Tri Handhika Pusat Studi Komputasi Matematika (PSKM), Kampus D 139 Universitas Gunadarma Abstrak
|
|
- Ade Hadiman
- 7 tahun lalu
- Tontonan:
Transkripsi
1 PENGGUNAAN MEODE EMPIRICAL BES LINEAR UNBIASED PREDICION (EBLUP) PADA GENERAL LINEAR MIXED MODEL ri Hadhika Pusat Studi Komputasi Matematika (PSKM), Kampus D 139 Uiversitas Guadarma trihadika@staff.guadarma.ac.id Abstrak Makalah ii bertujua utuk mecari taksira parameter pada Geeral Liear Mixed Model. Parameter-parameter pada Geeral Liear Mixed Model merupaka parameter utuk melihat efek fixed da efek radom dari variabel-variabel prediktor terhadap variabel respo. Dalam hal ii, metode yag diguaka utuk mecari taksira parameter pada Geeral Liear Mixed Model adalah Metode Empirical Best Liear Ubiased Predictio (EBLUP). Berbeda dega Metode Best Liear Ubiased Predictio (BLUP) di maa parameter dari variasi efek radom-ya diketahui, Metode EBLUP memerluka peaksira terhadap parameter tersebut yag pada keyataaya tidak diketahui ilaiya. Metode yag diguaka utuk meaksir parameter dari variasi efek radom adalah Metode Maximum Likelihood (ML). Kata kuci: Best Liear Ubiased Predictio; Empirical Best Liear Ubiased Predictio; Geeral Liear Mixed Model. Abstract his paper aims to fid the estimated parameters i the Geeral Liear Mixed Model. Parameters i the Geeral Liear Mixed Model are the parameter to see the fixed effects ad the radom effects of the predictor variables o the respose variable. I this case, the estimatio methods used to search the parameters i the Geeral Liear Mixed Model is the Empirical Best Liear Ubiased Predictio (EBLUP) method. Ulike the Best Liear Ubiased Predictio (BLUP) method where the variace parameters of the radom effects is kow, the EBLUP method requires estimatio of the variace parameters that i fact the value is ot kow. he method used to estimate the variace parameters of the radom effects is the Maximum Likelihood (ML) method. Key word: Best Liear Ubiased Predictio; Empirical Best Liear Ubiased Predictio; Geeral Liear Mixed Model. 1. PENDAHULUAN Pola hubuga atara variabel prediktor dega variabel respo dapat diyataka dalam betuk persamaa regresi di maa variabel prediktorya dapat berupa faktor fixed atau faktor radom. Model regresi liier yag melibatka lebih dari satu variabel prediktor 1
2 dega satu variabel respo disebut model regresi liier bergada. Pada model ii diasumsika bahwa variasi error spherical. Jika asumsi tersebut tidak dapat terpeuhi maka model tersebut diamaka Geeralized Liear Regressio Model (GLRM) dega asumsi variasi error ospherical. Model GLRM yag dipegaruhi tidak haya oleh efek fixed tetapi juga oleh efek radom disebut Geeral Liear Mixed Model. Makalah ii bertujua utuk mecari taksira parameter pada Geeral Liear Mixed Model sehigga dapat dilihat efek-efek dari variabel prediktor tersebut terhadap variabel respo. erdapat bermacam-macam metode peaksira parameter pada Geeral Liear Mixed Model, di ataraya adalah Best Liear Ubiased Predictio (BLUP) da EBLUP. Pada Makalah ii aka dibahas metode peaksira parameter pada Geeral Liear Mixed Model dega Metode EBLUP yag merupaka perluasa dari Metode BLUP. Pada metode EBLUP, asumsi bahwa parameter dari variasi efek radom diketahui tidak diguaka seperti halya pada BLUP, melaika aka diestimasi melalui Metode Maximum Likelihood (ML) yag aka dijelaska lebih lajut. Peaksira ii dilakuka karea pada keyataaya sulit utuk megetahui parameter dari variasi efek radom tersebut.. MODEL di maa Pada bagia ii diberika Geeral Liear Mixed Model adalah sebagai berikut: y X Zb e (.1) y : vektor radom dari variabel respo yag terobservasi berukura 1 di maa ilai observasiya disebut vektor data. X : matriks full rak berukura k dari variabel prediktor yag eleme-elemeya diketahui. : vektor parameter bersifat fixed berukura k 1 terobservasi. yag tidak diketahui da tidak Z : matriks full rak berukura h dari variabel prediktor yag eleme-elemeya diketahui. b : vektor radom parameter yag tidak diketahui da tidak terobservasi berukura h 1. e : vektor radom error yag tidak terobservasi berukura 1.
3 dega asumsi E b 0, Ee 0, Var b E bb G, Var e E ee R, di maa b da e idepedetly distributed sedagka G da R adalah matriks varias kovarias yag tergatug pada vektor parameter dari variasi efek radom, yaitu 1,,, q Oleh karea b da e idepede, maka corr, E E. b e 0 sehigga cov b, e be eb 0. Berikut ii diberika betuk dari matriks G da R: Prosedur peaksira parameter dega megguaka Metode Best Liear Ubiasd Predictio (BLUP) dimulai dega memisalka ilai-ilai dari vektor radom b yag dapat diotasika dega di maa berbetuk vektor. Igi diketahui pegaruh dari efek fixed da efek radom (tetapi buka error) yag merupaka kombiasi liier dari da. Misalka y c l y adalah sembarag peaksir dari kombiasi liier di maa c suatu ilai kostata da l suatu vektor kostata sedagka berukura k 1 da berukura h 1. tersebut jika y y dapat megestimasi kombiasi liier merupaka peaksir yag ubiased da liier di maa defiisi masigmasigya adalah sebagai berikut, y disebut ubiased jika E y da disebut liier jika ay1 by a y1 b y. dapat diestimasi oleh E b, Diketahui bahwa y jika da haya jika c 0 da merupaka kombiasi liier dari baris-baris X. Selajutya, ambil sembarag yag merupaka kombiasi liier yag dapat diestimasi kemudia defiisika t b. Selai itu, defiisika pula E y Mea Squared Error (MSE) dari peaksir G R h g11 g1 g1 g1 g gh gh 1 gh ghh r11 r1 r1 r1 r r r 1 r r y. b sebagai 3
4 Dega megguaka Metode Best Liear Ubiased Predictio (BLUP) di maa ˆ y da ˆ y sedemikia sehigga diasumsika diketahui, didapat ˆ y X X X y (.) da 1 y G Z y X ˆ y ˆ (.3) di maa R ZGZ. Dega demikia, Best Liear Ubiased Predictor (BLUP) dari adalah y ˆ y ˆ y ˆ (.4) yag memiliki MSE terkecil dari semua taksira yag ubiased da liier. Detail peurua rumus dapat dilihat pada Makalah Phydelya dega judul Pegguaa Metode Best Liear Ubiased Predictio pada Geeralized Liear Mixed Model. 3. HASIL 3.1. Peaksira Parameter pada Geeral Liear Mixed Model dega Asumsi b da e Berdistribusi Normal Pada Bagia sebelumya telah dijelaska megeai pegguaa Metode Best Liear Ubiased Predictio (BLUP) dalam peaksira pada Geeral Liear Mixed Model tapa asumsi distribusi. Pada dasarya Metode EBLUP adalah suatu metode peaksira parameter pada Geeral Liear Mixed Model yag merupaka perluasa dari Metode ˆ yag pada BLUP dega megguaka taksira parameter dari variasi efek radom keyataaya parameter tersebut tidak diketahui ilaiya. Metode peaksira yag diguaka pada Makalah ii adalah Metode ML yag memerluka asumsi distribusi. Oleh sebab itu, diasumsika bahwa b da e berdistribusi ormal. Dikareaka taksira parameter pada Geeral Liear Mixed Model yag telah didapat sebelumya ((.)) da (.3)), yaitu ˆ da ˆ, didapat tapa asumsi distribusi maka harus dicari taksira parameter pada Geeral Liear Mixed Model dega asumsi b da e berdistribusi ormal yag diotasika dega da. 4
5 Dega asumsi b da e berdistribusi ormal, parameter pada Geeral Liear Mixed Model, yaitu da dapat ditaksir megguaka Metode ML. Metode ii memerluka y y, y,, y da fugsi likelihood yag merupaka joit pdf dari 1,,,. Joit pdf tersebut dapat diyataka sebagai berikut: 1 h y, y f g h (3.1.1) di maa g g y (3.1.) Oleh sebab itu, (3.1.1) dapat ditulis sebagai di maa y, f g h 1 1 h G -1 exp. 1 G sehigga diperoleh L, ; y f y, g h 1 1 G R -1-1 exp. 1 R G Oleh karea igi dicari taksira dari da megguaka Metode ML, agar lebih mudah dalam hal perhitugaya aka diguaka fugsi log-likelihood, yaitu: l L, ;( y c y R y y R X y R Z X R y X R X X R Z ) Z R y Z R X Z R Z G dega 1 (3.1.3) c l G R suatu kostata. Selajutya, fugsi log-likelihood tersebut dituruka terhadap masig-masig da kemudia dicari peyelesaiaya sehigga didapat 5
6 Selajutya, dega proses elimiasi didapat (3.1.4) X R X X R Z X R y Z R X Z R Z G Z R -1 y. (3.1.5) X R R Z Z R Z G Z R X X R R Z Z R Z G Z R y da Z R Z G Z R -1 y X (3.1.6). (3.1.7) Jadi, selai ˆ da ˆ yag didapat tapa asumsi distribusi, terdapat pula da yag merupaka taksira parameter pada Geeral Liear Mixed Model dega megasumsika b da e berdistribusi ormal. Selajutya, utuk peaksira megguaka Metode ML seharusya memerluka da yag didapat dega asumsi b da e berdistribusi ormal. Aka tetapi, berikutya aka dibuktika bahwa da yag didapat dega asumsi b da e berdistribusi ormal tersebut, teryata idetik dega ˆ da ˆ yag diperoleh tapa asumsi distribusi. Oleh karea itu, utuk seterusya peaksira aka megguaka ˆ da ˆ. 3.. Memeriksa bahwa aksira Parameter pada Geeral Liear Mixed Model yag didapat dega atau tapa Asumsi b da e Berdistribusi Normal adalah Idetik elah diketahui dari (.) da (.3) bahwa taksira parameter pada Geeral Liear Mixed Model tapa asumsi distribusi adalah ˆ da ˆ. Sedagka, taksira parameter pada Geeral Liear Mixed Model dega asumsi b da e berdistribusi ormal diberika oleh (3.1.6) da (3.1.7). Dari (3.1.6), misalka: W R R Z Z R Z G Z R -1. (3..1) Oleh karea dapat dibuktika bahwa W I, maka terbukti pula bahwa ˆ. (3..) 6
7 Selai itu, dapat dibuktika pula bahwa 1 disimpulka bahwa Z R Z G Z R GZ sehigga dapat ˆ (3..3) Berdasarka (3..) da (3..3) terbukti bahwa dega atau tapa asumsi b da e berdistribusi ormal kedua jeis taksira parameter pada Geeral Liear Mixed Model tersebut idetik sehigga taksira parameter yag didapat dega asumsi b da e berdistribusi ormal juga memiliki sifat liear, ubiased, da best Peaksira Parameter dari Variasi Efek Radom Pada Makalah ii, Metode ML diguaka utuk meaksir pada Geeral Liear Mixed Model. Oleh karea itu, dibutuhka fugsi likelihood yag merupaka joit pdf dari y y, y,, y sehigga fugsi likelihood-ya adalah sebagai berikut: L, ; y f y exp 1 y X y X (3.3.1) Sebagaimaa sebelumya, Metode ML megguaka fugsi log-likelihood, yaitu: 1-1 l L, ; y c l y X y X (3.3.) dega c l adalah suatu kostata. Selajutya, fugsi log-likelihood tersebut dituruka terhadap, diotasika dega, formula berikut ii: s, sehigga utuk eleme ke-j didapat dega s, tr 1 1 y X y X (3.3.3) j j j j. j Sesuai dega Metode ML, berikutya (3.3.3) dicari solusiya mejadi y X ˆ y X ˆ j j tr (3.3.4) 7
8 erlihat dari (3.3.4) tidak dapat diselesaika secara aalitik. Oleh karea itu, taksira dega Metode ML kemudia diselesaika secara umerik. Pada Makalah ii, algoritma yag diguaka adalah Scorig Algorithm di maa iterasi ke- a 1, yaitu ˆ a1, secara iteratif megguaka formula sebagai berikut: dega s 1 ˆ, ˆ 1 ˆ ˆ ˆ ˆ s a a a a a ˆ, ˆ s1 ˆ, ˆ, s ˆ, ˆ,, s ˆ, ˆ q da ˆ ˆ 1 ˆ ˆ q di maa radom l L, ; y jk E tr j k k (3.3.5) j Berdasarka pejabara di atas, didapatka taksira parameter dari variasi efek ˆ secara umerik yag selajutya aka diguaka dalam peaksira parameter pada Geeral Liear Mixed Model sesuai dega Metode EBLUP Peaksira Parameter pada Geeral Liear Mixed Model dega Metode EBLUP aksira parameter pada Geeral Liear Mixed Model dega megguaka Metode EBLUP didapat dega mesubstitusika taksira, diotasika dega ˆ y, ke ˆ da ˆ, yaitu: ˆ ˆ y, y X ˆ X X ˆ y da 1 ˆ ˆ ˆ y, y G ˆ Z ˆ y X ˆ y, y Berdasarka (.4) taksira kombiasi liier yag baru adalah sebagai berikut: ˆ ˆ ˆ y y ˆ y y ˆ ˆ y y. (3.4.1) 8
9 Oleh karea ˆ ˆ y y tersebut didapat dega mesubstitusika ˆ y ke ˆ da ˆ, maka perlu dibuktika ketakbiasa dari taksira tersebut. Sebelumya diketahui lemma berikut ii: Lemma 3.1 Jika z adalah vektor radom berdistribusi simetris di sekitar ol sedemikia sehigga z da z idetically distributed, da f z adalah variabel radom yag merupaka fugsi gajil dari z sehigga f z f z, maka f z Sebelumya diketahui bahwa berdistribusi simetris di sekitar ol. ˆ berhigga da ˆ y E ˆ y y merupaka fugsi geap serta traslatio-ivariat dari y sehigga didapat ˆ y ˆ y X ˆ Zb e ˆ Zb e (3.4.) Oleh karea terbukti bahwa y E ˆ ˆ y t 0 maka dapat disimpulka bahwa ˆ ˆ y y tetap ubiased utuk megestimasi. 4. PENERAPAN Sebuah Waralaba makaa cepat saji igi meambahka produk makaa baru dalam daftar meuya. Oleh sebab itu, pihak marketig megusulka kepada pihak maajeme tiga piliha betuk promosi atau campaig X yag aka diujicobaka di eam lokasi Waralaba atau locatio Z yag dipilih secara acak dari sepuluh Waralaba yag ada. Namu, selama satu bula pertama pihak maajeme igi melihat terlebih dahulu seberapa besar pegaruh masig-masig betuk promosi da lokasi Waralaba dalam meigkatka pejualaya (sales). Diasumsika bahwa matriks-matriks varias kovarias dari e da b, yaitu R 0Ir da G 1I g di maa 0 da 1 merupaka parameter dari variasi e da b sedagka I r da I g merupaka matriks idetitas berukura 3030 da 6 6. Sebelum melakuka peaksira parameter pada Geeral Liear Mixed Model, perlu diperiksa terlebih dahulu keormala dari variabel depede (Sales). Dega megguaka Metode EBLUP didapatka taksira dari parameter-parameter tersebut, yaitu sebagai berikut. ˆ , ˆ , , ˆ , , , , ,
10 5. KESIMPULAN Dari pembahasa Makalah ii dapat disimpulka bahwa Metode Empirical Best Liear Ubiased Predictio (EBLUP) yag merupaka perluasa dari Metode Best Liear Ubiased Predictio (BLUP) dapat diguaka utuk meaksir parameter pada Geeral Liear Mixed Model dega terlebih dahulu melakuka peaksira terhadap parameter dari variasi efek radom yag pada keyataaya tidak diketahui ilaiya. REFERENSI Ato, H. (000), Dasar-Dasar Aljabar Liier, Batam: Iteraksara. Jiag, J. (007), Liear ad Geeralized Liear Mixed Models ad heir Applicatios, New York: Spriger. Harville, D. A. (1997), Matrix Algebra from A Statisticia s Perspective, New York: Spriger. Kackar, R. N., ad Harville, D. A. (1981), Ubiasedess of wo-stage Estimatio ad Predictio Procedures for Mixed Liear Models, Commuicatios i Statistics, Series A, 10, McCulloch, C. E., ad Searle, S. R. (001), Geeralized, Liear, ad Mixed Models, New York: Joh Wiley ad Sos. Phydelya, A. (007), Pegguaa Metode Best Liear Ubiased Predictio pada Geeralized Liear Mixed Model, Depok: Departeme Matematika FMIPA UI. Searle, S.R., Casella, G., ad McCulloch, C. E. (199), Variace Compoets, New York: Wiley. 10
BAB III PENGGUNAAN METODE EMPIRICAL BEST LINEAR UNBIASED PREDICTION (EBLUP) PADA GENERAL LINEAR MIXED MODEL
BAB III PENGGUNAAN MEODE EMPIRICAL BES LINEAR UNBIASED PREDICION (EBLUP PADA GENERAL LINEAR MIXED MODEL Pada Bab III ii aka dibahas megeai taksira parameter pada Geeral Liear Mixed Model berdasarka asumsi
Lebih terperinciBAB II LANDASAN TEORI. Pada bagian ini akan dibahas tentang teori-teori dasar yang. digunakan untuk dalam mengestimasi parameter model.
BAB II LANDASAN TEORI Pada bagia ii aka dibahas tetag teori-teori dasar yag diguaka utuk dalam megestimasi parameter model.. MATRIKS DAN VEKTOR Defiisi : Trace dari matriks bujur sagkar A a adalah pejumlaha
Lebih terperinciBAB II LANDASAN TEORI. Dalam tugas akhir ini akan dibahas mengenai penaksiran besarnya
5 BAB II LANDASAN TEORI Dalam tugas akhir ii aka dibahas megeai peaksira besarya koefisie korelasi atara dua variabel radom kotiu jika data yag teramati berupa data kategorik yag terbetuk dari kedua variabel
Lebih terperinciSTATISTICS. Hanung N. Prasetyo Week 11 TELKOM POLTECH/HANUNG NP
STATISTICS Haug N. Prasetyo Week 11 PENDAHULUAN Regresi da korelasi diguaka utuk megetahui hubuga dua atau lebih kejadia (variabel) yag dapat diukur secara matematis. Ada dua hal yag diukur atau diaalisis,
Lebih terperinciREGRESI LINIER DAN KORELASI. Variabel bebas atau variabel prediktor -> variabel yang mudah didapat atau tersedia. Dapat dinyatakan
REGRESI LINIER DAN KORELASI Variabel dibedaka dalam dua jeis dalam aalisis regresi: Variabel bebas atau variabel prediktor -> variabel yag mudah didapat atau tersedia. Dapat diyataka dega X 1, X,, X k
Lebih terperinciBAB III TAKSIRAN KOEFISIEN KORELASI POLYCHORIC DUA TAHAP. Permasalahan dalam tugas akhir ini dibatasi hanya pada penaksiran
BAB III TAKSIRAN KOEFISIEN KORELASI POLYCHORIC DUA TAHAP Permasalaha dalam tugas akhir ii dibatasi haya pada peaksira besarya koefisie korelasi polychoric da tidak dilakuka peguia terhadap koefisie korelasi
Lebih terperinciPengenalan Pola. Regresi Linier
Pegeala Pola Regresi Liier PTIIK - 014 Course Cotets 1 Defiisi Regresi Liier Model Regresi Liear 3 Estimasi Regresi Liear 4 Studi Kasus da Latiha Defiisi Regresi Liier Regresi adalah membagu model utuk
Lebih terperinciPENGANTAR MODEL LINEAR Oleh: Suryana
PENGANTAR MODEL LINEAR Oleh: Suryaa Model liear meyagkut masalah statistik yag ketergatugaya terhadap parameter secara liear. Betuk umum model liear adalah 0 1X1... px p, dega = Variabel respo X i = Variabel
Lebih terperinciTINJAUAN PUSTAKA Pengertian
TINJAUAN PUSTAKA Pegertia Racaga peelitia kasus-kotrol di bidag epidemiologi didefiisika sebagai racaga epidemiologi yag mempelajari hubuga atara faktor peelitia dega peyakit, dega cara membadigka kelompok
Lebih terperinciPENENTUAN SOLUSI RELASI REKUREN DARI BILANGAN FIBONACCI DAN BILANGAN LUCAS DENGAN MENGGUNAKAN FUNGSI PEMBANGKIT
Prosidig Semiar Nasioal Matematika da Terapaya 06 p-issn : 0-0384; e-issn : 0-039 PENENTUAN SOLUSI RELASI REKUREN DARI BILANGAN FIBONACCI DAN BILANGAN LUCAS DENGAN MENGGUNAKAN FUNGSI PEMBANGKIT Liatus
Lebih terperinciBAB III ESTIMASI PARAMETER MODEL DENGAN GS2SLS. Pada bab ini akan dibahas tentang bentuk model spasial lag sekaligus
BAB III ESTIMASI PARAMETER MODEL DENGAN GS2SLS Pada bab ii aka dibahas tetag betuk model spasial lag sekaligus spasial error da prosedur Geeralized Spatial Two Stage Least Squares (GS2SLS) utuk megestimasi
Lebih terperinciPendekatan Nilai Logaritma dan Inversnya Secara Manual
Pedekata Nilai Logaritma da Iversya Secara Maual Moh. Affaf Program Studi Pedidika Matematika, STKIP PGRI BANGKALAN affafs.theorem@yahoo.com Abstrak Pada pegaplikasiaya, bayak peggua yag meggatugka masalah
Lebih terperinciPENAKSIR BAYES UNTUK PARAMETER DISTRIBUSI EKSPONENSIAL BERDASARKAN FUNGSI KERUGIAN KUADRATIK DAN FUNGSI KERUGIAN ENTROPI
PENAKSIR BAYES UNTUK PARAMETER DISTRIBUSI EKSPONENSIAL BERDASARKAN FUNGSI KERUGIAN KUADRATIK DAN FUNGSI KERUGIAN ENTROPI Nadya Zulfa Negsih, Bustami Mahasiswa Program Studi S Matematika Dose Jurusa Matematika
Lebih terperinciPENGGGUNAAN ALGORITMA GAUSS-NEWTON UNTUK MENENTUKAN SIFAT-SIFAT PENAKSIR PARAMETER DAN
PENGGGUNAAN ALGORITMA GAUSS-NEWTON UNTUK MENENTUKAN SIFAT-SIFAT PENAKSIR PARAMETER DAN DALAM SUATU MODEL NON-LINIER Abstrak Nur ei 1 1, Jurusa Matematika FMIPA Uiversitas Tadulako Jl. Sukaro-Hatta Palu,
Lebih terperinciPERTEMUAN 13. VEKTOR dalam R 3
PERTEMUAN VEKTOR dalam R Pegertia Ruag Vektor Defiisi R Jika adalah sebuah bilaga bulat positif, maka tupel - - terorde (ordered--tuple) adalah sebuah uruta bilaga riil ( a ),a,..., a. Semua tupel - -terorde
Lebih terperinciPENAKSIR RASIO UNTUK RATA-RATA POPULASI MENGGUNAKAN KOEFISIEN VARIASI DAN KOEFISIEN KURTOSIS PADA SAMPLING GANDA
PEAKSIR RASIO UTUK RATA-RATA POPULASI MEGGUAKA KOEFISIE VARIASI DA KOEFISIE KURTOSIS PADA SAMPLIG GADA Heru Agriato *, Arisma Ada, Firdaus Mahasiswa Program S Matematika Dose Jurusa Matematika Fakultas
Lebih terperinciIII PEMBAHASAN. λ = 0. Ly = 0, maka solusi umum dari persamaan diferensial (3.3) adalah
III PEMBAHASAN Pada bagia ii aka diformulasika masalah yag aka dibahas. Solusi masalah aka diselesaika dega Metode Dekomposisi Adomia. Selajutya metode ii aka diguaka utuk meyelesaika model yag diyataka
Lebih terperinciStatistika dibagi menjadi dua, yaitu: 1. Statistika Deskriftif 2. Statistik Inferensial Penarikan kesimpulan dapat dilakukan dengan dua cara, yaitu:
Peaksira Parameter Statistika dibagi mejadi dua yaitu:. Statistika Deskriftif 2. Statistik Iferesial Pearika kesimpula dapat dilakuka dega dua cara yaitu:. Peaksira Parameter 2. Pegujia Hipotesis Peaksira
Lebih terperinciBAB I PENDAHULUAN. A. Latar Belakang Masalah
BAB I PENDAHULUAN A. Latar Belakag Masalah Struktur alabar adalah suatu himpua yag di dalamya didefiisika suatu operasi bier yag memeuhi aksioma-aksioma tertetu. Gelaggag ( Rig ) merupaka suatu struktur
Lebih terperinciMata Kuliah : Matematika Diskrit Program Studi : Teknik Informatika Minggu ke : 4
Program Studi : Tekik Iformatika Miggu ke : 4 INDUKSI MATEMATIKA Hampir semua rumus da hukum yag berlaku tidak tercipta dega begitu saja sehigga diraguka kebearaya. Biasaya, rumus-rumus dapat dibuktika
Lebih terperinciBAB II LANDASAN TEORI. Pada bab ini akan dibahas mengenai definisi suatu ring serta
BAB II LANDASAN TEORI Pada bab ii aka dibahas megeai defiisi suatu rig serta beberaa sifat yag dierluka dalam embahasa oliomial ermutasi Pejelasa megeai rig dimulai dega defiisi dari suatu sistem matematika
Lebih terperinciPROSIDING ISBN:
S-6 Perlukah Cross Validatio dilakuka? Perbadiga atara Mea Square Predictio Error da Mea Square Error sebagai Peaksir Harapa Kuadrat Kekelirua Model Yusep Suparma (yusep.suparma@ upad.ac.id) Uiversitas
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Distribusi Ekspoesial Fugsi ekspoesial adalah salah satu fugsi yag palig petig dalam matematika. Biasaya, fugsi ii ditulis dega otasi exp(x) atau e x, di maa e adalah basis logaritma
Lebih terperinciPENDUGA RASIO UNTUK RATA-RATA POPULASI MENGGUNAKAN KUARTIL VARIABEL BANTU PADA PENGAMBILAN SAMPEL ACAK SEDERHANA DAN PENGATURAN PERINGKAT MEDIAN
PEDUGA RASIO UTUK RATA-RATA POPULASI MEGGUAKA KUARTIL VARIABEL BATU PADA PEGAMBILA SAMPEL ACAK SEDERHAA DA PEGATURA PERIGKAT MEDIA ur Khasaah, Etik Zukhroah, da Dewi Reto Sari S. Prodi Matematika Fakultas
Lebih terperinciBAB II TEORI DASAR. Definisi Grup G disebut grup komutatif atau grup abel jika berlaku hukum
BAB II TEORI DASAR 2.1 Aljabar Liier Defiisi 2. 1. 1 Grup Himpua tak kosog G disebut grup (G, ) jika pada G terdefiisi operasi, sedemikia rupa sehigga berlaku : a. Jika a, b eleme dari G, maka a b eleme
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang. Universitas Sumatera Utara
BAB I PENDAHULUAN 1.1 Latar Belakag Salah satu pera da fugsi statistik dalam ilmu pegetahua adalah sebagai. alat aalisis da iterpretasi data kuatitatif ilmu pegetahua, sehigga didapatka suatu kesimpula
Lebih terperinciPENAKSIR RANTAI RASIO DAN RANTAI PRODUK YANG EFISIEN UNTUK MENAKSIR RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA
PENAKSIR RANTAI RASIO DAN RANTAI PRODUK YANG EFISIEN UNTUK MENAKSIR RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA V. M. Vidya *, Bustami, R. Efedi Mahasiswa Program S Matematika Dose Jurusa Matematika
Lebih terperinci6. Pencacahan Lanjut. Relasi Rekurensi. Pemodelan dengan Relasi Rekurensi
6. Pecacaha Lajut Relasi Rekuresi Relasi rekuresi utuk dereta {a } adalah persamaa yag meyataka a kedalam satu atau lebih suku sebelumya, yaitu a 0, a,, a -, utuk seluruh bilaga bulat, dega 0, dimaa 0
Lebih terperinciBAB VIII MASALAH ESTIMASI SATU DAN DUA SAMPEL
BAB VIII MASAAH ESTIMASI SAT DAN DA SAMPE 8.1 Statistik iferesial Statistik iferesial suatu metode megambil kesimpula dari suatu populasi. Ada dua pedekata yag diguaka dalam statistik iferesial. Pertama,
Lebih terperinciLIMIT. = δ. A R, jika dan hanya jika ada barisan. , sedemikian hingga Lim( a n
LIMIT 4.. FUNGSI LIMIT Defiisi 4.. A R Titik c R adalah titik limit dari A, jika utuk setiap δ > 0 ada palig sedikit satu titik di A, c sedemikia sehigga c < δ. Defiisi diatas dapat disimpulka dega cara
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 5. No. 1, 39-46, April 2002, ISSN :
JURNAL MATEMATKA DAN KOMPUTER Vol 5 No, 39-46, April 22, SSN : 4-858 MENCAR SOLUS PENAKSR PARAMETER PADA ANALSS VARANS DENGAN PENDEKATAN GENERAL NVERS Sukestiaro Jurusa Matematika FMPA Uiversitas Negeri
Lebih terperinciRING MATRIKS ATAS RING KOMUTATIF. Achmad Abdurrazzaq, Ari Wardayani, Suroto Universitas Jenderal Soedirman
JMP : Volume 7 Nomor 1, Jui 2015, hal 11-18 RING MATRIKS ATAS RING KOMUTATIF Achmad Abdurrazzaq, Ari Wardayai, Suroto razzaqgaesha@gmailcom Uiversitas Jederal Soedirma ABSTRACT This paper discusses a matrices
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 6. No. 2, , Agustus 2003, ISSN : METODE PENENTUAN BENTUK PERSAMAAN RUANG KEADAAN WAKTU DISKRIT
Vol. 6. No., 97-09, Agustus 003, ISSN : 40-858 METODE PENENTUAN BENTUK PERSAMAAN RUANG KEADAAN WAKTU DISKRIT Robertus Heri Jurusa Matematika FMIPA UNDIP Abstrak Tulisa ii membahas peetua persamaa ruag
Lebih terperinciBeberapa Sifat Semigrup Matriks Atas Daerah Integral Admitting Struktur Ring 1
Beberapa Sifat Semigrup Matriks Atas Daerah Itegral Admittig Struktur ig K a r y a t i Jurusa Pedidika Matematika FMIPA, Uiversitas Negeri Yogyakarta Email: yatiuy@yahoo.com Abstrak Diberika adalah daerah
Lebih terperinciMAKALAH ALJABAR LINEAR SUB RUANG VEKTOR. Dosen Pengampu : Darmadi, S.Si, M.Pd
MAKALAH ALJABAR LINEAR SUB RUANG VEKTOR Dose Pegampu : Darmadi, S.Si, M.Pd Disusu : Kelas 5A / Kelompok 5 : Dia Dwi Rahayu (084. 06) Hefetamala (084. 4) Khoiril Haafi (084. 70) Liaatul Nihayah (084. 74)
Lebih terperinciSemigrup Matriks Admitting Struktur Ring
Semigrup Matriks dmittig Struktur ig K a r y a t i Jurusa Pedidika Matematika FMIP, Uiversitas Negeri Yogyakarta Email: yatiuy@yahoo.com bstrak Diberika adalah rig komutatif dega eleme satua da adalah
Lebih terperinciPERBANDINGAN HASIL PENGUJIAN INTERCEPT
IdoMS Joural o Statistics Vol., No. (3), Page 35-47 PERBANDINGAN HASIL PENGUJIAN INTERCEPT PADA UJI SATU ARAH MAKSIMUM DAN MINIMUM PADA UJI-UJI TERKAIT NON-SAMPLE PRIOR INFORMATION PADA MODEL REGRESI SEDERHANA
Lebih terperinciBAB I KONSEP DASAR PERSAMAAN DIFERENSIAL
BAB I KONSEP DASAR PERSAMAAN DIFERENSIAL Defiisi Persamaa diferesial adalah persamaa yag melibatka variabelvariabel tak bebas da derivatif-derivatifya terhadap variabel-variabel bebas. Berikut ii adalah
Lebih terperinciPENERAPAN TEOREMA TITIK TETAP UNTUK MENUNJUKKAN ADANYA PENYELESAIAN PADA SISTEM PERSAMAAN LINEAR
PENERAPAN TEOREMA TITIK TETAP UNTUK MENUNJUKKAN ADANYA PENYELESAIAN PADA SISTEM PERSAMAAN LINEAR Nur Aei Prodi Matematika, FST-UINAM uraeiatullah@gmail.com Ifo: Jural MSA Vol. 3 No. 2 Edisi: Juli Desember
Lebih terperinciMATHunesa (Volume 3 No 3) 2014
MATHuesa (Volume 3 No 3) 014 MINIMUM PENUTUP TITIK DAN MINIMUM PENUTUP SISI PADA GRAF KOMPLIT DAN GRAF BIPARTIT KOMPLIT Yessi Riskiada Kusumawardai Program Studi S1 Matematika, Fakultas Matematika da Ilmu
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakag Statistika iferesi merupaka salah satu cabag statistika yag bergua utuk meaksir parameter. Peaksira dapat diartika sebagai dugaa atau perkiraa atas sesuatu yag aka terjadi
Lebih terperinciBAB II TINJAUAN PUSTAKA. dengan asumsi bahwa telah diketahui bentuk fungsi regresinya. atau dalam bentuk matriks dapat ditulis dengan:
BAB II TINJAUAN PUSTAKA 2.1 Regresi Parametrik Regresi parametrik merupaka metode statistika yag diguaka utuk megetahui pola hubuga atara variabel prediktor dega variabel respo, dega asumsi bahwa telah
Lebih terperinciBAB III RUANG HAUSDORFF. Pada bab ini akan dibahas mengenai ruang Hausdorff, kekompakan pada
8 BAB III RUANG HAUSDORFF Pada bab ii aka dibahas megeai ruag Hausdorff, kekompaka pada ruag Hausdorff da ruag regular legkap. Pembahasa diawali dega medefiisika Ruag Hausdorff da beberapa sifatya kemudia
Lebih terperinciPENERAPAN TEOREMA TITIK TETAP UNTUK MENUNJUKKAN ADANYA PENYELESAIAN PADA SISTEM PERSAMAAN LINEAR
PENERAPAN TEOREMA TITIK TETAP UNTUK MENUNJUKKAN ADANYA PENYELESAIAN PADA SISTEM PERSAMAAN LINEAR Nur Aei Prodi Matematika, FST-UINAM uraeiatullah@gmail.com Ifo: Jural MSA Vol. 3 No. 2 Edisi: Juli Desember
Lebih terperinciSEMI MODUL POLINOMIAL FUZZY ATAS ALJABAR MAX-PLUS FUZZY
JMP : Volume 3 Nomor 1, Jui 2011 SEMI MODUL POLINOMIAL FUZZY ATAS ALJABAR MAX-PLUS FUZZY Ari Wardayai da Suroto Prodi Matematika, Jurusa MIPA, Fakultas Sais da Tekik Uiversitas Jederal Soedirma (email
Lebih terperinciSecara umum, suatu barisan dapat dinyatakan sebagai susunan terurut dari bilangan-bilangan real:
BARISAN TAK HINGGA Secara umum, suatu barisa dapat diyataka sebagai susua terurut dari bilaga-bilaga real: u 1, u 2, u 3, Barisa tak higga merupaka suatu fugsi dega domai berupa himpua bilaga bulat positif
Lebih terperinciPengantar Statistika Matematika II
Pegatar Statistika Matematika II Metode Evaluasi Atia Ahdika, S.Si., M.Si. Prodi Statistika FMIPA Uiversitas Islam Idoesia April 11, 2017 atiaahdika.com Pegguaa metode estimasi yag berbeda dapat meghasilka
Lebih terperinciESTIMASI DENSITAS KERNEL ADJUSTED: STUDI SIMULASI. Novita Eka Chandra Universitas Islam Darul Ulum Lamongan
JMP : Vol. 8 No., Des. 016, al. 33-40 ISSN 085-1456 ESTIMASI DENSITAS KERNEL ADJUSTED: STUDI SIMULASI Novita Eka Cadra Uiversitas Islam Darul Ulum Lamoga ovitaekacadra@gmail.com Masriai Mayuddi Uiversitas
Lebih terperinciI. DERET TAKHINGGA, DERET PANGKAT
I. DERET TAKHINGGA, DERET PANGKAT. Pedahulua Pembahasa tetag deret takhigga sebagai betuk pejumlaha suku-suku takhigga memegag peraa petig dalam fisika. Pada bab ii aka dibahas megeai pegertia deret da
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Aalisis Regresi Istilah regresi pertama kali diperkealka oleh seorag ahli yag berama Facis Galto pada tahu 1886. Meurut Galto, aalisis regresi berkeaa dega studi ketergatuga dari suatu
Lebih terperinciREGRESI DAN KORELASI SEDERHANA
REGRESI DAN KORELASI SEDERHANA Apa yag disebut Regresi? Korelasi? Aalisa regresi da korelasi sederhaa membahas tetag keterkaita atara sebuah variabel (variabel terikat/depede) dega (sebuah) variabel lai
Lebih terperinciBAB 3 METODE PENELITIAN
Sedagka itegrasi ruas kaa utuk ersamaa (3b) diperoleh ds / = S... (36) Dega demikia pesamaa yag harus dipecahka adalah l 1 1 u u = S (37) Dari ersamaa (37) diperoleh persamaa utuk u u S = exp S 1exp S...
Lebih terperinciDistribusi 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 terperinciPenyelesaian: Variables Entered/Removed a. a. Dependent Variable: Tulang b. All requested variables entered.
2. Pelajari data dibawah ii, tetuka depede da idepede variabel serta : a) Hitug Sum of Square for Regressio (X) b) Hitug Sum of Square for Residual c) Hitug Meas Sum of Square for Regressio (X) d) Hitug
Lebih terperinciPROSES INFERENSI PADA MODEL LOGIT. Oleh: Agus Rusgiyono Program Studi Statistika FMIPA UNDIP. 1 n
PROSS INFRNSI PADA MODL LOGIT Oleh: Agus Rusgiyoo Program Studi Statistika FMIPA UNDIP Abstracts Let { 3 L } rereset the resose o a omial radom variable o Beroulli distributio with P[ ] P[ ] where is a
Lebih terperinciAji Wiratama, Yuni Yulida, Thresye Program Studi Matematika Fakultas MIPA Universitas Lambung Mangkurat Jl. Jend. A. Yani km 36 Banjarbaru
Jural Matematika Muri da Terapa εpsilo Vol.8 No.2 (24) Hal. 39-45 APLIKASI METODE DEKOMPOSISI ADOMIAN UNTUK MENENTUKAN FORMULA TRANSFORMASI LAPLACE Aji Wiratama, Yui Yulida, Thresye Program Studi Matematika
Lebih terperinciESTIMASI PARAMETER REGRESI SPATIAL AUTOREGRESSIVE MODEL. Nurul Muthiah, Raupong, Anisa Program Studi Statistika, FMIPA, Universitas Hasanuddin ABSTRAK
ESTIMASI PARAMETER REGRESI SPATIAL AUTOREGRESSIVE MODEL Nurul Muthiah, Raupog, Aisa Program Studi Statistika, FMIPA, Uiversitas Hasauddi ABSTRAK Regresi spasial merupaka pegembaga dari regresi liier klasik.
Lebih terperinciSTUDI TENTANG BEBERAPA MODIFIKASI METODE ITERASI BEBAS TURUNAN
STUDI TENTANG BEBERAPA MODIFIKASI METODE ITERASI BEBAS TURUNAN Supriadi Putra, M,Si Laboratorium Komputasi Numerik Jurusa Matematika FMIPA Uiversitas Riau e-mail : spoetra@yahoo.co.id ABSTRAK Makalah ii
Lebih terperinciBab 3 Metode Interpolasi
Baha Kuliah 03 Bab 3 Metode Iterpolasi Pedahulua Iterpolasi serig diartika sebagai mecari ilai variabel tergatug tertetu, misalya y, pada ilai variabel bebas, misalya, diatara dua atau lebih ilai yag diketahui
Lebih terperinciSTATISTIKA ANALISIS REGRESI DAN KORELASI LINIER SEDERHANA
STATISTIKA ANALISIS REGRESI DAN KORELASI LINIER SEDERHANA OUTLINE LANJUTAN Peetua garis duga regresi dega Metode OLS kostata a da koefisie b Aalisis Varias komposisi variasi sekitar garis r da r Stadard
Lebih terperinciBAB 1 PENDAHULUAN. Analisis regresi menjadi salah satu bagian statistika yang paling banyak aplikasinya.
BAB 1 PENDAHULUAN 1.1 Latar Belakag Aalisis regresi mejadi salah satu bagia statistika yag palig bayak aplikasiya. Aalisis regresi memberika keleluasaa kepada peeliti utuk meyusu model hubuga atau pegaruh
Lebih terperinciRange atau jangkauan suatu kelompok data didefinisikan sebagai selisih antara nilai terbesar dan nilai terkecil, yaitu
BAB 4 UKURAN PENYEBARAN DATA Pada Bab sebelumya kita telah mempelajari beberapa ukura pemusata data, yaitu ukura yag memberika iformasi tetag bagaimaa data-data ii megumpul atau memusat Pada bagia Bab
Lebih terperinciSKEMA PEMBAGIAN RAHASIA DENGAN KODE LINEAR
SKEMA PEMBAGIAN RAHASIA DENGAN KODE LINEAR A- Riigsih, Idah Emilia Wijayati 2 Mahasiswa S Jurusa Matematika FMIPA Uiversitas Gadjah Mada 2 Jurusa Matematika FMIPA Uiversitas Gadjah Mada Abstrak Skema pembagia
Lebih terperinciIII. METODE PENELITIAN. Lokasi penelitian dilakukan di Provinsi Sumatera Barat yang terhitung
42 III. METODE PENELITIAN 3.. Lokasi da Waktu Peelitia Lokasi peelitia dilakuka di Provisi Sumatera Barat yag terhitug mulai miggu ketiga bula April 202 higga miggu pertama bula Mei 202. Provisi Sumatera
Lebih terperinciLinear and Generalized Linear Mixed Models and Their Applications (Jiang 2007)
Tugas Aalisis Data Lajuta Liear ad Geeralized Liear Mixed Models ad Their Applicatios (Jiag 007) Geeralized Liear Mixed Models : Part I 3.7 Further Results ad Techical Notes Oleh Yei Agraii (G161150051)
Lebih terperinciNama : INDRI SUCI RAHMAWATI NIM : ANALISIS REGRESI SESI 01 HAL
Nama : INDRI SUCI RAHMAWATI NIM : 2015-32-005 ANALISIS REGRESI SESI 01 HAL. 86-88 Latiha 2 Pelajari data dibawah ii, tetuka depede da idepede variabel serta : a. Hitug Sum of Square for Regressio (X) b.
Lebih terperinciBAB II TINJAUAN PUSTAKA
3 BAB II TINJAUAN PUSTAKA Pada bab ii aka dituliska beberapa aspek teoritis berupa defiisi, teorema da sifat-sifat yag berhubuga dega aljabar liear, struktur aljabar da teori kodig yag diguaka sebagai
Lebih terperinciBAB 4. METODE ESTIMASI PARAMETER DARI DISTRIBUSI WAKTU KERUSAKAN
BAB 4 METODE ESTIMASI PARAMETER DARI DISTRIBUSI WAKTU KERUSAKAN Estimasi reliabilitas membutuhka pegetahua distribusi waktu kerusaka yag medasari dari kompoe atau sistem yag dimodelka Utuk memprediksi
Lebih terperinciBAB II LANDASAN TEORI. Pada bab ini akan dibahas beberapa teori dasar yang diperlukan pada
BAB II LANDASAN TEORI Pada bab ii aka dibahas beberapa teori dasar yag diperluka pada bab bab selajutya, diataraya defiisi Persamaa Diferesial Stokastik, proses Wieer, itegral stokastik, order strog covergece
Lebih terperinciDERET TAK HINGGA (INFITITE SERIES)
MATEMATIKA II DERET TAK HINGGA (INFITITE SERIES) sugegpb.lecture.ub.ac.id aada.lecture.ub.ac.id BARISAN Barisa merupaka kumpula suatu bilaga (atau betuk aljabar) yag disusu sehigga membetuk suku-suku yag
Lebih terperinciBAB 6: ESTIMASI PARAMETER (2)
Bab 6: Estimasi Parameter () BAB 6: ESTIMASI PARAMETER (). ESTIMASI PROPORSI POPULASI Proporsi merupaka perbadiga atara terjadiya suatu peristiwa dega semua kemugkiaa peritiwa yag bisa terjadi. Besara
Lebih terperinciPENDUGAAN PARAMETER DARI DISTRIBUSI POISSON DENGAN MENGGUNAKAN METODE MAXIMUM LIKEHOOD ESTIMATION (MLE) DAN METODE BAYES
Jural Matematika UNAND Vol. 3 No. 4 Hal. 52 59 ISSN : 233 29 c Jurusa Matematika FMIPA UNAND PENDUGAAN PARAMETER DARI DISTRIBUSI POISSON DENGAN MENGGUNAKAN METODE MAXIMUM LIKEHOOD ESTIMATION (MLE) DAN
Lebih terperinciBAB 2 LANDASAN TEORI
6 BAB 2 LANDASAN TEORI 2.1. Metode Kuadrat Terkecil Aalisis regresi merupaka aalisis utuk medapatka hubuga da model matematis atara variabel depede (Y) da satu atau lebih variabel idepede (X). Hubuga atara
Lebih terperinciHUBUNGAN ANTARA KONVERGEN HAMPIR PASTI, KONVERGEN DALAM PELUANG, DAN KONVERGEN DALAM SEBARAN
Jural Matematika UNAND Vol. 2 No. 2 Hal. 0 6 ISSN : 2303 290 c Jurusa Matematika FMIPA UNAND HUBUNGAN ANTARA KONVERGEN HAMPIR PASTI, KONVERGEN DALAM PELUANG, DAN KONVERGEN DALAM SEBARAN VIRA AGUSTA, DODI
Lebih terperinciTEOREMA WEYL UNTUK OPERATOR HYPONORMAL
Jural UJMC, Volume 3, Nomor, Hal. - 6 pissn : 460-3333 eissn : 579-907X TEOREMA WEYL UNTUK OPERATOR HYPONORMAL Guawa Uiversitas Muhammadiyah Purwokerto, gu.oge@gmail.com Abstract This paper aims at describig
Lebih terperinciB a b 1 I s y a r a t
34 TKE 315 ISYARAT DAN SISTEM B a b 1 I s y a r a t (bagia 3) Idah Susilawati, S.T., M.Eg. Program Studi Tekik Elektro Fakultas Tekik da Ilmu Komputer Uiversitas Mercu Buaa Yogyakarta 29 35 1.5.2. Isyarat
Lebih terperinciPENGUJIAN HIPOTESIS PADA REGRESI KUANTIL
PENGUJIAN HIPOTESIS PADA REGRESI KUANTIL Nurwahida Astari, Amra, Adi Kresa Jaya Departeme Matematika Fakultas Matematika da Ilmu Pegetahua Alam Uiversitas Hasauddi E-mail: urwahida.astari95yahoo.co.id
Lebih terperinciKestabilan Rangkaian Tertutup Waktu Kontinu Menggunakan Metode Transformasi Ke Bentuk Kanonik Terkendali
Jural Tekika ISSN : 285-859 Fakultas Tekik Uiversitas Islam Lamoga Volume No.2 Tahu 29 Kestabila Ragkaia Tertutup Waktu Kotiu Megguaka Metode Trasformasi Ke Betuk Kaoik Terkedali Suhariyato ) Dose Fakultas
Lebih terperinciBARISAN PANGKAT TERURUT MATRIKS PADA ALJABAR MAX PLUS
BRISN PNGKT TERURUT MTRIKS PD LJBR MX PLUS Nurwa Jurusa Matematika FMIP Uiversitas Negeri Gorotalo E-mail: urwa_mat@ug.ac.id bstrak Diberika matriks R yag memeuhi = λ. Matriks adalah k + c c k taktereduksi
Lebih terperinciPenyelesaian Persamaan Non Linier
Peyelesaia Persamaa No Liier Metode Iterasi Sederhaa Metode Newto Raphso Permasalaha Titik Kritis pada Newto Raphso Metode Secat Metode Numerik Iterasi/NewtoRaphso/Secat - Metode Iterasi Sederhaa- Metode
Lebih terperinci9 Departemen Statistika FMIPA IPB
Supleme Resposi Pertemua ANALISIS DATA KATEGORIK (STK351 9 Departeme Statistika FMIPA IPB Pokok Bahasa Sub Pokok Bahasa Referesi Waktu Pegatar Aalisis utuk Data Respo Kategorik Data respo kategorik Sebara
Lebih terperinciHendra Gunawan. 12 Februari 2014
MA1201 MATEMATIKA 2A Hedra Guawa Semester II, 2013/2014 12 Februari 2014 Bab Sebelumya 8. Betuk Tak Tetu da Itegral Tak Wajar 8.1 Betuk Tak Tetu 0/0 82 8.2 Betuk Tak Tetu Laiya 8.3 Itegral Tak Wajar dg
Lebih terperinciMETODE SIMPSON TERMODIFIKASI UNTUK MENYELESAIKAN PERSAMAAN INTEGRAL VOLTERRA LINEAR JENIS KEDUA. Jonas Lodewyk H 1, Zulkarnain 2 ABSTRACT
METODE SIMPSON TERMODIFIKASI UNTUK MENYELESAIKAN PERSAMAAN INTEGRAL VOLTERRA LINEAR JENIS KEDUA Joas Lodewyk H 1, Zulkarai 1 Mahasiswa Program Studi S1 Matematika Dose Jurusa Matematika Fakultas Matematika
Lebih terperinciProgram Pasca Sarjana Terapan Politeknik Elektronika Negeri Surabaya PENS. Probability and Random Process. Topik 10. Regresi
Program Pasca Sarjaa Terapa Politekik Elektroika Negeri Surabaya Probability ad Radom Process Topik 10. Regresi Prima Kristalia Jui 015 1 Outlie 1. Kosep Regresi Sederhaa. Persamaa Regresi Sederhaa 3.
Lebih terperinciII. LANDASAN TEORI. Sampling adalah proses pengambilan atau memilih n buah elemen dari populasi yang
II. LANDASAN TEORI Defiisi 2.1 Samplig Samplig adalah proses pegambila atau memilih buah eleme dari populasi yag berukura N (Lohr, 1999). Dalam melakuka samplig, terdapat teori dasar yag disebut teori
Lebih terperinciNama : INDRI SUCI RAHMAWATI NIM : ANALISIS REGRESI SESI 01 HAL
Nama : INDRI SUCI RAHMAWATI NIM : 2015-32-005 ANALISIS REGRESI SESI 01 HAL. 85-88 Latiha 1 Pelajari data dibawah ii, tetuka depede da idepedet variabel serta a. Hitug Sum of for Regressio (X) b. Hitug
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 6. No. 2, 77-85, Agustus 2003, ISSN : DISTRIBUSI WAKTU BERHENTI PADA PROSES PEMBAHARUAN
JURAL MATEMATKA DA KOMPUTER Vol. 6. o., 77-85, Agustus 003, SS : 40-858 DSTRBUS WAKTU BERHET PADA PROSES PEMBAHARUA Sudaro Jurusa Matematika FMPA UDP Abstrak Dalam proses stokhastik yag maa kejadia dapat
Lebih terperinciFungsi Kompleks. (Pertemuan XXVII - XXX) Dr. AZ Jurusan Teknik Sipil Fakultas Teknik Universitas Brawijaya
TKS 4007 Matematika III Fugsi Kompleks (Pertemua XXVII - XXX) Dr. AZ Jurusa Tekik Sipil Fakultas Tekik Uiversitas Brawijaya Pedahulua Persamaa x + 1 = 0 tidak memiliki akar dalam himpua bilaga real. Pertayaaya,
Lebih terperinciPETA KONSEP RETURN dan RISIKO PORTOFOLIO
PETA KONSEP RETURN da RISIKO PORTOFOLIO RETURN PORTOFOLIO RISIKO PORTOFOLIO RISIKO TOTAL DIVERSIFIKASI PORTOFOLIO DENGAN DUA AKTIVA PORTOFOLIO DENGAN BANYAK AKTIVA DEVERSIFIKASI DENGAN BANYAK AKTIVA DEVERSIFIKASI
Lebih terperinciDeret Fourier. Modul 1 PENDAHULUAN
Modul Deret Fourier Prof. Dr. Bambag Soedijoo P PENDAHULUAN ada modul ii dibahas masalah ekspasi deret Fourier Sius osius utuk suatu fugsi periodik ataupu yag diaggap periodik, da dibahas pula trasformasi
Lebih terperinciBAB I PENDAHULUAN. X Y X Y X Y sampel
BAB I PENDAHULUAN 1.1 Latar Belakag Masalah Aalisis regresi merupaka metode aalisis data yag meggambarka hubuga atara variabel respo dega satu atau beberapa variabel prediktor. Aalisis regresi tersebut
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 7. No. 1, 31-41, April 2004, ISSN :
Vol. 7. No. 1, 31-41, April 24, ISSN : 141-8518 Peetua Kestabila Sistem Kotrol Lup Tertutup Waktu Kotiu dega Metode Trasformasi ke Betuk Kaoik Terkotrol Robertus Heri Jurusa Matematika FMIPA UNDIP Abstrak
Lebih terperinciSelang Kepercayaan (Confidence Interval) Pengantar Penduga titik (point estimator) telah dibahas pada kuliah-kuliah sebelumnya. Walau statistikawan
Selag Kepercayaa (Cofidece Iterval) Pegatar Peduga titik (poit estimator) telah dibahas pada kuliah-kuliah sebelumya. Walau statistikawa telah berusaha memperoleh peduga titik yag baik, amu hampir bisa
Lebih terperinciHomomorfisma Pada Semimodul Atas Aljabar Max-Plus
Homomorfisma Pada Semimodul Atas Aljabar Max-Plus A 14 Oleh : Musthofa Jurusa Pedidika Matematika FMIPA UNY Abstrak Kosep homorfisma telah bayak dibahas pada beberapa struktur aljabar yaitu pada ruag vektor
Lebih terperinciSolusi Numerik PDP. ( Metode Beda Hingga ) December 9, 2013. Solusi Numerik PDP
( Metode Beda Higga ) December 9, 2013 Sebuah persamaa differesial apabila didiskritisasi dega metode beda higga aka mejadi sebuah persamaa beda. Jika persamaa differesial parsial mempuyai solusi eksak
Lebih terperinciGRUP TERURUT PARSIAL PADA MATRIKS SIMETRI BERUKURAN 2 2
Jural LOG!K@, Jilid 7, No, 7, Hal 46-5 ISSN 978 8568 GRU ERURU ARSIAL ADA MARIKS SIMERI BERUKURAN Irmatul Hasaah Uiversitas Islam Negeri Sulta Maulaa Hasauddi Bate Email: irmatulhasaah@uibateacid Abstract:
Lebih terperinciAn = an. An 1 = An. h + an 1 An 2 = An 1. h + an 2... A2 = A3. h + a2 A1 = A2. h + a1 A0 = A1. h + a0. x + a 0. x = h a n. f(x) = 4x 3 + 2x 2 + x - 3
SUKU BANYAK A Pegertia: f(x) x + a 1 x 1 + a 2 x 2 + + a 2 +a 1 adalah suku bayak (poliom) dega : - a, a 1, a 2,.,a 2, a 1, a 0 adalah koefisiekoefisie suku bayak yag merupaka kostata real dega a 0 - a
Lebih terperinci) didefinisikan sebagai persamaan yang dapat dinyatakan dalam bentuk: a x a x a x b... b adalah suatu urutan bilangan dari bilangan s1, s2,...
SISEM PERSAMAAN LINIER DAN MARIKS. SISEM PERSAMAAN LINIER Secara umum, persamaa liier dega variabel ( x, x,..., x ) didefiisika sebagai persamaa yag dapat diyataka dalam betuk: a x a x a x b... dega a,
Lebih terperinciLANDASAN TEORI. Secara umum, himpunan kejadian A i ; i I dikatakan saling bebas jika: Ruang Contoh, Kejadian, dan Peluang
2 LANDASAN TEORI Ruag Cotoh, Kejadia, da Peluag Percobaa acak adalah suatu percobaa yag dapat diulag dalam kodisi yag sama, yag hasilya tidak dapat diprediksi secara tepat tetapi dapat diketahui semua
Lebih terperinciIII PERBANDINGAN MODEL-MODEL BINOMIAL. : harga saham : tingkat harapan pendapatan. yaitu
III PERBANDINGAN MODEL-MODEL BINOMIAL 3. Model Kotiu da Model Diskret Perkembaga Harga Saham Saham merupaka aset fiasial yag ilaiya berubah-ubah megikuti harga pasar, sehigga dalam jagka waktu tertetu
Lebih terperinci