Aproksimasi Interval Konfidensi Bootstrap

Ukuran: px
Mulai penontonan dengan halaman:

Download "Aproksimasi Interval Konfidensi Bootstrap"

Transkripsi

1 Jural EKSONENSIAL Volume, Nomor, e ISSN Aroksmas Iterval Kofes Bootstra Aroxmate Cofece Iterval Bootstra Haeru rogram Stu Statstka FIA Uverstas ulawarma Abstract We coser the roblem of costructg aroxmate cofece tervals for a sgle arameter base o bootstra comutato ercetle of a statstcs. he staar aroxmate base o maxmum lkelhoo ˆ ˆ z ca be qute msleag a accurate. I ractce, trcks base o trasformato are ofte use to mrove ther accuracy. he cofece tervals [, ] costructe by usg ths aroach arc also base o exstece mooto trasformato a have trasformato-resectg roerty that s ot ossesse by staar ormal aroxmate. he avatage of ths aroach, at least ractcg, s that t s automatcally cororate the trasformato wthout requrg the statstca to thk them through for each ew alcato. It s hale by bootstra comutato. It s show that the ercetle terval s exact wheever the trasformato kow a t s cosstet also by mea of cofece set.e θ [, ] ( ) coverge to. I ractce we must use some fte umber B retcato, so that settg these tervals we use ote Carlo smulato that rouce [, ] as a aroxmate to the eal bootstra terval. All of the rocess are oe by a comuter rogram S-LUS. Keywors : Bootstra, cofece terval, bootstra ercetle, ote Carlo, trasformato. ENDAHULUAN Dalam bayak masalah feres statstk seorag eelt tertark utuk megkotruks suatu keluarga hmua yag memuat la arameter yag bear ega robabltas yag tgg. Dalam hal yag kerjaka aalah suatu eaksra selag (estmas terval), yak bagamaa membetuk terval raom x atau sgkat, yag memuya eluag tgg memuat. salka g L (x) a g u (x) aalah statstk seemka hgga berlaku : g x θ g x L U Iterval raom [g L (x); g u (x)] amaka terval kofes utuk arameter ega koefse kofes ( ). Dalam tulsa ertmbagka masalah membagu aroksmas terval-terval kofes bootstra utuk suatu arameter tuggal. Iterval-terval kofes exact aat kostruks haya alam kasus arametrk a alam sekt stuas-stuas khusus sehgga umumya yag bagu aalah aroksmas ar terval tersebut. Fokus utama alam teor asmtotk terval kofes aalah aakah cakua robabltas suatu terval koverge ke level omal terval tersebut. Dalam bayak kasus, hmua keercayaa kostruks ega memertmbagka suatu kuattas votal,...,,f berstrbus G. Jka kta aat meuruka θ θ θ ar ertaksamaa L U, maka, meruaka terval kofes ega level -. Utuk kasus maa arameter lokas, maka basaya berbetuk estmator a θ, maa ˆ ˆ estmator varas utuk maka terval kofes exact - utuk aalah: [ ˆ G ( ), ˆ G ( )] Utuk mecar kuattas votal seert atas alam suatu masalah yag berka basaya tak muah, ega kata la tak muah mecar ega G strbus yag ketahu. Jka G tak ketahu maka terval (,) tak aat guaka sebaga terval kofes a utuk tu guaka aroksmas ar G. Dalam eekata asmtotk trasoal G gat ega lmtya. Jka lmt G aalah G (eee ar F) maka G gat ega G. rogram Stu Statstka FIA Uverstas ulawarma

2 Jural EKSONENSIAL Volume, Nomor, e ISSN Aroksmas yag alg bayak aka aalah terval aroksmas ormal staar ega megguaka eorema Lmt usat yak: ˆ z Suatu eekata terval kofes berasarka komutas bootstra tuls oleh Efro. R.Helmers (995) memberka erbaga atara terval kofes staar ega terval kofes bootstra utuk arameter θ μ x F(x) ega F tak ketahu. Beberaa teor asmtotk utuk bootstra bahas oleh Bckel a Freema (98) tetag keakurata tuls oleh Sgh (98). Hall (986) memberka cacah smulas bootstra yag butuhka utuk membagu suatu terval kofes khusus terval kofes ersetl-t berasarka samel strbus kotu. Sebaga eoma Efro a bshra meyaraka utuk megambl B atara 5 sama ega yag cuku memberka estmas yag bak ar se F utuk terval kofes bootstra butuhka B yag lebh besar lag. Dalam tess bahas tetag egkostruksa terval kofes berasarka ersetl bootstra yak terval ersetl B a. Keua terval bagu asarka keaa asums aaya trasformas mooto, amu utuk terval asums yag aka lebh umum ar terval B yatu aaya suku koreks bas z. Dalam eelta aka lhat tgkat akuras keua terval ersetl tersebut a erbagaya ega terval aroksmas ormal staar. Sebaga eujag berka smulas erbaga terval-terval ersetl ega terval berasarka aroksmas ormal staar a ega aroksmas ormal berasarka trasformas. ENGERIAN DASAR SRA rs Dasar Bootstra Defs Jka = (,,, ) samel raom ar F maka,,..., aalah samel raom bootstra yatu samel yag eroleh ar secara raom ega egembala,,..., eee a etk berstrbus bersyarat terhaa. roseur bootstra aat teraka utuk kasus o arametrk mauu arametrk. Dalam keua kasus tersebut, feres asarka aa suatu samel a raom observas ar oulas. Dalam kasus o-arametrk, strbus samel F ambl ar strbus oulas F yag tak ketahu, F sebut strbus emrk ar, yak fugs strbus yag memuya massa / utuk seta ttk aa, seagka utuk (.) kasus arametrk F ketahu. Dalam keua kasus tersebut samel ambl ega resamlg ar suatu strbus yag tetuka samel asl. rs asar alam embetuka samel ega metoe bootstra o-arametrk aalah sebaga berkut:. Kostruks strbus robabltas ar samel, yatu F ega massa / aa seta ttk x, x,, x.. Dega F teta, ambl samel raom ega ukura ar F sebut x, ~ F, =,,,,. ega: Selajutya samel sebut samel bootstra,,,...,. Aroksmas strbus samlg, F, F ega strbus bootstra Dalam kasus arametrk, F ketahu kecual arameter yag tak ketahu. Ja aa kasus arametrk F gat ega F (), suatu aggota ar klas {F (), }. salka λˆ estmator ar htug ar tuls (). maka F F λˆ fugs strbus yag eroleh ega meggat la arameter ea estmas samelya. salka sama raom ar a msalka λˆ λ F Fλˆ meyataka vers λˆ F. Baga yag sult ar roseur bootstra aalah erhtuga yag sebearya ar bootstra. ga metoe erhtuga yag mugk, yatu:. etoe. erhtuga secara lagsug.. etoe. etoe erluasa eret aylor aat guaka utuk memeroleh erkraa mea a varas ar strbus bootstra R.. etoe. Dega smulas ote Carlo utuk strbus bootstra. Dega yag htug ar. aka Fλˆ merealsaska yag bagu ega megambl samel raom berukura a F o sebut x, x,, x, a hstogram yag bersesuaa ega la x, F, x, F,..., x, F ambl sebaga erkraa utuk strbus bootstra yag sebearya. roseur bootstra utuk estmas aalah sebaga berkut: rogram Stu Statstka FIA Uverstas ulawarma

3 Jural EKSONENSIAL Volume, Nomor, e ISSN Estmas F ega F a htug θf.. Dberka,,,, msalka,,..., aalah suatu samel ega strbus F.. salka b,,..., aalah vers bootstra ar.. Dstrbus bawah F, yatu F( ) estmas ega F, strbus ar bawah F. Utuk mejelaska metoe bootstra secara umum aag = (,,, ) yatu besara yag tergatug ar samel = ( t,,, ) a fugs strbus F. Utuk kasus θ, khusus aat ambl maa aalah statstk utuk. Selajutya aka car strbus ar sebaga berkut. G x,,..., x, F x Jelas G yatu fugs strbus ar tak ketahu, karea F tak ketahu. Dalam hal G aka estmas ega bootstra yatu : G x,,...,,,..., maa: aalah samel bootstra a aalah robabltas yag bersesuaa ega Fˆ. Karea = x, = x,, = x ketahu maka a Fˆ ketahu, sehgga aa rsya G aat htug. Syarat Bootstra Bekerja Derhatka kasus khusus yatu jka = (F) = mea oulas ar F a = samel mea maka θ G x,,..., x a aat: x meruaka samel bootstra ar strbus θ, ega eorema.. (Sgh, eorema A) Jka,, samel ega ukura ar suatu oulas berstrbus F a E <, maka μ x x. eorema. Aaka,, -vektor raom ega strbus F, a μ μ maa Σ a E H vers bootstra ar H maka H kosste. Dua teorema atas meujukka bahwa bootstra ega samel bekerja ega bak utuk kasus. Smulas ote Carlo Dberka samel raom,,, ar strbus F. Estmas bootstra memerluka,,..., samel bootstra ar strbus F. Utuk strbus ar kuattas statstk,,...,, estmator bootstra meruaka strbus bersyarat,,...,, jka berka samel (,,, ). aa rsya strbus ketahu. Utuk samel,,, ar blaga yag berbea, aa ( )!/( )!! samel bootstra yag berbea, ja strbus aat eroleh kembal ega eumeras legka. Utuk = basaya meekat. samel bootstra yag aat eumeras. Ja metoe sult bahka tak mugk utuk kerjaka, utuk tu kta guaka suatu metoe yag sagat ouler saat yatu metoe ote Carlo. roses kerja smulas ote Carlo aalah sebaga berkut:. Dega batua komuter, bagu suatu samel,,..., ega ukura, meurut strbus F.. Karea F ketahu, juga F ketahu a aat htug,,..., Fˆ. Ulag baga () a () sebayak B kal, sehgga eroleh.. Kumulka la,,,,...,, B,,,,...,, B a htug strbus emrs B F, Bx I, x. B salka strbus bootstra a H aalah: H / x θ x aka eekata ote Carloya aalah: B (B) H x I θ x B Babu a Sgh (alam Shao (995)) meujukka bahwa aroksmas mote carlo rogram Stu Statstka FIA Uverstas ulawarma

4 Jural EKSONENSIAL Volume, Nomor, e ISSN H (B) aalah seco orer accurate sebaga estmator ar strbus, ega E yag rgkas alam ˆ teorema berkut: Defs.. Jka,, μ/ ˆ samel raom a a B aalah suatu fugs ar yag memeuh B/(log log ) maka utuk, su H x (B) H asmtotk tgkat (frst orer accurate) jka Iterval Kofes -/ θ θ O Hmua keercayaa Defs.. tk kofes aroksmas θ sebut akurat salka,, samel raom ar asmtotk tgkat (seco orer accurate) jka suatu strbus F yag tak ketahu a = - θ θ O (F) arameter yag aka car terval kofesya. Defs..8 Jka C = C (,, ) subset ar yag Suatu fugs strbus (x) kataka haya tergatug aa,, a smetrs jka a haya Ψx Ψ x. θ C Cotoh Φ(x), fugs strbus ormal. (..) Defs.. Jka θ C maka C sebut sebaga hmua keercayaa ega koefse keercayaa atau hmua keercayaa. Defs.. Level yag gka alam suatu hmua keercayaa sebut level omal (omal coverage) yag basaya berka. Basaya guaka a masg-masg sebaga level omal ar terval kofes a ss. Defs.. sal I terval ss, θ atau θ, seemka hgga () θ I, maka: sebut cakua omal ar I () θ I sebut coverage sesugguhya () Coverage error ar I aalah θ I Defs..5 Jka {a } a {b } masg-masg barsa blaga real, { } a { } aalah barsa varabel raom, maka: a. a = O(b ) jka a /b utuk semua a suaru kostata c. b. a = o(b ) jka a /b utuk c. = O ( ) jka ε, N sehgga / ε N. = O ( ) jka ε Lm /. Dalam embcaraa selajutya ertmbagka suatu ttk ujug θ terval satu ss yag megcover. θ, Defs..6 Suatu hmua kofes C kataka akurat asmtotk berorer k jka: -/ θ C O Akbat..7 tk kofes aroksmas θ sebut akurat Eksas Egeworth Dalam embahasa tetag tgkat akuras suatu ttk kofes atau robabltas cakua ar aerah keercayaa, eksas Egeworth a Corsh Fsher sagat besar kotrbusya. Utuk tu alam asal berka secara rgkas tetag eksas-eksas tersebut, khususya utuk statstk yag aka bahas alam bab III. salka,,, varabel raom ega = μ a varas <. Estmas ar aalah ega varas -. Berasarka eorema Lmt usat, S θ/ ~ AN(,). Hall (99) memberka eksas ar strbus S sebaga eret agkat alam -/ yak: / θ / x Φ x x... j/ j x... maa / x π eks x / aalah fugs estas ormal staar a Φx φu u fugs strbus ormal staar Formula (..) keal sebaga eksas Egeworth. Fugs j aalah olomal ega koefse tergatug aa kumula ar θ. Utuk mecar olom-olom buktka ulu beberaa lemma berkut: rogram Stu Statstka FIA Uverstas ulawarma

5 Jural EKSONENSIAL Volume, Nomor, e ISSN Lemma.. Jka,,, aalah samel ar strbus ega mea μ a varas S S, θ/ θ/ t t / /. a maka Defs.. Utuk suatu varabel raom umum ega fugs karakterstk χ, kumula ke j, κ j, ar j! efska sebaga koefse ar j alam eksas ar eret agkat log χ (t) maa j t exκt κ t... κ jt... j! Lemma.. Utuk varabel raom seert alam efs atas berlaku: κ E κ κ κ E E E Var E E E E E E E E E E 6E E E E Lemma.. Utuk S a seert efska sebelumya maka: χ S t ega: t e j/ t r t... r t / r j maa: r j olomal ega koefse real ega erajat j, tergatug aa κ, κ,, κ j+ a tak tergatug aa yatu: r u /!κ u ; r u /κ u /7κ 6 u Lemma..5 Dberka lemma.. a efska e tx R j t x r xe j t maa R j (x) aalah fugs yag memlk trasformas Fourer- t Steltjes sama ega r j x e maka strbus S aat tuls sebaga: S x Φ x / R x... j/ R x... j eorema..6 (etoe Delta utuk Eksas Egeworth) Jka S a ua statstk yag masgmasg berstrbus Normal Asmtotk yag j/ S O utuk seta j memeuh maka Eksas Egeworth strbus S a haya berbea alam suku-suku berorer -j/ atau lebh kecl, yak: j/ S x x O Eksas Corsh-Fsher salka S θ/ θ/ˆ meruaka statstk yag (..) aat eksas alam Eksas Egeworth sal H ~ x S x Φx k / a G x S x Φ x -(k)/ x x O (..) a k / -(k)/ q x x O aka kuatl ar H ~ x a G aat eksas sebaga eret alam -j/ berkut: k - / -(k H ~ x z z O G - )/ k / -(k)/ y z q z O Dega z, x, y efska sebaga: Φ z S x y a j a q j olom gajl(gea) ega erajar j+ jka j gea(gajl) a aat yataka alam j a q j. Eksas (..) a (..) sebut sebaga eksas (vers) Corsh-Fsher. eorema.. Dberka Eksas Egeworth ar a Corsh-Fsher H ~ x efs muka, maka: x seert x, a ' x x/x x x (..) H ~ x alam rogram Stu Statstka FIA Uverstas ulawarma 5

6 Jural EKSONENSIAL Volume, Nomor, e ISSN INERVAL KONFIDENSI SRA otvas Iterval Bootstra Jka θ, θ I terval kofes utuk kuattas a fugs mooto ak yag ketahu maka sagat eal bla kta berhara bahwa I θ, θ meruaka terval kofes utuk (). Sebalkya jka θ, θ meruaka terval ar () maka vers ar masg-masg ttk ujug terval tersebut meruaka terval ar. Dega kata la bersfat trasformas reectg. Iterval yag haslka oleh eekata atas asarka asums aaya tasformas seemka hgga ˆ θ x ~ AN,. Kesulta alam eekata metoe staar berasarka trasformas aalah bahwa kta harus megetahu trasformas yag berbea utuk seta arameter yag aka estmas. Dgka membagu terval kofes ega sfat trasformas resectg amu taa erlu mecar/megetahu trasformas tersebut. Dega kata la metoe aat aag sebaga metoe yag selalu tahu trasformas yag erluka. etoe kerjaka ega erhtuga bootstra, taa erlu megetahu. Iterval ersetl B salka estmator ar ar suatu strbus F a estmator bootstra ar berasarka,,..., strbus kumulatf ar sehgga fugs aalah: x x f K (..) aka terval ersetl bootstra efska sebaga: ( ( ) K, K, K ( ) ega aalah ersetl ke. ar strbus bootstra. Eksres (..) merujuk keaa stuas maa relkas bootstra tak hgga (bootstra eal). Dalam raktek kta harus megguaka cacah relkas B yag berhgga, sehgga aat terval aroksmas ersetl bootstra:, K,K B B ((, () ) maa aalah ersetl ke. ar la-la ( b yak la ke B. alam aftar uruta B relkas ar. Jka B. tak bulat maka quatle emrk a efska masg-masg sebaga la terbesar ke k a ke (B+-k) ar b ega k = [(B+).], blaga bulat terbesar (B+).. Karea sfat smlartas atara batas-batas terval utuk embcaraa selajutya haya bahas batas bawah terval saja. eorema.. Jka aa trasformas ak (x) seemka hgga utuk semua F (a Fˆ ) yag mugk berlaku: ˆ θ x ψx maa ˆ θ a (x) aalah fugs strbus kotu, ak a smetrs maka: Jka a ketahu maka batas bawah exact utuk aalah: θ ˆ z z ψ E, ega eorema.. Jka asums seert aa teorema.. euh utuk Fˆ maka: θb θ E. Dmaa θb batas terval ersetl bootstra. eorema.. meujukka bahwa batas bawah terval ersetl bootstra aalah exact utuk semua jka asums aa teorema.. teat euh (euh secara exact). Umumya asums tersebut euh secara asmtotk utuk besar maka batas bawah ersetl tersebut aalah val secara asmtotk a eamlaya tergatug aa bagamaa bakya aroksmas tersebut. Namu, basaya tak ler a bas ˆ θ tak meuju ol secara ceat utuk. Akbatya asums aa euh secara aroksmas, aroksmas bak haya utuk cuku besar. Aroksmas yag (..) basa aka aalah aroksmas ormal. Iterval ersetl Iterval ersetl (Bas Correcte) turuka ega asums yag lebh umum ar teorema.. ega memasukka suku koreks bas alam asums tersebut. eorema.. Aa aa trasformas ak seemka hgga utuk semua F (a Fˆ ) yag mugk memeuh. ˆ θ z x ψx ega z kostata yag mugk tergatug aa F a. Jka a z serta ketahu rogram Stu Statstka FIA Uverstas ulawarma 6

7 Jural EKSONENSIAL Volume, Nomor, e ISSN maka: θ ˆ z z E (..) eorema.. salka aa seert aa teorema.., maka kostata bas z aalah: z ψ K eorema.. maka θ E Dega K θ E E seert yag aat atas θ aat yataka sebaga: Φ z z Utuk membuktka teorema atas buktka ulu lemma berkut: Lemma.. Utuk seta x, < x < berlaku: K x ˆ ψ x z (..) eorema..5 Batas bawah terval ersetl utuk aalah: θ K ψ z ψ - K Kosstes Berasarka kosstes ar strbus bootstra maka aat tujukka kosstes hmua keercayaa bootstra. eorema.. Jka H θ x, H (x) bootstra ar H, a aaka bahwa H lm H, H utuk suatu kosste serta fugs strbus kotu, strcly creasg a smetr H maka: θ, B θ aalah kosste. erbaga eorts Iterval Kofes Dalam asal aka lhat tgkat akuras ar terval-terval kofes yag teragka muka a yag haslka ega eekata ormal. Utuk membagka sfat-sfat tersebut maka strbus ar statstk a ttk krtsya terlebh ahulu yataka alam eksas Egeworth a eksas Corsh Fsher. tk krts terval kofes Dalam ejelasa erhatka kasus maa a = μ = E, θ a. Aaka g terfferesal a kotu aa a gμ asmtotk ar θ maka varas a estmatorya masg-masg aalah: - g μ' gμ a ' ˆ g - ˆ g maa Σ = var( ) a ˆ ' Lemma.5. (..) salka G a H ~ masg-masg ˆ / ˆ strbus votal stuetze ˆ / varabel staarze x, y G H ~ a. salka a z [aalog utuk eks ], H ~ vers bootstra ar H ~ bawah θ NOR, θ E, θb a θ masgmasg aalah: maka batas () θnor ˆ z ˆ Φ () θe ˆ y ˆ G () H ~ θb ˆ xˆ ˆ (v) θ ˆ xˆ ˆ H ~ ega Φz ẑ ẑ Φ K, θ Eksas Egeworth a Eksas Corsh Fsher G (x) a H ~ x aat eksas Eksas Egeworth sebaga: G / x Φx q x x q x O (.5.5) H ~ x Φ x / / x x x / O (.5.6) ega eksas (vers) Corsh Fsher ar y y G a x x - G z (.5.7) x H ~ - z / q / H ~ aalah: / x x q x x O / x x x x O (.5.8) Vers bootstra ar eksas atas aalah: rogram Stu Statstka FIA Uverstas ulawarma 7

8 Jural EKSONENSIAL Volume, Nomor, e ISSN G (.5.9) H ~ (.5.) ŷ G (.5.) xˆ H ~ / x Φx qˆ x x qˆ x O / / x Φx ˆ x - - ˆ / x x O z z qˆ ˆ / qˆ x / x O / ˆ x / x O (.5.) Lemma.5. Dar hasl eksas-eksas atas maka ttk-ttk krts θ NOR, θ E, θb a θ aat yataka alam eksas-eksas berkut: θ ˆ Φ θ ˆ () NOR θ ˆ G () () (v) E θ B θ ˆ ˆ ˆ z z - ˆ - ˆ z - H ~ / / - H ~ / - ˆ q ˆ / z z O - z O ˆ - z - z - O gkat Akuras Iterval Kofes Bootstra Dalam asal aka tujukka bahwa terval kofes ersetl B a memuya tgkat akuras ertama (frst orer accurate). Dsamg tu juga tujukka bahwa Iterval bootstra lebh bak ar aroksmas ormal tjau ar coverage error ar terval tersebut. eorema.5. Jka θ B, θ aalah terval-terval bootstra seert aa lemma.5. maka: / θ θ B, O / θ θ, O a Coverage Error Iterval Kofes Iterval-terval satu ss yag haslka oleh metoa bootstra ersetl B, a Aroksmas Normal aalah ar tgkat akuras ertama. Ketga terval tersebut aat bagka ega melhat error alam robabltas cakuaya. Utuk ttk krts Bootstra ersetl: θ H ~ θb θ ˆ z z O () 6 Utuk ttk krts Bootstra : / θ θ z z O B z z O () 6 Utuk ttk krts ega eekata ormal: θ θ NOR θ z ˆ z z O 6 () salka e error alam robabltas cakua utuk batas bawah keercayaa. aka ar (), () a () aat: e e θ B eθ NOR Α z O θ NOR eθ Α z O γ z φ z ega Α z Dega asums γ, Bla z z 6 a maka sehgga bootstra lebh bak ar aroksmas ormal yag lebh bak ar bootstra ersetl B tjau ar harga mutlak ar error robabltas cakua. ALIKASI DAN SIULASI eor Asmtotk Koefse Korelas Dalam bab berka cotoh egguaa ar metoe ekostruksa mas-masg terval yag teragka aa Bab III utuk koefse korelas ar (,). salka (, ),, (, ) aalah samel raom berstrbus bvarat ar suatu oulas ega fugs strbus tak ketahu F aa ega E = μ x = a E = μ, var( ) =, cov(,) =. salka x = (F) koefse korelas ar (,) arameter yag aka estmas yag efska sebaga: rogram Stu Statstka FIA Uverstas ulawarma 8

9 Jural EKSONENSIAL Volume, Nomor, e ISSN E E E E,EE E E / Dega ˆ estmator ar yak koefse korelas samel: ˆ, ag aat htug bla la observas berka. eorema. Koefse korelas samel meruaka estmator kosste kosste ar yak jka E, E, maka ˆ,. ˆ Bukt: () Karea E( ) < maka ega SLLN μ μ () Akbatya: μ / μ elah ketahu bahwa: μ μ μ Dega Lemma Slutsky S a ega megambl g(x) = x / aat: S () () Aalog ega () aat () S () μ μ (Dega Lemma Slutsky) μ μ μ μ μ μ aka ega Lemma Slutsky: μ μ () μ μ (.) (5) Dar () sama (5) a ega (.) Lemma Slutsky maka aatka bahwa: ˆ salka ˆ maka fugs strbus Exact ar G / x ˆ kuattas statstk aalah x utuk - < x <. Karea F tak ketahu maka G tak ketahu, sehgga erlu estmas. eorema. Jka E, E ˆ N, τ maka Bukt: salka Z =,,,, aalah a μ= E, E,E, E,E Dega eorema Lmt usat Leberg-Levy utuk kasus multvarat, maka utuk {Z }, I =,,, berstrbus bersama F a EZ = μ, Var(Z ) = Σ, maka: Z μ N, Dega Σ matrks varas-covaras smetrk: Var Cov, Cov, Cov, Cov, Cov, Var Cov Cov, Cov Cov, Cov, Var Cov, Cov, Cov, Cov, Cov, Var Cov Cov, Cov, Cov, Cov, Var Dega eleme ar Σ aalah: Var E E E E μ ) ) Cov, E μ μ ) Var E E E - μ - μ Cov μ μ, E μ μ ) 5) Cov, E μ μ Var E μ, 6) Cov 7) (Aalog ega 5) rogram Stu Statstka FIA Uverstas ulawarma 9

10 Jural EKSONENSIAL Volume, Nomor, e ISSN ) Cov, E μ μ μ Cov, μ 9) μ (Aalog ega ()) Var μ μ ) (Aalog ega ()) μ μ ) Cov, E μ E μ μ Cov, E μ x x E ) μ μ μ μ Cov, ) μ μ (Aalog ega ) Cov, μ ) μ μ (Aalog ega ) 5) Var E E E μ μ μ μ μ a ab E μ μ μ μ Dega b μ salka q q q,q,q,q,,,, aka (.) aat tuls sebaga: q N, (.) Defska fugs r : seemka hgga koefse korelas aat betuk sebaga suatu fugs rata-rata observas, yak: ˆ q r a (.), / q q q q / q q q aat tuls sebaga Karea r(.) kotu a terfferesal, ega megguaka eksas aylor multvarat maka aat betuk berkut: Efro & bshra, 99) r μ r. q rμ q μ 5 q r q q 5 μ R maa R, suku ssa ega orer lebh kecl ar (q μ ) =,,,, 5. salka rμ q μ sebaga erkala vektor ar suku keua ar ersamaa sebelah kaa (.5), kemua ersamaa tu kalka ega a tuls: ˆ r μ q μ R Dar (.) q ~ AN,, maka ega Cramer Wol evce (eorema.5.5) aat smulka: r μ q μ N, τ a varas μ aat car ega metoe elta: μ τ r r (.7) Karea q μ asmtotk ormal a R berorer lebh kecl ar (q μ) maka R, sehgga ega megguaka lemma Slutsky aa (.6) maka: ˆ N, τ Dar (.7), ega meghtug turua arsal ar r(q) utuk q = μ aat: r r τ τ μ μ μ, μ τ, τ, τ, τ, τ 5 μ (.5) ega: μ μ μ τ μ τ μ τ 5 μ μ μ μ,, rogram Stu Statstka FIA Uverstas ulawarma

11 Jural EKSONENSIAL Volume, Nomor, e ISSN μ μ aka varas asmtotk ar ˆ aalah: τ r r maa ab aalah mome samel. salka ˆ koefse korelas samel a ˆ ˆ maka estmator varas ar estmator lug ar ˆ koefse secara kuat utuk. eorema. salka ˆ ˆ, aalah estmator estmator lug ar varas koefse korelas, jka E,, a ˆ ˆ τ utuk E, maka Bukt: Dar teorema (.) ˆ ˆ N, τ salka ˆ ˆ ˆ ˆ τˆ, maka: ˆ estmator lug ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ Dar teorema (.) ˆ ˆ ˆ ˆ ˆˆ ˆ, a ega SLLN a, a ega megambl g(x) = x / serta g(x) = x / aka memberka ˆ, ˆ, ˆ, ˆ. Juga ega SLLN ˆ ab E a a μ μ b b eggat teorema tetag koverges ar jumlah a hasl kal, jka a aat: ˆ ˆ τ utuk. Utuk kasus arametrk maka asumska oulas berstrbus ormal bvarat. eorema. Jka F aalah Φ μ,μy,,, strbus Gaussa ega mea μ μ μ Varas Bukt: aalah (.8) a covara matrk. μ ~ salka ~ μ ~ ~ N, ~, maka Jka (.7) euh maka aa matrk x I ~ ~ N, ~ memeuh Z Z yag seemka hgga: Dega megguaka oeras matrk aa akar a vektor karakterstk, maka aat yak, Karea Z a Z Normal maka: EZ EZ,EZZ EZ Z, EZZ akbatya: a ; (.) Karea ~ a ~ ormal staar maka: ; a ab rogram Stu Statstka FIA Uverstas ulawarma

12 Jural EKSONENSIAL Volume, Nomor, e ISSN Dega mesubsttuska (.) a (.) ke (.8) aat (Ausr, kk:995) Utuk aat membagka ega terval ersetl erlu car seemka hgga asums aa terval ersetl euh. eorema.5 Jka F aalah Φ μ,μy,,, aa teorema (.), maka aa fugs a estmasya ˆ yag terfferesal a kotu seemka hgga ˆ ~ N,. Bukt: Karea ˆ N, ˆ maka ega metoe elta: ˆ N, ˆ ' (.) Varas ar strbus atas = jka ˆ ' sehgga log C Bootstra Koefse Korelas salka, ', C kosta. a, =,,, samel bootstra ar strbus emrk Fˆ yag ambl ega egembala ar samel ukura. aka vers bootstra utuk samel korelas aalah: ˆ, Iterval Kofes Koefse Korelas a. eekata Normal Staar Jka ˆ G x x, ega τˆ megguaka eekata ormal / G x Φ x O aat terval kofes - aroksmas ormal staar: ˆ τˆ τˆ z,ˆ z ega ˆ estmator ar. / b. Dega rasformas Normal Staar lh log ˆ ~ N, yatu: ˆ / z, ˆ z ega aat terval utuk / Iterval utuk eroleh ega megverska terval (.) ega megguaka tage herbolk. c. Iterval Aroksmas Bootstra ersetl Iterval ersetl aat ega meghtug ersetl a ar relkas bootstra ar ˆ. Utuk B = maka batas terval 95% utuk aalah la ke 5 a 975 masg-masg ˆ utuk batas bawah a atas ar relkas yag telah urutka.. Iterval Bootstra ersetl Iterval ersetl eroleh ega cara yag sama seert aa Iterval Bootstra ersetl kecual aa Iterval ersetl gat ega ega Φẑ z - Φẑ z serta ẑ ẑ - Φ robˆ ˆ ˆ atau b # ˆ ˆ Φ B a rogram Smulas Smulas utuk terval bootstra B a megguaka S-lus ega batua komuter. Utuk smulas bagu samel raom ega ukura. Beberaa ut yag erluka atara la: (ukura samel, R a R ( samel raom eee ar strbus ormal ega mea μ a varas ), B (cacah relkas), rh (koefse korelas oulas). Utuk megkotruks samel raom ormal bvarat ega mea μ = (μ, μ ) a varas (Efro & bshra, 99): guaka = μ + R μ R CR c trasformas ega C Dalam smulas ambl μ = μ = a. Lagkah-lagkah roses smulas:. Defska semua statstk yag erluka. rogram Stu Statstka FIA Uverstas ulawarma

13 Jural EKSONENSIAL Volume, Nomor, e ISSN Bagu ua samel raom ormal eee R a R ega ukura.. Guaka trasformas (..) a (..) utuk membagu strbus ormal bvarat. ˆ a ˆ.. Htug 5. Kotrbus terval kofes utuk ega aroksmas ormal staar a ega trasformas. 6. Kotruks terval kofes utuk ega metoa bootstra ersetl a ersetl megguaka cacah relkas B. 7. Buat hstogram ar semua terval kofes. Sela smulas terval kofes utuk koefse korelas berka juga smulas seerhaa terval kofes utuk arameter = e μ, ega μ mea oulas a samel ambl ar strbus ormal staar,,. Sebaga embag teta htug terval kofes ega eekata ormal staar a trasformas ormal, yak = log x. Lagkahlagkah smulas aalog seert aa koefse korelas teta lebh seerhaa a embahasa secara teorts tak berka. KESIULAN DAN SARAN Berasarka embahasa yag telah uraka sebelumya, maka aat smulka bahwa terval kofes berasarka ersetl Bootstra bersfat trasformato-resectg yag tak mlk oleh terval ormal staar. Dsamg tu alam membagu terval tersebut kta tak erlu tahu trasformas yag guaka karea kerjaka lagsug ar erhtuga bootstra. Semua terval yag bahas muka termasuk terval Normal Staar memuya tgkat akuras ertama amu alam hal coverage error, terval ersetl memuya error yag lebh kecl bagka ega terval ormal a terval ersetl B. etoe ersetl kelhata lebh rakts alam eeraaya a tak meymag ar eekata trasoal. Berasarka hasl eelta Efro (987) terval ersetl aat tgkatka akurasya ega asums yag lebh umum. asalah tak bahas meggat waktu a kemamua euls yag terbatas, sehgga saraka utuk melakuka eelta tetag hal tu. Duewcz, E.J. a shra, S.N., 988, oer athematcal Statstcs Joh Wley & Sos. New ork. Efro, B., 979, Bootstra etho: Aother look at the jackfe. Aals of Statstcs, 7, , 987, Better Bootstra Cofece Itervals (wth scusso). Joural fo the Amerca Statstcal Assocato. Vol.8, No.97, 7-. Efro, B. a bshra, R., 99, A Itroucto to the Bootstra. Chama & Hall. New ork. Hall,., 988, heoretcal Comarso of Bootstra Cofece Itervals (wth scusso). Aals of Statstcs, 6, , 99, he Bootstra a Egeworth Exaso. Srger-Verlag New ork. Helmers, R., 995, Bootstra Aroxmato: heory a Alcato. Uublshe aer, Amsteram. Serflg, R. J., 98, Aroxmato heorems of athematcal Statstcs. Wley, New ork. Shao, J. a u, D., 995, he Jackfe a Bootstra. Srger Verlag New ork. Sgh, K., 98, O the Asymtotc Accuracy of Efro s Bootstra. Aals of Statstcs, Vol.9, No. 6, Statstcal Sceces,Ic., 99, S-LUS for Wows s User s auals, Verso., Seatle: Statstcal Sceces, Ic. Zulaela, at al., 995, Bootstrag Lear Regresso oels, Research Worksho Statstc. Uublshg mauscrt. Baug. DAFAR USAKA Bckel,.J. a Freema, D.A, 98, Some Asymtotc heory For he Bootstra. Aals of Statstcs. Vol. 9, No. 6, Dccco,. a bshra, R, 987, Bootstra Cofece Itervals a Bootstra Aroxmatos. Joural of the Amerca Statstcal Assocato, vol.8, No.97, 6-7. rogram Stu Statstka FIA Uverstas ulawarma

14 Jural EKSONENSIAL Volume, Nomor, e ISSN rogram Stu Statstka FIA Uverstas ulawarma

BAB III ISI. x 2. 2πσ

BAB 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 terperinci

MINGGU KE-10 HUBUNGAN ANTAR KONVERGENSI

MINGGU KE-10 HUBUNGAN ANTAR KONVERGENSI MINGGU KE-0 HUBUNGAN ANTAR KONVERGENSI Hubuga atar koverges Hrark atar koverges dyataka dalam teorema berkut. Teorema Msalka X da X, X, X 3,... adalah varabel radom yag ddefska pada ruag probabltas yag

Lebih terperinci

Ruang Banach. Sumanang Muhtar Gozali UNIVERSITAS PENDIDIKAN INDONESIA

Ruang Banach. Sumanang Muhtar Gozali UNIVERSITAS PENDIDIKAN INDONESIA Ruag Baach Sumaag Muhtar Gozal UNIVERSITAS PENDIDIKAN INDONESIA Satu kose etg d kulah Aalss ugsoal adalah teor ruag Baach. Pada baga aka drevu defs, cotoh-cotoh, serta sfat-sfat etg ruag Baach. Kta aka

Lebih terperinci

TAKSIRAN YANG LEBIH EFISIEN UNTUK PARAMETER PADA DISTRUSI WEIBULL. Erma Kusuma Wati 1), Sigit Sugiarto 2), Bustami 2)

TAKSIRAN YANG LEBIH EFISIEN UNTUK PARAMETER PADA DISTRUSI WEIBULL. Erma Kusuma Wati 1), Sigit Sugiarto 2), Bustami 2) TAKSIRAN YANG LEBIH EFISIEN UNTUK PARAMETER PADA DISTRUSI WEIBULL Erma Kusuma Wat, Sgt Sugarto, Bustam emakusumawat7@yahooco Mahasswa Program S Matematka Dose Matematka, Jurusa Matematka Fakultas Matematka

Lebih terperinci

DISTRIBUSI NORMAL MULTIVARIAT

DISTRIBUSI NORMAL MULTIVARIAT DISTRIBUSI NORMAL MULTIVARIAT 4.6 Meaksr Asums-asums Keormala Paa embahasa tekk-tekk statstk multvarat, aka bayak asumska bahwa seta vektor observas X berstrbus ormal multvarat. Dketahu ula aa saat ukura

Lebih terperinci

FORMULA BINET DAN JUMLAH n SUKU PERTAMA PADA GENERALISASI BILANGAN FIBONACCI DENGAN METODE MATRIKS. Purnamayanti 1 Thresye 2 Na imah Hijriati 3

FORMULA BINET DAN JUMLAH n SUKU PERTAMA PADA GENERALISASI BILANGAN FIBONACCI DENGAN METODE MATRIKS. Purnamayanti 1 Thresye 2 Na imah Hijriati 3 Jural Matematka Mur a eraa ol 6 No Ju : 38-46 ORMULA BINE AN JUMLAH SUKU PERAMA PAA GENERALISASI BILANGAN IBONACCI ENGAN MEOE MARIKS Puramayat hresye Na mah Hrat 3 [] Alum Mahasswa PS Matematka MIPA Uverstas

Lebih terperinci

PENAKSIR PARAMETER DISTRIBUSI EKSPONENSIAL PARETO DENGAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD

PENAKSIR PARAMETER DISTRIBUSI EKSPONENSIAL PARETO DENGAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD PENAKSIR PARAMETER DISTRIBUSI EKSPONENSIAL PARETO DENGAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD Mayag Novhta Sar *, Bustam, Sgt Sugarto Mahasswa Program Stud S Matematka FMIPA Uverstas Rau Dose Fakultas

Lebih terperinci

BAB 5 BARISAN DAN DERET KOMPLEKS. Secara esensi, pembahasan tentang barisan dan deret komlpeks sama dengan barisan dan deret real.

BAB 5 BARISAN DAN DERET KOMPLEKS. Secara esensi, pembahasan tentang barisan dan deret komlpeks sama dengan barisan dan deret real. BAB 5 BARIAN DAN DERET KOMPLEK ecara eses, pembahasa tetag barsa da deret komlpeks sama dega barsa da deret real. 5. Barsa Barsa merupaka sebuah fugs dega doma berupa hmpua blaga asl N. ebuah barsa kompleks

Lebih terperinci

( ) ( ) ( ) ( ) ( ) III MODEL. , θ Ω. 1 Pendugaan parameter dengan metode maximum lkelihood estimation dapat diperoleh dari:

( ) ( ) ( ) ( ) ( ) 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 terperinci

MENENTUKAN POLINOMIAL MINIMAL ATAS GF p YANG MEMBANGUN GF p. Nunung Andriani 1 dan Bambang Irawanto 2

MENENTUKAN POLINOMIAL MINIMAL ATAS GF p YANG MEMBANGUN GF p. Nunung Andriani 1 dan Bambang Irawanto 2 MENENTUKAN POLINOMIAL MINIMAL ATAS GF YANG MEMBANGUN GF Nuug Ara 1 a Bambag Irawato 1 Jurusa Matematka FMIPA UNDIP Jl Pro H Soearto SH Tembalag Semarag Abstract Let F s te el wth elemets eote by GF I E

Lebih terperinci

BAB II TINJAUAN PUSTAKA

BAB II TINJAUAN PUSTAKA BAB II TINJAUAN PUSTAKA. Peahulua Dalam bab aka membahas megea teor-teor tetag statstka oparametrk, korelas parsal tau Keall a korelas parsal meurut Ebuh GU a Oeka ICA.. Statstka Noparametrk Istlah oparametrk

Lebih terperinci

INTERVAL KEPERCAYAAN UNTUK PERBEDAAN KOEFISIEN VARIASI DARI DISTRIBUSI LOGNORMAL I. Pebriyani 1*, Bustami 2, S. Sugiarto 2

INTERVAL KEPERCAYAAN UNTUK PERBEDAAN KOEFISIEN VARIASI DARI DISTRIBUSI LOGNORMAL I. Pebriyani 1*, Bustami 2, S. Sugiarto 2 INTERVAL KEPERCAAAN UNTUK PERBEDAAN KOEFIIEN VARIAI DARI DITRIBUI LOGNORMAL I. Pebrya * Bustam. ugarto Mahasswa Program Matematka Dose Jurusa Matematka Fakultas Matematka da Ilmu Pegetahua Alam Uverstas

Lebih terperinci

KALKULUS LANJUT. Pertemuan ke-4. Reny Rian Marliana, S.Si.,M.Stat.

KALKULUS LANJUT. Pertemuan ke-4. Reny Rian Marliana, S.Si.,M.Stat. KALKULUS LANJUT Pertemua ke-4 Rey Ra Marlaa, S.S.,M.Stat. Plot Mater Notas Jumlah & Sgma Itegral Tetu Jumlah Rema Pedahulua Luas Notas Jumlah & Sgma Purcell, et all. (page 226,2003): Sebuah fugs yag daerah

Lebih terperinci

BAB II LANDASAN TEORI. Dalam pengambilan sampel dari suatu populasi, diperlukan suatu

BAB II LANDASAN TEORI. Dalam pengambilan sampel dari suatu populasi, diperlukan suatu BAB II LADASA TEORI Dalam pegambla sampel dar suatu populas, dperluka suatu tekk pegambla sampel yag tepat sesua dega keadaa populas tersebut. Sehgga sampel yag dperoleh adalah sampel yag dapat mewakl

Lebih terperinci

BAB 2 LANDASAN TEORI. Regresi linier sederhana yang variabel bebasnya ( X ) berpangkat paling tinggi satu.

BAB 2 LANDASAN TEORI. Regresi linier sederhana yang variabel bebasnya ( X ) berpangkat paling tinggi satu. BAB LANDASAN TEORI. Regres Ler Sederhaa Regres ler sederhaa yag varabel bebasya ( berpagkat palg tgg satu. Utuk regres ler sederhaa, regres ler haya melbatka dua varabel ( da. Persamaa regresya dapat dtulska

Lebih terperinci

BAB III PERSAMAAN PANAS DIMENSI SATU

BAB III PERSAMAAN PANAS DIMENSI SATU BAB III PERSAMAAN PANAS DIMENSI SAU Pada baga sebelumya, kta telah membahas peerapa metoda Ruge-Kutta orde 4 utuk meyelesaka masalah la awal dar persamaa dferesal basa orde. Pada bab, kta aka melakuka

Lebih terperinci

SIFAT-SIFAT LANJUT FUNGSI TERBATAS

SIFAT-SIFAT LANJUT FUNGSI TERBATAS Bulet Ilmah Mat. Stat. da Terapaya (Bmaster) Volume 03, No. 2(204), hal 35 42. SIFAT-SIFAT LANJUT FUNGSI TERBATAS Suhard, Helm, Yudar INTISARI Fugs terbatas merupaka fugs yag memlk batas atas da batas

Lebih terperinci

Penaksiran Parameter Model Regresi Polinomial Berkson Menggunakan Metode Minimum Distance

Penaksiran Parameter Model Regresi Polinomial Berkson Menggunakan Metode Minimum Distance Peaksra Parameter Model Regres Polomal Berkso Megguaka Metode Mmum Dstace Da Kurawat Dearteme Matematka, FMIPA UI, Kamus UI Deok 16 da61@gmal.com Abstrak Berkso Measuremet Error Model meruaka model regres

Lebih terperinci

BAB 2. Tinjauan Teoritis

BAB 2. Tinjauan Teoritis BAB Tjaua Teorts.1 Regres Lear Sederhaa Regres lear adalah alat statstk yag dperguaka utuk megetahu pegaruh atara satu atau beberapa varabel terhadap satu buah varabel. Varabel yag mempegaruh serg dsebut

Lebih terperinci

ESTIMASI PARAMETER REGRESI GANDA MENGGUNAKAN BOOTSTRAP DAN JACKNIFE.

ESTIMASI PARAMETER REGRESI GANDA MENGGUNAKAN BOOTSTRAP DAN JACKNIFE. Prosdg Semar Nasoal Alkas Sas & Tekolog (SNAST) Yogakarta, 6 November 6 ISSN : 979 9X eissn : 54 58X ESTIMASI PARAMETER REGRESI GANDA MENGGUNAKAN BOOTSTRAP DAN JACKNIFE Noerat, Rka Herda,, Jurusa Statstka,

Lebih terperinci

Proses inferensi pada model logit Agus Rusgiyono. Abstracts

Proses inferensi pada model logit Agus Rusgiyono. Abstracts Proses eres ada model logt Agus Rusgoo Let dstrbuto wth Abstracts 3 rereset the resose o a omal radom varable o Beroull P P where s a arameter wth ukow value. Problems o estmatg used smallest square methods

Lebih terperinci

II. LANDASAN TEORI. Pada bab II ini, akan dibahas pengertian-pengertian (definisi) dan teoremateorema

II. LANDASAN TEORI. Pada bab II ini, akan dibahas pengertian-pengertian (definisi) dan teoremateorema II. LANDAAN TEORI Pada bab II aka dbahas pegerta-pegerta (defs) da teoremateorema ag medukug utuk pembahasa pada bab IV. Pegerta (defs) da teorema tersebut dtulska sebaga berkut.. Teorema Proeks Teorema

Lebih terperinci

BAB 2 LANDASAN TEORI. perkiraan (prediction). Dengan demikian, analisis regresi sering disebut sebagai

BAB 2 LANDASAN TEORI. perkiraan (prediction). Dengan demikian, analisis regresi sering disebut sebagai BAB LANDASAN TEORI. Kosep Dasar Aalss Regres Aalss regres regressso aalyss merupaka suatu tekk utuk membagu persamaa da megguaka persamaa tersebut utuk membuat perkraa predcto. Dega demka, aalss regres

Lebih terperinci

BAB II KAJIAN LITERATUR

BAB II KAJIAN LITERATUR BAB II Kaja Lteratur 4 BAB II KAJIAN LITERATUR. Jarak Mahalaobs Megut artkel tetag jarak Mahalaobs dar htt://e.wkeda.org ada 8 Maret 008, jarak Mahalaobs adalah ukura jarak yag derkealka oleh Prasata Chadra

Lebih terperinci

BAB 2 LANDASAN TEORI. Regresi linier sederhana merupakan bagian regresi yang mencakup hubungan linier

BAB 2 LANDASAN TEORI. Regresi linier sederhana merupakan bagian regresi yang mencakup hubungan linier BAB LANDASAN TEORI. Regres Ler Sederhaa Regres ler sederhaa merupaka baga regres yag mecakup hubuga ler satu peubah acak tak bebas dega satu peubah bebas. Hubuga ler da dar satu populas dsebut gars regres

Lebih terperinci

BAB III UKURAN PEMUSATAN DATA

BAB III UKURAN PEMUSATAN DATA BAB III UKURAN PEMUSATAN DATA A. Ukura Gejala Pusat Ukura pemusata adalah suatu ukura yag meujukka d maa suatu data memusat atau suatu kumpula pegamata memusat (megelompok). Ukura pemusata data adalah

Lebih terperinci

BAB III INTEGRAL RIEMANN-STIELTJES. satu pendekatan untuk membentuk proses titik. Berkaitan dengan masalah

BAB III INTEGRAL RIEMANN-STIELTJES. satu pendekatan untuk membentuk proses titik. Berkaitan dengan masalah BAB III INEGRAL RIEMANN-SIELJES. Pedahulua Pada Bab, telah dsggug bahwa ukura meghtug merupaka salah satu pedekata utuk membetuk proses ttk. Berkata dega masalah perhtuga, ada hal meark yag perlu amat,

Lebih terperinci

Uji Statistika yangb digunakan dikaitan dengan jenis data

Uji Statistika yangb digunakan dikaitan dengan jenis data Uj Statstka yagb dguaka dkata dega jes data Jes Data omal Ordal Iterval da Raso Uj Statstka Koefse Kotges Rak Spearma Kedall Tau Korelas Parsal Kedall Tau Koefse Kokordas Kedall W Pearso Korelas Gada Korelas

Lebih terperinci

PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM

PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM 1 Megetahu perhtuga persamaa regres ler Meggambarka persamaa regres ler ke dalam dagram pecar TEORI PENUNJANG Persamaa Regres adalah persamaa matematka

Lebih terperinci

NORM VEKTOR DAN NORM MATRIKS

NORM VEKTOR DAN NORM MATRIKS NORM VEKTOR DN NORM MTRIK umaag Muhtar Gozal UNIVERIT PENDIDIKN INDONEI. Pedahulua Jka kta membcaraka topk ruag vektor maka cotoh sederhaa yag dapat kta ambl adalah ruag Eucld R. D ruag kta medefska pajag

Lebih terperinci

11/10/2010 REGRESI LINEAR SEDERHANA DAN KORELASI TUJUAN

11/10/2010 REGRESI LINEAR SEDERHANA DAN KORELASI TUJUAN // REGRESI LINEAR SEDERHANA DAN KORELASI. Model Regres Lear. Peaksr Kuadrat Terkecl 3. Predks Nla Respos 4. Iferes Utuk Parameter-parameter Regres 5. Kecocoka Model Regres 6. Korelas Utrwe Mukhayar MA

Lebih terperinci

STATISTIK. Ukuran Gejala Pusat Ukuran Letak Ukuran Simpangan, Dispersi dan Variasi Momen, Kemiringan, dan Kurtosis

STATISTIK. Ukuran Gejala Pusat Ukuran Letak Ukuran Simpangan, Dispersi dan Variasi Momen, Kemiringan, dan Kurtosis STATISTIK Ukura Gejala Pusat Ukura Letak Ukura Smpaga, Dspers da Varas Mome, Kemrga, da Kurtoss Notas Varabel dyataka dega huruf besar Nla dar varabel dyataka dega huruf kecl basaya dtuls Tmes New Roma

Lebih terperinci

Ukuran Pemusatan Data. Arum Handini P., M.Sc Ayundyah K., M.Si.

Ukuran Pemusatan Data. Arum Handini P., M.Sc Ayundyah K., M.Si. Ukura Pemusata Data Arum Had P., M.Sc Ayudyah K., M.S. Notas utuk Populas da Sampel Notas: Mea (rata-rata) Sample x Populas μ Varas s 2 σ 2 Smpaga baku s σ Ukura Pemusata Data 1. Mea (rata-rata) 2. Meda

Lebih terperinci

UKURAN GEJALA PUSAT DAN UKURAN LETAK

UKURAN GEJALA PUSAT DAN UKURAN LETAK UKURAN GEJALA PUSAT DAN UKURAN LETAK MODUL 4 UKURAN GEJALA PUSAT DAN UKURAN LETAK. Pedahulua Utuk medapatka gambara yag lebh jelas tetag sekumpula data megea sesuatu persoala, bak megea sampel atau pu

Lebih terperinci

Di dunia ini kita tidak dapat hidup sendiri, tetapi memerlukan hubungan dengan orang lain. Hubungan itu pada umumnya dilakukan dengan maksud tertentu

Di dunia ini kita tidak dapat hidup sendiri, tetapi memerlukan hubungan dengan orang lain. Hubungan itu pada umumnya dilakukan dengan maksud tertentu KORELASI 1 D dua kta tdak dapat hdup sedr, tetap memerluka hubuga dega orag la. Hubuga tu pada umumya dlakuka dega maksud tertetu sepert medapat kergaa pajak, memperoleh kredt, memjam uag, serta mta pertologa/batua

Lebih terperinci

Penarikan Contoh Acak Berlapis (Stratified Random Sampling) Pertemuan IV

Penarikan Contoh Acak Berlapis (Stratified Random Sampling) Pertemuan IV Pearka Cotoh Acak Berlas (Stratfed Radom Samlg Pertemua IV Defs Cotoh acak berlas ddaatka dega cara membag oulas mejad beberaa kelomok ag tdak salg tumag tdh, da kemuda megambl secara acak dar seta kelomokkelomok

Lebih terperinci

TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD

TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD Eka Mer Krst ), Arsma Ada ), Sgt Sugarto ) ekamer_tross@ymal.com ) Mahasswa Program S Matematka FMIPA-UR

Lebih terperinci

PENDAHULUAN. Di dalam modul ini Anda akan mempelajari teori gangguan bebas waktu yang mencakup:

PENDAHULUAN. Di dalam modul ini Anda akan mempelajari teori gangguan bebas waktu yang mencakup: PENDAULUAN D dalam modul Ada aka mempelajar teor gaggua bebas waktu yag mecakup: teor gaggua tak degeeras bebas waktu, teor gaggua degeeras bebas waktu, da efek Stark. Oleh karea tu, sebelum mempelajar

Lebih terperinci

SOLUSI TUGAS I HIMPUNAN

SOLUSI TUGAS I HIMPUNAN Program Stud S1 Tekk Iformatka Fakultas Iformatka, Telkom Uversty SOLUSI TUGAS I HIMPUNAN Matematka Dskrt (MUG2A3) Halama 1 dar 6 Soal 1 Tetukalah eleme-eleme dar hmpua berkut! 2 x x adalah blaga real

Lebih terperinci

Volume 1, Nomor 2, Desember 2007

Volume 1, Nomor 2, Desember 2007 Volume, Nomor, Desember 007 Barekeg, Desember 007. hal.-7 Vol.. No. ESTIMASI PARAMETER DISTRIBUSI EKPONENSIAL PADA LOKASI TERBATAS (Estmatg Parameter Dstrbuto Expoetal At Fte Locato MOZART W TALAKUA, JEFRI

Lebih terperinci

Prosiding SNaPP2011 Sains, Teknologi, dan Kesehatan. 1 Joko Riyono. (Kampus A Jl.Kiyai Tapa No.1,Jakarta11440)

Prosiding SNaPP2011 Sains, Teknologi, dan Kesehatan. 1 Joko Riyono. (Kampus A Jl.Kiyai Tapa No.1,Jakarta11440) Prosdg NaPP as, Tekolog, da Kesehata IN:89-58 MODIFIKAI TATITIK UJI-t PADA TET INFERENIA MEAN MEREDUKI PENGARUH KEAIMETRIKAN POPULAI MENGGUNAKAN EKPANI CORNIH-FIHER Joko Ryoo taf.pegajar Fakultas Tekolog

Lebih terperinci

; θ ) dengan parameter θ,

; θ ) dengan parameter θ, Vol. 4. No. 3, 5-59, Desember 00, ISSN : 40-858 APLIKASI METODE BESARAN PIVOTAL DALAM PENENTUAN SELANG KEYAKINAN TAKSIRAN PARAMETER POPULASI. Agus Rusgyoo Jurusa Matematka FMIPA UNDIP Abstraks Dberka populas

Lebih terperinci

ANALISIS REGRESI. Model regresi linier sederhana merupakan sebuah model yang hanya terdiri dari satu peubah terikat dan satu peubah penjelas:

ANALISIS REGRESI. Model regresi linier sederhana merupakan sebuah model yang hanya terdiri dari satu peubah terikat dan satu peubah penjelas: ANALISIS REGRESI Pedahulua Aalss regres berkata dega stud megea ketergatuga satu peubah (peubah terkat) terhadap satu atau lebh peubah laya (peubah pejelas). Jka Y dumpamaka sebaga peubah terkat da X1,X,...,X

Lebih terperinci

BAB IX PENGGUNAAN STATISTIK DALAM SIMULASI

BAB IX PENGGUNAAN STATISTIK DALAM SIMULASI BAB IX PENGGUNAAN STATISTIK DALAM SIMULASI 9.1. Dstrbus Kotu Dstrbus memlk sfat kotu dmaa data yag damat berjala secara kesambuga da tdak terputus. Maksudya adalah bahwa data yag damat tersebut tergatug

Lebih terperinci

LANGKAH-LANGKAH UJI HIPOTESIS DENGAN 2 (Untuk Data Nominal)

LANGKAH-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 terperinci

MATEMATIKA INTEGRAL RIEMANN

MATEMATIKA INTEGRAL RIEMANN MATEMATIKA KELAS XII IPA - KURIKULUM GABUNGAN Ses NGAN INTEGRAL RIEMANN A. NOTASI SIGMA a. Defs Notas Sgma Sgma (Σ) adalah otas matematka megguaka smbol yag mewakl pejumlaha da beberapa suku yag memlk

Lebih terperinci

Bab II Teori Pendukung

Bab II Teori Pendukung Bab II Teor Pedukug.. asar Statstka Utuk keperlua peaksra outstadg clams lablty, pegetahua dalam statstka mead hal yag petg. asar statstka yag dguaka dalam tess atara la :. strbus ormal Sebuah peubah acak

Lebih terperinci

BAB I PENDAHULUAN. 1.1 Statistika Deskriptif dan Statistika Inferensial. 1.2 Populasi dan Sampel

BAB I PENDAHULUAN. 1.1 Statistika Deskriptif dan Statistika Inferensial. 1.2 Populasi dan Sampel BAB I PENDAHULUAN 1.1 Statstka Deskrptf da Statstka Iferesal Dewasa d berbaga bdag lmu da kehdupa utuk memaham/megetahu sesuatu dperluka dat Sebaga cotoh utuk megetahu berapa bayak rakyat Idoesa yag memerluka

Lebih terperinci

BAB III MENYELESAIKAN MASALAH REGRESI INVERS DENGAN METODE GRAYBILL. Masalah regresi invers dengan bentuk linear dapat dijumpai dalam

BAB III MENYELESAIKAN MASALAH REGRESI INVERS DENGAN METODE GRAYBILL. Masalah regresi invers dengan bentuk linear dapat dijumpai dalam BAB III MENYELESAIKAN MASALAH REGRESI INVERS DENGAN METODE GRAYBILL 3. Pegerta Masalah regres vers dega betuk lear dapat djumpa dalam berbaga bdag kehdupa, dataraya dalam bdag ekoom, kesehata, fska, kma

Lebih terperinci

TUGAS MATA KULIAH TEORI RING LANJUT MODUL NOETHER

TUGAS MATA KULIAH TEORI RING LANJUT MODUL NOETHER TUGAS ATA KULIAH TEORI RING LANJUT ODUL NOETHER Da Aresta Yuwagsh (/364/PPA/03489) Sebelumya, telah dketahu bahwa sebaga rg dega eleme satua memeuh sfat rata ak utuk deal-deal d. Apabla dpadag sebaga modul,

Lebih terperinci

BAB III ESTIMASI MODEL PROBIT TERURUT

BAB III ESTIMASI MODEL PROBIT TERURUT BAB III ESTIMASI MODEL PROBIT TERURUT 3. Pedahulua Model eurua kods embata destmas dega model robt terurut. Estmas terhada arameter model robt terurut yatu koefse model da threshold dlakuka dega metode

Lebih terperinci

BAB 6 PRINSIP INKLUSI DAN EKSKLUSI

BAB 6 PRINSIP INKLUSI DAN EKSKLUSI BB 6 PRINSIP INKLUSI DN EKSKLUSI Pada baga aka ddskuska topk berkutya yatu eumeras yag damaka Prsp Iklus da Eksklus. Kosep dalam bab merupaka perluasa de dalam Dagram Ve beserta oepras rsa da gabuga, amu

Lebih terperinci

PENDAHULUAN Metode numerik merupakan suatu teknik atau cara untuk menganalisa dan menyelesaikan masalah masalah di dalam bidang rekayasa teknik dan

PENDAHULUAN Metode numerik merupakan suatu teknik atau cara untuk menganalisa dan menyelesaikan masalah masalah di dalam bidang rekayasa teknik dan Aalsa Numerk Baha Matrkulas PENDAHULUAN Metode umerk merupaka suatu tekk atau cara utuk megaalsa da meyelesaka masalah masalah d dalam bdag rekayasa tekk da sa dega megguaka operas perhtuga matematk Masalah-masalah

Lebih terperinci

BAB IV BATAS ATAS BAGI JARAK MINIMUM KODE SWA- DUAL GENAP

BAB IV BATAS ATAS BAGI JARAK MINIMUM KODE SWA- DUAL GENAP BAB IV BATAS ATAS BAGI JARAK MINIMUM KODE SWA- DUAL GENAP Msal dguaka kode ler C[, k, d] dega matrks pembagu G da matrks cek partas H. Sebuah blok formas x = x 1 x 2 x k, x = 0 atau 1, yag aka dkrm terlebh

Lebih terperinci

Penyelesaian Persamaan Differensial dengan Menggunakan Polinomial Lagrange Seri I (1 Dimensi) Syawaluddin H 1)

Penyelesaian Persamaan Differensial dengan Menggunakan Polinomial Lagrange Seri I (1 Dimensi) Syawaluddin H 1) Hutahaea Vol. No. Aprl 006 ural TEKNIK SIPIL Peyelesaa Persamaa Dfferesal ega Megguaka Polomal Lagrage Ser I ( Dmes Syawalu H Abstrak Paa paper sajka pegguaa polomal Lagrage utuk meyelesaka suatu persamaa

Lebih terperinci

INFERENSI VEKTOR RATA RATA. Disusun untuk memenuhi salah satu tugas mata kuliah multivariat

INFERENSI VEKTOR RATA RATA. Disusun untuk memenuhi salah satu tugas mata kuliah multivariat INFERENSI VEKTOR RATA RATA Dsusu utuk memeuh salah satu tugas mata kulah multvarat Dsusu oleh: Ast Aula Rahma (6796) Khaerusa Mahmudah (69) Lucky Heryat Jufr (673) Rsa Nur Vauzyah (6933) Syfa Isa (66)

Lebih terperinci

Penarikan Contoh Acak Sederhana (Simple Random Sampling)

Penarikan Contoh Acak Sederhana (Simple Random Sampling) Pearka Cotoh Acak Sederhaa (Smple Radom Samplg) Defs Jka sebuah cotoh berukura dambl dar suatu populas sedemka rupa sehgga setap cotoh berukura ag mugk memlk peluag sama utuk terambl, maka prosedur tu

Lebih terperinci

Jawablah pertanyaan berikut dengan ringkas dan jelas menggunakan bolpoin. Total nilai 100. A. ISIAN SINGKAT (Poin 20) 2

Jawablah pertanyaan berikut dengan ringkas dan jelas menggunakan bolpoin. Total nilai 100. A. ISIAN SINGKAT (Poin 20) 2 M 81 STTISTIK DSR SEMESTER II 11/1 KK STTISTIK, FMIP IT SOLUSI UJIN TENGH SEMESTER (UTS) Sabtu, 1 Me 1, Pukul 9. 1.4 WI (1 met) Kelas 1. Pegajar: Udjaa S. Pasarbu/Rr. Kura Novta Sar, Kelas. Pegajar: Utrwe

Lebih terperinci

TEKNIK SAMPLING. Hazmira Yozza Izzati Rahmi HG Jurusan Matematika FMIPA Universitas Andalas

TEKNIK SAMPLING. Hazmira Yozza Izzati Rahmi HG Jurusan Matematika FMIPA Universitas Andalas TEKNIK SAMPLING Hazmra Yozza Izzat Rahm HG Jurusa Matematka FMIPA Uverstas Adalas Defs Suatu cotoh gerombol adalah suatu cotoh acak sederhaa dmaa setap ut pearka cotoh adalah kelompok atau gerombol dar

Lebih terperinci

Notasi Sigma. Fadjar Shadiq, M.App.Sc &

Notasi Sigma. Fadjar Shadiq, M.App.Sc & Notas Sgma Fadjar Shadq, M.App.Sc (fadjar_pg@yahoo.com & www.fadjarpg.wordpress.com Notas sgma memag jarag djumpa dalam kehdupa sehar-har, tetap otas tersebut aka bayak djumpa pada baga matematka yag la,

Lebih terperinci

BAB 1 PENDAHULUAN 1.1 LATAR BELAKANG MASALAH

BAB 1 PENDAHULUAN 1.1 LATAR BELAKANG MASALAH BAB ENDAHULUAN. LATAR BELAKANG MASALAH Dalam kehidua yata, sejumlah feomea daat diikirka sebagai ercobaa yag mecaku sederata egamata yag berturut-turut da buka satu kali egamata. Umumya, tia egamata dalam

Lebih terperinci

Sampel dan Distribusi Sampling

Sampel dan Distribusi Sampling P Modul Sampel da Dstrbus Samplg PENDAHULUAN Prof. Dr. Zazaw Soejoet ada modul pertama, aka dpelajar terlebh dahulu megea sampel da sfat-sfatya serta samplg-ya. Mater sebearya telah bayak dsajka pada mata

Lebih terperinci

ANALISIS REGRESI LINIER BERGANDA : PERSOALAN ESTIMASI DAN PENGUJIAN HIPOTESIS

ANALISIS REGRESI LINIER BERGANDA : PERSOALAN ESTIMASI DAN PENGUJIAN HIPOTESIS ANALISIS REGRESI LINIER BERGANDA : PERSOALAN ESTIMASI DAN PENGUJIAN HIPOTESIS = 1 + + + + k k + u PowerPot Sldes baa Rohmaa Educato Uverst of Idoesa 007 Laboratorum Ekoom & Koperas Publshg Jl. Dr. Setabud

Lebih terperinci

Mean untuk Data Tunggal. Definisi. Jika suatu sampel berukuran n dengan anggota x1, x2, x3,, xn, maka mean sampel didefinisiskan : n Xi.

Mean untuk Data Tunggal. Definisi. Jika suatu sampel berukuran n dengan anggota x1, x2, x3,, xn, maka mean sampel didefinisiskan : n Xi. Mea utuk Data Tuggal Des. Jka suatu sampel berukura dega aggota x1, x, x3,, x, maka mea sampel ddesska : 1... N 1 Mea utuk Data Kelompok Des Mea dar data yag dkelompoka adalah : x x 1 1 1 dega : x = ttk

Lebih terperinci

4/1/2013. Bila X 1, X 2, X 3,,X n adalah pengamatan dari sampel, maka rata-rata hitung dirumuskan sebagai berikut. Dengan: n = banyak data

4/1/2013. Bila X 1, X 2, X 3,,X n adalah pengamatan dari sampel, maka rata-rata hitung dirumuskan sebagai berikut. Dengan: n = banyak data //203 UKURAN GEJALA PUSAT DAN UKURAN LETAK Kaa Evta Dew, S.Pd., M.S. Ukura gejala pusat Utuk medapatka gambara yag lebh jelas tetag sekumpula data megea sesuatu hal, bak tu dar sampel ataupu populas Ukura

Lebih terperinci

PENAKSIR RASIO REGRESI LINEAR SEDERHANA UNTUK RATA-RATA POPULASI MENGGUNAKANKARAKTER TAMBAHAN

PENAKSIR RASIO REGRESI LINEAR SEDERHANA UNTUK RATA-RATA POPULASI MENGGUNAKANKARAKTER TAMBAHAN PENAKIR RAIO REGREI LINEAR EDERHANA UNTUK RATA-RATA POPULAI MENGGUNAKANKARAKTER TAMBAHAN Astar Rahmadta *, Harso, Haosa rat Mahasswa Program tud Matematka Dose Jurusa Matematka Fakultas Matematka da Ilmu

Lebih terperinci

BAB II LANDASAN TEORI. Pada bab ini akan dibahas mengenai dasar-dasar teori yang akan

BAB II LANDASAN TEORI. Pada bab ini akan dibahas mengenai dasar-dasar teori yang akan BAB II LANDASAN TEORI Pada bab aka dbahas megea dasar-dasar teor ag aka dguaka dalam eulsa skrs, atu megea data hrark, model regres -level, model logstk, estmas arameter model logstk, uj sgfkas arameter

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 1 Pegerta Regres Istlah regres pertama kal dperkealka oleh Fracs Galto Meurut Galto, aalss regres berkeaa dega stud ketergatuga dar suatu varabel yag dsebut tak bebas depedet varable,

Lebih terperinci

3/19/2012. Bila X 1, X 2, X 3,,X n adalah pengamatan dari sampel, maka rata-rata hitung dirumuskan sebagai berikut

3/19/2012. Bila X 1, X 2, X 3,,X n adalah pengamatan dari sampel, maka rata-rata hitung dirumuskan sebagai berikut 3/9/202 UKURAN GEJALA PUSAT DAN UKURAN LETAK Kaa Evta Dew, S.Pd., M.S. Ukura gejala pusat Utuk medapatka gambara yag lebh jelas tetag sekumpula data megea sesuatu hal, bak tu dar sampel ataupu populas

Lebih terperinci

MASALAH NORM MINIMUM PADA RUANG HILBERT DAN APLIKASINYA

MASALAH NORM MINIMUM PADA RUANG HILBERT DAN APLIKASINYA Masalah Norm Mmum (Karat) MASALAH NORM MINIMUM PADA RUANG HILBERT DAN APLIKASINYA Karat da Dhorva Urwatul Wutsqa Jurusa Peddka Matematka FMIPA Uverstas Neger Yogakarta Abstract I ths paper, wll be dscussed

Lebih terperinci

Regresi & Korelasi Linier Sederhana. Gagasan perhitungan ditetapkan oleh Sir Francis Galton ( )

Regresi & Korelasi Linier Sederhana. Gagasan perhitungan ditetapkan oleh Sir Francis Galton ( ) Regres & Korelas Ler Sederhaa 1. Pedahulua Gagasa perhtuga dtetapka oleh Sr Fracs Galto (18-1911) Persamaa regres :Persamaa matematk yag memugkka peramala la suatu peubah takbebas (depedet varable) dar

Lebih terperinci

STATISTIKA: UKURAN PEMUSATAN. Tujuan Pembelajaran

STATISTIKA: UKURAN PEMUSATAN. Tujuan Pembelajaran Kurkulum 013/006 matematka K e l a s XI STATISTIKA: UKURAN PEMUSATAN Tujua Pembelajara Setelah mempelajar mater, kamu dharapka memlk kemampua berkut. 1. Dapat meetuka rata-rata data tuggal da data berkelompok..

Lebih terperinci

REGRESI NONPARAMETRIK KERNEL ADJUSTED. Novita Eka Chandra Universitas Islam Darul Ulum Lamongan

REGRESI NONPARAMETRIK KERNEL ADJUSTED. Novita Eka Chandra Universitas Islam Darul Ulum Lamongan JMP : Volume 7 Nomor, Ju 05, hal. - 0 REGRESI NONPARAMETRIK KERNEL ADJUSTED Novta Eka Chadra Uverstas Islam Darul Ulum Lamoga ovtaekachadra@gmal.com Sr Haryatm da Zulaela Jurusa Matematka FMIPA UGM ABSTRACT.

Lebih terperinci

PRINSIP INKLUSI- EKSKLUSI INCLUSION- EXCLUSION PRINCIPLE

PRINSIP INKLUSI- EKSKLUSI INCLUSION- EXCLUSION PRINCIPLE RISI IKLUSI- EKSKLUSI ICLUSIO- EXCLUSIO RICILE rsp Iklus-Eksklus Ada berapa aggota dalam gabuga dua hmpua hgga? A A = A A - A A Cotoh Ada berapa blaga bulat postf lebh kecl atau sama dega 00 yag habs dbag

Lebih terperinci

b) Untuk data berfrekuensi fixi Data (Xi)

b) Untuk data berfrekuensi fixi Data (Xi) B. Meghtug ukura pemusata, ukura letak da ukura peyebara data serta peafsraya A. Ukura Pemusata Data Msalka kumpula data berkut meujukka hasl pegukura tgg bada dar orag sswa. 0 cm 30 cm 5 cm 5 cm 35 cm

Lebih terperinci

BAB 1 ERROR PERHITUNGAN NUMERIK

BAB 1 ERROR PERHITUNGAN NUMERIK BAB ERROR PERHITUNGAN NUMERIK A. Tujua a. Memaham galat da hampra b. Mampu meghtug galat da hampra c. Mampu membuat program utuk meelesaka perhtuga galat da hampra dega Matlab B. Peragkat da Mater a. Software

Lebih terperinci

I adalah himpunan kotak terbatas dan tertutup yang berisi lebih dari satu

I adalah himpunan kotak terbatas dan tertutup yang berisi lebih dari satu METODE FUNGS QUAS-FED SATU ARAMETER UNTUK MENYEESAKAN MASAAH ROGRAM NTEGER TAK NEAR Ra Hardyat (M4) ABSTRAK Dalam kehdupa sehar-har serg djumpa masalah optmas yag membutuhka hasl teger Masalah tersebut

Lebih terperinci

BAB 5 HASIL DAN PEMBAHASAN

BAB 5 HASIL DAN PEMBAHASAN 3 BAB 5 HASIL DAN PEMBAHASAN Dalam baga hasl da embahasa aka dtamlka roses aalss da egolaha data, dalam betuk deskrtf, tabel-tabel yag dguaka, gambar-gambar beserta hasl da embahasaya. Dega memerhatka

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PENDAHULUAN. Latar Belakag Dalam pemodela program ler, semua parameter yag dguaka dalam model dasumska dapat dketahu secara past. Parameter-parameter terdr dar koefse batasa ( ) a, la kuattas batasa

Lebih terperinci

STATISTIKA. A. Tabel Langkah untuk mengelompokkan data ke dalam tabel distribusi frekuensi data berkelompok/berinterval: a. Rentang/Jangkauan (J)

STATISTIKA. A. Tabel Langkah untuk mengelompokkan data ke dalam tabel distribusi frekuensi data berkelompok/berinterval: a. Rentang/Jangkauan (J) STATISTIKA A. Tabel Lagkah utuk megelompokka data ke dalam tabel dstrbus frekues data berkelompok/berterval: a. Retag/Jagkaua (J) J X maks X m b. Bayak kelas (k) Megguaka atura Sturgess, yatu k,. log c.

Lebih terperinci

π ( ) menyatakan peluang bahwa

π ( ) menyatakan peluang bahwa GRF RN SNY D SSTE ERSN CHN- OOGOROV u Nugrahe Jurusa eddka atematka F Uverstas uhammadyah uroreo Jala H.. Dahla uroreo e-mal: u_r@telkom.et bstrak Tuua dar eulsa adalah megetahu kostruks betuk graf alra

Lebih terperinci

TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE KUADRAT TERKECIL

TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE KUADRAT TERKECIL TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE KUADRAT TERKECIL Hesty ala, Arsma Ada, Bustam hestyfala@ymalcom Mahasswa Program S Matematka MIPA-UR Dose Matematka MIPA-UR

Lebih terperinci

INTEGRAL LEBESGUE PADA FUNGSI TERBATAS SKRIPSI

INTEGRAL LEBESGUE PADA FUNGSI TERBATAS SKRIPSI INTGRAL LBSGU PADA FUNGSI TRBATAS SKRIPSI Dajuka Kepada Fakultas Matematka da Ilmu Pegetahua Alam Uverstas Neger Yogyakarta utuk memeuh sebaga persyarata gua memperoleh gelar Sarjaa Sas Dsusu Oleh : Fauzah

Lebih terperinci

* MEMBUAT DAFTAR DISTRIBUSI FREKUENSI MENGGUNAKAN ATURAN STURGES

* MEMBUAT DAFTAR DISTRIBUSI FREKUENSI MENGGUNAKAN ATURAN STURGES * PENYAJIAN DATA Secara umum, ada dua cara peyaja data, yatu : 1. Tabel atau daftar. Grafk atau dagram Macam-macam daftar yag dkeal : a. Daftar bars kolom b. Daftar kotges c. Daftar dstrbus frekues Sedagka

Lebih terperinci

PENAKSIR DUAL RATIO-CUM-PRODUCT UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA

PENAKSIR DUAL RATIO-CUM-PRODUCT UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA ENAKSI DUAL ATIO-UM-ODUT UNTUK ATA-ATA OULASI ADA SAMLING AAK SEDEHANA hrsta ajata, Frdaus, Haposa Srat Mahasswa rogram Stud S Matematka Dose Jurusa Matematka Fakultas Matematka da Ilmu egetahua Alam Uverstas

Lebih terperinci

REPRESENTASI BILANGAN FIBONACCI DALAM BENTUK KOMBINATORIAL

REPRESENTASI BILANGAN FIBONACCI DALAM BENTUK KOMBINATORIAL REPRESENTASI BILANGAN FIBONACCI DALAM BENTUK KOMBINATORIAL Rzky Maulaa Nugraha Tekk Iformatka Isttut Tekolog Badug Blok Sumurwed I RT/RW 4/, Haurgeuls, Idramayu, 4564 e-mal: laa_cfre@yahoo.com ABSTRAK

Lebih terperinci

S2 MP Oleh ; N. Setyaningsih

S2 MP Oleh ; N. Setyaningsih S2 MP Oleh ; N. Setyagsh MATERI PERTEMUAN 1-3 (1)Pedahulua pera statstka dalam peelta ; (2)Peyaja data : dalam betuk (a) tabel da (b) dagram; (3) ukura tedes setaral da ukura peympaga (4)dstrbus ormal

Lebih terperinci

BAB 2 TINJAUAN TEORITIS. regresi berkenaan dengan studi ketergantungan antara dua atau lebih variabel yaitu

BAB 2 TINJAUAN TEORITIS. regresi berkenaan dengan studi ketergantungan antara dua atau lebih variabel yaitu BAB TINJAUAN TEORITIS. Pegerta Aalsa Regres Istlah regres pertama kal dperkealka oleh Fracs Galto. Meurutya, aalss regres berkeaa dega stud ketergatuga atara dua atau lebh varabel yatu varabel yag meeragka

Lebih terperinci

BAB III METODOLOGI PENELITIAN. Data yang digunakan pada penelitian ini berupa data sekunder yang

BAB III METODOLOGI PENELITIAN. Data yang digunakan pada penelitian ini berupa data sekunder yang BAB III METODOLOGI PENELITIAN 31 Jes a Sumber Data Data yag guaka aa eelta berua ata sekuer yag bersumber ar ublkas-ublkas BPS, yatu Data Prouk Domestk Regoal Bruto (PDRB) Provs Jawa Tmur Tahu 005-010,

Lebih terperinci

RELATIF EFISIENSI PENAKSIR MOMEN TERHADAP PENAKSIR MAKSIMUM LIKELIHOOD UNTUK PARAMATER BERDISTRIBUSI SEGITIGA. Haposan Sirait 1, Usman Malik 2 ABSTRAK

RELATIF EFISIENSI PENAKSIR MOMEN TERHADAP PENAKSIR MAKSIMUM LIKELIHOOD UNTUK PARAMATER BERDISTRIBUSI SEGITIGA. Haposan Sirait 1, Usman Malik 2 ABSTRAK Relatf Efses Peaksr Mome Terhada Peaksr Maksmum Lkelhood RELATIF EFISIENSI PENAKSIR MOMEN TERHADAP PENAKSIR MAKSIMUM LIKELIHOOD UNTUK PARAMATER BERDISTRIBUSI SEGITIGA Haosa Srat, Usma Malk ABSTRAK Makalah

Lebih terperinci

ESTIMASI FUNGSI REGRESI MENGGUNAKAN METODE DERET FOURIER

ESTIMASI FUNGSI REGRESI MENGGUNAKAN METODE DERET FOURIER Supart da Sudargo Estmas Regres Deret Fourer ESTIMASI FUNGSI REGRESI MENGGUNAKAN METODE DERET FOURIER Supart da Sudargo 2 ) Jurusa Matematka, FMIPA, Udp 2) Jurusa Ped. Matematka, FPMIPA, IKIP PGRI, Semarag

Lebih terperinci

Tabel Distribusi Frekuensi

Tabel Distribusi Frekuensi Tabel Dstrbus Frekues Tabel dstrbus frekues adalah susua data meurut kelas-kelas terval tertetu atau meurut kategor tertetu dalam sebuah daftar. Dar dstrbus frekues, dapat dperoleh keteraga atau gambara

Lebih terperinci

BAB 5. ANALISIS REGRESI DAN KORELASI

BAB 5. ANALISIS REGRESI DAN KORELASI BAB 5. ANALISIS REGRESI DAN KORELASI Tujua utama aalss regres adalah mecar ada tdakya hubuga ler atara dua varabel: Varabel bebas (X), yatu varabel yag mempegaruh Varabel terkat (Y), yatu varabel yag dpegaruh

Lebih terperinci

Distribusi Pendekatan (Limiting Distributions)

Distribusi Pendekatan (Limiting Distributions) Distribusi Pedekata (Limitig Distributios) Ada 3 tekik utuk meetuka distribusi pedekata: 1. Tekik Fugsi Distribusi Cotoh 2. Tekik Fugsi Pembagkit Mome Cotoh 3. Tekik Teorema Limit Pusat Cotoh Fitriai Agustia,

Lebih terperinci

I PENDAHULUAN II LANDASAN TEORI

I PENDAHULUAN II LANDASAN TEORI I PENDAHULUAN 11 Latar Belakag Peelta yag dlakuka oleh Va der Pol pada sebuah tabug trode tertutup, yatu sebuah alat yag dguaka utuk megedalka arus lstrk dalam suatu srkut pada trasmtter da recever meghaslka

Lebih terperinci

KODE SIKLIK (CYCLIC CODES)

KODE SIKLIK (CYCLIC CODES) Pegatar Teor Pegkodea (Codg Theory) KODE SIKLIK (CYCLIC CODES) Dose Pegampu : Al Sutjaa DISUSUN OLEH: Nama : M Zak Ryato Nm : /5679/PA/8944 Program Stud : Matematka JURUSAN MATEMATIKA FAKULTAS MATEMATIKA

Lebih terperinci

Regresi & Korelasi Linier Sederhana

Regresi & Korelasi Linier Sederhana Regres & Korelas Ler Sederhaa. Pedahulua Gagasa perhtuga dtetapka oleh Sr Fracs Galto (8-9) Persamaa regres :Persamaa matematk ag memugkka peramala la suatu peubah takbebas (depedet varable) dar la peubah

Lebih terperinci

Regresi Linier Sederhana Definisi Pengaruh

Regresi Linier Sederhana Definisi Pengaruh Regres Ler Sederhaa Dah Idra Baga Bostatstka da Kepeduduka Fakultas Kesehata Masyarakat Uverstas Arlagga Defs Pegaruh Jka terdapat varabel, msalka da yag data-dataya dplot sepert gambar dbawah 3 Defs Pegaruh

Lebih terperinci

Galeri Soal. Dirangkum Oleh: Anang Wibowo, S.Pd

Galeri Soal. Dirangkum Oleh: Anang Wibowo, S.Pd Galer Soal Dragkum Oleh: ag Wbowo, S.P www.matkzoe.worress.com Jauar Semoga sekt cotoh soal-soal aat membatu sswa alam memelajar Matematka khususya ab Statstka. Kam megusahaka agar soal-soal yag kam bahas

Lebih terperinci

BAB 2 LANDASAN TEORI. Analisis regresi adalah suatu proses memperkirakan secara sistematis tentang apa yang paling

BAB 2 LANDASAN TEORI. Analisis regresi adalah suatu proses memperkirakan secara sistematis tentang apa yang paling BAB LANDASAN TEORI Kosep Dasar Aalss Regres Aalss regres adalah suatu proses memperkraka secara sstemats tetag apa yag palg mugk terjad dmasa yag aka datag berdasarka formas yag sekarag dmlk agar memperkecl

Lebih terperinci