Universitas Gadjah Mada Fakultas Teknik Jurusan Teknik Sipil dan Lingkungan VARIABEL RANDOM. Statistika dan Probabilitas

Ukuran: px
Mulai penontonan dengan halaman:

Download "Universitas Gadjah Mada Fakultas Teknik Jurusan Teknik Sipil dan Lingkungan VARIABEL RANDOM. Statistika dan Probabilitas"

Transkripsi

1 Unverstas Gadjah Mada Fakultas Teknk Jurusan Teknk Sl dan Lngkungan VARIABEL RANDOM Statstka dan Probabltas

2 2 Pengertan Random varable (varabel acak) Jens suatu fungs yang ddefnskan ada samle sace Dscrete random varables Contnuous random varables Contoh jumlah har hujan selama 1 tahun à dskrt jumlah (volume) hujan selama 1 tahun à kontnu

3 3 Notas à varabel random à nla varabel random Fungs Suatu fungs varabel random adalah varabel random ula Jka adalah varabel random, maka Z = f() adalah juga varabel random

4 Dskrt 4 = dscrete random varables = 1, 2, 3,, n f ( 1 ) f ( 2 ) f ( 3 ) robabltas f ( ) = 1 f ( n )

5 f ( ) dstrbus robabltas dskrt n 1 n 1 F ( ) dstrbus robabltas kumulatf dskrt n 1 n robabltas 5

6 Dstrbus robabltas kumulatf suatu varabel random untuk = F ( ) = f ( ) Dstrbus robabltas suatu varabel random untuk = f ( ) F ( ) F ( ) = 1 6

7 7 Frekuens relatf Probabltas ( ) ( ) = f F ( ) = = j j f F 1 1 = F F f Frekuens relatf kumulatf ( ) ( ) ( ) 1 = F F f

8 8 Kontnu Probabltas rob n n ( A ) = = f n = jumlah data d klas ke- n = jumlah seluruh data Dengan demkan f daat dandang sebaga nla estmas robabltas f à estmas rob (A) hstogram frekuens à endekatan dstrbus robabltas frekuens kumulatf à endekatan dstrbus robabltas kumulatf varabel random kontnu derlakukan seolah-olah varabel random dskrt

9 () 1 P () P (b) P (a) 0 luas = rob( b) luas = 1 a a b b luas = rob(a b) rob(a b) df = robablty densty functon cdf = cumulatve robablty dstrbuton functon P () = rob( ) 9

10 () = robablty densty functon of a contnuous random varable P () = cumulatve robablty dstrbuton functon P ( ) = rob ( ) d P ( ) = ( ) d P ( ) = ( t) dt 10

11 11 Beberaa Sfat Probabltas (1) (2) (3) + P ( ) 0, ( ) d = 1 ( ) = 0 (5) (6) rob b ( a b) = ( t) dt = P ( b) P ( a) c a ( = c) = ( t) dt = P ( c) P ( c) 0 rob = c (4) P ( + ) = 1 rob ( a b) = rob( a < b) = rob( a < b) = rob( a < < b)

12 12 Kala Ulang (Return Perod) rob ( a) = rob( > a) Jad dalam defns kala ulang a. suatu kejadan yang menyama atau melamau suatu nla tertentu b. suatu kejadan yang melamau suatu nla tertentu Kedua defns, a dan b, adalah sama mengngat robabltas suatu kejadan (event) menyama suatu nla tertentu bernla nol

13 13 Contoh #1 Dketahu suatu varabel random memlk fungs keraatan robabltas (df) sbb. ( ) 2 untuk 0 < < 2 = 0 untuk nla yang lan Gambarlah df tersebut Tunjukkan bahwa rob(0 < < 2) = 1 Htunglah rob( < 1.5)= P (1.5) Htunglah rob(0.5 < < 1.5)

14 14 Contoh #2 Pengolahan data annual seres curah hujan haran maksmum, H mm, d suatu stasun ARR (Automatc Ranfall Recorder) menunjukkan bahwa sebaran robabltas suatu besaran curah hujan, H (h), daat dnyatakan dengan suatu fungs (df) sbb. H ( h) = ( 100 h) untuk 0 < h < 50 untuk 50 < h < 100 untuk nla h yang lan Gambarlah df tsb. Carlah fungs cdf berdasarkan df tsb. Htunglah rob(40 mm < H < 60 mm)

15 15 Bvarate Dstrbutons Pada bahasan sebelumnya, varabel random adalah varabel tunggal (unvarate dstrbuton) Pada bahasan berkut n, varabel random terdr dar dua varabel (bvarate dstrbutons) Aabla kta ngn memelajar erlaku dua atau lebh varabel random, maka kta erlu menghtung robabltas gabungan atau robabltas bersama (jont robabltes) Probabltas gabungan à df gabungan

16 16 Bvarate Dstrbutons Probabltas gabungan, robabltas bersama = Y df y ( y) P ( y), Y,,, P, Y (, y) = rob( Y y) = + +, Y ( s, t) dt ds cdf

17 17 Bvarate Dstrbutons Beberaa sfat bvarate dstrbuton P Y ( ),, ( y) P Y, cdf varabel random saja (unvarate), cdf varabel random Y saja (unvarate) (, y) 0, Y ( +, + ) 1 P, Y = P ( y) = P (, ) 0, Y,, Y =

18 18 Dstrbus Margnal Dua varabel random dan Y Ingn dketahu erlaku varabel tana memertmbangkan nla varabel Y Denstas margnal (df) dan dstrbus kumulatf margnal (cdf), Y (, y) ( ) P, Y (, y) P ( ) P ( ) = P (, ) = rob( Y ) = rob( ) + ( ) (, t) = dt, Y = +, Y ( s, t) dt ds = ( s) ds df cdf

19 19 Dstrbus Margnal Dua varabel random dan Y Untuk varabel Y Y, Y (, y) Y ( y) P, Y (, y) PY ( y) P ( y) = P (, y) = rob( Y y) = rob( Y y) + ( y) ( s, y) = ds, Y Y = Y y +, Y ( s, t) dsdt = ( t) y Y dt df cdf

20 20 Dstrbus Bersyarat (Condtonal Dstrbutons) Dua varabel random dan Y Ingn dketahu erlaku varabel yang bergantung ada varabel Y n Dstrbus jka Y = y 0 n Dstrbus Y jka 1 2

21 21 Dstrbus Bersyarat (Condtonal Dstrbutons), Y rob Y Y ( y d dalam S) (, t) ( t) ( d dalamr y d dalam S) = ( y d dalam S) ( y = y ) ( y) = 0, Y = Y = S S, Y (, y0 ) Y ( y0 ) (, y) ( y), Y Y dt dt R Y yang lebh serng dtulskan d

22 22 Indeendence Varabel random dan Y dan Y ndeendence jka Y Y ( y) bukan ( y) = ( ) fungs y Jont robabltes n Perkalan denstas margnal kedua varabel, Y (, y) = ( ) ( y) Y

23 23 Contoh Data jumlah har yang memlk temeratur udara rerata (T C) dan kelembaban udara relatf (H%) d suatu stasun klmatolog Temeratur udara, T C Kelembaban relatf, H%

24 24 Contoh Dar tabel temeratur udara dan kelembaban udara tsb. df (gabungan) df margnal dan cdf margnal temeratur udara rerata df margnal dan cdf margnal kelembaban udara relatf robabltas temeratur udara berksar ada 28 C s.d. 30 C robabltas temeratur udara berksar ada 28 C s.d. 30 C ada saat kelembaban udara relatf 60% s.d. 80%

25 25

Rekayasa Trafik Telekomunikasi

Rekayasa Trafik Telekomunikasi Rekayasa Trafk Telekomunkas TEU9948 INDAR SURAHMAT emodelan Interval Waktu engetahuan yang mendasar pemodelan nterval waktu adalah teor robabltas engetahuan Dasar robabltas Jka A dan B kejadan sembarang,

Lebih terperinci

DISTRIBUSI FREKUENSI

DISTRIBUSI FREKUENSI BAB DISTRIBUSI FREKUENSI Kompetens Mampu membuat penyajan data dalam dstrbus frekuens Indkator 1. Menjelaskan dstrbus frekuens. Membuat dstrbus frekuens 3. Menjelaskan macam-macam dstrbus frekuens 4. Membuat

Lebih terperinci

WEIBULL TWO PARAMETER

WEIBULL TWO PARAMETER WEIBULL TWO PARAMETER Dalam teor probabltas dan statstk, dstrbus webull merupakan dstrbus probabltas yang berkelanjutan atau kontnyu. Dgambarkan secara detal oleh Walodd Webull pada tahun 1951 meskpun

Lebih terperinci

FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS TEKNOLOGI YOGYAKARTA UJIAN TENGAH SEMESTER GANJIL TAHUN AKADEMIK 2017/2018 PROGRAM STUDI: TEKNIK SIPIL

FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS TEKNOLOGI YOGYAKARTA UJIAN TENGAH SEMESTER GANJIL TAHUN AKADEMIK 2017/2018 PROGRAM STUDI: TEKNIK SIPIL FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS TEKNOLOGI YOGYAKARTA UJIAN TENGAH SEMESTER GANJIL TAHUN AKADEMIK 7/8 PROGRAM STUDI: TEKNIK SIPIL Mata Ujan : Statstka (Kelas Har, Tanggal : Rabu, 8 November 7 Dosen

Lebih terperinci

KWARTIL, DESIL DAN PERSENTIL

KWARTIL, DESIL DAN PERSENTIL KWARTIL, DESIL DAN PERSENTIL 1. KWARTIL Kwartl merupakan nla yang membag frekuens dstrbus data menjad empat kelompok yang sama besar. Dengan kata lan kwartl merupakan nla yang membag tap-tap 25% frekuens

Lebih terperinci

Oleh : Harifa Hanan Yoga Aji Nugraha Gempur Safar Rika Saputri Arya Andika Dumanauw

Oleh : Harifa Hanan Yoga Aji Nugraha Gempur Safar Rika Saputri Arya Andika Dumanauw Oleh : Harfa Hanan Yoga A Nugraha Gemur Safar ka Sautr Arya Andka Dumanau Dosen : Dr.rer.nat. Ded osad, S.S., M.Sc. Program Stud Statstka Fakultas Matematka dan Ilmu Pengetahuan Alam Unverstas Gadah Mada

Lebih terperinci

PEMODELAN COPULA CLAYTON UNTUK PREDIKSI KLAIM PADA DATA LONGITUDINAL DENGAN EXCESS ZEROS

PEMODELAN COPULA CLAYTON UNTUK PREDIKSI KLAIM PADA DATA LONGITUDINAL DENGAN EXCESS ZEROS PEMODELAN COPULA CLAYON UNUK PREDIKSI KLAIM PADA DAA LONGIUDINAL DENGAN EXCESS ZEROS Anavroh 1 dan Adhtya Ronne Effende 2 1 Unverstas Islam Darul Ulum Lamongan, ana.math07@gmal.com 2 Unverstas Gadjah Mada,

Lebih terperinci

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN BAB III METODE PENELITIAN Bab n akan menjelaskan latar belakang pemlhan metode yang dgunakan untuk mengestmas partspas sekolah. Propns Sumatera Barat dplh sebaga daerah stud peneltan. Setap varabel yang

Lebih terperinci

STATISTIK DESKRIPTIF UKURAN LETAK DATA

STATISTIK DESKRIPTIF UKURAN LETAK DATA UKURAN LETAK DATA OLEH HERDIAN S.Pd., M.Pd. SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER (STIMIK) PRINGSEWU UKURAN LETAK DATA Selan ukuran pemusatan data, ada juga yang dsebut ukuran letak data. Adapun

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 2.1 Fuzzy Set Pada tahun 1965, Zadeh memodfkas teor hmpunan dmana setap anggotanya memlk derajat keanggotaan yang bernla kontnu antara 0 sampa 1. Hmpunan n dsebut dengan hmpunaan

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 Pengertan Regres Regres pertama kal dpergunakan sebaga konsep statstka oleh Sr Francs Galton (1822 1911). Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang

Lebih terperinci

PENDAHULUAN Latar Belakang

PENDAHULUAN Latar Belakang PENDAHULUAN Latar Belakang Menurut teor molekuler benda, satu unt volume makroskopk gas (msalkan cm ) merupakan suatu sstem yang terdr atas sejumlah besar molekul (kra-kra sebanyak 0 0 buah molekul) yang

Lebih terperinci

INFERENSI FUNGSI KETAHANAN DENGAN METODE KAPLAN-MEIER

INFERENSI FUNGSI KETAHANAN DENGAN METODE KAPLAN-MEIER Tatk Wdharh dan Naschah ska Andran (Inferens Fungs Ketahanan dengan Metode Kaplan-Meer INFERENI FUNGI KETAHANAN DENGAN METODE KAPLAN-MEIER Tatk Wdharh dan Naschah ska Andran Jurusan Matematka FMIPA UNDIP

Lebih terperinci

VLE dari Korelasi nilai K

VLE dari Korelasi nilai K VLE dar orelas nla Penggunaan utama hubungan kesetmbangan fasa, yatu dalam perancangan proses pemsahan yang bergantung pada kecenderungan zat-zat kma yang dberkan untuk mendstrbuskan dr, terutama dalam

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI 2 LNDSN TEORI 2. Teor engamblan Keputusan Menurut Supranto 99 keputusan adalah hasl pemecahan masalah yang dhadapnya dengan tegas. Suatu keputusan merupakan jawaban yang past terhadap suatu pertanyaan.

Lebih terperinci

BAB III HIPOTESIS DAN METODOLOGI PENELITIAN

BAB III HIPOTESIS DAN METODOLOGI PENELITIAN BAB III HIPOTESIS DAN METODOLOGI PENELITIAN III.1 Hpotess Berdasarkan kerangka pemkran sebelumnya, maka dapat drumuskan hpotess sebaga berkut : H1 : ada beda sgnfkan antara sebelum dan setelah penerbtan

Lebih terperinci

MINGGU KE- V: UKURAN PENYEBARAN

MINGGU KE- V: UKURAN PENYEBARAN MINGGU KE- V: UKURAN PENYEBARAN Tujuan Instruksonal Umum :. Mahasswa mampu memaham apa yang dmaksud dengan ukuran penyebaran. Mahasswa mampu memaham berbaga pengukuran untuk mencar nla ukuran penyebaran

Lebih terperinci

KWARTIL, DESIL DAN PERSENTIL

KWARTIL, DESIL DAN PERSENTIL KWARTIL, DESIL DAN PERSENTIL 1. KWARTIL Kwartl merupakan nla yang membag frekuens dstrbus data menjad empat kelompok yang sama besar. Dengan kata lan kwartl merupakan nla yang membag taptap 25% frekuens

Lebih terperinci

SISTEM LINEAR MAX-PLUS KABUR WAKTU INVARIANT AUTONOMOUS

SISTEM LINEAR MAX-PLUS KABUR WAKTU INVARIANT AUTONOMOUS SISTEM LINEAR MAX-PLUS KABUR WAKTU INVARIANT AUTONOMOUS A8 M. Andy Rudhto 1 1 Program Stud Penddkan Matematka FKIP Unverstas Sanata Dharma Kampus III USD Pangan Maguwoharjo Yogyakarta 1 e-mal: arudhto@yahoo.co.d

Lebih terperinci

MODEL PERSEDIAAN PROBABILISTIK YANG MEMUAT VARIABEL LEAD TIME DENGAN PENDEKATAN DISTRIBUSI NORMAL

MODEL PERSEDIAAN PROBABILISTIK YANG MEMUAT VARIABEL LEAD TIME DENGAN PENDEKATAN DISTRIBUSI NORMAL MODEL PERSEDIAAN PROBABILISTIK YANG MEMUAT VARIABEL LEAD TIME DENGAN PENDEKATAN DISTRIBUSI NORMAL Noprad, T.P.Nababan, Endang Lly Mahasswa Program Stud S Matematka Dosen Jurusan Matematka Fakultas Matematka

Lebih terperinci

I. PENGANTAR STATISTIKA

I. PENGANTAR STATISTIKA 1 I. PENGANTAR STATISTIKA 1.1 Jens-jens Statstk Secara umum, lmu statstka dapat terbag menjad dua jens, yatu: 1. Statstka Deskrptf. Statstka Inferensal Dalam sub bab n akan djelaskan mengena pengertan

Lebih terperinci

BAB 1 PENDAHULUAN. Universitas Sumatera Utara

BAB 1 PENDAHULUAN. Universitas Sumatera Utara BAB 1 ENDAHULUAN 1.1 Latar Belakang Secara umum dapat dkatakan bahwa mengambl atau membuat keputusan berart memlh satu dantara sekan banyak alternatf. erumusan berbaga alternatf sesua dengan yang sedang

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI.1 Pengertan Regres Regres pertama kal dgunakan sebaga konsep statstka oleh Sr Francs Galton (18 1911).Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang selanjutnya

Lebih terperinci

PROSIDING ISSN: M-16 KLASIFIKASI CURAH HUJAN BERDASARKAN DATA SATELIT MTSTAT DENGAN METODE BAYESIAN

PROSIDING ISSN: M-16 KLASIFIKASI CURAH HUJAN BERDASARKAN DATA SATELIT MTSTAT DENGAN METODE BAYESIAN M-6 KLASIFIKASI CURAH HUJAN BERDASARKAN DATA SATELIT MTSTAT DENGAN METODE BAYESIAN Zulhanf ), I Gede Nyoman Mndra Jaya ),) Departemen Statstka FMIPA UNPAD dzulhanf@yahoo.com, jay.komang@gmal.com Abstrak

Lebih terperinci

Didownload dari ririez.blog.uns.ac.id BAB I PENDAHULUAN

Didownload dari ririez.blog.uns.ac.id BAB I PENDAHULUAN BAB I PENDAHULUAN Sebuah jarngan terdr dar sekelompok node yang dhubungkan oleh busur atau cabang. Suatu jens arus tertentu berkatan dengan setap busur. Notas standart untuk menggambarkan sebuah jarngan

Lebih terperinci

RANGKAIAN SERI. 1. Pendahuluan

RANGKAIAN SERI. 1. Pendahuluan . Pendahuluan ANGKAIAN SEI Dua elemen dkatakan terhubung ser jka : a. Kedua elemen hanya mempunya satu termnal bersama. b. Ttk bersama antara elemen tdak terhubung ke elemen yang lan. Pada Gambar resstor

Lebih terperinci

Bab 3. Teori Comonotonic. 3.1 Pengurutan Variabel Acak

Bab 3. Teori Comonotonic. 3.1 Pengurutan Variabel Acak Bab 3 Teor Comonotonc Pada bab n konsep teor comonotonc akan dpaparkan dar awal dan berakhr pada konsep teor n untuk jumlah dar peubah - peubah acak 1. Setelah tu untuk membantu pemahaman akan dberkan

Lebih terperinci

FAKTOR-FAKTOR YANG MEMPENGARUHI INDEKS PRESTASI MAHASISWA FSM UNIVERSITAS DIPONEGORO SEMASTER PERTAMA DENGAN MOTODE REGRESI LOGISTIK BINER

FAKTOR-FAKTOR YANG MEMPENGARUHI INDEKS PRESTASI MAHASISWA FSM UNIVERSITAS DIPONEGORO SEMASTER PERTAMA DENGAN MOTODE REGRESI LOGISTIK BINER UNIVERSITAS DIPONEGORO 013 ISBN: 978-60-14387-0-1 FAKTOR-FAKTOR YANG MEMPENGARUHI INDEKS PRESTASI MAHASISWA FSM UNIVERSITAS DIPONEGORO SEMASTER PERTAMA DENGAN MOTODE REGRESI LOGISTIK BINER Saftr Daruyan

Lebih terperinci

REGRESI LINIER SEDERHANA (MASALAH ESTIMASI)

REGRESI LINIER SEDERHANA (MASALAH ESTIMASI) REGRESI LINIER SEDERHANA (MASALAH ESTIMASI) PowerPont Sldes byyana Rohmana Educaton Unversty of Indonesan 007 Laboratorum Ekonom & Koperas Publshng Jl. Dr. Setabud 9 Bandung, Telp. 0 013163-53 Hal-hal

Lebih terperinci

Ringkasan Statistika Kelas XI SMA Tarakanita 1 Jakarta BAB I STATISTIKA

Ringkasan Statistika Kelas XI SMA Tarakanita 1 Jakarta BAB I STATISTIKA BAB I STATISTIKA 1. PENGENALAN STATISTIKA A. PENGERTIAN DASAR STATISTIKA 1. Statstka dan Statstk Statstka adalah lmu tentang pengolahan dan analss suatu data hngga penarkan kesmpulan dar data tu. Statstk

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PEDAHULUA. Latar Belakang Rsko ddentfkaskan dengan ketdakpastan. Dalam mengambl keputusan nvestas para nvestor mengharapkan hasl yang maksmal dengan rsko tertentu atau hasl tertentu dengan rsko yang

Lebih terperinci

BAB III FUNGSI MAYOR DAN MINOR. Pada bab ini akan dibahas konsep-konsep dasar dari fungsi mayor dan fungsi

BAB III FUNGSI MAYOR DAN MINOR. Pada bab ini akan dibahas konsep-konsep dasar dari fungsi mayor dan fungsi BAB III FUNGSI MAYOR DAN MINOR Pada bab n akan dbahas konsep-konsep dasar dar fungs mayor dan fungs mnor dar suatu fungs yang terdefns pada suatu nterval tertutup. Pendefnsan fungs mayor dan mnor tersebut

Lebih terperinci

STATISTIKA. A. Menyajikan Data dalam Bentuk Diagram

STATISTIKA. A. Menyajikan Data dalam Bentuk Diagram STATISTIKA A. Menyajkan Data dalam Bentuk Dagram. DIAGRAM GARIS Contoh soal Fluktuas nla tukar rupah terhadap dolar AS dar tanggal 8 Aprl 008 sampa dengan tanggal Aprl 008 dtunjukkan oleh tabel sebaga

Lebih terperinci

IV. UKURAN SIMPANGAN, DISPERSI & VARIASI

IV. UKURAN SIMPANGAN, DISPERSI & VARIASI IV. UKURAN SIMPANGAN, DISPERSI & VARIASI Pendahuluan o Ukuran dspers atau ukuran varas, yang menggambarkan derajat bagamana berpencarnya data kuanttatf, dntaranya: rentang, rentang antar kuartl, smpangan

Lebih terperinci

BAB III METODE PENELITIAN. Sebelum dilakukan penelitian, langkah pertama yang harus dilakukan oleh

BAB III METODE PENELITIAN. Sebelum dilakukan penelitian, langkah pertama yang harus dilakukan oleh BAB III METODE PENELITIAN 3.1 Desan Peneltan Sebelum dlakukan peneltan, langkah pertama yang harus dlakukan oleh penelt adalah menentukan terlebh dahulu metode apa yang akan dgunakan dalam peneltan. Desan

Lebih terperinci

BAB III METODE PENELITIAN. Metode penelitian yang digunakan dalam penelitian ini adalah metode

BAB III METODE PENELITIAN. Metode penelitian yang digunakan dalam penelitian ini adalah metode BAB III METODE PENELITIAN Desan Peneltan Metode peneltan yang dgunakan dalam peneltan n adalah metode deskrptf analts dengan jens pendekatan stud kasus yatu dengan melhat fenomena permasalahan yang ada

Lebih terperinci

BAB 2 LANDASAN TEORI. diteliti. Banyaknya pengamatan atau anggota suatu populasi disebut ukuran populasi,

BAB 2 LANDASAN TEORI. diteliti. Banyaknya pengamatan atau anggota suatu populasi disebut ukuran populasi, BAB LANDASAN TEORI.1 Populas dan Sampel Populas adalah keseluruhan unt atau ndvdu dalam ruang lngkup yang ngn dtelt. Banyaknya pengamatan atau anggota suatu populas dsebut ukuran populas, sedangkan suatu

Lebih terperinci

SOLUTION INSTITUT TEKNOLOGI BANDUNG FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM PROGRAM STUDI FISIKA

SOLUTION INSTITUT TEKNOLOGI BANDUNG FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM PROGRAM STUDI FISIKA ISTITUT TEKOLOGI BADUG FAKULTAS MATEMATIKA DA ILMU PEGETAHUA ALAM PROGRAM STUDI FISIKA FI-500 Mekanka Statstk SEMESTER/ Sem. - 06/07 PR#4 : Dstrbus bose Ensten dan nteraks kuat Kumpulkan d Selasa 9 Aprl

Lebih terperinci

KONSEP DASAR PROBABILITAS

KONSEP DASAR PROBABILITAS KONSEP DASAR PROBABILITAS TI2131 TEORI PROBABILITAS MINGGU KE-3 & KE-4 1 Defns 1 Probabltas dar sebuah kejadan A adalah jumlah bobot dar tap ttk sampel yang termasuk dalam A. Selanjutnya: 0 < P(A) < 1,

Lebih terperinci

Kecocokan Distribusi Normal Menggunakan Plot Persentil-Persentil yang Distandarisasi

Kecocokan Distribusi Normal Menggunakan Plot Persentil-Persentil yang Distandarisasi Statstka, Vol. 9 No., 4 47 Me 009 Kecocokan Dstrbus Normal Menggunakan Plot Persentl-Persentl yang Dstandarsas Lsnur Wachdah Program Stud Statstka Fakultas MIPA Unsba e-mal : Lsnur_w@yahoo.co.d ABSTRAK

Lebih terperinci

I BBB TINJAUAN PUSTAKA

I BBB TINJAUAN PUSTAKA I BBB TINJAUAN PUTAKA. Pendahuluan Dalam enulsan mater okok dar skrs n derlukan beberaa teor-teor yang mendukung, yang menjad uraan okok ada bab n. Uraan dmula dengan membahas dstrbus varabel acak kontnu,

Lebih terperinci

PowerPoint Slides by Yana Rohmana Education University of Indonesian

PowerPoint Slides by Yana Rohmana Education University of Indonesian SIFAT-SIFAT ANALISIS REGRESI PowerPont Sldes by Yana Rohmana Educaton Unversty of Indonesan 2007 Laboratorum Ekonom & Koperas Publshng Jl. Dr. Setabud 229 Bandung, Telp. 022 2013163-2523 Hal-hal yang akan

Lebih terperinci

BAB 2 LANDASAN TEORI. Universitas Sumatera Utara

BAB 2 LANDASAN TEORI. Universitas Sumatera Utara BAB 2 LANDASAN TEORI 2.1 Pengertan Analsa Regres Dalam kehdupan sehar-har, serng kta jumpa hubungan antara satu varabel terhadap satu atau lebh varabel yang lan. Sebaga contoh, besarnya pendapatan seseorang

Lebih terperinci

Corresponding Author:

Corresponding Author: Perbandngan Fungs Ketahanan Hdup Dengan Metode Non Parametrk Menggunakan Uj Gehan Dan Uj Cox-Mantel (Lvng wth Securty Functon Comparson Method Usng Non Paremetrk Gehan test and Cox-Mantel Tes Ans Sept

Lebih terperinci

Ringkasan Statistika Kelas XI SMA Tarakanita 1 Jakarta NAMA : KELAS :

Ringkasan Statistika Kelas XI SMA Tarakanita 1 Jakarta NAMA : KELAS : NAMA : KELAS : 1 BAB I STATISTIKA 1. PENGENALAN STATISTIKA A. PENGERTIAN DASAR STATISTIKA 1. Statstka dan Statstk Statstka adalah lmu tentang pengolahan dan analss suatu data hngga penarkan kesmpulan dar

Lebih terperinci

MULTIVARIATE ANALYSIS OF VARIANCE (MANOVA) MAKALAH Untuk Memenuhi Tugas Matakuliah Multivariat yang dibimbing oleh Ibu Trianingsih Eni Lestari

MULTIVARIATE ANALYSIS OF VARIANCE (MANOVA) MAKALAH Untuk Memenuhi Tugas Matakuliah Multivariat yang dibimbing oleh Ibu Trianingsih Eni Lestari MULTIVARIATE ANALYSIS OF VARIANCE (MANOVA) MAKALAH Untuk Memenuh Tugas Matakulah Multvarat yang dbmbng oleh Ibu Tranngsh En Lestar oleh Sherly Dw Kharsma 34839 Slva Indrayan 34844 Vvn Octana 34633 UNIVERSITAS

Lebih terperinci

BAB X RUANG HASIL KALI DALAM

BAB X RUANG HASIL KALI DALAM BAB X RUANG HASIL KALI DALAM 0. Hasl Kal Dalam Defns. Hasl kal dalam adalah fungs yang mengatkan setap pasangan vektor d ruang vektor V (msalkan pasangan u dan v, dnotaskan dengan u, v ) dengan blangan

Lebih terperinci

PEMODELAN PASANG SURUT AIR LAUT DI KOTA SEMARANG DENGAN PENDEKATAN REGRESI NONPARAMETRIK POLINOMIAL LOKAL KERNEL

PEMODELAN PASANG SURUT AIR LAUT DI KOTA SEMARANG DENGAN PENDEKATAN REGRESI NONPARAMETRIK POLINOMIAL LOKAL KERNEL PEMODELAN PASANG SURUT AIR LAUT DI KOTA SEMARANG DENGAN PENDEKATAN REGRESI NONPARAMETRIK POLINOMIAL LOKAL KERNEL Tan Wahyu Utam, Indah Manfaat Nur Unverstas Muhammadyah Semarang, emal : tan.utam88@gmal.com

Lebih terperinci

BAB III METODE PENELITIAN. Jenis penelitian yang dipakai adalah penelitian kuantitatif, dengan

BAB III METODE PENELITIAN. Jenis penelitian yang dipakai adalah penelitian kuantitatif, dengan BAB III METODE PENELITIAN 3.1 Pendekatan dan Jens Peneltan Jens peneltan yang dpaka adalah peneltan kuanttatf, dengan menggunakan metode analss deskrptf dengan analss statstka nferensal artnya penuls dapat

Lebih terperinci

ε adalah error random yang diasumsikan independen, m X ) adalah fungsi

ε adalah error random yang diasumsikan independen, m X ) adalah fungsi BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan suatu metode yang dgunakan untuk menganalss hubungan antara dua atau lebh varabel. Pada analss regres terdapat dua jens varabel yatu

Lebih terperinci

BAB III METODE PENELITIAN. Pada penelitian ini, penulis memilih lokasi di SMA Negeri 1 Boliyohuto khususnya

BAB III METODE PENELITIAN. Pada penelitian ini, penulis memilih lokasi di SMA Negeri 1 Boliyohuto khususnya BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Peneltan 3.1.1 Tempat Peneltan Pada peneltan n, penuls memlh lokas d SMA Neger 1 Bolyohuto khususnya pada sswa kelas X, karena penuls menganggap bahwa lokas

Lebih terperinci

III. METODELOGI PENELITIAN. Suatu penelitian dapat berhasil dengan baik dan sesuai dengan prosedur ilmiah,

III. METODELOGI PENELITIAN. Suatu penelitian dapat berhasil dengan baik dan sesuai dengan prosedur ilmiah, III. METODELOGI PENELITIAN A. Metode Peneltan Suatu peneltan dapat berhasl dengan bak dan sesua dengan prosedur lmah, apabla peneltan tersebut menggunakan metode atau alat yang tepat. Dengan menggunakan

Lebih terperinci

Perumusan Ensembel Mekanika Statistik Kuantum. Part-2

Perumusan Ensembel Mekanika Statistik Kuantum. Part-2 Perumusan Ensembel Mekanka Statstk Kuantum Part-2 Menghtung Banyak Status Keadaan Asums : partkel tak punya spn (spnless!)-> apa konsekuensnya? Karena TAK ADA INTERAKSI maka tngkat-tngkat energy yg bsa

Lebih terperinci

BAB 3 PEMBAHASAN. 3.1 Prosedur Penyelesaian Masalah Program Linier Parametrik Prosedur Penyelesaian untuk perubahan kontinu parameter c

BAB 3 PEMBAHASAN. 3.1 Prosedur Penyelesaian Masalah Program Linier Parametrik Prosedur Penyelesaian untuk perubahan kontinu parameter c 6 A PEMAHASA Pada bab sebelumnya telah dbahas teor-teor yang akan dgunakan untuk menyelesakan masalah program lner parametrk. Pada bab n akan dperlhatkan suatu prosedur yang lengkap untuk menyelesakan

Lebih terperinci

PERTEMUAN I PENGENALAN STATISTIKA TUJUAN PRAKTIKUM

PERTEMUAN I PENGENALAN STATISTIKA TUJUAN PRAKTIKUM PERTEMUAN I PENGENALAN STATISTIKA TUJUAN PRAKTIKUM 1) Membuat dstrbus frekuens. 2) Mengetahu apa yang dmaksud dengan Medan, Modus dan Mean. 3) Mengetahu cara mencar Nla rata-rata (Mean). TEORI PENUNJANG

Lebih terperinci

MATERI KULIAH STATISTIKA I UKURAN. (Nuryanto, ST., MT)

MATERI KULIAH STATISTIKA I UKURAN. (Nuryanto, ST., MT) MATERI KULIAH STATISTIKA I UKURAN (Nuryanto, ST., MT) Ukuran Statstk Ukuran Statstk : 1. Ukuran Pemusatan Bagamana, d mana data berpusat? Rata-Rata Htung = Arthmetc Mean Medan Modus Kuartl, Desl, Persentl.

Lebih terperinci

MODEL INDEKS TUNGGAL (SINGLE INDEX MODEL)

MODEL INDEKS TUNGGAL (SINGLE INDEX MODEL) MODEL INDEKS TUNGGAL (SINGLE INDEX MODEL) 1. Konse Dasar Sngle Index Model. Forula SIM untuk Sekurtas 3. SIM untuk Sekurtas Tunggal 4. SIM untuk Portofolo 5. Portofolo Otal Berdasarkan SIM Munya Alteza

Lebih terperinci

BAB VB PERSEPTRON & CONTOH

BAB VB PERSEPTRON & CONTOH BAB VB PERSEPTRON & CONTOH Model JST perseptron dtemukan oleh Rosenblatt (1962) dan Mnsky Papert (1969). Model n merupakan model yang memlk aplkas dan pelathan yang lebh bak pada era tersebut. 5B.1 Arstektur

Lebih terperinci

BAB I PENDAHULUAN. dan. 0. Uji fungsi distribusi empiris yang populer, yaitu uji. distribusi nol

BAB I PENDAHULUAN. dan. 0. Uji fungsi distribusi empiris yang populer, yaitu uji. distribusi nol BAB I PENDAHULUAN 1.1. Latar Belakang Sebagan besar peneltan-peneltan bdang statstka berhubungan dengan pengujan asums dstrbus, bak secara teor maupun praktk d lapangan. Salah satu uj yang serng dgunakan

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB 1 ENDAHULUAN 1.1 Latar Belakang Manusa dlahrkan ke duna dengan ms menjalankan kehdupannya sesua dengan kodrat Illah yakn tumbuh dan berkembang. Untuk tumbuh dan berkembang, berart setap nsan harus

Lebih terperinci

DISTRIBUSI HASIL PENGUKURAN DAN NILAI RATA-RATA

DISTRIBUSI HASIL PENGUKURAN DAN NILAI RATA-RATA DISTRIBUSI HASIL PENGUKURAN DAN NILAI RATA-RATA Dstrbus Bnomal Msalkan dalam melakukan percobaan Bernoull (Bernoull trals) berulang-ulang sebanyak n kal, dengan kebolehjadan sukses p pada tap percobaan,

Lebih terperinci

BAB II TINJAUAN PUSTAKA

BAB II TINJAUAN PUSTAKA BAB II TINJAUAN PUSTAKA 2.1 Penjadwalan Baker (1974) mendefnskan penjadwalan sebaga proses pengalokasan sumber-sumber dalam jangka waktu tertentu untuk melakukan sejumlah pekerjaan. Menurut Morton dan

Lebih terperinci

BAB I PENDAHULUAN. 1.1 Latar Belakang

BAB I PENDAHULUAN. 1.1 Latar Belakang BAB I PENDAHULUAN. Latar Belakang Matematka sebaga bahasa smbol yang bersfat unversal memegang peranan pentng dalam perkembangan suatu teknolog. Matematka sangat erat hubungannya dengan kehdupan nyata.

Lebih terperinci

BAB III METODE PENELITIAN. Sebelum melakukan penelitian, langkah yang dilakukan oleh penulis

BAB III METODE PENELITIAN. Sebelum melakukan penelitian, langkah yang dilakukan oleh penulis BAB III METODE PENELITIAN 3.1 Desan Peneltan Sebelum melakukan peneltan, langkah yang dlakukan oleh penuls adalah mengetahu dan menentukan metode yang akan dgunakan dalam peneltan. Sugyono (2006: 1) menyatakan:

Lebih terperinci

BAB III OBYEK DAN METODE PENELITIAN. Obyek dalam penelitian ini adalah kebijakan dividen sebagai variabel

BAB III OBYEK DAN METODE PENELITIAN. Obyek dalam penelitian ini adalah kebijakan dividen sebagai variabel 4 BAB III OBYEK DAN METODE PENELITIAN 3.1 Obyek Peneltan Obyek dalam peneltan n adalah kebjakan dvden sebaga varabel ndependen (X) dan harga saham sebaga varabel dependen (Y). Peneltan n dlakukan untuk

Lebih terperinci

Bab 3 Analisis Ralat. x2 x2 x. y=x 1 + x 2 (3.1) 3.1. Menaksir Ralat

Bab 3 Analisis Ralat. x2 x2 x. y=x 1 + x 2 (3.1) 3.1. Menaksir Ralat Mater Kulah Ekspermen Fska Oleh : Drs. Ishaft, M.S. Program Stud Penddkan Fska Unverstas Ahmad Dahlan, 07 Bab 3 Analss Ralat 3.. Menaksr Ralat Msalna suatu besaran dhtung dar besaran terukur,,..., n. Jka

Lebih terperinci

PENGUKURAN DAYA. Dua rangkaian yg dpt digunakan utk mengukur daya

PENGUKURAN DAYA. Dua rangkaian yg dpt digunakan utk mengukur daya Pengukuran Besaran strk (TC08) Pertemuan 4 PENGUKUN DY Pengukuran Daya dalam angkaan DC Daya lstrk P yg ddsaskan d beban jka dcatu daya DC sebesar E adl hasl erkalan antara tegangan d beban dan arus yg

Lebih terperinci

Nirwan Ilyas, Anisa, Andi Kresna Jaya ABSTRAK

Nirwan Ilyas, Anisa, Andi Kresna Jaya ABSTRAK PERBANDINGAN MODEL REGRESI LOGISTIK DAN ZERO-INFLATED POISSON (ZIP) UNTUK MENGANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI STATUS KELANGSUNGAN HIDUP PENDERITA PENYAKIT DEMAM BERDARAH (DBD) RS WAHIDIN SUDIROHUSODO

Lebih terperinci

STATISTIKA. Rumus : 1. Menentukan banyaknya data/responden dari diagram lingkaran:

STATISTIKA. Rumus : 1. Menentukan banyaknya data/responden dari diagram lingkaran: STATISTIKA Jens-jens soal statstka yang serng dujkan adalah soal-soal tentang : 1. Membaca sajan data dalam bentuk dagram. Ukuran pemusatan data 3. Ukuran Letak Data 4. Ukuran Penyebaran Data SOAL DAN

Lebih terperinci

REGRESI DAN KORELASI LINEAR SEDERHANA. Regresi Linear

REGRESI DAN KORELASI LINEAR SEDERHANA. Regresi Linear REGRESI DAN KORELASI LINEAR SEDERHANA Regres Lnear Tujuan Pembelajaran Menjelaskan regres dan korelas Menghtung dar persamaan regres dan standard error dar estmas-estmas untuk analss regres lner sederhana

Lebih terperinci

Bab III Analisis Rantai Markov

Bab III Analisis Rantai Markov Bab III Analss Ranta Markov Sstem Markov (atau proses Markov atau ranta Markov) merupakan suatu sstem dengan satu atau beberapa state atau keadaan, dan dapat berpndah dar satu state ke state yang lan pada

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB 1 PENDAHULUAN 1.1 Latar Belakang Menghadap era globalsas yang penuh tantangan, aparatur negara dtuntut untuk dapat memberkan pelayanan yang berorentas pada kebutuhan masyarakat dalam pemberan pelayanan

Lebih terperinci

2.1 Sistem Makroskopik dan Sistem Mikroskopik Fisika statistik berangkat dari pengamatan sebuah sistem mikroskopik, yakni sistem yang sangat kecil

2.1 Sistem Makroskopik dan Sistem Mikroskopik Fisika statistik berangkat dari pengamatan sebuah sistem mikroskopik, yakni sistem yang sangat kecil .1 Sstem Makroskopk dan Sstem Mkroskopk Fska statstk berangkat dar pengamatan sebuah sstem mkroskopk, yakn sstem yang sangat kecl (ukurannya sangat kecl ukuran Angstrom, tdak dapat dukur secara langsung)

Lebih terperinci

BAB I PENDAHULUAN. Analisis regresi merupakan metode statistika yang digunakan untuk

BAB I PENDAHULUAN. Analisis regresi merupakan metode statistika yang digunakan untuk BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan metode statstka ang dgunakan untuk meramalkan sebuah varabel respon Y dar satu atau lebh varabel bebas X, selan tu juga dgunakan untuk

Lebih terperinci

PENERAPAN METODE MAMDANI DALAM MENGHITUNG TINGKAT INFLASI BERDASARKAN KELOMPOK KOMODITI (Studi Kasus pada Data Inflasi Indonesia)

PENERAPAN METODE MAMDANI DALAM MENGHITUNG TINGKAT INFLASI BERDASARKAN KELOMPOK KOMODITI (Studi Kasus pada Data Inflasi Indonesia) PENERAPAN METODE MAMDANI DALAM MENGHITUNG TINGKAT INFLASI BERDASARKAN KELOMPOK KOMODITI (Stud Kasus pada Data Inflas Indonesa) Putr Noorwan Effendy, Amar Sumarsa, Embay Rohaet Program Stud Matematka Fakultas

Lebih terperinci

BAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER

BAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER BAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER 5.1 Pembelajaran Dengan Fuzzy Program Lner. Salah satu model program lnear klask, adalah : Maksmumkan : T f ( x) = c x Dengan batasan : Ax b x 0 n m mxn Dengan

Lebih terperinci

Pemilihan Lokasi Kontinyu (1)

Pemilihan Lokasi Kontinyu (1) Pemlhan Lokas Kontnu 1 - Model Dasar - 6 Oleh : Debrna Puspta Andran Teknk Industr, Unverstas Brawjaa e-mal : debrna@ub.ac.d www.debrna.lecture.ub.ac.d Medan method Gravt method Contour-Lne method Weszfeld

Lebih terperinci

ANALISIS KOVARIANSI part 2

ANALISIS KOVARIANSI part 2 ANALISIS KOVARIANSI part Analss Kovarans merupakan suatu analss statstka untuk mengetahu pengaruh satu atau lebh varabel bebas terhadap varable terkat dengan memperhatkan satu atau lebh varable konkomtan

Lebih terperinci

LAMPIRAN A PENURUNAN PERSAMAAN NAVIER-STOKES

LAMPIRAN A PENURUNAN PERSAMAAN NAVIER-STOKES LAMPIRAN A PENURUNAN PERSAMAAN NAVIER-STOKES Hubungan n akan dawal dar gaya yang beraks pada massa fluda. Gaya-gaya n dapat dbag ke dalam gaya bod, gaya permukaan, dan gaya nersa. a. Gaya Bod Gaya bod

Lebih terperinci

KONSTRUKSI LIFE TABLE UNTUK INDIVIDU

KONSTRUKSI LIFE TABLE UNTUK INDIVIDU KONSTRUKSI LIFE TABLE UNTUK INDIVIDU DALAM INTERVAL WAKTU SATU TAHUN oleh ANIS FUUADAH NIM. M0198020 SKRIPSI dtuls dan dajukan untuk memenuh sebagan persyaratan mendapatkan gelar Sarjana Sans Matematka.

Lebih terperinci

ANALISIS BENTUK HUBUNGAN

ANALISIS BENTUK HUBUNGAN ANALISIS BENTUK HUBUNGAN Analss Regres dan Korelas Analss regres dgunakan untuk mempelajar dan mengukur hubungan statstk yang terjad antara dua varbel atau lebh varabel. Varabel tersebut adalah varabel

Lebih terperinci

LECTURE NOTES LIMITED DEPENDENT VARIABLE (LDV) MODEL

LECTURE NOTES LIMITED DEPENDENT VARIABLE (LDV) MODEL LECTURE NOTES LIMITED DEPENDENT VARIABLE (LDV) MODEL Pendahuluan Pada bahasan sebelumnya telah dbahas model regres lner dmana varabel dependen (respons) bertpe numerk dan dasumskan dapat mengambl nla berapapun

Lebih terperinci

BAB IX. STATISTIKA. CONTOH : HASIL ULANGAN MATEMATIKA 5 SISWA SBB: PENGERTIAN STATISTIKA DAN STATISTIK:

BAB IX. STATISTIKA. CONTOH : HASIL ULANGAN MATEMATIKA 5 SISWA SBB: PENGERTIAN STATISTIKA DAN STATISTIK: BAB IX. STATISTIKA. CONTOH : HASIL ULANGAN MATEMATIKA 5 SISWA SBB: PENGERTIAN STATISTIKA DAN STATISTIK: BAB IX. STATISTIKA Contoh : hasl ulangan Matematka 5 sswa sbb: 6 8 7 6 9 Pengertan Statstka dan

Lebih terperinci

PERSAMAAN DIFERENSIAL BIASA

PERSAMAAN DIFERENSIAL BIASA http://starto.sta.ugm.ac.d PERSAMAAN DIFERENSIAL BIASA Ordnar Derental Equatons ODE Persamaan Derensal Basa http://starto.sta.ugm.ac.d Acuan Chapra, S.C., Canale R.P., 990, Numercal Methods or Engneers,

Lebih terperinci

KEPUTUSAN MENTERI NEGARA LINGKUNGAN HIDUP NOMOR : 115 TAHUN 2003 TENTANG PEDOMAN PENENTUAN STATUS MUTU AIR MENTERI NEGARA LINGKUNGAN HIDUP,

KEPUTUSAN MENTERI NEGARA LINGKUNGAN HIDUP NOMOR : 115 TAHUN 2003 TENTANG PEDOMAN PENENTUAN STATUS MUTU AIR MENTERI NEGARA LINGKUNGAN HIDUP, S A L I N A N KEPUTUSAN MENTERI NEGARA LINGKUNGAN HIDUP NOMOR : 115 TAHUN 003 TENTANG PEDOMAN PENENTUAN STATUS MUTU AIR MENTERI NEGARA LINGKUNGAN HIDUP, Menmbang : bahwa untuk melaksanakan ketentuan Pasal

Lebih terperinci

BAB V INTEGRAL KOMPLEKS

BAB V INTEGRAL KOMPLEKS 6 BAB V INTEGRAL KOMPLEKS 5.. INTEGRAL LINTASAN Msal suatu lntasan yang dnyatakan dengan : (t) = x(t) + y(t) dengan t rl dan a t b. Lntasan dsebut lntasan tutup bla (a) = (b). Lntasan tutup dsebut lntasan

Lebih terperinci

Bab II LANDASAN TEORI

Bab II LANDASAN TEORI Bab II LANDASAN TEORI 2 Regres 2 Pengertan Komponen-Komponen Persamaan Regres Persamaan regres adalah persamaan matematk yang memungknkan untuk meramalkan nla-nla suatu peubah tak bebas dar nla-nla satu

Lebih terperinci

ANALISIS DATA KATEGORIK (STK351)

ANALISIS DATA KATEGORIK (STK351) Suplemen Respons Pertemuan ANALISIS DATA KATEGORIK (STK351) 7 Departemen Statstka FMIPA IPB Pokok Bahasan Sub Pokok Bahasan Referens Waktu Korelas Perngkat (Rank Correlaton) Bag. 1 Koefsen Korelas Perngkat

Lebih terperinci

Contoh 5.1 Tentukan besar arus i pada rangkaian berikut menggunakan teorema superposisi.

Contoh 5.1 Tentukan besar arus i pada rangkaian berikut menggunakan teorema superposisi. BAB V TEOEMA-TEOEMA AGKAIA 5. Teorema Superposs Teorema superposs bagus dgunakan untuk menyelesakan permasalahan-permasalahan rangkaan yang mempunya lebh dar satu sumber tegangan atau sumber arus. Konsepnya

Lebih terperinci

Nama : Crishadi Juliantoro NPM :

Nama : Crishadi Juliantoro NPM : ANALISIS INVESTASI PADA PERUSAHAAN YANG MASUK DALAM PERHITUNGAN INDEX LQ-45 MENGGUNAKAN PORTOFOLIO DENGAN METODE SINGLE INDEX MODEL. Nama : Crshad Julantoro NPM : 110630 Latar Belakang Pemlhan saham yang

Lebih terperinci

Oleh : Deri Akhmad (9738) Johan Arifin (9834) Muhammad Alawido (10830) esi Hapsari (10832) Windu Pramana Putra (10835) Tya Hermoza (10849) Gempur

Oleh : Deri Akhmad (9738) Johan Arifin (9834) Muhammad Alawido (10830) esi Hapsari (10832) Windu Pramana Putra (10835) Tya Hermoza (10849) Gempur Oleh : Der Akhmad (9738) Johan Arfn (9834) Muhammad Alawdo (83) es Hapsar (83) Wndu Pramana Putra (835) Tya Hermoza (849) Gempur Safar (877) Febra Aryan (97) Asr Wdyasar (978) Nur Inayah (4) Adharsa Rakhman

Lebih terperinci

Teori Himpunan. Modul 1 PENDAHULUAN. impunan sebagai koleksi (pengelompokan) dari objek-objek yang

Teori Himpunan. Modul 1 PENDAHULUAN. impunan sebagai koleksi (pengelompokan) dari objek-objek yang Modul 1 Teor Hmpunan PENDAHULUAN Prof SM Nababan, PhD Drs Warsto, MPd mpunan sebaga koleks (pengelompokan) dar objek-objek yang H dnyatakan dengan jelas, banyak dgunakan dan djumpa dberbaga bdang bukan

Lebih terperinci

BAB 2 LANDASAN TEORI. estimasi, uji keberartian regresi, analisa korelasi dan uji koefisien regresi.

BAB 2 LANDASAN TEORI. estimasi, uji keberartian regresi, analisa korelasi dan uji koefisien regresi. BAB LANDASAN TEORI Pada bab n akan durakan beberapa metode yang dgunakan dalam penyelesaan tugas akhr n. Selan tu penuls juga mengurakan tentang pengertan regres, analss regres berganda, membentuk persamaan

Lebih terperinci

Analisis Regresi 1. Diagnosa Model Melalui Pemeriksaan Sisaan dan Identifikasi Pengamatan Berpengaruh. Pokok Bahasan :

Analisis Regresi 1. Diagnosa Model Melalui Pemeriksaan Sisaan dan Identifikasi Pengamatan Berpengaruh. Pokok Bahasan : Analss Regres Pokok Bahasan : Dagnosa Model Melalu Pemerksaan Ssaan dan Identfkas Pengamatan Berpengaruh Itasa & Y Angran Dep. Statstka FMIPA-IPB Ssaan Ssaan adalah menympangnya nla amatan y terhadap dugaan

Lebih terperinci

Bab 1 Ruang Vektor. R. Leni Murzaini/0906577381

Bab 1 Ruang Vektor. R. Leni Murzaini/0906577381 Bab 1 Ruang Vektor Defns Msalkan F adalah feld, yang elemen-elemennya dnyatakansebaga skalar. Ruang vektor atas F adalah hmpunan tak kosong V, yang elemen-elemennya merupakan vektor, bersama dengan dua

Lebih terperinci

KRITERIA MEMILIH PENDUGA TITIK TERBAIK. Abstrak

KRITERIA MEMILIH PENDUGA TITIK TERBAIK. Abstrak KRITERIA MEMILIH PENDUGA TITIK TERBAIK Oleh : Sufr Abstrak Msalkan X varabel random dengan fungs padat peluang ( x / ), θ parameter populas yang tdak dketahu, dan T = t x ) ( f X adalah penduga ttk (statstk)

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI.1 Pengertan Pelayanan Pelayanan adalah kegatan yang dlakukan oleh seseorang atau sekelompok orang dengan landasan faktor materal melalu sstm, prosedur dan metode tertentu dalam rangka

Lebih terperinci

Bab IV Pemodelan dan Perhitungan Sumberdaya Batubara

Bab IV Pemodelan dan Perhitungan Sumberdaya Batubara Bab IV Pemodelan dan Perhtungan Sumberdaa Batubara IV1 Pemodelan Endapan Batubara Pemodelan endapan batubara merupakan tahapan kegatan dalam evaluas sumberdaa batubara ang bertuuan menggambarkan atau menatakan

Lebih terperinci

MODEL REGRESI LINEAR DALAM PRESPEKTIF MODEL LINEAR TERAMPAT 1. Setiawan 2

MODEL REGRESI LINEAR DALAM PRESPEKTIF MODEL LINEAR TERAMPAT 1. Setiawan 2 Semnar Nasonal Statstka IX Insttut Teknolog Sepuluh Nopember, 7 November 009 MODEL REGRESI LINEAR DALAM PRESPEKTIF MODEL LINEAR TERAMPAT Setawan Jurusan Statstka FMIPA Insttut Teknolog Sepuluh Nopember,

Lebih terperinci

BAB II KAJIAN TEORI. 2.1 Pendahuluan. 2.2 Pengukuran Data Kondisi

BAB II KAJIAN TEORI. 2.1 Pendahuluan. 2.2 Pengukuran Data Kondisi BAB II KAJIAN TEORI 2.1 Pendahuluan Model penurunan nla konds jembatan yang akan destmas mengatkan data penurunan konds jembatan dengan beberapa varabel kontnu yang mempengaruh penurunan kondsnya. Data

Lebih terperinci