PENDUGAAN FUNGSI SEBARAN DALAM MODEL NONPARAMETRIK RONI WIJAYA
|
|
- Adi Hermawan
- 7 tahun lalu
- Tontonan:
Transkripsi
1 PENDUGAAN FUNGSI SEBARAN DALAM MODEL NONPARAMETRIK RONI WIJAYA DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2013
2
3 PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA Dengan ini saya menyatakan bahwa skripsi berjudul Pendugaan Fungsi Sebaran dalam Model Nonparametrik adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini. Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor. Bogor, Juni 2013 Roni Wijaya NIM G
4 ABSTRAK RONI WIJAYA. Pendugaan Fungsi Sebaran dalam Model Nonparametrik. Dibimbing oleh I WAYAN MANGKU dan SISWANDI. Statistika nonparametrik merupakan alternatif dari statistika parametrik ketika asumsi-asumsi yang mendasari dalam statistika parametrik tidak dapat terpenuhi, seperti tidak diketahuinya fungsi sebaran. Statistika nonparametrik sering disebut sebagai prosedur yang bebas distribusi (free-distibution procedures) karena tidak mengacu pada distribusi tertentu. Dalam karya ilmiah ini dibahas tentang pendugaan fungsi sebaran dalam model nonparametrik dan dititik beratkan pada keluarga nonparametrik. Tujuan karya ilmiah ini adalah untuk mempelajari model pendugaan nonparametrik pada fungsi sebaran empiris, dinotasikan yang independent and identically distributed (iid) dan merupakan maximum likelihood untuk suatu fungsi sebaran yang tidak diketahui. merupakan penduga takbias terhadap dengan atau adalah uniformly minimum variance unbiased estimator (UMVUE) dan -konsisten untuk. Kata kunci: penduga nonparametrik, fungsi sebaran secara empiris, likelihood. ABSTRACT RONI WIJAYA. Estimation in Nonparametric Models. Supervised by I WAYAN MANGKU and SISWANDI. Nonparametric statistics are alternative for parametric statistics whenever no assumptionis satisfied in parametric statistics, for example the distribution function is not identified. Nonparametric statistics are often referred as free distribution procedures, because they are not referred to any particular distribution. This paper discusses the estimation of the distribution function in nonparametric models. It emphasizes on nonparametric family. The objective of this research is tostudy nonparametric estimation models on the empirical distribution functions, denoted by that is independent and identically distributed (i.i.d.) and is maximum likelihood for unknown distribution function. is unbiased estimator of with or as an uniformly minimum variance unbiased estimator (UMVUE) and -consistent for. Keywords: nonparametric estimation, empirical distribution function, likelihood.
5 PENDUGAAN FUNGSI SEBARAN DALAM MODEL NONPARAMETRIK RONI WIJAYA Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Sains pada Departemen Matematika DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2013
6
7 Judul Skripsi : Pendugaan Fungsi Sebaran dalam Model Nonparametrik Nama : Roni Wijaya NIM : G Disetujui oleh Dr Ir I Wayan Mangku, MSc Pembimbing I Drs Siswandi, MSi Pembimbing II Diketahui oleh Dr Dra Berlian Setiawaty, MS Ketua Departemen Tanggal Lulus:
8 PRAKATA Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta ala atas segala karunia-nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang dipilih ialah pendugaan, dengan judul Pendugaan Fungsi Sebaran dalam Model Nonparametrik. Terima kasih penulis ucapkan kepada Bapak Dr Ir I Wayan Mangku, MSc dan Bapak Drs Siswandi, MSi selaku pembimbing. Ungkapan terima kasih juga disampaikan kepada ayah, ibu, serta seluruh keluarga, atas segala doa dan kasih sayangnya. Semoga karya ilmiah ini bermanfaat. Bogor, Juni 2013 Roni Wijaya
9 DAFTAR ISI DAFTAR LAMPIRAN vi PENDAHULUAN Latar Belakang 1 Tujuan 1 LANDASAN TEORI Ruang Contoh, Kejadian, dan Peluang 2 Peubah Acak dan Fungsi Sebaran 3 Nilai Harapan, Ragam, dan Momen 3 Matriks 5 Multivariate Normal 6 Peubah Acak Bernoulli dan Binomial 6 Kekonvergenan Peubah Acak 7 Penduga dan Sifat-sifatnya 8 Beberapa Lema Teknis 9 HASIL DAN PEMBAHASAN Estimasi Parameter 11 Fungsi Sebaran dalam Kasusu iid Secara Empiris 15 Maximum Likelihood Estimator (MLE) di Model Nonparametrik 21 Metode Maximum Likelihoods 22 Contoh Penerapan 26 SIMPULAN 27 DAFTAR PUSTAKA 27 LAMPIRAN 29
10 DAFTAR LAMPIRAN 1. Bukti Lema 2.1 Pertaksamaan Markov Bukti Lema 2.2 Pertaksamaan Chebyshev Bukti Lema 2.4 Teorema Limit Pusat (CLT) 31
11 PENDAHULUAN Latar Belakang Statistika nonparametrik merupakan alternatif dari statistika parametrik ketika asumsi-asumsi yang mendasari dalam statistika parametrik tidak dapat terpenuhi seperti tidak diketahuinya fungsi sebaran. Pada umumnya, setelah data dikumpulkan, langkah selanjutnya adalah menduga nilai harapannya (mean) dan ragamnya (variance), kemudian dilakukan uji-z atau uji-t. Semua tindakan yang dilakukan di atas merupakan prosedur umum statistika parametrik yang mengacu pada suatu distribusi tertentu. Berbeda dengan statistika parametrik, statistika nonparametrik adalah prosedur statistika yang tidak mengacu pada distribusi tertentu. Itulah sebabnya, statistika nonparametrik sering disebut sebagai prosedur yang bebas distribusi (free-distibution procedures). Statistika nonparametrik digunakan bila distribusi dari data yang diamati tidak diketahui. Salah satu peran dan kegunaan statistika dalam ilmu pengetahuan adalah sebagai alat analisis dan interpretasi data kuantitatif ilmu pengetahuan, sehingga didapatkan suatu kesimpulan dari data tersebut. Dalam statistika dikenal sebuah istilah pendugaan. Istilah pendugaan yang sering didengar adalah terjemahan dari kata estimation. Pada dasarnya, metode pendugaan adalah suatu metode untuk memperkirakan kisaran nilai-nilai karakteristik suatu populasi dengan menggunakan nilai-nilai sampel. Nilai karakteristik populasi sering disebut dengan parameter populasi, sedangkan nilai-nilai sampel sering disebut dengan statistik sampel. Dalam metode estimasi, parameter populasi yang ingin diduga adalah berupa nilai harapan dari peubah acak yang diberi notasi dan simpangan baku dengan notasi. Teori pendugaan sendiri digolongkan menjadi pendugaan titik (point estimation) dan pendugaan selang (interval estimation). Misalkan diberikan data pengamatan peubah acak yang independent and identically distributed (i.i.d.) dan, dengan adalah ruang dimensi dan adalah bilangan bulat positif.. Untuk menentukan distribusi dari ekivalen dengan menentukan fungsi sebarannya. Untuk menduga fungsi sebaran F dapat dilakukan dengan dua pendekatan yaitu pendekatan parametrik dan non parametrik. Pendekatan parametrik dilakukan jika asumsi bentuk fungsi F diketahui dan tergantung pada suatu parameter, sehingga menduga fungsi F ekivalen dengan menduga parameternya. Sedangkan pendekatan nonparametrik dilakukan jika asumsi bentuk fungsi F tidak diketahui. Dalam hal ini diasumsikan bahwa fungsi F termuat dalam kelas fungsi mulus dalam arti mempunyai turunan yang kontinu. Dalam tulisan ini dibahas tentang pendugaan fungsi sebaran dalam model nonparametrik dan dititikberatkan pada keluarga nonparametrik. Tujuan Tujuan dari penulisan karya ilmiah ini adalah untuk: 1 Mempelajari model pendugaan nonparametrik pada fungsi sebaran empiris yang i.i.d. 2 Mempelajari metode maximum likelihoods dalam model nonparametrik. 3 Membuktian bahwa penduga fungsi sebaran adalah lebih efisien secara asimtotik dibandingkan dengan fungsi sebaran empirisnya.
12 LANDASAN TEORI Ruang Contoh, Kejadian, dan Peluang Suatu percobaan yang dapat diulang dalam kondisi yang sama, yang hasilnya tidak bisa diprediksi secara tepat tetapi kita bisa mengetahui semua kemungkinan hasil yang muncul disebut percobaan acak. Definisi 1 (Ruang contoh) Ruang contoh adalah himpunan semua hasil yang mungkin dari suatu percobaan acak, dan dinotasikan dengan Ω. (Grimmett and Stirzaker 1992) Definisi 2 (Kejadian) Kejadian adalah suatu himpunan bagian dari ruang contoh Ω. (Grimmett and Stirzaker 1992) Definisi 3 (Kejadian lepas) Kejadian A dan B disebut saling lepas jika irisan dari keduanya adalah himpunan kosong. (Grimmett and Stirzaker 1992) Definisi 4 (Medan-σ) Medan-σ adalah suatu himpunan yang anggotanya terdiri atas himpunan bagian ruang contoh Ω, yang memenuhi syarat berikut: jika, maka 3. jika maka. (Hogg et al. 2005) Jika adalah himpunan bilangan real, maka medan-σ disebut medan Borel. Anggota dari medan Borel disebut himpunan Borel. Definisi 5 (Ukuran peluang) Misalkan Ω adalah ruang contoh suatu percobaan dan adalah medan-σ pada Ω. Suatu fungsi yang memetakan unsur-unsur ke himpunan bilangan real, atau disebut ukuran peluang jika: 1. tak negatif, yaitu untuk setiap,. 2. bersifat aditif tak hingga, yaitu jika dengan, maka. 3. bernorma satu, yaitu. Pasangan disebut ruang ukuran peluang atau ruang probabilitas. (Hogg et al. 2005) Definisi 6 (Kejadian saling bebas) Kejadian A dan B dikatakan saling bebas jika:. Secara umum, himpunan kejadian dikatakan saling bebas jika:
13 3 untuk setiap himpunan bagian J dari I, dengan adalah himpunan indeks. (Grimmett and Stirzaker 1992) Peubah Acak dan Fungsi Sebaran Definisi 7 (Peubah acak) Misalkan Ω adalah ruang contoh dari suatu percobaan acak. Fungsi X yang terdefinisi pada Ω yang memetakan setiap unsur ke satu dan hanya satu bilangan real disebut peubah acak. Ruang dari X adalah himpunan bagian dari himpunan bilangan real yang dinotasikan. (Hogg et al. 2005) Peubah acak dinotasikan dengan huruf kapital seperti X, Y, dan Z. Sedangkan nilai peubah acak dinotasikan dengan huruf kecil seperti dan. Setiap peubah acak memiliki fungsi sebaran. Definisi 8 (Fungsi sebaran) Fungsi sebaran suatu peubah acak X adalah oleh, yang didefinisikan (Grimmett and Stirzaker 1992) Definisi 9 (Peubah acak diskret) Peubah acak X dikatakan diskret jika semua himpunan nilai dari peubah acak tersebut merupakan himpunan tercacah. (Hogg et al. 2005) Definisi 10 (Fungsi massa peluang) Fungsi massa peluang dari peubah acak diskret X adalah fungsi yang diberikan oleh:. (Hogg et al. 2005) Definisi 11 (Peubah acak kontinu) Suatu peubah acak X disebut kontinu jika fungsi sebarannya dapat dinyatakan sebagai: untuk suatu fungsi disebut fungsi kepekatan peluang. yang terintegralkan. Selanjutnya fungsi (Grimmett and Stirzaker 1992) Nilai Harapan, Ragam, dan Momen Definisi 12 (Nilai harapan) Misalkan adalah peubah acak diskret dengan himpunan semua kemungkinan nilai X adalah A dan dengan fungsi massa peluang, maka nilai harapan (expected value) dari, dinotasikan dengan, adalah
14 4 jika jumlah di atas konvergen. Jika jumlah di atas divergen, maka nilai harapan dari X adalah tidak ada. (Hogg et al. 2005) Definisi 13 (Ragam) Misalkan adalah peubah acak diskret dengan fungsi massa peluang dan nilai harapan Maka ragam dari, dinotasikan dengan atau, adalah (Hogg et al. 2005) Definisi 14 (Momen ke-k) Jika k adalah bilangan bulat positif, maka momen ke-k atau X adalah dari peubah acak (Hogg et al. 2005) Definisi 15 (Momen pusat ke-k) Jika k adalah bilangan bulat positif, maka momen pusat ke-k atau acak X adalah dari peubah (Hogg et al. 2005) Nilai harapan dari peubah acak X juga merupakan momen pertama dari X dan ragam merupakan momen pusat ke-2 dari peubah acak X. Definisi 16 (Fungsi pembangkit momen) Fungsi pembangkit momen (moment generating function) dari suatu peubah acak X, didefinisikan sebagai untuk. (Hogg et al. 2005) Jika adalah vektor peubah acak yang berukuran sedemikian rupa sehingga maka fungsi pembangkit momennya adalah dengan adalah vektor berukuran sehingga, untuk. Definisi 17 (Fungsi indikator),
15 5 Misalkan A adalah suatu kejadian. Fungsi indikator dari A adalah suatu fungsi, yang diberikan oleh: (Grimmett and Stirzaker 1992) Definisi 18 (Sebaran normal) Suatu peubah acak X disebut memunyai sebaran normal dengan nilai harapan dan ragam, ditulis X menyebar, jika fungsi kepekatan peluangnya adalah untuk. Matriks (Hogg et al. 2005) Matriks merupakan kumpulan bilangan yang disusun dalam bentuk persegi panjang atau bujur sangkar dan setiap matriks akan mempunyai baris dan kolom. Secara umum matriks yang berukuran dapat ditulis dengan dengan adalah unsur matriks pada baris ke- dan kolom ke-, dan,. Matriks dapat ditulis dalam bentuk:. (Leon 2001) Definisi 19 (Matriks transpos) Transpos dari suatu matriks berukuran, ditulis adalah matriks berukuran yang diperoleh dengan mengganti setiap baris dari menjadi kolom dan sebaliknya, sehingga jika, maka. (Leon 2001) Definisi 20 (Matriks definit positif) Suatu matriks simetrik berukuran disebut matriks definit positif jika bentuk kuadrat, untuk semua taknol dalam. (Leon 2001) Contoh: Matriks merupakan matriks definit positif karena bentuk kuadrat
16 6 untuk. Multivariate Normal Misalkan adalah peubah acak kontinu dengan merupakan nilai dari peubah acak dan adalah matriks koragam simetrik definit positif yang berukuran dan adalah vektor nilai harapan dari peubah acak yang berukuran. Didefinisikan dengan adalah transpos dari dan anggota himpunan bilangan real. Suatu vektor peubah acak yang berukuran sedemikian rupa sehingga disebut memunyai sebaran multivariate normal dengan vektor nilai harapan dan matriks koragam, ditulis X menyebar, jika fungsi kepekatan peluangnya adalah, untuk. (Hogg et al. 2005) Peubah Acak Bernoulli dan Binomial Suatu percobaan disebut percobaan Bernoulli jika hasilnya hanya ada dua kemungkinan, yaitu sukses dengan peluang atau gagal dengan peluang. Jika suatu peubah acak X hanya memiliki dua nilai, yaitu bernilai 0 jika hasil percobaan Bernoulli adalah gagal dan bernilai 1 jika hasil percobaan Bernoulli adalah sukses, maka peubah acak tersebut dinamakan peubah acak Bernoulli. Definisi 21 (Peubah acak Bernoulli) Peubah acak diskret X disebut peubah acak Bernoulli dengan parameter,, jika fungsi massa peluangnya diberikan oleh (Ghahramani 2005) Jika percobaan Bernoulli diulang secara bebas dan identik sebanyak kali serta menyatakan banyaknya sukses di antara ulangan tersebut, maka disebut memiliki sebaran Binomial dengan parameter. Definisi 22 (Peubah acak Binomial) Peubah acak diskret X disebut peubah acak Binomial dengan parameter, adalah bilangan bulat positif dan, jika fungsi massa peluangnya diberikan oleh (Ghahramani 2005) Teorema 1 Jika adalah peubah acak Binomial dengan parameter, maka, dan (Ghahramani 2005)
17 7 Bukti: lihat Ghahramani (2005). Kekonvergenan Peubah Acak Definisi 23 (Kekonvergenan dalam peluang) Misalkan adalah barisan peubah acak pada suatu ruang peluang ( ). Barisan peubah acak dikatakan konvergen ke X, dilambangkan, jika untuk setiap berlaku untuk (Grimmett and Stirzaker 1992) Definisi 24 (Kekonvergenan dalam sebaran) Misalkan adalah peubah acak yang terdefinisi pada suatu ruang peluang. Misalkan adalah fungsi sebaran untuk, dan adalah fungsi sebaran untuk. Suatu barisan peubah acak dikatakan konvergen dalam sebaran ke peubah acak, ditulis, jika dan hanya jika untuk setiap titik kontinu pada, (Shao 2007) Definisi 25 (Kekonvergenan almost surely (a.s)) Misalkan adalah peubah acak yang terdefinisi pada suatu ruang peluang. Suatu barisan peubah acak dikatakan konvergen hampir pasti (almost surely (a.s)) ke peubah acak, ditulis, jika dan hanya jika (Shao 2007) Definisi 26 (Kekonvergenan dalam momen ke-p) Misalkan adalah peubah acak yang terdefinisi pada suatu ruang peluang. Suatu barisan peubah acak dikatakan konvergen dalam momen ke- ke peubah acak, ditulis, jika dan hanya jika Penduga dan Sifat-sifatnya (Shao 2007) Definisi 27 (Statistik) Statistik adalah suatu fungsi dari satu atau lebih peubah acak yang tidak tergantung pada satu atau beberapa parameter yang nilainya tidak diketahui. (Hogg et al. 2005) Contoh dari statistik adalah statistik kunjungan wisatawan ke Indonesia, statistik hotel, statistik restoran, dan lain-lain.
18 8 Definisi 28 (Penduga) Misalkan adalah contoh acak. Suatu statistik yang digunakan untuk menduga fungsi parameter, dikatakan sebagai penduga (estimator) bagi, dilambangkan oleh Bilamana nilai maka disebut sebagai dugaan (estimate) bagi (Hogg et al. 2005) Definisi 29 (Penduga takbias) (i). Suatu penduga yang nilai harapannya sama dengan parameter, yaitu disebut penduga takbias bagi parameter. Jika sebaliknya, penduga di atas disebut berbias. (ii). Jika maka parameter disebut sebagai penduga takbias asimtotik bagi (Hogg et al. 2005) Definisi 30 (Penduga konsisten) Suatu penduga yang konvergen dalam peluang ke parameter disebut penduga konsisten bagi (Hogg et al. 2005) Definisi 31 (O(.) dan o(.) ) Simbol-simbol ini merupakan cara untuk membandingkan besarnya dua fungsi dan dengan menuju suatu limit L. (i). Notasi menyatakan bahwa terbatas, untuk. (ii). Notasi, menyatakan bahwa, untuk. (Serfling 1980) Definisi 32 (Konsistensi penduga titik) Misalkan adalah peubah acak dari populasi yang tidak diketahui, dengan adalah keluarga yang mengandung populasi yang menghasilkan data dan adalah penduga titik bagi suatu nilai untuk setiap. i) disebut konsisten terhadap jika dan hanya jika untuk setiap. ii) Misalkan adalah barisan konstanta positif yang divergen ke. disebut -konsisten terhadap jika dan hanya jika untuk setiap. iii) konsisten kuat terhadap jika dan hanya jika untuk setiap. iv) disebut -konsisten terhadap jika dan hanya jika untuk setiap dan.
19 9 Definisi 33 (MSE suatu penduga) Mean Square Error (MSE) dari suatu penduga U bagi parameter didefinisikan sebagai (Shao 2007) dengan. Definisi 34 (UMVUE suatu penduga) Misalkan adalah peubah acak dari populasi yang tidak diketahui dan adalah parameter yang terkait dengan,. Didefinisikan adalah penduga takbias terhadap jika dan hanya jika. Sebuah penduga takbias terhadap disebut uniformly minimum variance unbiased estimator (UMVUE) jika dan hanya jika untuk setiap dan setiap penduga takbias lain terhadap. (Shao 2007) Beberapa Lema Teknis Lema 1 (Pertaksamaan Markov) Jika X adalah peubah acak yang taknegatif, maka untuk setiap, Bukti: lihat Lampiran 1. Lema 2 (Pertaksamaan Chebyshev) Jika X adalah peubah acak dengan nilai harapan dan ragam, maka untuk setiap k > 0, Bukti: lihat Lampiran 2. Lema 3 (Teorema deret Taylor) Deret Taylor dari fungsi f di a (atau di sekitar a atau yang berpusat di a) memenuhi persamaan Bukti: lihat Stewart (2001) (Stewart 2001). Lema 4 (Teorema Limit Pusat (CLT)) Jika adalah barisan peubah acak i.i.d. dengan dan, maka sebaran dari
20 10 konvergen ke sebaran normal baku, yaitu Bukti: lihat Lampiran 3 Lema 5 (Teorema kontinuitas) Misalkan adalah barisan peubah acak dengan fungsi pembangkit momen dan jika, maka Dengan kata lain, fungsi sebaran dari fungsi pembangkit momen dari sebaran normal. konvergen ke fungsi sebaran normal jika konvergen ke fungsi pembangkit momen (Grimmett and Welsh 1986) Misalkan adalah matiks koragam simetrik definit positif yang berukuran dan adalah 10ector nilai harapan yang berukuran. Jika adalah 10ector peubah acak yang berukuran dengan fungsi pembangkit momen dan jika, dengan adalah 10ector berukuran sehingga, untuk, maka Dengan kata lain, fungsi sebaran dari konvergen ke fungsi sebaran normal multivariate jika fungsi pembangkit momen dari konvergen ke fungsi pembangkit momen sebaran normal multivariate. Bukti: lihat Grimmett and Welsh (1986).
21 11 Lema 6 (Sifat fungsi pembangkit momen berdasarkan teorema Taylor) Jika, dengan dan, maka ada sebaran yang unik dengan fungsi pembangkit momen. Selanjutnya, Bukti: lihat Grimmett and Welsh (1986). (Grimmett and Welsh 1986) Teorema 2 (Bilangan sebagai suatu limit) Untuk sebarang, maka (Stewart 2001) Bukti: lihat Stewart (2001). HASIL DAN PEMBAHASAN Estimasi Parameter Kebanyakan model probabilitas, terutama yang cukup luas penggunaannya, tergantung dari beberapa konstanta yang dikenal dengan nama parameter. Jika parameter tidak diketahui, maka harus diduga dengan menggunakan data sampel. Hal ini dapat dilakukan dengan menggunakan fungsi yang dinamakan statistik. Pendugaan adalah proses yang menggunakan statistik sampel untuk menduga atau menaksir nilai parameter populasi yang tidak diketahui. Pendugaan merupakan suatu pernyataan mengenai parameter populasi yang tidak diketahui berdasarkan sampel dari populasi. Dalam hal ini sampel random, yang diambil dari populasi yang bersangkutan. Penduga (estimator) adalah contoh acak atau suatu statistik yang digunakan untuk menduga parameter atau fungsi parameter. Besaran sebagai hasil penerapan penduga terhadap data dari semua contoh disebut nilai dugaan (estimate). Sebuah nilai bagi suatu parameter disebut suatu nilai dugaan bagi parameter populasi. Statistik yang digunakan untuk memperoleh sebuah nilai dugaan disebut estimator atau fungsi keputusan. Sifat yang seharusnya dimiliki oleh estimator adalah menghasilkan nilai dugaan parameter yang bersifat takbias (unbiased estimator). Dalam kehidupan sehari-hari banyak kasus yang menggunakan pendugaan untuk menaksir parameter tertentu seperti suatu perusahaan elektronik menggunakan pendugaan nonparametrik untuk mengetahui jangka waktu pakai suatu jenis elektronik yang diproduksinya.
22 12 Berikut dibuktikan Proposisi 1 yang digunakan untuk menunjukkan distribusi asimtotik dari suatu fungsi sebaran yang tidak diketahui. Proposisi 1 (Multivariate CLT) Misalkan adalah vektor peubah acak yang i.i.d. dengan dan maka dengan merupakan ukuran vektor nilai harapan dan matriks koragam yang berukuran, yaitu, dan rata-ratanya adalah Bukti: Misalkan karena adalah peubah acak yang i.i.d. maka adalah peubah acak dari yang saling bebas dan mempunyai sebaran identik. Vektor nilai harapan dan matriks koragamnya adalah sebagai berikut: Karena, maka
23 13 dan memiliki fungsi pembangkit momen yang sama,, dengan adalah 13ector berukuran sehingga, untuk. Misalkan maka fungsi pembangkit momen dari adalah Karena identik maka adalah peubah acak yang saling bebas dan mempunyai sebaran Karena memiliki fungsi pembangkit momen yang sama misalkan didefinisikan dengan maka sehingga Berdasarkan Lema 3
24 14 Karena, maka Substitusi persamaan (3) ke persamaan (2) dengan tetap, maka diperoleh Selanjutnya berdasarkan sehingga konvergen ke. Berdasarkan Lema 5 fungsi sebaran dari konvergen ke fungsi sebaran normal multivariate jika fungsi pembangkit momen dari konvergen ke fungsi pembangkit momen sebaran normal multivariate, akibatnya Dengan demikian Proposisi 1 terbukti. Fungsi Sebaran dalam Kasus i.i.d. Secara Empiris Misalkan adalah vektor peubah acak yang i.i.d. dengan dari fungsi sebaran yang tidak diketahui. Jika fungsi bukan dalam anggota keluarga parametrik, maka penduga nonparametrik dari adalah fungsi sebaran secara empiris yaitu: untuk setiap.
25 15 Karena dengan adalah i.i.d. peubah acak biner akibatnya peubah acak memiliki sebaran binomial. Karena memiliki sebaran binomial maka dan sehingga merupakan penduga takbias terhadap dan adalah uniformly minimum variance unbiased estimator (UMVUE). Karena -konsisten untuk, untuk setiap m titik berbeda yang diketahui yaitu di maka berdasarkan Proposisi 1 dan (4) untuk dengan adalah matriks koragam yang berukuran dengan elemen adalah Hasil ini didapat tanpa ada asumsi untuk fungsi F. Perhatikan adalah suatu fungsi sebaran terhadap dan anggota, dengan adalah koleksi himpunan fungsi sebaran di Berikut ini akan diberikan Definisi 35 untuk menjukan jarak di koleksi himpunan fungsi sebaran pada. Definisi 35 i. Misalkan adalah himpunan bagian dari. Sebuah fungsi dari ke disebut jarak pada jika dan hanya jika, a) jika dan hanya jika, b), c). ii. Misalkan ada dari suatu ruang vektor dengan Norm pada didefinisikan sebagai fungsi dari ke yang memenuhi: a) jika dan hanya jika, b) dan, c)..
26 16 Norm mengartikan suatu jarak yang diberikan oleh. Jarak yang paling umum digunakan adalah sup-norm jarak, yaitu jarak yang disebabkan oleh sup-norm Lema 7 (Pertaksamaan Dvoretzky, Kiefer, and Wolfowitz (DKW) ) Misalkan adalah fungsi sebaran empiris dari peubah acak yang i.i.d. dengan dari suatu sebaran. i. Ketika maka ada C konstanta positif yang tidak bergantung dengan F, sehingga (8) untuk ii. Ketika untuk setiap maka positif yang konstan dan tidak tergantung pada F, sehingga (9) untuk Bukti : Misalkan sebaran merupakan fungsi yang terdistribusi secara empirik dari fungsi Misalkan. Karena sehingga, maka ada sehingga untuk setiap, akibatnya Berdasarkan Definisi 35 pertaksamaan di atas dapat ditulis dengan C konstanta positif yang tidak bergantung dengan F. Berikut ini diberikan Teorema 3 dan Lema 7 untuk menunjukkan bahwa penduga konvergen dalam peluang ke untuk.
27 17 Teorema 3 Misalkan adalah barisan peubah acak yang i.i.d. dari sebaran. Jika merupakan fungsi distribusi empirik dari F, maka i). (10) ii). (11) Bukti : i) Dari pertaksamaan DKW untuk setiap, maka akibatnya sehingga. ii) Dengan menggunakan pertaksamaan DKW, dengan Jadi Teorema 3 terbukti. Teorema 4 (Hukum Kuat bilangan besar (SLLN)) Jika adalah barisan peubah acak i.i.d. dengan dan, maka berlaku jika, sehingga
28 18 Bukti: Karena identik maka adalah peubah acak yang saling bebas dan mempunyai sebaran Selanjutnya kita dapat menunjukkan bahwa dan sehingga Berdasarkan Lema 1 dengan, diperoleh Jika, maka Akibatnya
29 19 Jadi Teorema 4 terbukti. Dari hasil tersebut dapat dikatakan bahwa memenuhi SLLN jika sehingga Teorema 3(i) menunjukkan bahwa penduga (a.s.) ke seragam untuk setiap, konvergen sangat kuat, sehingga penduga konsisten. Teorema 3(ii) menunjukkan bahwa yang lebih kuat dibandingkan dengan dari adalah hasil konsistensi Misalkan dan, yang merupakan himpunan bagian dari fungsi sebaran di yang memiliki momen. Didefinisikan jarak antara dengan di adalah sebagai berikut: Misalkan, maka selama jika dan hanya jika dan untuk setiap, kontinu. Berdasarkan Teorema 3 dan SLLN bahwa jika. Ketika, jarak yang lain digunakan untuk mengukur kedekatan antara dengan adalah jarak, yaitu: dengan. Teorema 5 Misalkan barisan peubah acak i.i.d. dari fungsi sebaran. Jika merupakan fungsi distribusi secara empiris dari, maka i) (12) ii), dan atau jika. (13).,
30 20 Bukti : i) Karena dan dari Teorema 3 untuk, maka Misalkan dan, maka adalah peubah acak yang i.i.d. yang terbatas untuk. Berdasarkan SLLN didapat (14) Karena dan berdasarkan Teorema 3 sehingga Hasil (15) di atas setara dengan ii) Untuk,
31 21 Jadi Teorema 5 terbukti. Maximum Likelihood Estimator (MLE) di Model Nonparametrik Misalkan barisan peubah acak i.i.d. dan adalah ukuran peluang untuk. Diberikan, fungsi nonparametric likelihood dari ke didefinisikan sebagai berikut: Maka jika untuk setidaknya satu i. Hasil ini menunjukkan bahwa fungsi sebaran secara empiris adalah maximum likelihood estimate (MLE) nonparametrik dari F. Teorema 6 Misalkan adalah peubah acak i.i.d. dengan dan adalah fungsi nonparametric likelihood dari ke yang didefinisikan pada (18), maka fungsi sebaran empiris akan memaksimumkan dengan Bukti: Kita hanya perlu mempertimbangkan sehingga Misalkan dan adalah himpunan bagian dari yang berisi, dan. Didefinisikan dengan adalah pengganda Lagrange. Himpunan Solusinya adalah,, dan adalah solusi maksimum dengan. Hal ini menunjukan bahwa (18) dimaksimumkan di untuk tetap, sehingga untuk.
32 22 Bukti alternatif: Kita cukup menunjukan bahwa untuk setiap. Misalkan adalah peubah acak yang mengambil nilai dengan kemungkinan, maka yang hasinya tetap, sehingga fungsi sebaran empiris dengan memaksimalkan Jadi Teorema 6 terbukti. Metode Empirical Likelihoods Metode empirical likelihoods ini berasal dari fungsi sebaran F yang dapat diperluas untuk berbagai situasi dengan beberapa modifikasi dari fungsi nonparametric likelihood dan kendala. Modifikasi dari likelihood ini disebut dengan empirical likelihood. Estimator yang diperoleh dengan memaksimumkan kemungkinan empiris ini disebut dengan maximum empirical likelihood estimator (MELE). Dari Teorema 6, fungsi sebaran empiris adalah maximum likelihood dengan fungsi nonparametric likelihood dari ke yang didefinisikan sebagai berikut: untuk setiap, dengan. Dalam beberapa kasus, banyak estimasi fungsi sebaran F dengan informasi tambahan
33 23 tentang F dan dari ke sehingga barisan peubah acak i.i.d. Misalkan ada fungsi Borel (misalnya rata-rata dari beberapa komponen F adalah 0). Karena fungsi penduga dari fungsi sebaran, maka berdasarkan (20) adalah Namun hal ini tidak berlaku untuk fungsi sebaran empiris yang didefinisikan di (4) meskipun nilai harapan, karena Menggunakan metode empirical likelihoods, solusi alami didapat dengan menempatkan kendala yang lain dalam proses memaksimumkan kemungkinan. Maka kita dapat memaksimumkan yang didefinisikan di (19) dengan kendala dan, untuk. Dengan menggunakan pengganda Lagrange dan argumen yang mirip dengan pembuktian Teorema 6, dapat ditunjukkan bahwa MELE dari fungsi sebaran adalah dengan dan adalah pengganda Lagrange yang memenuhi Perhatikan bahwa penduga fungsi sebaran tereduksi ke jika Dapat dilihat bahwa persamaan (25) memiliki solusi asimtotik, dengan catatan bahwa dan
34 24 yang merupakan definit negatif jika adalah definit positif. Jadi, Oleh karena itu, dengan menggunakan argumen yang sama seperti dalam bukti Teorema 6, kita dapat menunjukkan bahwa ada urutan yang unik dari sehingga untuk. Teorema 7 Misalkan adalah peubah acak i.i.d. dengan dan adalah fungsi Borel di seperti yang didefinisikan di (20) dan adalah MELE dari yang diberikan di (23). Andaikan adalah definit positif dan di dan adalah konstanta bilangan real, maka dengan (27) adalah matriks koragam yang elemen dari adalah, Bukti: Misalkan,. Berdasarkan (25), (26) dan ekspansi deret Taylor Dengan SLLN dan CLT,
35 25 Dengan menggunakan ekspansi deret Taylor dan SLLN kembali, kita dapat Jadi, Hasil ini berdasarkan CLT dan fakta bahwa, Berdasarkan (27) dan (7) jika dibandingkan, kita dapat menyimpulkan bahwa penduga fungsi sebaran adalah lebih efisien secara asimtotik dibandingkan dengan. Contoh Penerapan Metode ini dapat diaplikasikan dalam masalah penyensoran data yang diperkenalkan oleh Kaplan-Meier (1958) dalam masalah product-limit estimator. Misalkan adalah peubah acak yang i.i.d. dengan merupakan waktu kelangsungan hidup yang nonnegatif, dan adalah variabel acak yang i.i.d
36 26 dengan merupakan banyaknya penyensoran yang bebas terhadap. Model sensor acaknya adalah: hidup F. Dalam hal ini hanya dipertimbangkan estimasi sebaran kelangsungan Sebuah MELE dari F dapat diturunkan dengan memisalkan adalah nilai urutan dari dan adalah nilai yang terkait dengan. Didefinisikan sebuah fungsi sebaran kontinu yang memberikan massa pada titik dan interval Misalkan dan maka sebuah MELE dari diperoleh dengan memaksimumkan dengan kendala Sehingga MELE dari adalah: dengan merupakan statistik order dan SIMPULAN Pada tulisan ini dikaji suatu pendugaan di model nonparametrik dari sebaran empirik yaitu: dengan. Dari hasil pengkajian yang dilakukan, dapat disimpulkan bahwa:
37 27 1. merupakan penduga takbias terhadap dengan atau adalah uniformly minimum variance unbiased estimator (UMVUE) dan -konsisten untuk, untuk setiap m berbeda yang diketahui dan di. 2. adalah maximum likelihood dengan fungsi nonparametric likelihood dari ke adalah untuk setiap, dan. 3. penduga fungsi sebaran adalah lebih efisien secara asimtotik dibandingkan dengan jika menggunakan informasi. DAFTAR PUSTAKA Ghahramani S Fundamentals of Probability. Third Ed. Prentice Hall. New Jersey. Grimmett GR, Stirzaker DR Probability and Random Processes. Second Ed. Oxford (US): Clarendon Press. Grimmett GR, Welsh D Probability: An Introduction. Oxford University Press. USA. Hogg RV, Craig AT, McKean JW Introduction to Mathematical Statistics. Sixth Ed. Prentice Hall. Englewood Cliffs. New Jersey. Kaplan EL, Meier P Nonparametric estimation from incomplete observation. J. Amer. Statist. Assoc., 53: Leon SJ Aljabar Linear dan Aplikasinya. Ed. Ke-5. Bondan A, alih bahasa: Jakarta (ID): Erlangga. Terjemahan dari: Linear Algebra with Application. Serfling RJ Aproximation Theorems of Mathematical Statistics. John Wiley & Sons. New York (US): Springer. Shao J Mathematical Statistics. Second Ed. New York (US): Springer. Stewart, J Kalkulus. Jilid 1. Ed. ke-4. Susila, I Nyoman dan Gunawan, Hendra, alih bahasa: Jakarta (ID): Erlangga. Terjemahan dari: Calculus.
38 28 LAMPIRAN
39 29 Lampiran 1 (Pembuktian Lema 1) Lema 1 (Pertaksamaan Markov) Jika X adalah peubah acak yang taknegatif, maka untuk setiap, Bukti: Jika X kontinu dengan fungsi kepekatan peluang f, maka Untuk kasus X diskret, dapat dibuktikan dengan cara serupa, yaitu dengan mengganti integral dengan notasi penjumlahan serta fungsi kepekatan peluang dengan fungsi kerapatan peluang. Jadi Sehingga dapat ditulis Jadi pertaksamaan Markov terbukti. Lampiran 2 (Pembuktian Lema 2) Lema 2 (Pertaksamaan Chebyshev) Jika X adalah peubah acak dengan nilai harapan dan ragam, maka untuk setiap k > 0, Bukti: Untuk membuktikan pertaksamaan Chebyshev menggunakan Lema 1.
40 30 Jadi Lema 2 terbukti. Lampiran 3 ( Pembuktian Lema 4) Lema 4 (Teorema Limit Pusat (CLT)) Jika adalah barisan peubah acak i.i.d. dengan dan, maka sebaran dari konvergen ke sebaran normal baku, yaitu Bukti: Berdasarkan Lema 5, untuk membuktikan Lema 4 cukup dibuktikan konvergen ke, yaitu pembangkit momen peubah acak normal baku. Misalkan maka adalah peubah acak yang saling bebas dan mempunyai sebaran identik dengan nilai harapan dan ragam yang diberikan sebagai berikut: dan Diketahui dari adalah memiliki fungsi pembangkit momen yang sama, maka fungsi pembangkit momen
41 31 Persamaan di atas dapat ditulis sebagai : ruas kanan adalah fungsi sebaran normal dengan nilai harapan 0 dan ragam 1. Untuk menyelesaikan bukti Lema 4, digunakan Lema 3, sehingga diperoleh Substitusi persamaan (34) ke persamaan (33) dengan dan tetap, maka diperoleh Selanjutnya, dicari limit dari sebagai berikut Sehingga konvergen ke, yaitu pembangkit momen peubah acak normal baku. Dengan demikian Lema 4 terbukti.
42 32 RIWAYAT HIDUP Penulis dilahirkan di Padang Bintungan pada tanggal 08 Desember 1989 dari ayah Aly Fikri dan Ibu Suparni. Penulis adalah putra keempat dari empat bersaudara. Tahun 2008 penulis lulus SMA Negri 1 Sitiung dan pada tahun yang sama penulis lulus seleksi masuk Institut Pertanian Bogor (IPB) melalui jalur Undangan Seleksi Masuk IPB (USMI) dan diterima di Departemen Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam. Selama mengikuti perkuliahan, penulis menjadi asisten dosen mata kuliah Pemrograman Linear pada tahun ajaran 2010/2011 dan 2011/2012, asisten praktikum Analisis Numerik pada tahun ajaran semester pendek Penulis juga aktif mengajar privat matematika di bimbingan belajar dan privat Gumatika. Penulis juga aktif sebagai Badan Pengawas Gumatika. Penulis juga aktif berwira usaha sebagai produsen bakpau.
Lampiran A. Beberapa Definisi dan Lema Teknis
LAMPIRAN 33 Lampiran A. Beberapa Definisi dan Lema Teknis Ruang Contoh, Kejadian dan Peluang Definisi A.1 (Ruang contoh dan kejadian) Suatu percobaan yang dapat diulang dalam kondisi yang sama, yang hasilnya
Lebih terperinciII. LANDASAN TEORI. 2. P bersifat aditif tak hingga, yaitu jika dengan. 2.1 Ruang Contoh, Kejadian dan Peluang
II. LANDASAN TEORI 2.1 Ruang Contoh, Kejadian dan Peluang Dalam suatu percobaan sering kali diperlukan pengulangan yang dilakukan dalam kondisi yang sama. Semua kemungkinan hasil yang akan muncul akan
Lebih terperinciLampiran 1. Beberapa Definisi dan Lema Teknis
Lampiran 1. Beberapa Definisi dan Lema Teknis Ruang Contoh, Kejadian dan Peluang Suatu percobaan yang dapat diulang dalam kondisi yang sama, yang hasilnya tidak dapat diprediksi dengan tepat tetapi kita
Lebih terperinciII LANDASAN TEORI. 2.1 Ruang Contoh, Kejadian dan Peluang. 2.2 Peubah Acak dan Fungsi Sebaran
II LANDASAN TEORI 2.1 Ruang Contoh, Kejadian dan Peluang Dalam suatu percobaan sering kali diperlukan pengulangan yang dilakukan dalam kondisi yang sama. Semua kemungkinan hasil yang akan muncul akan diketahui
Lebih terperinciPENDAHULUAN LANDASAN TEORI
1 PENDAHULUAN Latar Belakang Dalam kehidupan sehari-hari, banyak permasalahan yang dapat dimodelkan dengan proses stokastik. Proses stokastik dapat dibedakan menjadi dua yaitu proses stokastik dengan waktu
Lebih terperinciKEKONSISTENAN PENDUGA FUNGSI SEBARAN DAN FUNGSI KEPEKATAN PELUANG WAKTU TUNGGU PROSES POISSON PERIODIK DENGAN TREN LINEAR TITA ROBIAH AL ADAWIYAH
KEKONSISTENAN PENDUGA FUNGSI SEBARAN DAN FUNGSI KEPEKATAN PELUANG WAKTU TUNGGU PROSES POISSON PERIODIK DENGAN TREN LINEAR TITA ROBIAH AL ADAWIYAH DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciPENDUGAAN FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN FUNGSI PANGKAT MENGGUNAKAN METODE TIPE KERNEL
PENDUGAAN FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN FUNGSI PANGKAT MENGGUNAKAN METODE TIPE KERNEL Ro fah Nur Rachmawati Jurusan Matematika, Fakultas Sains dan Teknologi, Binus University Jl.
Lebih terperinciSEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR
SEBARAN ASIMTOTIK PENDUGA KOMPONEN PERIODIK FUNGSI INTENSITAS BERBENTUK PERKALIAN FUNGSI PERIODIK DENGAN TREN LINEAR DARI SUATU PROSES POISSON NON-HOMOGEN LIA YULIAWATI SEKOLAH PASCASARJANA INSTITUT PERTANIAN
Lebih terperinciPEMODELAN HUBUNGAN PELANGGAN DAN PERUSAHAAN MENGGUNAKAN RANTAI MARKOV ADITYA PRAYUDANTO
PEMODELAN HUBUNGAN PELANGGAN DAN PERUSAHAAN MENGGUNAKAN RANTAI MARKOV ADITYA PRAYUDANTO DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2013 PERNYATAAN
Lebih terperinciKAJIAN BANDWIDTH OPTIMAL PADA PENDUGAAN FUNGSI INTENSITAS LOKAL PROSES POISSON PERIODIK SURASNO
KAJIAN BANDWIDTH OPTIMAL PADA PENDUGAAN FUNGSI INTENSITAS LOKAL PROSES POISSON PERIODIK SURASNO SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2009 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI Dengan
Lebih terperinciBAB II LANDASAN TEORI
4 BAB II LANDASAN TEORI Teori yang ditulis dalam bab ini merupakan beberapa landasan yang digunakan untuk menganalisis sebaran besarnya klaim yang berekor kurus (thin tailed) dan yang berekor gemuk (fat
Lebih terperinciPENDUGAAN FUNGSI NILAI HARAPAN PADA PROSES POISSON PERIODIK MAJEMUK DENGAN TREN LINEAR BONNO ANDRI WIBOWO
PENDUGAAN FUNGSI NILAI HARAPAN PADA PROSES POISSON PERIODIK MAJEMUK DENGAN TREN LINEAR BONNO ANDRI WIBOWO DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2014
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 21 Beberapa Pengertian Definisi 1 [Ruang Contoh] Ruang contoh adalah himpunan semua hasil yang mungkin dari suatu percobaan acak, dan dinotasikan dengan (Grimmet dan Stirzaker,1992)
Lebih terperinciPENDUGAAN FUNGSI NILAI HARAPAN PADA PROSES POISSON PERIODIK MAJEMUK DENGAN TREN FUNGSI PANGKAT INTAN FITRIA SARI
PENDUGAAN FUNGSI NILAI HARAPAN PADA PROSES POISSON PERIODIK MAJEMUK DENGAN TREN FUNGSI PANGKAT INTAN FITRIA SARI DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih terperinciHUKUM ITERASI LOGARITMA. TUGAS AKHIR untuk memenuhi sebagian persyaratan memperoleh gelar sarjana sains SORTA PURNAWANTI NIM.
HUKUM ITERASI LOGARITMA TUGAS AKHIR untuk memenuhi sebagian persyaratan memperoleh gelar sarjana sains SORTA PURNAWANTI NIM. 00290 PROGRAM STUDI MATEMATIKA JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU
Lebih terperinciLANDASAN TEORI. menyatakan hubungan antara variabel respon Y dengan variabel-variabel
5 II. LANDASAN TEORI 2.1 Model Regresi Poisson Analisis regresi merupakan metode statistika yang populer digunakan untuk menyatakan hubungan antara variabel respon Y dengan variabel-variabel prediktor
Lebih terperinciBAB 4 KEKONSISTENAN PENDUGA DARI FUNGSI SEBARAN DAN FUNGSI KEPEKATAN WAKTU TUNGGU DARI PROSES POISSON PERIODIK DENGAN TREN FUNGSI PANGKAT
29 BAB 4 KEKONSISTENAN PENDUGA DARI FUNGSI SEBARAN DAN FUNGSI KEPEKATAN WAKTU TUNGGU DARI PROSES POISSON PERIODIK DENGAN TREN FUNGSI PANGKAT 4.1 Perumusan Penduga Misalkan adalah proses Poisson nonhomogen
Lebih terperinciPENDUGAAN FUNGSI SEBARAN DAN FUNGSI KEPEKATAN PELUANG WAKTU TUNGGU PROSES POISSON PERIODIK NADIROH
PENDUGAAN FUNGSI SEBARAN DAN FUNGSI KEPEKATAN PELUANG WAKTU TUNGGU PROSES POISSON PERIODIK NADIROH DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2011
Lebih terperinciII. TINJAUAN PUSTAKA. dengan kendala menjadi model penuh tanpa kendala,
4 II. TINJAUAN PUSTAKA Dalam penelitian ini akan didiskusikan tentang transformasi model tak penuh dengan kendala menjadi model penuh tanpa kendala, pendugaan parameter, pengujian hipotesis dan selang
Lebih terperinciABSTRACT JOKO DWI SURAWU. Keywords:
ABSTRACT JOKO DWI SURAWU. Asymptotic Distribution of an Estimator for Periodic Component of Intensity Function of a Periodic Poisson Process in the Presence of Linear Trend. Supervised by I WAYAN MANGKU
Lebih terperinciSIFAT-SIFAT STATISTIKA TIKA ORDE-2 FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN LINEAR DAN MODIFIKASINYA NENENG MILA MARLIANA
SIFAT-SIFAT STATISTIKA TIKA ORDE-2 PENDUGA TIPE KERNEL L BAGI K KOMPONEN PERIODIK FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN LINEAR DAN MODIFIKASINYA NENENG MILA MARLIANA SEKOLAH PASCASARJANASARJANA
Lebih terperinciKEKONVERGENAN MSE PENDUGA KERNEL SERAGAM FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN FUNGSI PANGKAT
KEKONVERGENAN MSE PENDUGA KERNEL SERAGAM FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN FUNGSI PANGKAT Ro fah Nur Rachmawati Mathematics & Statistics Department, School of Computer Science, Binus
Lebih terperinciLAMPIRAN. Kajadian adalah suatu himpunan bagian dari ruang contoh Ω. (Grimmett dan Stirzaker, 2001) Definisi A.3 (Medan-σ)
LAMPIRAN 55 56 LAMPIRAN Lampiran 1. Beberapa Definisi dan Lema Teknis Ruang Contoh, Kejadian, dan Peluang Berbagai macam kejadian diperoleh melalui pengamatan dari serangkaian percobaan yang dilakukan
Lebih terperinciII. TINJAUAN PUSTAKA
II. TINJAUAN PUSTAKA 2.1 Distribusi Logistik Distribusi logistik merupakan distribusi yang memiliki fungsi kepekatan peluang kontinu. Bentuk kurva distribusi logistik adalah simetris dan uni modal. Bentuk
Lebih terperinciPENDUGAAN FUNGSI RAGAM PADA PROSES POISSON PERIODIK MAJEMUK FITRIANI IDA MAKHMUDAH
PENDUGAAN FUNGSI RAGAM PADA PROSES POISSON PERIODIK MAJEMUK FITRIANI IDA MAKHMUDAH SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2016 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI SERTA PELIMPAHAN
Lebih terperinciDEFICIENCY PENAKSIR PARAMETER PADA DISTRIBUSI GAMMA
digilib.uns.ac.id DEFICIENCY PENAKSIR PARAMETER PADA DISTRIBUSI GAMMA oleh ANIS TELAS TANTI M0106003 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh gelar Sarjana Sains Matematika
Lebih terperinciKarakteristik Pendugaan Emperical Best Linear Unbiased Prediction (EBLUP) Pada Pendugaan Area Kecil
Prosiding Semirata FMIPA Universitas Lampung, 2013 Karakteristik Pendugaan Emperical Best Linear Unbiased M. Adi Sidauruk, Dian Kurniasari, Widiarti Jurusan Matematika, FMIPA Universitas Lampung E-mail:
Lebih terperinciBAB 3 REVIEW SIFAT-SIFAT STATISTIK PENDUGA KOMPONEN PERIODIK
BAB 3 REVIEW SIFAT-SIFAT STATISTIK PENDUGA KOMPONEN PERIODIK 3. Perumusan Penduga Misalkan N adalah proses Poisson non-homogen pada interval 0, dengan fungsi intensitas yang tidak diketahui. Fungsi intensitas
Lebih terperinciKEKUATAN KONVERGENSI DALAM PROBABILITAS DAN KONVERGENSI ALMOST SURELY
KEKUATAN KONVERGENSI DALAM PROBABILITAS DAN KONVERGENSI ALMOST SURELY Joko Sungkono* Abstrak : Tujuan yang ingin dicapai pada tulisan ini adalah mengetahui kekuatan konvergensi dalam probabilitas dan konvergensi
Lebih terperinciII. TINJAUAN PUSTAKA
II. INJAUAN PUSAKA.1 Penduga Area Kecil Rao (003) mengemukakan bahwa suatu area disebut kecil apabila contoh yang diambil pada area tersebut tidak mencukupi untuk melakukan pendugaan langsung dengan hasil
Lebih terperinciII. TINJAUAN PUSTAKA. Dalam proses penelitian untuk mengkaji karakteristik penduga GMM pada data
5 II. TINJAUAN PUSTAKA Dalam proses penelitian untuk mengkaji karakteristik penduga GMM pada data panel ini, penulis menggunakan definisi, teorema dan konsep dasar yang berkaitan dengan pendugaan parameter,
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Berikut ini adalah beberapa definisi dan teorema yang menjadi landasan dalam penentuan harga premi, fungsi permintaan, dan kesetimbangannya pada portfolio heterogen. 2.1 Percobaan
Lebih terperinciIII. HASIL DAN PEMBAHASAN
III. HASIL DAN PEMBAHASAN 3.1 Perumusan Masalah Misalkan adalah proses Poisson nonhomogen pada interval dengan fungsi intensitas yang tidak diketahui. Fungsi intensitas diasumsikan terintegralkan lokal
Lebih terperinciBAB II TINJAUAN PUSTAKA
5 BAB II TINJAUAN PUSTAKA Dalam bab ini dijelaskan beberapa definisi dan teorema yang digunakan dalam pembahasan berikutnya. 2.1 Teori Peluang Definisi 2.1.1 (Percobaan Acak) (Ross 2000) Suatu percobaan
Lebih terperinciBAB IV REDUKSI BIAS PADA PENDUGAAN
BAB IV REDUKSI BIAS PADA PENDUGAAN 4.1. Asimtotik Orde-2 Berdasarkan hasil simulasi pada Helmers dan Mangku (2007) kasus kernel seragam, aproksimasi asimtotik orde pertama pada ragam dan bias, gagal memprediksikan
Lebih terperinciBAB 4 SEBARAN ASIMTOTIK PENDUGA KOMPONEN PERIODIK
BAB 4 SEBARAN ASIMTOTIK PENDUGA KOMPONEN PERIODIK 4. Sebaran Asimtotik,, Teorema 4. (Sebaran Normal Asimtotik,, ) Misalkan fungsi intensitas seperti (3.2) dan terintegralkan lokal. Jika kernel K adalah
Lebih terperinciLampiran 1. Beberapa Definisi dan Lema Teknis
DAFTAR PUSTAKA Browder, A. 1996. Mathematical Analysis : An Introduction. Springer. New York. Dudley, R.M. 1989. Real Analysis and Probability. Wadsworth & Brooks. California. Durret, R. 1996. Probability
Lebih terperinciRANCANGAN KURIKULUM PROGRAM DOKTOR STATISTIKA (STK) DALAM KERANGKA KUALIFIKASI NASIONAL INDONESIA (KKNI)
RANCANGAN KURIKULUM PROGRAM DOKTOR STATISTIKA (STK) DALAM KERANGKA KUALIFIKASI NASIONAL INDONESIA (KKNI) PROGRAM DOKTOR STATISTIKA DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN IPA 2 0 1 2 I. Deskripsi
Lebih terperinciSEBARAN ASIMTOTIK PENDUGA KOMPONEN PERIODIK FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN FUNGSI PANGKAT RO FAH NUR RACHMAWATI
SEBARAN ASIMTOTIK PENDUGA KOMPONEN PERIODIK FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN FUNGSI PANGKAT RO FAH NUR RACHMAWATI SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2010 PERNYATAAN
Lebih terperinciII. TINJAUAN PUSTAKA. Ruang sampel S adalah himpunan semua hasil dari suatu percobaan. Kejadian E
5 II. TINJAUAN PUSTAKA 2.1 Konsep Dasar Peluang Ruang sampel S adalah himpunan semua hasil dari suatu percobaan. Kejadian E adalah himpunan bagian dari ruang sampel. Peluang suatu kejadian P(E) adalah
Lebih terperinciDefenisi 15 (Kejadian) Kejadian adalah suatu himpunan bagian dari Nang contoh a. (Grimmett dan Stirzaker 2001)
Lampiran: Beberapa Definisi dan Lema Teknis Ruang contoh, kejadian dan peluang Berbagai macam pengamatan diperoleh melalui penggulangan percobaan yang dilakukan dalam kondisi yang sama. Dalarn banyak kasus,
Lebih terperinciBAB 3 REVIEW PENDUGAAN FUNGSI INTENSITAS LOKAL DAN GLOBAL DARI PROSES POISSON PERIODIK DENGAN TREN FUNGSI PANGKAT
9 BAB 3 REVIEW PENDUGAAN FUNGSI INTENSITAS LOKAL DAN GLOBAL DARI PROSES POISSON PERIODIK DENGAN TREN FUNGSI PANGKAT Misalkan adalah proses Poisson nonhomogen pada interval dengan fungsi intensitas yang
Lebih terperinciKEKONSISTENAN PENDUGA FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN LINEAR. Oleh: LIA NURLIANA
KEKONSISTENAN PENDUGA FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN LINEAR Oleh: LIA NURLIANA PROGRAM STUDI MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR
Lebih terperinciAnalisis Instruksional (AI) dan Silabus. MAT100 Pengantar Matematika. Program Studi S-1 Matematika Departemen Matematika Institut Pertanian Bogor
Analisis Instruksional (AI) dan Silabus MAT100 Pengantar Matematika Program Studi S-1 Matematika Departemen Matematika Institut Pertanian Bogor ANALISIS INSTRUKSIONAL (AI) DAN SILABUS MATA KULIAH MAT100
Lebih terperinciPenaksiran Parameter Regresi Linier Logistik dengan Metode Maksimum Likelihood Lokal pada Resiko Kanker Payudara di Makassar
Vol.14, No. 2, 159-165, Januari 2018 Penaksiran Parameter Regresi Linier Logistik dengan Metode Maksimum Likelihood Lokal pada Resiko Kanker Payudara di Makassar Sutrianah Burhan 1, Andi Kresna Jaya 1
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Ruang Contoh, Kejadian dan Peluang Dalam suatu percobaan seringkali dilakukan pengulangan yang biasanya dilakukan dalam kondisi yang sama. Semua kemungkinan hasil yang akan muncul
Lebih terperinciSTATISTIKA UNIPA SURABAYA
MATEMATIKA STATISTIKA (MATHEMATICAL STATISTICS) GANGGA ANURAGA Materi : Distribusi variabel random Teori Himpunan Fungsi Himpunan Fungsi Himpunan Peluang Variabel Random Fungsi Kepadatan Peluang Fungsi
Lebih terperinciDASAR-DASAR TEORI PELUANG
DASAR-DASAR TEORI PELUANG Herry P. Suryawan 1 Ruang Peluang Definisi 1.1 Diberikan himpunan tak kosong Ω. Aljabar-σ (σ-algebra pada Ω adalah koleksi subhimpunan A dari Ω dengan sifat (i, Ω A (ii jika A
Lebih terperinciII. TINJAUAN PUSTAKA. Dalam mengkaji penelitian Karakteristik Penduga Parameter Distribusi Log
II. TINJAUAN PUSTAKA Dalam mengkaji penelitian Karakteristik Penduga Parameter Distribusi Log Normal Menggunakan Metode Generalized Moment digunakan beberapa definisi, dan teorema yang berkaitan dengan
Lebih terperinciPEMILIHAN MODEL REGRESI LINIER DENGAN BOOTSTRAP. Tarno. Jurusan Matematika FMIPA UNDIP Semarang. Subanar Jurusan Matematika FMIPA UGM Yogyakarta
PEMILIHAN MODEL REGRESI LINIER DENGAN BOOTSTRAP Tarno Jurusan Matematika FMIPA UNDIP Semarang Subanar Jurusan Matematika FMIPA UGM Yogyakarta Abstrak Tulisan ini membicarakan tentang penerapan bootstrap
Lebih terperincipada Definisi 2.28 ada dan nilainya sama dengan ( ) ( ) Untuk memperoleh hasil di atas, ruas kiri persamaan (25) ditulis sebagai berikut ( )
LAMPIRAN 21 Lampiran 1 (Pembuktian Lema 2.1 Lema 2.1 (Eksistensi Fungsi Intensitas global Jika ([ ] adalah proses Poisson periodik dengan fungsi intensitas, maka ([ ] pada Definisi 2.28 ada dan nilainya
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Peluang Peluang mempunyai banyak persamaan arti, seperti kemungkinan, kesempatan dan kecenderungan. Peluang menunjukkan kemungkinan terjadinya suatu kejadian yang bersifat acak.
Lebih terperinciPENDUGAAN PARAMETER BEBERAPA SEBARAN POISSON CAMPURAN DAN BEBERAPA SEBARAN DISKRET DENGAN MENGGUNAKAN ALGORITME EM ADE HARIS HIMAWAN
PENDUGAAN PARAMETER BEBERAPA SEBARAN POISSON CAMPURAN DAN BEBERAPA SEBARAN DISKRET DENGAN MENGGUNAKAN ALGORITME EM ADE HARIS HIMAWAN SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2008 PERNYATAAN
Lebih terperinciPENENTUAN PREMI OPTIMUM PADA PORTOFOLIO HETEROGEN DENGAN ARGUMEN GEOMETRIS SEDERHANA PRAMA ADISTYA WIJAYA
PENENTUAN PREMI OPTIMUM PADA PORTOFOLIO HETEROGEN DENGAN ARGUMEN GEOMETRIS SEDERHANA PRAMA ADISTYA WIJAYA DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR
Lebih terperinciKONSISTENSI 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 terperinciKONSEP DASAR TERKAIT METODE BAYES
KONSEP DASAR TERKAIT METODE BAYES 2.3. Peubah Acak dan Distribusi Peluang Pada statistika kita melakukan percobaan dimana percobaan tersebut akan menghasilkan suatu peluang. Ruang sampel pada percobaan
Lebih terperinciTINJAUAN PUSTAKA. Generalized Eksponensial Menggunakan Metode Generalized Momen digunakan. merupakan penjabaran definisi dan teorema yang digunakan:
II. TINJAUAN PUSTAKA Dalam tinjauan pustaka penelitian Karakteristik Penduga Parameter Distribusi Generalized Eksponensial Menggunakan Metode Generalized Momen digunakan beberapa definisi dan teorema yang
Lebih terperinci4. 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 terperinciOLEH : Riana Ekawati ( ) Dosen Pembimbing : Dra. Farida Agustini W, M.S
OLEH : Riana Ekawati (1205 100 014) Dosen Pembimbing : Dra. Farida Agustini W, M.S Salah satu bagian penting dari statistika inferensia adalah estimasi titik. Estimasi titik mendasari terbentuknya inferensi
Lebih terperinciMATRIKS PASCAL DAN SIFAT-SIFATNYA YOGIE BUDHI RANTUNG
MATRIKS PASCAL DAN SIFAT-SIFATNYA YOGIE BUDHI RANTUNG DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2014 PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI
Lebih terperinciBAB 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 terperinciPENGANTAR ANALISIS REAL
Seri Analisis dan Geometri No. 1 (2009), -15 158 (173 hlm.) PENGANTAR ANALISIS REAL Oleh Hendra Gunawan Edisi Pertama Bandung, Januari 2009 2000 Dewey Classification: 515-xx. Kata Kunci: Analisis matematika,
Lebih terperinciBAB III MODEL HIDDEN MARKOV KONTINU DENGAN PROSES OBSERVASI ZERO DELAY
BAB III MODEL HIDDEN MARKOV KONTINU DENGAN PROSES OBSERVASI ZERO DELAY 3.1 State dan Proses Observasi Semua proses didefinisikan pada ruang peluang Ω,,. Misalkan ; adalah rantai Markov dengan state berhingga
Lebih terperinciPEMODELAN JUMLAH PENUMPANG KERETA API DI SUMATERA MENGGUNAKAN FIRST-ORDER DAN HIGHER-ORDER MARKOV CHAIN RUDY HARIONO
PEMODELAN JUMLAH PENUMPANG KERETA API DI SUMATERA MENGGUNAKAN FIRST-ORDER DAN HIGHER-ORDER MARKOV CHAIN RUDY HARIONO DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Matriks Matriks adalah himpunan bilangan real yang disusun secara empat persegi panjang, mempunyai baris dan kolom dengan bentuk umum : Tiap-tiap bilangan yang berada didalam
Lebih terperinciRISIKO GEMUK (FAT-TAILED ADRINA LONY SEKOLAH
PENENTUAN BESARNYA PREMI UNTUK SEBARAN RISIKO YANG BEREKOR GEMUK (FAT-TAILED RISK DISTRIBUTION) ADRINA LONY SEKOLAH PASCASARJANAA INSTITUT PERTANIAN BOGOR BOGOR 2009 PERNYATAAN MENGENAI TESIS DAN SUMBER
Lebih terperinciEstimasi 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 terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Teori Peluang Definisi 2.1.1 Percobaan Acak (Ross 2000) Suatu percobaan yang dapat diulang dalam kondisi yang sama dan semua kemungkinan hasil yang muncul dapat diketahui tetapi
Lebih terperinciPENAKSIR RATA-RATA DISTRIBUSI EKSPONENSIAL TERPOTONG. Agustinus Simanjuntak ABSTRACT
PENAKSIR RATA-RATA DISTRIBUSI EKSPONENSIAL TERPOTONG Agustinus Simanjuntak Mahasiswa Program Studi S1 Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Riau Kampus Bina Widya Pekanbaru
Lebih terperinciBab 2 LANDASAN TEORI
Bab 2 LANDASAN TEORI 2.1. Penaksiran Parameter Jika adalah nilai parameter populasi yang belum diketahui harganya, maka dapat ditaksir oleh nilai statistik, dan disebut sebagai penaksir atau fungsi keputusan.
Lebih terperinciBab 2 LANDASAN TEORI
17 Bab 2 LANDASAN TEORI 2.1 Aljabar Matriks 2.1.1 Definisi Matriks Matriks adalah suatu kumpulan angka-angka yang juga sering disebut elemen-elemen yang disusun secara teratur menurut baris dan kolom sehingga
Lebih terperinciBAB I PENDAHULUAN. Statistika adalah salah satu cabang ilmu yang mempelajari prosedur-prosedur
BAB I PENDAHULUAN 1.1 Latar Belakang Statistika adalah salah satu cabang ilmu yang mempelajari prosedur-prosedur yang digunakan dalam pengumpulan, penyajian, analisis dan interpretasi data. Statistika
Lebih terperinciI. PENDAHULUAN. merangkum, dan mempresentasikan data dengan cara informatif. Sedangkan
I. PENDAHULUAN 1.1 Latar Belakang Statistika merupakan ilmu tentang pengumpulan, pengaturan, analisis, dan pendugaan data untuk membantu proses pengambilan keputusan secara lebih efisien. Ilmu statistika
Lebih terperinciII.TINJAUAN PUSTAKA. Dalam proses penelitian untuk mengkaji karakteristik pendugaan distribusi
II.TINJAUAN PUSTAKA Dalam proses penelitian untuk mengkaji karakteristik pendugaan distribusi generalized weibull menggunakan metode generalized momen ini, penulis menggunakan definisi dan konsep dasar
Lebih terperinciSEBARAN ASIMTOTIK PENDUGA TURUNAN N PERTAMA DAN KEDUA DARI KOMPONEN PERIODIK FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN LINEAR
SEBARAN ASIMTOTIK PENDUGA TURUNANN PERTAMA DAN KEDUA DARI KOMPONE EN PERIODIK FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN LINEAR SALIWATI SEKOLAH PASCASARJANAA INSTITUT PERTANIAN BOGOR BOGOR
Lebih terperinciBeberapa Peubah Acak Diskret (1) Kuliah 8 Pengantar Hitung Peluang
Beberapa Peubah Acak Diskret (1) Kuliah 8 Pengantar Hitung Peluang rahmaanisa@apps.ipb.ac.id Outline Peubah acak Bernoulli Peubah acak binom Peubah acak geometrik Latihan dan Diskusi Review Peubah Acak
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Proses Poisson Periodik Definisi 2.1 (Proses stokastik) Proses stokastik, adalah suatu himpunan dari peubah acak yang memetakan suatu ruang contoh Ω ke suatu ruang states. Jadi,
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA Dalam bab ini dijelaskan beberapa definisi dan teorema yang digunakan dalam pembahasan selanjutnya. 2.1 Teori Peluang Definisi 2.1.1 (Percobaan Acak) (Ross 2000) Suatu percobaan
Lebih terperinci( x) LANDASAN TEORI. ω Ω ke satu dan hanya satu bilangan real X( ω ) disebut peubah acak. Ρ = Ρ. Ruang Contoh, Kejadian dan Peluang
LANDASAN TEORI Ruang Contoh Kejadian dan Peluang Suatu percobaan yang dapat diulang dalam ondisi yang sama yang hasilnya tida dapat dipredisi secara tepat tetapi ita dapat mengetahui semua emunginan hasil
Lebih terperinciBAB 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 terperinciPENAKSIRAN PARAMETER REGRESI LINIER DENGAN METODE BOOTSTRAP MENGGUNAKAN DATA BERDISTRIBUSI NORMAL DAN UNIFORM
BIAStatistics (2015) Vol. 9, 2, hal. 28-32 PENAKSIRAN PARAMETER REGRESI LINIER DENGAN METODE BOOTSTRAP MENGGUNAKAN DATA BERDISTRIBUSI NORMAL DAN UNIFORM Munawar Jurusan Matematika FMIPA Universitas Syiah
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Dalam bab ini diuraikan beberapa tinjauan pustaka sebagai landasan teori pendukung penulisan penelitian ini. 2.1 Analisis Regresi Suatu pasangan peubah acak seperti (tinggi, berat)
Lebih terperinciPENDUGAAN PARAMETER DISTRIBUSI BETA DENGAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD
Jurnal Matematika UNAND Vol. 3 No. 2 Hal. 23 28 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PENDUGAAN PARAMETER DISTRIBUSI BETA DENGAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD FEBY RIDIANI Program
Lebih terperinciMODEL REGRESI DATA TAHAN HIDUP TERSENSOR TIPE III BERDISTRIBUSI EKSPONENSIAL. Jln. Prof. H. Soedarto, S.H., Tembalang, Semarang.
MODEL REGRESI DATA TAHAN HIDUP TERSENSOR TIPE III BERDISTRIBUSI EKSPONENSIAL Winda Faati Kartika 1, Triastuti Wuryandari 2 1, 2) Program Studi Statistika Jurusan Matematika FMIPA Universitas Diponegoro
Lebih terperinciSyarat Fritz John pada Masalah Optimasi Berkendala Ketaksamaan. Caturiyati 1 Himmawati Puji Lestari 2. Abstrak
Syarat Fritz John pada Masalah Optimasi Berkendala Ketaksamaan Caturiyati 1 Himmawati Puji Lestari 2 1,2 Jurusan Pendidikan Matematika FMIPA UNY 1 wcaturiyati@yahoo.com 2 himmawatipl@yahoo.com Abstrak
Lebih terperinciLANDASAN TEORI. Distribusi Gamma adalah salah satu keluarga distribusi probabilitas kontinu.
II. LANDASAN TEORI Distribusi Gamma adalah salah satu keluarga distribusi probabilitas kontinu. Distribusi ini merupakan distribusi fungsi padat yang terkenal luas dalam bidang matematika. Distribusi gamma
Lebih terperinciKelengkapan Ruang l pada Ruang Norm-n
Jurnal Matematika, Statistika,& Komputasi Vol.... No... 20... Kelengkapan Ruang l pada Ruang Norm-n Meriam, Naimah Aris 2, Muh Nur 3 Abstrak Rumusan norm-n pada l merupakan perumuman dari rumusan norm-n
Lebih terperinciPENDUGAAN ANGKA PUTUS SEKOLAH DI KABUPATEN SEMARANG DENGAN METODE PREDIKSI TAK BIAS LINIER TERBAIK EMPIRIK PADA MODEL PENDUGAAN AREA KECIL SKRIPSI
PENDUGAAN ANGKA PUTUS SEKOLAH DI KABUPATEN SEMARANG DENGAN METODE PREDIKSI TAK BIAS LINIER TERBAIK EMPIRIK PADA MODEL PENDUGAAN AREA KECIL SKRIPSI Disusun Oleh: NANDANG FAHMI JALALUDIN MALIK NIM. J2E 009
Lebih terperinciPERBANDINGAN REGRESI ROBUST PENDUGA MM DENGAN METODE RANDOM SAMPLE CONSENSUS DALAM MENANGANI PENCILAN
E-Jurnal Matematika Vol. 3, No.2 Mei 2014, 45-52 ISSN: 2303-1751 PERBANDINGAN REGRESI ROBUST PENDUGA MM DENGAN METODE RANDOM SAMPLE CONSENSUS DALAM MENANGANI PENCILAN NI PUTU NIA IRFAGUTAMI 1, I GUSTI
Lebih terperinciBAB III KEKONVERGENAN LEMAH
BAB III KEKONVERGENAN LEMAH Bab ini membahas inti kajian tugas akhir. Di dalamnya akan dibahas mengenai kekonvergenan lemah beserta sifat-sifat yang terkait dengannya. Sifatsifat yang dikaji pada bab ini
Lebih terperinciBAB II KAJIAN TEORI. Analisis survival atau analisis ketahanan hidup adalah metode yang
BAB II KAJIAN TEORI BAB II KAJIAN TEORI A. Analisis Survival Analisis survival atau analisis ketahanan hidup adalah metode yang berhubungan dengan jangka waktu, dari awal pengamatan sampai suatu kejadian
Lebih terperinciLANDASAN TEORI. Dalam proses penelitian pendugaan parameter dari suatu distribusi diperlukan
II. LANDASAN TEORI Dalam proses penelitian pendugaan parameter dari suatu distribusi diperlukan beberapa konsep dan teori yang mendukung dari ilmu statistika. Berikut akan dijelaskan beberapa konsep dan
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
3 BAB 2 TINJAUAN PUSTAKA 2.1 Proses Poisson Periodik Definisi 2.1 (Proses stokastik) Proses stokastik adalah suatu himpunan dari peubah acak yang memetakan suatu ruang contoh ke suatu ruang state. Jika
Lebih terperinciMENAKSIR PARAMETER µ DARI N( µ, ) DENGAN METODE BAYES
MENAKSIR PARAMETER µ DARI N( µ, ) DENGAN METODE BAYES Hartayuni Saini 1 1 Jurusan Matematika, FMIPA-UNTAD. e-mail: yunh3_chendist@yahoo.co.id Abstrak Untuk menaksir nilai µ dari N(µ, ) umumnya digunakan
Lebih terperinciTINJAUAN PUSTAKA. Dalam menentukan penduga parameter dari distribusi G3F dan karakteristik dari
II. TINJAUAN PUSTAKA Dalam menentukan penduga parameter dari distribusi G3F dan karakteristik dari penduga tersebut, maka dalam hal ini penulis menggunakan beberapa definisi dan teorema yang berkaitan
Lebih terperinciPENDUGAAN TURUNAN PERTAMA DAN TURUNAN KEDUA DARI FUNGSI INTENSITAS SUATU PROSES POISSON PERIODIK SYAMSURI
PENDUGAAN TURUNAN PERTAMA DAN TURUNAN KEDUA DARI FUNGSI INTENSITAS SUATU PROSES POISSON PERIODIK SYAMSURI SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2007 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI
Lebih terperinciII. LANDASAN TEORI. sementara grafik distribusi F tidak simetrik dan umumnya sedikit positif seperti
4 II. LANDASAN TEORI 2.1 Distribusi F Distribusi F merupakan salah satu distribusi kontinu. Dengan variabel acak X memenuhi batas X > 0, sehingga luas daerah dibawah kurva sama dengan satu, sementara grafik
Lebih terperinciHukum Iterasi Logaritma
Hukum Iterasi Logaritma Sorta Purnawanti 1, Helma 2, Dodi Vionanda 3 1 Mathematics Department State University of Pag, Indonesia 2,3 Lecturers of Mathematics Department State University of Pag, Indonesia
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
1 \ BAB I PENDAHULUAN 1.1 Latar Belakang Informasi-informasi faktual yang diperoleh berdasarkan hasil observasi maupun penelitian sangatlah beragam. Informasi yang dirangkum sedemikian rupa disebut dengan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI.1 Peubah Acak dan Distribusinya.1.1 Peubah Acak Definisi.1: Peubah acak adalah suatu fungsi yang menghubungkan sebuah bilangan real dengan setiap unsur di dalam ruang contoh, (Walpole
Lebih terperinci