, H 0 dtolak ada taaf katan α jka T > χ. α, υ 3.. Uj Ksamaan Baa Matks Kovaans Dkan m saml yang salng as da suatu dstus (,Σ N µ, masng-masng saml ukuan n, n,..., n m. Msalkan matks kovaans saml k-. 5
5 Rata-ata matks kovaans tsut adalah m ( n n m m n m ( n ( dngan m n n. Bla n n... nm n 0, maka m. Vkto vaans saml k-, m ( T konvgn dalam dstus k (, (006, m n ( N µ σ d mana, mnuut Djauha ˆ µ + T ( adalah stmas tak as ag T ( Σ 0 µ dan 8 4 ˆ σ + + T ( adalah stmas tak as n0 m( n0 { m( n0 } ag ˆ σ. Poulas k- dkatakan mmlk matks kovaans yang da da Σ la ( T tdak ada d antaa ˆ µ Z α ˆ σ dan ˆ µ + Z α ˆ σ Uj Hotss Mlalu Dtmnan Matks Kovaans Untuk mlakukan ngujan dasakan dtmnan matks kovaans, nuls akan mnggunakan ndkatan yang dkan olh Djauha (005. Bdasakan ndkatan tsut matks kovaans da oulas k- da da Σ 0 jka > Q α atau < Q d mana α α (- 00 da dstus nomal (, (Djauha (005 adalah Qα adalah kuantl k N ξ ψ. Taksan ag ξ dan ψ ˆ ξ dan 3 ψ ˆ
6 d mana: n ( n ( n ( n n j n j j + j ( m( n ( ( ( 3 m n + ( m( n ( ( 4 ( m( n m( n j 3 m n j + j + j + ( ( ( Pada taaf katan α, oulas k- dkatakan mmlk matks kovaans yang da dngan Σ la dan ˆ Q ˆ α ξ + Z α ψ. tdak ada d antaa ˆ ˆ Q α ξ Z α ψ 7
Penaksiran Parameter dari Variansi Vektor pada Pengujian Hipotesis Kesamaan Matriks Kovariansi
Vol. 3 No. 7-77 Jul 06 Penasan Paaete da Vaans Veto ada Pengujan Hotess Kesaaan Mats Kovaans Nasah Sajang Absta Vaans veto euaan salah satu uuan dses data yang ddefnsan sebaga julah da seua eleen dagonal
Lebih terperinciBAB II TINJAUAN PUSTAKA. pada suatu graf sebagai landasan teori pada penelitian ini.
BAB II TINJAUAN PUSTAKA Pada bagan n akan dbrkan konsp dasar graf dan blangan kromatk lokas pada suatu graf sbaga landasan tor pada pnltan n 21 Konsp Dasar Graf Bbrapa konsp dasar yang dgunakan dalam pnltan
Lebih terperinciUji Homogenitas Varians
Uj Homogentas Varans I. DUA VARIANS Pengujan hpotess dua varans dlakukan untuk mengetahu varans dua populas sama (homogen atau tdak (heterogen. S dan S merupakan penduga σ dan σ Rumus varans : x ( x S
Lebih terperinciUJI NORMALITAS X 2. Z p i O i E i (p i x N) Interval SD
UJI F DAN UJI T Uj F dkenal dengan Uj serentak atau uj Model/Uj Anova, yatu uj untuk melhat bagamanakah pengaruh semua varabel bebasnya secara bersama-sama terhadap varabel terkatnya. Atau untuk menguj
Lebih terperinciINTERFERENSI DAN DIFRAKSI
ITRFRSI DA DIFRAKSI Mata Kulah: Glombang & Optk Dosn: Andhy Stawan andhystawan DIFRAKSI CLAH TUGGAL DA KISI andhystawan B. Dfaks Dfaks mupan gjala pmblon (pnybaan) glombang kt mnjala mlalu clah smpt atau
Lebih terperinciBAB II IMPEDANSI SURJA KAWAT TANAH DAN MENARA
BAB II IMPEDANSI SUJA KAWA ANAH DAN MENAA II. UMUM Saluan tansms lbh tngg dbandngkan objk d skllngnya, kana tu saluan tansms mmlk sko bsa untuk tkna sambaan pt. Untuk mngatas hal tsbut maka saluan tansms
Lebih terperinciBab VII Contoh Aplikasi
Bab VII Contoh Aplkas Dala bab n akan dberkan lustras tentang aplkas statstk penguj VVVS dala eontor kestablan atrks korelas pada proses produks dudukan kabel tegangan tngg (flange) d PT PINDAD (Persero).
Lebih terperinciBAB IV CONTOH PENGGUNAAN MODEL REGRESI GENERALIZED POISSON I. Kesulitan ekonomi yang tengah terjadi akhir-akhir ini, memaksa
BAB IV CONTOH PENGGUNAAN MODEL REGRESI GENERALIZED POISSON I 4. LATAR BELAKANG Kesultan ekonom yang tengah terjad akhr-akhr n, memaksa masyarakat memutar otak untuk mencar uang guna memenuh kebutuhan hdup
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengertan Regres Regres pertama kal dpergunakan sebaga konsep statstka oleh Sr Francs Galton (1822 1911). Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang
Lebih terperinciBAB IV TAKSIRAN MAKSIMUM LIKELIHOOD FUNGSI INTENSITAS POISSON NONHOMOGEN. fungsi intensitas proses Poisson nonhomogen, yaitu secara teoritis dan studi
BAB IV AKSIRA MAKSIMUM LIKELIHOOD FUGSI IESIAS POISSO OHOMOGE 4 Pndahuluan Brku n, akan dbahas nang dua pndkaan unuk mndapakan aksran fungs nnsas pross Posson nonhomogn, yau scara ors dan sud kasus Pada
Lebih terperinciUJI CHI KUADRAT (χ²) 1.1. Pengertian Frekuensi Observasi dan Frekuensi Harapan
UJI CHI KUADRAT (χ²) 1. Pndahuluan Uj Ch Kuadrat adalah pngujan hpotss mngna prbandngan antara : frkuns obsrvas/yg bnar-bnar trjad/aktual dngan frkuns harapan/kspktas 1.1. Pngrtan Frkuns Obsrvas dan Frkuns
Lebih terperinciPROPERTY DAN PERDAGANGAN SEBAGAI SEKTOR DOMINAN PADA DATA BURSA SAHAM DENGAN PRINCIPAL COMPONENT ANALYSIS (PCA)
PROPERY DAN PERDAGANGAN EBAGAI EKOR DOMINAN PADA DAA BURA AHAM DENGAN PRINCIPAL COMPONEN ANALYI (PCA) Hanna A Parhus, Dva Wdyananto,dan Brnadta Dsnova Kr Cntr of Ald Mathmatcs (CAM), Program tud Matmatka
Lebih terperinciRegresi Linear Sederhana dan Korelasi
Regres Lnear Sederhana dan Korelas 1. Model Regres Lnear. Penaksr Kuadrat Terkecl 3. Predks Nla Respons 4. Inferens Untuk Parameter-parameter Regres 5. Kecocokan Model Regres 6. Korelas Utrwen Mukhayar
Lebih terperinciESTIMASI PARAMETER DARI DISTRIBUSI WEIBULL TERMODIFIKASI
ESIMSI PMEE DI DISIBUSI WEIBULL EMODIFIKSI Nama Mahasswa : mboo Puto NP : 48 Juusan : Matmatka FMIP-IS Dosn Pmbmbng : Ds. Fada gustn Wdjajat, MS bstak Sahan dan Zanudn (8) mmpknalkan gnalsas da dstbus
Lebih terperinciBAB IV PEMBAHASAN HASIL PENELITIAN PENGARUH PENGGUNAAN METODE GALLERY WALK
BAB IV PEMBAASAN ASIL PENELITIAN PENGARU PENGGUNAAN METODE GALLERY WALK TERADAP ASIL BELAJAR MATA PELAJARAN IPS MATERI POKOK KERAGAMAN SUKU BANGSA DAN BUDAYA DI INDONESIA A. Deskrps Data asl Peneltan.
Lebih terperinciESTIMASI PARAMETER MODEL GEOGRAPHICALLY WEIGHTED ORDINAL LOGISTIC REGRESSION (GWOLR)
ISBN : 978.60.36.00.0 ESIMASI PARAMEER MODEL GEOGRAPHICALLY WEIGHED ORDINAL LOGISIC REGRESSION (GWOLR) Sylf, Vta Ratnasar Mahasswa Jurusan Statstka Insttut knolog Spuluh Nopmbr (IS), Dosn Jurusan Statstka
Lebih terperinciEnsambel Statistik Distribusi Binomial Nilai Rata-rata Sistem Spin Distribusi Probabilitas Kontinu
BAB 3 Penganta Metode Statstk Ensambel Statstk Dstbs Bnomal la Rata-ata Sstem Spn Dstbs Pobabltas Kontn Rvew Bab : Konsep pobabltas sangat pentng dgnakan ntk memaham sstem makoskopk Penggnaan Konsep Pobabltas:.
Lebih terperinciBAB.3 METODOLOGI PENELITIN 3.1 Lokasi dan Waktu Penelitian Penelitian ini di laksanakan di Sekolah Menengah Pertama (SMP) N. 1 Gorontalo pada kelas
9 BAB.3 METODOLOGI PENELITIN 3. Lokas dan Waktu Peneltan Peneltan n d laksanakan d Sekolah Menengah Pertama (SMP) N. Gorontalo pada kelas VIII. Waktu peneltan dlaksanakan pada semester ganjl, tahun ajaran
Lebih terperinciBAB X RUANG HASIL KALI DALAM
BAB X RUANG HASIL KALI DALAM 0. Hasl Kal Dalam Defns. Hasl kal dalam adalah fungs yang mengatkan setap pasangan vektor d ruang vektor V (msalkan pasangan u dan v, dnotaskan dengan u, v ) dengan blangan
Lebih terperinciPENDUGAAN RASIO, BEDA DAN REGRESI
TEKNIK SAMPLING PENDUGAAN RASIO, BEDA DAN REGRESI PENDAHULUAN Pendugaan parameter dar peubah Y seharusnya dlakukan dengan menggunakan nformas dar nla-nla peubah Y Bla nla-nla peubah Y sult ddapat, maka
Lebih terperinciBAB III BAGAN CUSUM Dasar statistik bagan kendali Cumulative Sum untuk rata-rata
3 BAB III BAGAN CUSUM 3.. Dasa statstk bagan kendal Cumulatve Sum untuk ata-ata Bagan Cusum dgunakan untuk mendeteks pegesean kecl pada mean atau vaans dalam poses oleh kaena adanya penyebab khusus secaa
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Deskrps Data Hasl Peneltan Satelah melakukan peneltan, penelt melakukan stud lapangan untuk memperoleh data nla post test dar hasl tes setelah dkena perlakuan.
Lebih terperinciBAB 2 LANDASAN TEORI
6 BAB LANDASAN TEORI Pada bab n akan duakan bbapa konsp dan mtod yang mnjad dasa pnulsan tugas akh n. Bbapa konsp dan mtod tsbut alah pnclan, tata caa mndtks pnclan, mtod OLS, mnntukan ata-ata kuadat tkcl
Lebih terperinciBAB III METODE PENELITIAN. Adapun yang menjadi objek penelitian adalah siswa MAN Model Gorontalo.
BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Peneltan 3.1.1 Tempat Peneltan Adapun yang menjad objek peneltan adalah sswa MAN Model Gorontalo. Penetapan lokas n ddasarkan pada beberapa pertmbangan yakn,
Lebih terperinciANALISIS DATA KATEGORIK (STK351)
Suplemen Respons Pertemuan ANALISIS DATA KATEGORIK (STK351) 7 Departemen Statstka FMIPA IPB Pokok Bahasan Sub Pokok Bahasan Referens Waktu Korelas Perngkat (Rank Correlaton) Bag. 1 Koefsen Korelas Perngkat
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI. Peluang Peluang adalah suatu nla untuk menguku tngkat kemungknan tejadnya suatu pestwa (event) akan tejad d masa mendatang yang haslnya tdak past (uncetan event). Peluang dnyatakan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Pengetan Koelas Koelas adalah stlah statstk yang menyatakan deajat hubungan lnea antaa dua vaabel atau lebh, yang dtemukan oleh Kal Peason pada awal 1900. Oleh sebab tu tekenal dengan
Lebih terperinciBAB III HASILKALI TENSOR PADA RUANG VEKTOR. Misalkan V ruang vektor atas lapangan F. Suatu transformasi linear f L ( V, F )
28 BAB III HASILKALI TENSOR PADA RUANG VEKTOR III.1 Ruang Dual Defns III.1.2: Ruang Dual [10] Msalkan V ruang vektor atas lapangan F. Suatu transformas lnear f L ( V, F ) dkatakan fungsonal lnear (atau
Lebih terperinciHubungan antara K dengan koefisien fugasitas:
Hubungan antara K dngan kofsn fugastas: fˆ f K Kadaan standar untuk gas adalah gas murn pada kadaan gas dal pada tkanan kadaan standar sbsar 1 bar. (1) Karna fugastas gas dal sama dngan tkanannya, f =
Lebih terperinciCatatan Kuliah 12 Memahami dan Menganalisa Optimisasi dengan Kendala Ketidaksamaan
Catatan Kulah Memaham dan Menganalsa Optmsas dengan Kendala Ketdaksamaan. Non Lnear Programmng Msalkan dhadapkan pada lustras berkut n : () Ma U = U ( ) :,,..., n st p B.: ; =,,..., n () Mn : C = pk K
Lebih terperinciBAB III HIPOTESIS DAN METODOLOGI PENELITIAN
BAB III HIPOTESIS DAN METODOLOGI PENELITIAN III.1 Hpotess Berdasarkan kerangka pemkran sebelumnya, maka dapat drumuskan hpotess sebaga berkut : H1 : ada beda sgnfkan antara sebelum dan setelah penerbtan
Lebih terperinciP(A S) = P(A S) = P(B A) = dengan P(A) > 0.
0 3.5. PELUANG BERSYARAT Jka kta menghtung peluang sebuah pestwa, maka penghtungannya selalu ddasakan pada uang sampel ekspemen. Apabla A adalah sebuah pestwa, maka penghtungan peluang da pestwa A selalu
Lebih terperinciTINJAUAN PUSTAKA. Node. Edge. Gambar 1 Directed Acyclic Graph
TINJAUAN PUSTAKA Bayesan Networks BNs dapat memberkan nformas yang sederhana dan padat mengena nformas peluang. Berdasarkan komponennya BNs terdr dar Bayesan Structure (Bs) dan Bayesan Parameter (Bp) (Cooper
Lebih terperinciFAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS TEKNOLOGI YOGYAKARTA UJIAN TENGAH SEMESTER GANJIL TAHUN AKADEMIK 2017/2018 PROGRAM STUDI: TEKNIK SIPIL
FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS TEKNOLOGI YOGYAKARTA UJIAN TENGAH SEMESTER GANJIL TAHUN AKADEMIK 7/8 PROGRAM STUDI: TEKNIK SIPIL Mata Ujan : Statstka (Kelas Har, Tanggal : Rabu, 8 November 7 Dosen
Lebih terperinciBAB 2 LANDASAN TEORI
2 LNDSN TEORI 2. Teor engamblan Keputusan Menurut Supranto 99 keputusan adalah hasl pemecahan masalah yang dhadapnya dengan tegas. Suatu keputusan merupakan jawaban yang past terhadap suatu pertanyaan.
Lebih terperinciBAB III METODE PENELITIAN. berjumlah empat kelas terdiri dari 131 siswa. Sampel penelitian ini terdiri dari satu kelas yang diambil dengan
7 BAB III METODE PENELITIAN A. Populas dan Sampel 1. Populas Populas dalam peneltan n adalah seluruh sswa kelas XI SMA Yadka Bandar Lampung semester genap tahun pelajaran 014/ 015 yang berjumlah empat
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN. Latar Belakang Manova atau Multvarate of Varance merupakan pengujan dalam multvarate yang bertujuan untuk mengetahu pengaruh varabel respon dengan terhadap beberapa varabel predktor
Lebih terperinciMENCERMATI BERBAGAI JENIS PERMASALAHAN DALAM PROGRAM LINIER KABUR. Mohammad Asikin Jurusan Matematika FMIPA UNNES. Abstrak
JURAL MATEMATIKA DA KOMUTER Vol. 6. o., 86-96, Agustus 3, ISS : 4-858 MECERMATI BERBAGAI JEIS ERMASALAHA DALAM ROGRAM LIIER KABUR Mohammad Askn Jurusan Matematka FMIA UES Abstrak Konsep baru tentang hmpunan
Lebih terperinciBAB III PERBANDINGAN ANALISIS REGRESI MODEL LOG - LOG DAN MODEL LOG - LIN. Pada prinsipnya model ini merupakan hasil transformasi dari suatu model
BAB III PERBANDINGAN ANALISIS REGRESI MODEL LOG - LOG DAN MODEL LOG - LIN A. Regres Model Log-Log Pada prnspnya model n merupakan hasl transformas dar suatu model tdak lner dengan membuat model dalam bentuk
Lebih terperinciBAB V TEOREMA RANGKAIAN
9 angkaan strk TEOEM NGKIN Pada bab n akan dbahas penyelesaan persoalan yang muncul pada angkaan strk dengan menggunakan suatu teorema tertentu. Dengan pengertan bahwa suatu persoalan angkaan strk bukan
Lebih terperinciBab 3 Analisis Ralat. x2 x2 x. y=x 1 + x 2 (3.1) 3.1. Menaksir Ralat
Mater Kulah Ekspermen Fska Oleh : Drs. Ishaft, M.S. Program Stud Penddkan Fska Unverstas Ahmad Dahlan, 07 Bab 3 Analss Ralat 3.. Menaksr Ralat Msalna suatu besaran dhtung dar besaran terukur,,..., n. Jka
Lebih terperinciANALISIS PEUBAH RESPONS KONTINU NON NEGATIF DENGAN REGRESI GAMMA DAN REGRESI INVERSE GAUSSIAN 1
ANALISIS PEUBAH RESPONS KONTINU NON NEGATIF DENGAN REGRESI GAMMA DAN REGRESI INVERSE GAUSSIAN Ksmantn Jurusan Penddkan Matematka, FMIPA Unverstas Neger Yogyakarta Emal : ksm@uny.ac.d Abstrak Peubah respons
Lebih terperinciLISTRIK STATIS - HUKUM COULOMB Oleh Suparno, PhD
LISTRIK STATIS - HUKUM COULOMB Olh Supano, PhD Sfat-sfat Muatan Bla sbuah ss dgosok-gosokkan pada ambut, lalu ddkatkan kpada sphan ktas kcl-kcl, maka sphan ktas tu akan ttak dan mlkat pada ss. Pstwa n
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN PENELITIAN. penerapan Customer Relationship Management pada tanggal 30 Juni 2011.
44 BAB IV HASIL DAN PEMBAHASAN PENELITIAN 4.1 Penyajan Data Peneltan Untuk memperoleh data dar responden yang ada, maka dgunakan kuesoner yang telah dsebar pada para pelanggan (orang tua sswa) d Kumon
Lebih terperinciANALISIS PEUBAH RESPONS KONTINU NON NEGATIF DENGAN REGRESI GAMMA DAN REGRESI INVERSE GAUSSIAN 1. Kismiantini
Prosdng Semnar Nasonal Peneltan, Penddkan dan Penerapan MIPA Fakultas MIPA, Unverstas Neger Yogyakarta, 6 Me 9 ANALISIS PEUBAH RESPONS KONTINU NON NEGATIF DENGAN REGRESI GAMMA DAN REGRESI INVERSE GAUSSIAN
Lebih terperinciCatatan Kuliah 13 Memahami dan Menganalisa Optimasi dengan Kendala Ketidaksamaan
Catatan Kulah 3 Memaham dan Menganalsa Optmas dengan Kendala Ketdaksamaan. Interpretas Konds Kuhn Tucker Asumskan masalah yang dhadap adalah masalah produks. Secara umum, persoalan maksmsas keuntungan
Lebih terperinciANALISIS REGRESI. Catatan Freddy
ANALISIS REGRESI Regres Lner Sederhana : Contoh Perhtungan Regres Lner Sederhana Menghtung harga a dan b Menyusun Persamaan Regres Korelas Pearson (Product Moment) Koefsen Determnas (KD) Regres Ganda :
Lebih terperinciMODEL LOGIT KUMULATIF UNTUK RESPON ORDINAL
MODEL LOGIT KUMULATIF UNTUK RESPON ORDINAL Robah P Rahaat da Tatk Wdhah Juusa Matmatka FMIPA UNDIP Jl. Pof. H. Sodato, S.H, Smaag 575 Abstat. Logt umulatv modl s usd to dsb th latoshp btw a spos vaabl
Lebih terperinciBAB I PENDAHULUAN. dan. 0. Uji fungsi distribusi empiris yang populer, yaitu uji. distribusi nol
BAB I PENDAHULUAN 1.1. Latar Belakang Sebagan besar peneltan-peneltan bdang statstka berhubungan dengan pengujan asums dstrbus, bak secara teor maupun praktk d lapangan. Salah satu uj yang serng dgunakan
Lebih terperinciSTK511 Analisis Statistika. Pertemuan 8 ANOVA (2)
STK5 Analss Statstka Pertemuan 8 ANOVA () 8. ANOVA () Dagnoss Model Hpotess Klasfkas satu arah : Y atau Y j j j j Klasfkas dua arah : Yj j j??? Pengaruh perlakuan: H 0 : = 0 H : palng sedkt ada satu dmana
Lebih terperinciTeori Himpunan. Modul 1 PENDAHULUAN. impunan sebagai koleksi (pengelompokan) dari objek-objek yang
Modul 1 Teor Hmpunan PENDAHULUAN Prof SM Nababan, PhD Drs Warsto, MPd mpunan sebaga koleks (pengelompokan) dar objek-objek yang H dnyatakan dengan jelas, banyak dgunakan dan djumpa dberbaga bdang bukan
Lebih terperinciINTERFERENSI DAN DIFRAKSI. Mata Kuliah: Gelombang & Optik Dosen: Andhy Setiawan
TRFRS DA DFRAKS Maa Kulah: Glombang & Opk Dosn: Anhy Sawan A. nfns nfns mupakan ppauan ua aau lbh glombang sbaga akba blakunya pnsp supposss. nfns ja bla glombang glombang sbu kohn, yau mmpunya pbaan fas
Lebih terperinciSOLUSI TUGAS MATA KULIAH STATISTIKA II
SOLUSI TUGAS MATA KULIAH STATISTIKA II SOAL : Suatu Peneltan dlakukan untuk menelaah empat metode pengajaran, yatu Metode A (ceramah d kelas), Metode B (mengajak dskus langsung dengan sswa), Metode C (ceramah
Lebih terperinciBAB VI METODE BELAJAR WIDROW-HOFF
BAB VI METODE BELAJAR WIDROW-HOFF - Aturan laar LMS Last Man Squars lh ftf dar aturan laar rstron. - Aturan laar LMS atau Wdro-Hoff mmnmsasan man squar rror, shngga mnggsr atasan utusan sauh yang sa dlauan
Lebih terperinciII. BILANGAN KOMPLEKS. Untuk mencari nilai kuadrat menggunakan persamaan
II. BILANGAN KOMPLEKS. Pndahuluan Sstm blangan komplks pada dasarna mrupakan prluasan dar sstm blangan rl. Sstm blangan n dprknalkan untuk mmcahkan sstm-sstm prsamaan aljabar ang tdak mmpuna jawaban dalam
Lebih terperinciBAB 2 LANDASAN TEORI. diteliti. Banyaknya pengamatan atau anggota suatu populasi disebut ukuran populasi,
BAB LANDASAN TEORI.1 Populas dan Sampel Populas adalah keseluruhan unt atau ndvdu dalam ruang lngkup yang ngn dtelt. Banyaknya pengamatan atau anggota suatu populas dsebut ukuran populas, sedangkan suatu
Lebih terperinciDidownload dari ririez.blog.uns.ac.id BAB I PENDAHULUAN
BAB I PENDAHULUAN Sebuah jarngan terdr dar sekelompok node yang dhubungkan oleh busur atau cabang. Suatu jens arus tertentu berkatan dengan setap busur. Notas standart untuk menggambarkan sebuah jarngan
Lebih terperinciLOGO. Analisis Sisaan HAZMIRA YOZZA- JUR.MATEMATIKA FMIPA UNIV.ANDALAS
Analss Ssaan HAZMIRA YOZZA- JUR.MATEMATIKA FMIPA UNIV.ANDALAS KOMPETENSI Stlah mmplajar topk n, mahasswa dharapkan dapat : mnjlaskan dfns ssaan dan nformasnformas yang dapat dprolh dar ssaan mnghtung nla
Lebih terperinciKecocokan Distribusi Normal Menggunakan Plot Persentil-Persentil yang Distandarisasi
Statstka, Vol. 9 No., 4 47 Me 009 Kecocokan Dstrbus Normal Menggunakan Plot Persentl-Persentl yang Dstandarsas Lsnur Wachdah Program Stud Statstka Fakultas MIPA Unsba e-mal : Lsnur_w@yahoo.co.d ABSTRAK
Lebih terperinciOleh : Harifa Hanan Yoga Aji Nugraha Gempur Safar Rika Saputri Arya Andika Dumanauw
Oleh : Harfa Hanan Yoga A Nugraha Gemur Safar ka Sautr Arya Andka Dumanau Dosen : Dr.rer.nat. Ded osad, S.S., M.Sc. Program Stud Statstka Fakultas Matematka dan Ilmu Pengetahuan Alam Unverstas Gadah Mada
Lebih terperinciBAB 2 LANDASAN TEORI. Istilah regresi diperkenalkan oleh seorang yang bernama Francis Gulton dalam
BAB LANDASAN TEORI Pengertan Regres Istlah regres dperkenalkan oleh seorang yang ernama Francs Gulton dalam makalah erjudul Regresson Towerd Medacraty n Heredtary Stature Menurut hasl peneltan elau, meskpun
Lebih terperinciRANGKAIAN SERI. 1. Pendahuluan
. Pendahuluan ANGKAIAN SEI Dua elemen dkatakan terhubung ser jka : a. Kedua elemen hanya mempunya satu termnal bersama. b. Ttk bersama antara elemen tdak terhubung ke elemen yang lan. Pada Gambar resstor
Lebih terperinciBab III Reduksi Orde Model Sistem LPV
Bab III Reduks Ode Model Sstem PV Metode eduks ode model melalu MI telah dgunakan untuk meeduks ode model sstem I bak untuk kasus kontnu maupun dskt. Melalu metode n telah dhaslkan pula bentuk da model
Lebih terperinciRekayasa Trafik Telekomunikasi
Rekayasa Trafk Telekomunkas TEU9948 INDAR SURAHMAT emodelan Interval Waktu engetahuan yang mendasar pemodelan nterval waktu adalah teor robabltas engetahuan Dasar robabltas Jka A dan B kejadan sembarang,
Lebih terperinciBAB III ISI. x 2. 2πσ
BAB III ISI 4. Keadata Normal Multvarat da Sfat-sfatya Keadata ormal multvarat meruaka geeralsas dar keadata ormal uvarat utuk dmes. f ( x) [( x )/ ] / = e x π x = ( x )( ) ( x ). < < (-) (-) Betuk (-)
Lebih terperinciESTIMASI PARAMETER PADA REGRESI SEMIPARAMETRIK UNTUK DATA LONGITUDINAL
Abstrak ESIMASI PARAMEER PADA REGRESI SEMIPARAMERIK UNUK DAA LONGIUDINAL Msal y merupakan varabel respon, Lls Laome Jurusan Matematka FMIPA Unverstas Haluoleo Kendar 933 e-mal : lhs@yahoo.com X adalah
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Fuzzy Set Pada tahun 1965, Zadeh memodfkas teor hmpunan dmana setap anggotanya memlk derajat keanggotaan yang bernla kontnu antara 0 sampa 1. Hmpunan n dsebut dengan hmpunaan
Lebih terperinciFisika Dasar I (FI-321)
Fska Dasar I (FI-31) Topk har n (mnggu 5) Usaha dan Energ Usaha dan Energ Energ Knetk Teorema Usaha Energ Knetk Energ Potensal Gravtas Usaha dan Energ Potensal Gravtas Gaya Konservatf dan Non-Konservatf
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini merupakan studi eksperimen dengan populasi penelitian yaitu
4 III. METODE PENELITIAN A. Populas Peneltan Peneltan n merupakan stud ekspermen dengan populas peneltan yatu seluruh sswa kelas VIII C SMP Neger Bukt Kemunng pada semester genap tahun pelajaran 01/013
Lebih terperinciDERET BALMER DARI ATOM HIDROGEN
DERET BALMER DARI ATOM HIDROGEN I. Tujuan: Menentukan haga konstanta ydbeg dan spectum atom hydogen II. Teo Dasa Pengamatan menunjukan bahwa gas yang besuhu tngg memancakan cahaya dengan spectum gas yang
Lebih terperinciFisika Dasar I (FI-321) Usaha dan Energi
Fska Dasar I (FI-31) Topk har n (mnggu 5) Usaha dan Energ Usaha Menyatakan hubungan antara gaya dan energ Energ menyatakan kemampuan melakukan usaha Usaha,,, yang dlakukan oleh gaya konstan pada sebuah
Lebih terperinciP n e j n a j d a u d a u l a a l n a n O pt p im i a m l a l P e P m e b m a b n a g n k g i k t Oleh Z r u iman
OTIMISASI enjadualan Optmal embangkt Oleh : Zurman Anthony, ST. MT Optmas pengrman daya lstrk Dmaksudkan untuk memperkecl jumlah keseluruhan baya operas dengan memperhtungkan rug-rug daya nyata pada saluran
Lebih terperinciLAMPIRAN I. Alfabet Yunani
LAMPIRAN I Alfabet Yunani Alha Α Nu Ν Beta Β Xi Ξ Gamma Γ Omicron Ο Delta Δ Pi Π Esilon Ε Rho Ρ Zeta Ζ Sigma Σ Eta Η Tau Τ Theta Θ Usilon Υ Iota Ι hi Φ, Kaa Κ Chi Χ Lambda Λ Psi Ψ Mu Μ Omega Ω LAMPIRAN
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 4. No. 1, 33-40, April 2001, ISSN : KLASIFIKASI INTERAKSI GELOMBANG PERMUKAAN BERTIPE DUA SOLITON
JURNAL MATEMATIKA DAN KOMPUTER Vol. 4. No., 33-40, Aprl 00, ISSN : 40-858 KLASIFIKASI INTERAKSI GELOMBANG PERMUKAAN BERTIPE DUA SOLITON Sutmn dan Agus Rusgyono Jurusan Matematka FMIPA UNDIP Abstrak Pada
Lebih terperinciPEMBANDINGAN TERENCANA
PEMBANDINGAN TERENCANA Uj Perbandngan Berganda Uj Bonferron Memungknkan membuat perbandngan antar perlakuan, antara perlakuan dengan kelompok perlakuan, atau antar kelompok perlakuan Msalnya: Ada empat
Lebih terperinciLANGKAH-LANGKAH UJI HIPOTESIS DENGAN 2 (Untuk Data Nominal)
LANGKAH-LANGKAH UJI HIPOTESIS DENGAN (Utuk Data Nomal). Merumuska hpotess (termasuk rumusa hpotess statstk). Data hasl peelta duat dalam etuk tael slag (tael frekues oservas) 3. Meetuka krtera uj atau
Lebih terperinciSifat-sifat Operasi Perkalian Modular pada Graf Fuzzy
SEMINAR MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 07 Sfat-sfat Operas Perkalan Modular pada raf Fuzzy T - 3 Tryan, ahyo Baskoro, Nken Larasat 3, Ar Wardayan 4,, 3, 4 Unerstas Jenderal Soedrman transr@yahoo.com.au
Lebih terperinciberasal dari pembawa muatan hasil generasi termal, sehingga secara kuat
10 KARAKTRISTIK TRANSISTOR 10.1 Dasar Pengoperasan JT Pada bab sebelumnya telah dbahas dasar pengoperasan JT, utamannya untuk kasus saat sambungan kolektor-bass berpanjar mundur dan sambungan emtor-bass
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PEDAHULUA. Latar Belakang Rsko ddentfkaskan dengan ketdakpastan. Dalam mengambl keputusan nvestas para nvestor mengharapkan hasl yang maksmal dengan rsko tertentu atau hasl tertentu dengan rsko yang
Lebih terperinciDengan derajat bebas (pu-1) =(p-1)+(pu-p) (pu-1)=(p-1)+p(u-1) Sebagai contoh kita ambil p=4 dan u=6 maka tabulasi datanya sebagai berikut:
X. ANALISIS RAGAM SEDERANA Jka erlakan yang ngn dj/dbandngkan lebh dar da(p>) dan ragam tdak dketah maka kta bsa melakkan j t dengan jalan mengj erlakan seasang dem seasang. Banyaknya asangan hotess yang
Lebih terperinciBAB IV PEMBAHASAN MODEL
BAB IV PEMBAHASAN MODEL Pada bab IV n akan dlakukan pembuatan model dengan melakukan analss perhtungan untuk permasalahan proses pengadaan model persedaan mult tem dengan baya produks cekung dan jont setup
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 1.1. Metode Peneltan yang Dgunakan Dalam peneltan n dlakukan poses pengumpulan data yang kemudan dlakukan analss dengan melukskan keadaan obyek peneltan pada saat sekaang
Lebih terperinciContoh 5.1 Tentukan besar arus i pada rangkaian berikut menggunakan teorema superposisi.
BAB V TEOEMA-TEOEMA AGKAIA 5. Teorema Superposs Teorema superposs bagus dgunakan untuk menyelesakan permasalahan-permasalahan rangkaan yang mempunya lebh dar satu sumber tegangan atau sumber arus. Konsepnya
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN A. Jens Peneltan Jens peneltan n adalah peneltan quas expermental dengan one group pretest posttest desgn. Peneltan n tdak menggunakan kelas pembandng namun sudah menggunakan
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN DASAR TEORI
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1 Tnjauan Pustaka Dar peneltan yang dlakukan Her Sulstyo (2010) telah dbuat suatu sstem perangkat lunak untuk mendukung dalam pengamblan keputusan menggunakan
Lebih terperinciBAB IV HASIL PENELITIAN
6 BAB IV HAIL PENELITIAN A. Deskrps Data Hasl Peneltan Untuk mengetahu keefektfan penerapan model pembelajaran cooperatve learnng tpe TAD (tudent Teams-Achevement Dvsons) terhadap hasl belajar matematka
Lebih terperincib. Tentukan eigenket-eigenket dari sistem tersebut sebagai kombinasi linier dari 1 dan 2
Solus UTS Mekanka Kuantum Program Stud S Fska Tanggal ujan: 6 Oktoer 7 Dosen: Muhammad Azz Majd, Ph.D. Assten: Ahmad Syahron, S.S. Soal Hamltonan seuah sstem -keadaan two states system dnyatakan dengan
Lebih terperinciDr. NINDYO CAHYO KRESNANTO. Blog.: nindyocahyokresnanto.wordpress.com .: -
1 Dr. NINDYO CAHYO KRESNANTO Blog.: nndyocahyokresnanto.wordpress.com Emal.: nndyo_ck@yahoo.co.d - nndyo_ck@staff.janabadra.ac.d 2 Nndyo Cahyo Kresnanto FT Unverstas Janabadra YK 3 Model adalah merupakan
Lebih terperinciPEMODELAN REGRESI POISSON MEMPENGARUHI ANGKA KEMATIAN BAYI DI JAWA TIMUR TAHUN Yayuk Listiani NRP Dr. Purhadi, M. Sc.
PEMODELAN REGRESI POISSON PADA FAKTOR-FAKTOR YANG MEMPENGARUHI ANGKA KEMATIAN BAYI DI JAWA TIMUR TAHUN 007 Yayuk Lstan NRP 06 00 068 DOSEN PEMBIMBING Dr. Purhad, M. Sc. JURUSAN STATISTIKA FAKULTAS MATEMATIKA
Lebih terperinciIII. METODE PENELITIAN. bersifat statistik dengan tujuan menguji hipotesis yang telah ditetapkan.
3 III. METDE PENELITIAN A. Metode Peneltan Metode peneltan merupakan langkah atau aturan yang dgunakan dalam melaksanakan peneltan. Metode pada peneltan n bersfat kuanttatf yatu metode peneltan yang dgunakan
Lebih terperinciANALISIS PEUBAH GANDA (MULTIVARIATE ANALYSIS
ANALISIS PEUBAH GANDA (MULTIVARIATE ANALYSIS Pengantar Analss Peubah Ganda Dr.Ir. I Made Sumertajaya, MS Deartemen Statstka-FMIPA IPB Emal : kulah_ag@yahoo.com Password: akmade Mater APG No I II III IV
Lebih terperinciSELANG KEPERCAYAAN UNTUK KOEFISIEN GARIS REGRESI LINEAR DENGAN METODE LEAST MEDIAN SQUARES 1 ABSTRAK
SELANG KEPERCAYAAN UNTUK KOEFISIEN GARIS REGRESI LINEAR DENGAN METODE LEAST MEDIAN SQUARES Harm Sugart Jurusan Statstka FMIPA Unverstas Terbuka emal: harm@ut.ac.d ABSTRAK Adanya penympangan terhadap asums
Lebih terperinciKAJIAN DAN ALGORITMA PELABELAN PSEUDO EDGE-MAGIC. memiliki derajat maksimum dan tidak ada titik yang terisolasi. Jika n i adalah
BAB III KAJIAN DAN ALGORITMA PELABELAN PSEUDO EDGE-MAGIC III. Batas Bawah Magc Number pada Pelabelan Total Pseudo Edge-Magc Teorema 3.. Anggap G = (,E) adalah sebuah graf dengan n-ttk dan m-ss dan memlk
Lebih terperinciSIFAT - SIFAT MATRIKS UNITER, MATRIKS NORMAL, DAN MATRIKS HERMITIAN
SFT - SFT MTRKS UNTER, MTRKS NORML, DN MTRKS HERMTN Tasa bstak : Tujuan peneltan n adalah untuk mengetahu pengetan dan sfat sfat da matks unte, matks nomal, dan matks hemtan. Metode peneltan yang dgunakan
Lebih terperinciBAB III FUNGSI MAYOR DAN MINOR. Pada bab ini akan dibahas konsep-konsep dasar dari fungsi mayor dan fungsi
BAB III FUNGSI MAYOR DAN MINOR Pada bab n akan dbahas konsep-konsep dasar dar fungs mayor dan fungs mnor dar suatu fungs yang terdefns pada suatu nterval tertutup. Pendefnsan fungs mayor dan mnor tersebut
Lebih terperinciBAB IV STUDI KASUS NILAI AVL SLJJ PT TELKOM
BAB IV STUDI KASUS NILAI AVL SLJJ PT TELKOM 4.1 Pndahuluan Ktga prtdaksamaan yang tlah dbahas sblumnya akan daplkaskan dalam suatu stud kasus mngna nla AVL (avalablty ntwork) dar sambungan langsung jarak
Lebih terperinciBAB III PEMBAHASAN. Dalam bab III ini, akan dibahas mengenai bentuk umum model
BAB III PEMBAASAN Dalam bab III n, akan dbahas mengena bentuk umum model Autoregressve Condtonal Duraton (ACD), model Autoregressve Condtonal Duraton dengan error berdstrbus Eksponensal (EACD), beserta
Lebih terperinci( ) ( ) ( ) ( ) ( ) III MODEL. , θ Ω. 1 Pendugaan parameter dengan metode maximum lkelihood estimation dapat diperoleh dari:
5 Mamum Lkelhood Estmato Defs Fugs Lkelhood Msalka X, X,, X adalah eubah acak d dega fugs massa eluag ( ; θ, dega θ dasumska skalar da tdak dketahu, maka rosedur fugs lkelhood daat dtulska sebaga berkut
Lebih terperinciOleh : Deri Akhmad (9738) Johan Arifin (9834) Muhammad Alawido (10830) esi Hapsari (10832) Windu Pramana Putra (10835) Tya Hermoza (10849) Gempur
Oleh : Der Akhmad (9738) Johan Arfn (9834) Muhammad Alawdo (83) es Hapsar (83) Wndu Pramana Putra (835) Tya Hermoza (849) Gempur Safar (877) Febra Aryan (97) Asr Wdyasar (978) Nur Inayah (4) Adharsa Rakhman
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 5. No. 3, , Desember 2002, ISSN :
JURNAL MATEMATIKA AN KOMPUTER Vol. 5. No. 3, 161-167, esember 00, ISSN : 1410-8518 PENGARUH SUATU ATA OBSERVASI ALAM MENGESTIMASI PARAMETER MOEL REGRESI Hern Utam, Rur I, dan Abdurakhman Jurusan Matematka
Lebih terperinci