BAB 2 LANDASAN TEORI
|
|
- Glenna Hartono
- 7 tahun lalu
- Tontonan:
Transkripsi
1 BAB 2 LANDASAN TEORI 2.1 Pendugaan Area Kecil Secara umum metode pendugaan area kecil dibagi menjadi dua bagian yaitu metode penduga langsung (direct estimation) dan metode penduga tak langsung (indirect estimation). Metode-metode pendugaan selama ini yang sering digunakan adalah metode pendugaan langsung. Pendugaan langsung merupakan pendugaan yang didasarkan pada desain penarikan yang menjadi perhatian (jumlah pemakai Jamkesmas). Dalam kasus pendugaan area kecil, penduga langsung bagi parameter pada area kecil yang menjadi perhatian relatif akan menghasilkan galat baku yang besar karena masalah jumlah yang memakai kartu Jamkesmas. Suatu pendekatan tidak langsung mampu meningkatkan efektifitas ukuran jumlah pemakai Jamkesmas. Pada pendugaan tak langsung terdapat dua model penghubung yang digunakan untuk menghubungkan area kecil dengan area kecil lainnya yaitu model penghubung implisit dan eksplisit.
2 Penduga tak langsung dengan menggunakan model penghubung implisit adalah model yang didasarkan pada desain penarikan jumlah yang menjadi perhatian (design based). Penduga yang dihasilkan mempunyai ragam desain yang relatif kecil dibandingkan dengan ragam desain dari penduga langsung. Model penghubung implisit mempunyai tiga metode yaitu, metode sintetik, komposit, dan James-Stein. Metode sintetik adalah merupakan suatu metode dari penduga langsung untuk area besar, yang memiliki galat baku kecil digunakan untuk memperoleh penduga tak langsung untuk area kecil tertentu. Metode ini mengasumsikan bahwa area kecil tersebut memiliki karateristik yang sama dengan area besar. Metode komposit merupakan rata-rata terboboti dari penduga langsung dan penduga tak langsung. Metode James-Stein adalah penduga komposit yang menggunakan pembobot umum dengan meminimumkan jumlah kuadrat galat. Model penghubung eksplisit adalah model yang didasarkan pada pengaruh acak area kecil untuk mendapatkan keragaman antar area dan informasi peubah penyerta, yang selanjutnya dikenal dengan model area kecil. Menurut Rao (2005) peubah penyerta yang baik adalah peubah yang berhubungan erat dengan peubah yang menjadi perhatian dan berasal dari data sensus atau data administratif. Suatu peubah respons yang menyatakan sukses atau gagal disebut sebagai peubah biner. Pada pendugaan area kecil untuk kasus biner, peubah yang menjadi perhatian berupa proporsi. Penduga langsung bagi proporsi merupakan penduga kemungkinan maksimum yaitu p i = y i n i, dengan mengasumsikan peubah pengamatan diasumsikan menyebar binomial, y i ~ iid Binomial ( n i, p i ). Penduga langsung ini mempunyai ragam yang besar karena hanya berdasarkan jumlah objek survei yang terdapat pada area tersebut. Suatu pendugaan lain dikembangkan untuk mengatasi permasalahan ini, yaitu pendugaan tak langsung. Pendugaan tak langsung bagi proporsi diperoleh dari model Beta-Binomial. Model ini mempunyai dua tahap, yaitu iid pada tahap pertama diasumsikan bahwa peubah yang menjadi perhatian y i ~ Binomial (n i,p i ) = 0,,n i, 0< p i < 1, i = 1,, m. Sedangkan pada tahap kedua diasumsikan bahwa p i ~ iid beta( α, β ) sebagai prior, dengan fungsi kepadatan peluangnya adalah:
3 ƒ(p i α, β) = Γ(α+β) Γ( )Γ(β) p i α 1 (1-p i ) β 1 ;α > 0, β > 0 (Robert V. Hogg) (2.1) Berdasarkan teorema Bayes maka penduga Bayes dan ragam posterior bagi p i adalah: p i B (α, β) = E(p i y i, α, β) = y i + α n i + α + β (2.2) dan Var(p i y i, α, β) = g 1i (α, β, y i ) = (y i + α)(n i y i + β) (n i + α + β + 1)(n i + α + β) 2 (2.3) Bila penduga Bayes ini akan digunakan maka harus diketahui terlebih dahulu nilai parameter sebaran priornya. Namun seringkali informasi mengenai parameter prior belum diketahui. Pendekatan lain yang dapat digunakan adalah Bayes empirik, yaitu pendekatan yang dilakukan untuk mendapatkan informasi parameter prior berdasarkan datanya. Informasi parameter prior diperoleh dengan memaksimumkan fungsi sebaran marjinal y i α, β ind ~ Beta-Binomial, namun bentuk tertutup untuk α ML dan β ML tidak ada (McCulloch & Searle, 2001). Pada tulisan ini bertujuan untuk menilai kinerja penduga langsung dan penduga Bayes empirik pada pendugaan area kecil untuk kasus biner.
4 2.2 Metode Bayes Empirik Metode Bayes yang ditemukan oleh Thomas Bayes dan kemudian dikembangkan oleh Richard Price (1763) dua tahun setelah wafatnya Bayes, kemudian Laplace pada tahun 1774 dan 1781 yang memberikan analisis secara rinci, merupakan metode yang lebih baik untuk statistik Bayes sekarang (Gill, 2002). Model statistik Bayes merupakan perpaduan antara sebaran prior dan posterior, yaitu jika dimisalkan dengan sebaran percontohan X θ~f(x θ) dan sebaran prior θ~π(θ) diketahui maka sebaran posterior dari θ adalah: π(θ x ) = f(x,θ) m(x) = f(x θ)π(θ) m(x) dengan m(x) = f(x θ)π(θ)dθ (2.4) Suatu sebaran prior dinamakan konjugate bila menghasilkan sebaran posterior yang sama dengan dirinya. Sebaran yang masih dalam keluarga eksponensial mempunyai prior konjugate. Seperti sebaran Poisson memiliki prior konjugate Gamma dan sebaran Binomial memiliki prior konjugate Beta.
5 Metode Bayes empirik merupakan suatu metode yang menggunakan data pengamatan untuk menduga parameter prior. Pertama kali model ini diperkenalkan oleh Fay-Herriot (1970), untuk menduga rata-rata pendapatan area kecil di Amerika Serikat. Metode ini sesuai untuk menangani data-data biner dan cacahan pada pendugaan area kecil. Pendekatan Bayes Empirik dalam pendugaan area kecil mempunyai ciri-ciri sebagai berikut: a) Memperoleh fungsi kepekatan posterior dari parameter area kecil yang teramati. b) Pendugaan parameter model dari fungsi kepekatan marginal. c) Menggunakan pendugaan fungsi kepekatan posterior untuk membuat inferensi parameter area kecil. 2.3 Model Beta Binomial Model ini merupakan suatu model yang berawal dari model Bernoulli dengan model peluang untuk data biner yang dinyatakan dengan iid y i ~ Binomial (n i,p i ) = 0,,n i, 0< p i < 1, i = 1,, m (2.5) dengan model dasar y i p i ~ iid Bernoulli (p i ) atau y i p i ~ iid Binomial (n i, p i ) (2.6) dan p i ~ iid Beta (α, β) α > 0 β > 0 (2.7)
6 dengan Beta (α, β) menyatakan sebaran beta dengan parameter α dan β serta fungsi kepekatan untuk p i adalah: ƒ(p i α, β) = Γ(α+β) Γ( )Γ(β) p i α 1 (1-p i ) β 1 ;α > 0, β > 0 (Robert V. Hogg) (2.8) dan, Γ = fungsi gama untuk menyederhanakan y i = (y i1,, y ini ) T menjadi total contoh y i = j y ij, y i merupakan statistik cukup minimal untuk model tahap pertama. Diketahui bahwa p i ~ iid Binomial (n i, p i ) yang mempunyai fungsi kepekatan sebagai berikut: f(y i p i ) = ( n i y i ) p i y i (1 p i ) n i y i (2.9) Berdasarkan fungsi kepekatan p i dan fungsi kepekatan y i maka: p i y i, α, β ~ ind (y i + α, n i y i + β) (2.10) Oleh karena itu, penduga Bayes bagi p i adalah: p i B (α, β) = E(p i y i, α, β) = y i + α n i + α + β (2.11) dan ragam posterior bagi p i adalah: V (p i y i, α, β) = (y i +α)(n i y i +β) (n i +α+β+1)(n i +α+β) 2 (2.12)
7 Sebaran penghubung f(p i, α, β) dinamakan prior konjugate pada sebaran posterior, f(p i y i, α, β) mempunyai bentuk yang sama dengan sebaran priornya. Dari sebaran penghubung tersebut, maka digunakan model Beta-Binomial dengan sebaran peluang marginal: f (y i n i, α, β) = ( n i y ) Γ(α+y i)γ(β+n i y i ) i Γ(α,β,n i ) Γ(α+β) Γ(α)Γ(β) = ( n i y i ) B(α+y i,β+n i y i ) B(α,β) (2.13) Untuk menduga parameter α dan β digunakan dengan metode momen Kleinman: α α +β = p (2.14) dan 1 α +β +1 = n T s 2 p p (1 p )(m 1) p (1 p )[n T i (n i 2 /n T ) (m 1)] (2.15) Dengan rataan berbobot p = i ( n i n T ) p i, ragam terboboti. s p 2 = i ( n i n T ) (p i p ) 2 dan n T = i n i. (2.16) Ekspresi untuk dugaan parameter α dan β dinyatakan dengan rumus berikut dan diperoleh: α = p [ 1 p [n T i (n i 2 /n T ) (m 1)] n T s p 2 p (1 p )(m 1) 1] (2.17)
8 dan β = p [ p (1 p )[n 2 T i (n i /nt ) (m 1)] 1] [ 1 1] (2.18) n T s 2 p p (1 p )(m 1) p di mana α dan β dugaan parameter sebaran Beta-Binomial Pensubstitusian parameter α dan β dari metode Kleinman ke penduga EB bagi p i EB diperoleh: p i EB = p i B (α, β ) = γ ip i + (1 γ i)p (2.19) dengan γ i = n i n i +α +β dan p i EB merupakan rataan berbobot dari penduga langsung p i dan penduga sintetik p ( Rao, 2003). 2.4 Penduga Bayes Empirik Bagi Proporsi Langkah awal pada pendugaan Bayes empirik dari model Beta-Binomial oleh Kleinman (Rao, 2003) adalah dengan membuat dugaan parameter prior dengan menyamakan rataan contoh terboboti. p = i ( n i n T ) p i (2.20) Keterangan: p = dugaan parameter prior n i = banyaknya individu pada subpopulasi ke-i n T = jumlah seluruh individu p i = penduga proporsi
9 dan ragam contoh terboboti. s p 2 = i ( n i n T )(p i p ) 2 (2.21) dengan nilai harapan masing-masing dan kemudian diselesaikan persamaan momen untuk α dan β, dengan n T = i n i. Penduga momen α dan β, diberikan sebagai berikut: α = p (2.22) α +β dan 1 α +β +1 = n T s 2 p p (1 p )(m 1) p (1 p )[n T i n i 2 /n T (m 1)] (2.23) Lalu substitusikan penduga momen α dan β ke dalam rumus: p i B (α, β) = E (p i y i, α, β) = y i+α n i +α+β (2.24) untuk memperoleh penduga Bayes empirik bagi p i yaitu: p i EB = p i B (α, β ) = γ ip i + (1 γ i)p (2.25) dengan γ i = n i n i +α +β, p i = y i n i sebagai penduga langsung dari p i, y i dan n i masing - masing menyatakan banyaknya pengamatan dan banyaknya suatu kasus, p adalah penduga sintetik atau sebagai penduga tak langsung.
10 2.5 Prosedur Pendugaan Proporsi Dengan Metode Bayes Empirik Prosedur yang digunakan dalam menduga proporsi ada dua cara yaitu berdasarkan penduga langsung dan penduga Bayes empirik dari model Beta-Binomial yang diuraikan sebagai berikut: Penduga Langsung 5. Menentukan penduga proporsi p i = y i n i (2.26) Dengan y i menyatakan banyaknya pengamatan suatu kasus pada subpopulasi ke-i, n i menyatakan banyaknya individu pada subpopulasi ke-i. Subpopulasi ini dapat berupa kecamatan. 6. Menentukan dugaan kuadrat tengah galat (ktg) yaitu ktg(θ i)= n i p i (1 p i ) (2.27) 7. Menentukan galat baku 8. Proses hitungan dilakukan dengan Microsoft Office Excel Penduga Bayes Empirik Berdasarkan Model Beta-Binomial 6. Menentukan nilai dugaan parameter α dan β dari sebaran prior p i ~ iid Beta(α, β) (2.28) 7. Menentukan penduga Bayes empirik p i EB
11 8. Menentukan kuadrat tengah galat dengan menggunakan metode Jacknife yaitu: a) Anggap bahwa p i EB = k i (p i, α, β ), p i, l EB = k i (p i, α l, β l ), lalu M 2i = m 1 m m = 1 (p i, l EB p i EB ) 2 l=1 (2.29) b) Dengan mencari α l dan β l yang merupakan penduga momen yang diperoleh dari data ke -1 yang dihapus maka dihitung M 1i = g 1i (α, β, y i ) m 1 m [g m l=1 1i(α l, β l, y i ) g 1i (α, β, y i )] (2.30) c) Penduga Jacknife bagi kuadrat tengah galat penduga Bayes empirik diberikan oleh Ktg j (θ ieb ) = M 1i + M 2i (2.31) 9. Menentukan galat baku. 10. Proses hitungan dilakukan dengan Microsoft Office Excel. Perbandingan kebaikan dari kedua penduga proporsi (penduga langsung dan Bayes empirik dari model Beta-Binomial dengan melihat nilai galat baku.
BAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Statistik area kecil (small area statistics) saat ini telah menjadi perhatian para statistisi dunia secara sangat serius. Telah banyak penelitian yang dikembangkan
Lebih terperinciPENDUGAAN AREA KECIL TERHADAP ANGKA MELEK HURUF DI KABUPATEN KUTAI KARTANEGARA DENGAN METODE EMPIRICAL BAYES BERBASIS MODEL BETA-BINOMIAL
PENDUGAAN AREA KECIL TERHADAP ANGKA MELEK HURUF DI KABUPATEN KUTAI KARTANEGARA DENGAN METODE EMPIRICAL BAYES BERBASIS MODEL BETA-BINOMIAL Norlatifah 1), Gandhi Pawitan 2), Enny Supartini 3) 1) Mahasiswa
Lebih terperinciPENERAPAN METODE PENDUGAAN AREA KECIL (SMALL AREA ESTIMATION) PADA PENENTUAN PROPORSI RUMAH TANGGA MISKIN DI KABUPATEN KLUNGKUNG
E-Jurnal Matematika Vol. 2, No.3, Agustus 2013, 35-39 ISSN: 2303-1751 PENERAPAN METODE PENDUGAAN AREA KECIL (SMALL AREA ESTIMATION) PADA PENENTUAN PROPORSI RUMAH TANGGA MISKIN DI KABUPATEN KLUNGKUNG PUTU
Lebih terperinciBAB VI Pembahasan Perbandingan metode pendugaan langsung dan tak langsung untuk pendugaan area kecil melalui pendekatan Bayes
BAB VI Pembahasan 6.1. Pendahuluan Model pendugaan area kecil untuk respon Binomial dan Multinomial pada dasarnya dikembangkan dari model SAE untuk data biner, dimana peubah yang diamati hanya memiliki
Lebih terperinciPERBANDINGAN METODE JACKKNIFE JIANG DAN AREA-SPESIFIC PADA PENDUGAAN MEAN SQUARED ERROR MODEL BETA-BINOMIAL. Skripsi. Oleh DITA PARAMITHA
PERBANDINGAN METODE JACKKNIFE JIANG DAN AREA-SPESIFIC PADA PENDUGAAN MEAN SQUARED ERROR MODEL BETA-BINOMIAL Skripsi Oleh DITA PARAMITHA JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
Lebih terperinciII. LANDASAN TEORI. sєs (S ruang sampel) dengan sebuah bilangan real. Salah satu peubah acak adalah
II. LANDASAN TEORI Peubah acak X(s) merupakan sebuah fungsi X yang menetapkan setiap anggota sєs (S ruang sampel) dengan sebuah bilangan real. Salah satu peubah acak adalah peubah acak diskrit, yaitu banyaknya
Lebih terperinciSTK 203 TEORI STATISTIKA I
STK 203 TEORI STATISTIKA I V. SEBARAN FUNGSI PEUBAH ACAK V. Sebaran Fungsi Peubah Acak 1 Sebaran Fungsi Peubah Acak Dalam banyak kasus untuk melakukan inferensi terhadap suatu parameter kita lebih banyak
Lebih terperinciII. TINJAUAN PUSTAKA
II. INJAUAN PUSAKA.1 Penduga Area Kecil Rao (003) mengemukakan bahwa suatu area disebut kecil apabila contoh yang diambil pada area tersebut tidak mencukupi untuk melakukan pendugaan langsung dengan hasil
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Pendahuluan Pada bab ini akan diuraikan mengenai beberapa teori dan metode yang mendukung serta mempermudah dalam melakukan perhitungan dan dapat membantu di dalam pembahasan
Lebih terperinciBAB I PENDAHULUAN. Statistika adalah salah satu cabang ilmu yang mempelajari prosedur-prosedur
BAB I PENDAHULUAN 1.1 Latar Belakang Statistika adalah salah satu cabang ilmu yang mempelajari prosedur-prosedur yang digunakan dalam pengumpulan, penyajian, analisis dan interpretasi data. Statistika
Lebih terperinciPengantar Statistika Matematika II
Bab 3: Estimasi Titik dengan Metode Bayes Statistika FMIPA Universitas Islam Indonesia Dalam pendekatan klasik, parameter θ adalah besaran tetap yang tidak diketahui Sampel random X 1, X 2,..., X n diambil
Lebih terperinciKARAKTERISTIK PENDUGA EMPIRICAL BAYES PADA PENDUGAAN AREA KECIL DENGAN MODEL POISSON-GAMMA. (Skripsi) Oleh DYTA OMPUMONA
KARAKTERISTIK PENDUGA EMPIRICAL BAYES PADA PENDUGAAN AREA KECIL DENGAN MODEL POISSON-GAMMA (Skripsi) Oleh DYTA OMPUMONA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS LAMPUNG BANDAR LAMPUNG
Lebih terperinciTINJAUAN PUSTAKA Profil Kabupaten Jember Pengeluaran Per kapita
TINJAUAN PUSTAKA Profil Kabupaten Jember Berdasarkan data BPS (2009), Kabupaten Jember secara geografis terletak pada 113 0 30-113 0 45 Bujur Timur dan 8 0 00-8 0 30 Lintang Selatan. Wilayah Kabupaten
Lebih terperinciLANDASAN TEORI. menyatakan hubungan antara variabel respon Y dengan variabel-variabel
5 II. LANDASAN TEORI 2.1 Model Regresi Poisson Analisis regresi merupakan metode statistika yang populer digunakan untuk menyatakan hubungan antara variabel respon Y dengan variabel-variabel prediktor
Lebih terperinciTINJAUAN PUSTAKA Asuransi Kelompok Penyakit Lanjut Usia (Lansia) di Indonesia
3 TINJAUAN PUSTAKA Asuransi Asuransi berasal dari kata assurance atau insurance, yang berarti jaminan atau pertanggungan. Asuransi dalam Undang-Undang No.2 Th 1992 tentang usaha perasuransian adalah perjanjian
Lebih terperinciMETODE SCAN STATISTIC MODEL BINOMIAL DENGAN PENDEKATAN STATISTIK AREA KECIL MAULANI
1 METODE SCAN STATISTIC MODEL BINOMIAL DENGAN PENDEKATAN STATISTIK AREA KECIL MAULANI DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 29 2 RINGKASAN MAULANI.
Lebih terperinciPENDEKATAN HIERARCHICAL BAYES SMALL AREA ESTIMATION (HB SAE) DALAM MENGESTIMASI ANGKA MELEK HURUF KECAMATAN DI KABUPATEN INDRAMAYU
PENDEKATAN HIERARCHICAL BAYES SMALL AREA ESTIMATION (HB SAE) DALAM MENGESTIMASI ANGKA MELEK HURUF KECAMATAN DI KABUPATEN INDRAMAYU Ari Shobri B 1), Septiadi Padmadisastra 2), Sri Winarni 3) 1) Mahasiswa
Lebih terperinciBAB 2 LANDASAN TEORI DAN KAJIAN PUSTAKA
BAB 2 LANDASAN TEORI DAN KAJIAN PUSTAKA 2.1 Estimasi Bayes Definisi 1 Estimasi Bayes yang paling mungkin dari suatu nilai kebenaran θ 0 yang tidak diketahui pada parameter θ adalah nila ˆθ yang meminimumkan
Lebih terperinciMETODE SCAN STATISTIC UNTUK STATISTIK AREA KECIL (Studi kasus: Model Poisson-Gamma) ANDI SETIAWAN
METODE SCAN STATISTIC UNTUK STATISTIK AREA KECIL (Studi kasus: Model Poisson-Gamma) ANDI SETIAWAN DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 29 RINGKASAN
Lebih terperinciPengantar Statistika Matematika II
Pengantar Statistika Matematika II Estimasi Titik dengan Metode Atina Ahdika, S.Si., M.Si. Prodi Statistika FMIPA Universitas Islam Indonesia May 9, 2017 atinaahdika.com Dalam pendekatan klasik, parameter
Lebih terperinciAPROKSIMASI BOOTSTRAP PARAMETRIK PADA PENDUGAAN SELANG PREDIKSI STATISTIK AREA KECIL LA ODE ABDUL RAHMAN
APROKSIMASI BOOTSTRAP PARAMETRIK PADA PENDUGAAN SELANG PREDIKSI STATISTIK AREA KECIL LA ODE ABDUL RAHMAN SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2008 SURAT PERNYATAAN MENGENAI TESIS DAN SUMBER
Lebih terperinciTINJAUAN PUSTAKA. mengestimasi parameter regresi. Distribusi generalized. digunakan dalam bidang ekonomi dan keuangan.
II. TINJAUAN PUSTAKA Distribusi generalized,,, adalah salah satu distribusi probabilitas kontinu. Distribusi ini pertama kali diperkenalkan McDonald dan Newey 988 untuk mengestimasi parameter regresi.
Lebih terperinciBAB 3 METODE PENELITIAN
BAB 3 METODE PENELITIAN 3.1 Flowchart Penelitian Gambar 3.1 Flowchart Diagram 36 37 3.2 Langkah-Langkah Penelitian Metodologi penelitian merupakan tahapan yang harus ditetapkan sebelum melakukan penelitian,
Lebih terperinciKARAKTERISTIK PENDUGA EMPIRICAL BAYES PADA PENDUGAAN AREA KECIL DENGAN MODEL BETA BINOMIAL. (Skripsi) Oleh DWI MAYASARI
KARAKTERISTIK PENDUGA EMPIRICAL BAYES PADA PENDUGAAN AREA KECIL DENGAN MODEL BETA BINOMIAL (Skripsi) Oleh DWI MAYASARI JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS LAMPUNG
Lebih terperinciKAJIAN MODEL PENDUGAAN AREA KECIL UNTUK PENDUGAAN TINGKAT PENGANGGURAN MENGGUNAKAN PENDEKATAN BAYES YUSRIANTI HANIKE
KAJIAN MODEL PENDUGAAN AREA KECIL UNTUK PENDUGAAN TINGKAT PENGANGGURAN MENGGUNAKAN PENDEKATAN BAYES YUSRIANTI HANIKE SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2016 PERNYATAAN MENGENAI TESIS
Lebih terperinciII. TINJAUAN PUSTAKA
II. TINJAUAN PUSTAKA Dalam proses penelitian untuk mengkaji karakteristik penduga distribusi generalized gamma dengan metode generalized moment ini, penulis menggunakan definisi, teorema dan konsep dasar
Lebih terperinciDistribusi Peluang Kontinyu STATISTIK INDUSTRI 1. Distribusi Peluang Kontinyu. Distribusi Diskrit Uniform. Distribusi Diskrit Uniform 13/11/2013
3//203 STATISTIK INDUSTRI Agustina Eunike, ST., MT., MBA Rata-rata dan Variansi Rumus Umum: Distribusi Peluang Diskrit dan Kontinyu UNIFORM Distribusi Diskrit Uniform Distribusi Diskrit Uniform Contoh:
Lebih terperinciII. TINJAUAN PUSTAKA. Dalam bab ini akan dijelaskan mengenai teori-teori yang mendukung dalam
4 II. TINJAUAN PUSTAKA Dalam bab ini akan dijelaskan mengenai teori-teori yang mendukung dalam menentukan momen, kumulan, dan fungsi karakteristik dari distribusi log-logistik (α,β). 2.1 Distribusi Log-Logistik
Lebih terperinciPengantar Statistika Matematika II
Bab 3: Statistika FMIPA Universitas Islam Indonesia Bila sampling berasal dari populasi yang digambarkan melalui fungsi peluang f X (x θ), pengetahuan tentang θ menghasilkan karakteristik mengenai keseluruhan
Lebih terperinciPEMODELAN DENGAN REGRESI LOGISTIK. Secara umum, kedua hasil dilambangkan dengan (sukses) dan (gagal)
PEMODELAN DENGAN REGRESI LOGISTIK 1. Data Biner Data biner merupakan data yang hanya memiliki dua kemungkinan hasil. Secara umum, kedua hasil dilambangkan dengan (sukses) dan (gagal) dengan peluang masing-masing
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini diberikan beberapa konsep dasar seperti teorema dan beberapa definisi sebagai landasan dalam penelitian ini. Konsep dasar ini berkaitan dengan masalah yang dibahas dalam
Lebih terperinciII. TINJAUAN PUSTAKA. Menurut Herrhyanto & Gantini (2009), peubah acak X dikatakan berdistribusi
II. TINJAUAN PUSTAKA 2.1 Distribusi Normal Umum Menurut Herrhyanto & Gantini (2009), peubah acak X dikatakan berdistribusi normal umum, jika dan hanya jika fungsi densitasnya berbentuk: ; Penulisan notasi
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Dalam pembicaraan statistik, jawaban yang diinginkan adalah jawaban untuk ruang lingkup yang lebih luas, yakni populasi. Tetapi objek dari studi ini menggunakan sampel
Lebih terperinciPengantar Statistika Matematika II
Pengantar Statistika Matematika II Distribusi Sampling Atina Ahdika, S.Si., M.Si. Prodi Statistika FMIPA Universitas Islam Indonesia March 20, 2017 atinaahdika.com Bila sampling berasal dari populasi yang
Lebih terperinciBAB II LANDASAN TEORI
4 BAB II LANDASAN TEORI Teori yang ditulis dalam bab ini merupakan beberapa landasan yang digunakan untuk menganalisis sebaran besarnya klaim yang berekor kurus (thin tailed) dan yang berekor gemuk (fat
Lebih terperinciDistribusi Probabilitas : Gamma & Eksponensial
Distribusi Probabilitas : Gamma & Eksponensial 11 Debrina Puspita Andriani E-mail : debrina.ub@gmail.com / debrina@ub.ac.id 2 Outline Distribusi Gamma Distribusi Eksponensial 3 Distribusi Gamma Tidak selamanya
Lebih terperinciBAB II TINJAUAN PUSTAKA. level, model regresi tiga level, penduga koefisien korelasi intraclass, pendugaan
6 BAB II TINJAUAN PUSTAKA Pada Bab II akan dibahas konsep-konsep yang menjadi dasar dalam penelitian ini yaitu analisis regresi, analisis regresi multilevel, model regresi dua level, model regresi tiga
Lebih terperinciLANDASAN TEORI. Distribusi Gamma adalah salah satu keluarga distribusi probabilitas kontinu.
II. LANDASAN TEORI Distribusi Gamma adalah salah satu keluarga distribusi probabilitas kontinu. Distribusi ini merupakan distribusi fungsi padat yang terkenal luas dalam bidang matematika. Distribusi gamma
Lebih terperinciINFERENSI STATISTIK DISTRIBUSI BINOMIAL DENGAN METODE BAYES MENGGUNAKAN PRIOR KONJUGAT. Oleh : ADE CANDRA SISKA NIM: J2E SKRIPSI
INFERENSI STATISTIK DISTRIBUSI BINOMIAL DENGAN METODE BAYES MENGGUNAKAN PRIOR KONJUGAT Oleh : ADE CANDRA SISKA NIM: J2E 006 002 SKRIPSI Sebagai Salah Satu Syarat untuk Memperoleh Gelar Sarjana Sains Pada
Lebih terperinciTINJAUAN PUSTAKA. Dalam menentukan penduga parameter dari distribusi G3F dan karakteristik dari
II. TINJAUAN PUSTAKA Dalam menentukan penduga parameter dari distribusi G3F dan karakteristik dari penduga tersebut, maka dalam hal ini penulis menggunakan beberapa definisi dan teorema yang berkaitan
Lebih terperinciPengantar Statistika Matematika II
Bab 1: a FMIPA Universitas Islam Indonesia Parameter adalah karakteristik dari populasi (misal θ) adalah karakteristik dari sampel Akan dibahas konsep statistik dan distribusi sampling Parameter Misalkan
Lebih terperinciPENGARUH PENDUGAAN RAGAM PENARIKAN CONTOH PADA SMALL AREA ESTIMATION
PENGARUH PENDUGAAN RAGAM PENARIKAN CONTOH PADA SMALL AREA ESTIMATION Anang Kurnia Khairil A. Notodiputro Departemen Statistika - IPB Center for Statistics and Public Opinions 1. Pendahuluan Otonomi daerah
Lebih terperinciAPROKSIMASI BOOTSTRAP PARAMETRIK PADA PENDUGAAN SELANG PREDIKSI STATISTIK AREA KECIL LA ODE ABDUL RAHMAN
APROKSIMASI BOOTSTRAP PARAMETRIK PADA PENDUGAAN SELANG PREDIKSI STATISTIK AREA KECIL LA ODE ABDUL RAHMAN SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2008 SURAT PERNYATAAN MENGENAI TESIS DAN SUMBER
Lebih terperinciMENAKSIR PARAMETER µ DARI N( µ, ) DENGAN METODE BAYES
MENAKSIR PARAMETER µ DARI N( µ, ) DENGAN METODE BAYES Hartayuni Saini 1 1 Jurusan Matematika, FMIPA-UNTAD. e-mail: yunh3_chendist@yahoo.co.id Abstrak Untuk menaksir nilai µ dari N(µ, ) umumnya digunakan
Lebih terperinciPENERAPAN METODE BAYES EMPIRIK PADA PENDUGAAN AREA KECIL
PENERAPAN METODE BAYES EMPIRIK PADA PENDUGAAN AREA KECIL (Studi tentang Proporsi Status Kepemilikan Kartu Jaminan Kesehatan Masyarakat (JAMKESMAS) di Kota Takengon Kabupaten Aceh Tengah) SKRIPSI LINDA
Lebih terperinciPengantar Statistika Matematika II
Pengantar a Matematika II Atina Ahdika, S.Si., M.Si. Prodi a FMIPA Universitas Islam Indonesia March 20, 2017 atinaahdika.com t F Parameter adalah karakteristik dari populasi (misal θ) adalah karakteristik
Lebih terperinciMODEL PARTISIPASI PEMILIH MASYARAKAT KABUPATEN DHAMASRAYA PADA PEMILU 2014 DENGAN MENGGUNAKAN METODE REGRESI LOGISTIK BAYESIAN
Jurnal Matematika UNAND Vol. VI No. 1 Hal. 128 133 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND MODEL PARTISIPASI PEMILIH MASYARAKAT KABUPATEN DHAMASRAYA PADA PEMILU 2014 DENGAN MENGGUNAKAN METODE
Lebih terperinciTINJAUAN PUSTAKA. ruang sampel dan dilambangkan dengan huruf S. Ruang sampel beranggotakan
II. TINJAUAN PUSTAKA 2.1 Percobaan dan Ruang Sampel Menurut Walpole (1995), istilah percobaan digunakan untuk sembarang proses yang dapat membangkitkan data. Himpunan semua hasil suatu percobaan disebut
Lebih terperinci(DS.5) MODEL SPASIAL BAYES DALAM PENDUGAAN AREA KECIL DENGAN PEUBAH RESPON BINER
(DS.5) MODEL SPASIAL BAYES DALAM PENDUGAAN AREA KECIL DENGAN PEUBAH RESPON BINER (Kasus : Pendugaan Proporsi Keluarga Miskin Di kabupaten Jember Jawa Timur) Etis Sunandi 1), Khairil A Notodiputro 2), Anik
Lebih terperinciII. TINJAUAN PUSTAKA. kontinu. Bentuk kurva distribusi logistik adalah simetri dan uni-modal. Bentuk
5 II. TINJAUAN PUSTAKA Dalam bab ini akan dijelaskan beberapa tinjauan pustaka yang digunakan penulis pada penelitian ini, antara lain : 2.1 Distribusi Logistik Distribusi logistik merupakan distribusi
Lebih terperinciTINJAUAN PUSTAKA. Model Linier dengan n pengamatan dan p variable penjelas biasa ditulis sebagai
II. TINJAUAN PUSTAKA 2.1. Model Linear Model Linier dengan n pengamatan dan p variable penjelas biasa ditulis sebagai berikut : Y i = β 0 + X i1 β 1 + X i2 β 2 + + X ip β p +ε i ; i = 1,2,, n bila dirinci
Lebih terperinciMODUL II DISTRIBUSI PELUANG DISKRIT DAN KONTINU
DISTRIBUSI PELUANG DISKRIT DAN KONTINU A. TUJUAN PRAKTIKUM Melalui praktikum Modul II ini diharapkan praktikan dapat: 1. Mengenal jenis dan karakteristik dari beberapa distribusi peluang. 2. Menguji dan
Lebih terperinciVI. PEMBAHASAN. dengan metode kemungkinan maksimum, tetapi terhadap
89 VI. PEMBAHASAN Pada analisis yang menggunakan pendekatan model acak satu faktor (model persamaan 4.1), metode kuadrat terkecil secara umum memberikan hasil dugaan yang berbeda dengan metode kemungkinan
Lebih terperinciSetiap karakteristik dari distribusi populasi disebut dengan parameter. Statistik adalah variabel random yang hanya tergantung pada harga observasi
ESTIMASI TITIK Setiap karakteristik dari distribusi populasi disebut dengan parameter. Statistik adalah variabel random yang hanya tergantung pada harga observasi sampel. Statistik merupakan bentuk dari
Lebih terperinciPerbandingan Estimasi Parameter Pada Distribusi Eksponensial Dengan Menggunakan Metode Maksimum Likelihood Dan Metode Bayesian
Perbandingan Estimasi Parameter Pada Distribusi Eksponensial Dengan Menggunakan Metode Maksimum Likelihood Dan Metode Bayesian Rado Yendra 1, Elsa Tria Noviadi 2 1,2 Jurusan Matematika, Fakultas Sains
Lebih terperinciSTATISTIK PERTEMUAN VI
STATISTIK PERTEMUAN VI 1. TEORI PENDUKUNG 1.1 Pendahuluan 1. Variabel acak 1.3 Distribusi variabel acak diskrit 1.4 Distribusi variabel acak kontinu 1.5 Distribusi multivariat 1.1 Pendahuluan Definisi
Lebih terperinciESTIMASI PARAMETER MODEL REGRESI ZERO-INFLATED POISSON (ZIP) MENGGUNAKAN METODE BAYESIAN
ESTIMASI PARAMETER MODEL REGRESI ZERO-INFLATED POISSON (ZIP) MENGGUNAKAN METODE BAYESIAN Karima Puspita Sari, Respatiwulan, dan Bowo Winarno Program Studi Matematika FMIPA UNS Abstrak. Model regresi zero-inflated
Lebih terperinciSMALL AREA ESTIMATION PENGELUARAN PER KAPITA DI KABUPATEN BANGKALAN DENGAN METODE HIERARCHICAL BAYES
Statistika, Vol., No., November 5 SMALL AREA ESTIMATION PENGELUARAN PER KAPITA DI KABUPATEN BANGKALAN DENGAN METODE HIERARCHICAL BAYES Andi Muhammad Ade Satriya, Nur Iriawan, Brodjol Sutijo S. U,, Program
Lebih terperinciPenerapan Metode Empirical Best Linear Unbiased Prediction (EBLUP) pada Model Fay-Herriot Small Area Estimation (SAE)
Prosiding I MaNIs (eminar Nasional Integrasi Matematika dan Nilai Islami) Vol.1, 1, Juli 017, Hal. 31-319 p-in: 580-4596; e-in: 580-460X Halaman 31 Penerapan Metode Empirical Best Linear Unbiased Prediction
Lebih terperinciBEBERAPA DISTRIBUSI KHUSUS DKINTINU DIKENAL
BEBERAPA DISTRIBUSI KHUSUS DKINTINU DIKENAL Dalam hal ini akan dibahas beberapa distribusi yang mempunyai bentuk fungsi densitas dan nama tertentu dari peubah acak kontinu, yaitu: distribusi seragam, distribusi
Lebih terperinciPengantar Proses Stokastik
Bab 1: Dasar-Dasar Probabilitas Statistika FMIPA Universitas Islam Indonesia Peluang Percobaan adalah kegiatan yang menghasilkan keluaran/hasil yang mungkin secara acak. Contoh: pelemparan sebuah dadu.
Lebih terperinciTINJAUAN PUSTAKA. Rancangan petak teralur (strip plot design) merupakan susunan petak-petak (plotplot)
II. TINJAUAN PUSTAKA 2.1 Rancangan Petak Teralur Rancangan petak teralur (strip plot design) merupakan susunan petak-petak (plotplot) sebagai satuan percobaan yang terdiri dari plot baris untuk perlakuan
Lebih terperinciDATA DAN METODE PENELITIAN
8 DATA DAN METODE PENELITIAN Data Data yang digunakan dalam penelitian ini terdiri dari dua jenis, yaitu data yang dibangkitkan dari simulasi dan data riil yang diperoleh dari Badan Pusat Statistik(BPS),
Lebih terperinciHASIL DAN PEMBAHASAN
14 HASIL DAN PEMBAHASAN Data Pengeluaran Per Kapita Berdasarkan data dari Dinas Kependudukan dan Catatan Sipil Kota Bekasi bahwa jumlah rumah tangga sebanyak 428,980 dengan jumlah anggota rumah tangga
Lebih terperinciDengan demikian, untuk sembarang B = [a, b], maka persamaan (5.1) menjadi
Bab 5 Peubah Acak Kontinu 5.1 Pendahuluan Definisi 5.1. Peubah acak adalah suatu fungsi dari ruang contoh S ke R (himpunan bilangan nyata) Peubah acak X bersifat diskret jika F (x) adalah fungsi tangga.
Lebih terperinciBAB I PENDAHULUAN. memperkecil atau meminimumkan ketidakpastian tersebut. Risiko dapat terjadi
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Dalam setiap kegiatan yang dilakukan oleh suatu kelompok atau perorangan pasti ada risiko yang harus ditanggung. Risiko merupakan kemungkinan terjadinya suatu
Lebih terperinciESTIMASI PENGELUARAN PER KAPITA DI KABUPATEN REMBANG DENGAN PENDEKATAN SAE-NONPARAMETRIK. Program Studi Pendidikan Matematika, UNIMUS 2
ESTIMASI PENGELUARAN PER KAPITA DI KABUPATEN REMBANG DENGAN PENDEKATAN SAE-NONPARAMETRIK Iswahyudi Joko Suprayitno 1, Moh Yamin Darsyah 2, Budiharto 3 1 Program Studi Pendidikan Matematika, UNIMUS 2 Program
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Inferensi adalah adalah suatu proses untuk menghasilkan informasi dari fakta yang diketahui. Inferensi juga dikatakan suatu konklusi logis atau implikasi berdasarkan
Lebih terperinciPengantar Statistika Matematika II
Bab 6: Statistika FMIPA Universitas Islam Indonesia Inferensi Statistik Pendahuluan Inferensi Statistik Inferensi statistik adalah metode untuk menarik kesimpulan mengenai suatu populasi. Inferensi statistik
Lebih terperinciS T A T I S T I K A OLEH : WIJAYA FAKULTAS PERTANIAN UNIVERSITAS SWADAYA GUNUNG JATI CIREBON
S T A T I S T I K A OLEH : WIJAYA FAKULTAS PERTANIAN UNIVERSITAS SWADAYA GUNUNG JATI CIREBON 2010 PENDUGAAN PARMETER IV. PENDUGAAN PARAMETER Populasi N Sampling Sampel n Rata-rata : μ Simp. Baku : σ Ragam
Lebih terperinciSATUAN ACUAN PERKULIAHAN MATA KULIAH : STATISTIK & PROBABILITAS KODE : TIK1010 / SKS : 3 SKS
SATUAN ACUAN PERKULIAHAN MATA KULIAH : KODE : TIK1010 / SKS : 3 SKS SEMESTER : III / GANJIL WAKTU : 150 Menit JUMLAH PERTEMUAN : 16 x pertemuan (14 x materi kuliah, 2 x Ujian (UTS dan UAS)) 1 ANALISIS
Lebih terperinciI. PENDAHULUAN. Perkembangan teori statistika telah mempengaruhi hampir semua aspek. Dalam teori statistika dan peluang, distribusi gamma (
I. PENDAHULUAN 1.1. Latar Belakang dan Masalah Perkembangan teori statistika telah mempengaruhi hampir semua aspek kehidupan. Hal ini disebabkan statistika merupakan salah satu disiplin ilmu yang berperan
Lebih terperinciMODEL SPASIAL BAYES DALAM PENDUGAAN AREA KECIL DENGAN PEUBAH RESPON BINER
MODEL SPASIAL BAYES DALAM PENDUGAAN AREA KECIL DENGAN PEUBAH RESPON BINER Etis Sunandi 1), Khairil A Notodiputro 2), Anik Djuraidah 2) 1) Jurusan Matematika FMIPA Universitas Bengkulu 2) Jurusan Statistika,
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 3, Nomor 1, Tahun 2014, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 1, Tahun 2014, Halaman 101-110 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PENDUGAAN ANGKA PUTUS SEKOLAH DI KABUPATEN SEMARANG DENGAN METODE
Lebih terperinci6. Teori Estimasi. EL2002-Probabilitas dan Statistik. Dosen: Andriyan B. Suksmono
6. Teori Estimasi EL2002-Probabilitas dan Statistik Dosen: Andriyan B. Suksmono Pendahuluan Inferensi statistik adalah metoda untuk menarik inferensi atau membuat generalisasi dari suatu populasi. Ada
Lebih terperinciPengantar Statistika Matematika II
Bab 2: Sifat-Sifat Estimator Statistika FMIPA Universitas Islam Indonesia Statistik Cukup Dalam kondisi real, kita tidak mengetahui parameter dari populasi data yang akan kita teliti Informasi dalam sampel
Lebih terperinciII.TINJAUAN PUSTAKA. Dalam proses penelitian untuk mengkaji karakteristik pendugaan distribusi
II.TINJAUAN PUSTAKA Dalam proses penelitian untuk mengkaji karakteristik pendugaan distribusi generalized weibull menggunakan metode generalized momen ini, penulis menggunakan definisi dan konsep dasar
Lebih terperinciTINJAUAN PUSTAKA Teknik Respon Teracak Model Warner
TINJAUAN PUSTAKA Pada tahun 1965 Stanley Warner (Fox &Tracy, 1986) mempelopori teknik respon teracak untuk mengurangi respon bias ng disebabkan oleh responden ng berbohong, atau menjawab pertanan ng diberikan
Lebih terperinciBAB I PENDAHULUAN. Otonomi daerah menyebabkan adanya pergeseran ketatanegaraan di
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Otonomi daerah menyebabkan adanya pergeseran ketatanegaraan di Indonesia dari sentralisasi ke desentralisasi, dimana pemerintah daerah lebih leluasa dalam mengatur
Lebih terperinciSTATISTIKA MATEMATIKA
Praktikum STATISTIKA MATEMATIKA Adi Setiawa Uiversitas Kriste Satya Wacaa Salatiga 2006 i Cotets : Statistik Cukup 2 Latiha Soal Statistik Cukup 6 3 : Estimasi Titik 7 4 Latiha Soal Estimasi Titik 37 5
Lebih terperinciMETODE PREDIKSI TAK-BIAS LINEAR TERBAIK DAN BAYES BERHIRARKI UNTUK PENDUGAAN AREA KECIL BERDASARKAN MODEL STATE SPACE KUSMAN SADIK
METODE PREDIKSI TAK-BIAS LINEAR TERBAIK DAN BAYES BERHIRARKI UNTUK PENDUGAAN AREA KECIL BERDASARKAN MODEL STATE SPACE KUSMAN SADIK SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR 2009 PERNYATAAN MENGENAI
Lebih terperinciBAB IV KAJIAN SIMULASI: PENDEKATAN BAYES PADA DATA n<<p DAN TERDAPAT KEKOLINEARAN-GANDA
BAB IV KAJIAN SIMULASI: PENDEKATAN BAYES PADA DATA n
Lebih terperinciTINJAUAN PUSTAKA Pemilihan Peubah Gizi Buruk
5 TINJAUAN PUSTAKA Pemilihan Peubah Gizi Buruk Gizi buruk adalah keadaan kurang zat gizi tingkat berat yang disebabkan oleh rendahnya konsumsi energi dan protein dalam waktu cukup lama yang ditandai dengan
Lebih terperinciKarakteristik Pendugaan Emperical Best Linear Unbiased Prediction (EBLUP) Pada Pendugaan Area Kecil
Prosiding Semirata FMIPA Universitas Lampung, 2013 Karakteristik Pendugaan Emperical Best Linear Unbiased M. Adi Sidauruk, Dian Kurniasari, Widiarti Jurusan Matematika, FMIPA Universitas Lampung E-mail:
Lebih terperinciS T A T I S T I K A OLEH : WIJAYA
S T A T I S T I K A OLEH : WIJAYA email : zeamays_hibrida@yahoo.com FAKULTAS PERTANIAN UNIVERSITAS SWADAYA GUNUNG JATI CIREBON 2009 IV. PENDUGAAN PARAMETER Populasi Sampling Sampel N n Rata-rata : μ Simp.
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Seiring dengan berjalannya waktu, ilmu pengetahuan dan teknologi (sains dan teknologi) telah berkembang dengan cepat. Salah satunya adalah ilmu matematika yang
Lebih terperinciRANCANGAN KURIKULUM PROGRAM MAGISTER STATISTIKA TERAPAN DALAM KERANGKA KUALIFIKASI NASIONAL INDONESIA (KKNI)
RANCANGAN KURIKULUM PROGRAM MAGISTER STATISTIKA TERAPAN DALAM KERANGKA KUALIFIKASI NASIONAL INDONESIA (KKNI) PROGRAM MAGISTER STATISTIKA TERAPAN DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN IPA 2 0 1
Lebih terperinciUji Hipotesis dan Aturan Keputusan
Uji Hipotesis dan Aturan Keputusan oleh: Khreshna Syuhada, PhD. 1. Pendahuluan Pada perkuliahan tingkat 2, telah dikenalkan masalah uji hipotesis sebagai berikut: Seorang peneliti memberikan klaim bahwa
Lebih terperinciPengantar Statistika Matematika II
Pengantar a Matematika II - Estimator Atina Ahdika, S.Si., M.Si. Prodi a FMIPA Universitas Islam Indonesia April 17, 2017 atinaahdika.com Dalam kondisi real, kita tidak mengetahui parameter dari populasi
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 4, Nomor 4, Tahun 2015, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 4, ahun 2015, Halaman 977-986 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PENERAPAN MEODE EMPIRICAL BES LINEAR UNBIASED PREDICION (EBLUP)
Lebih terperinciRANCANGAN KURIKULUM PROGRAM MASTER STATISTIKA TERAPAN DALAM KERANGKA KUALIFIKASI NASIONAL INDONESIA (KKNI)
RANCANGAN KURIKULUM PROGRAM MASTER STATISTIKA TERAPAN DALAM KERANGKA KUALIFIKASI NASIONAL INDONESIA (KKNI) PROGRAM MASTER STATISTIKA TERAPAN DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN IPA 2 0 1 2 I.
Lebih terperinciPENDUGAAN SELANG KEPERCAYAAN PADA PENDUGAAN AREA KECIL. (Skripsi) Oleh DESTI RESTIANA
PENDUGAAN SELANG KEPERCAYAAN PADA PENDUGAAN AREA KECIL Skripsi Oleh DESTI RESTIANA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS LAMPUNG BANDAR LAMPUNG 2017 ABSTRAK PENDUGAAN SELANG KEPERCAYAAN
Lebih terperinciLANDASAN TEORI. penelitian mengenai pendekatan distribusi GE ke distribusi GLL(,,
4 II. LANDASAN TEORI Pada bab ini akan dijelaskan beberapa definisi yang berhubungan dengan penelitian mengenai pendekatan distribusi GE ke distribusi GLL melalui distribusi eksponensial dengan menyamakan
Lebih terperinciII. TINJAUAN PUSTAKA. Dalam mengkaji penelitian Karakteristik Penduga Parameter Distribusi Log
II. TINJAUAN PUSTAKA Dalam mengkaji penelitian Karakteristik Penduga Parameter Distribusi Log Normal Menggunakan Metode Generalized Moment digunakan beberapa definisi, dan teorema yang berkaitan dengan
Lebih terperinciSTATISTIKA. Muhamad Nursalman Pendilkom/Ilkom UPI
STATISTIKA Muhamad Nursalman Pendilkom/Ilkom UPI 1 Daftar Isi Bab 1 Peluang Bab Peubah Acak Bab 3 Distribusi Peluang Diskret Bab 4 Distribusi Peluang Kontinu Bab 5 Fungsi Peubah Acak Bab 6 Teori Penaksiran
Lebih terperinciProsiding Statistika ISSN:
Prosiding Statistika ISSN: 2460-6456 Penaksiran Besar Klaim Optimal Menggunakan Metode Linear Empirical Bayesian yang Diaplikasikan untuk Perhitungan Premi Asuransi Kendaraan Bermotor di Indonesia 1 Hilda
Lebih terperinciHASIL DAN PEMBAHASAN. Model Regresi Logistik Biner untuk data Hasil Pembangkitan
HASIL DAN PEMBAHASAN Model Regresi Logistik Biner untuk data Hasil Pembangkitan Model regresi logistik digunakan untuk menggambarkan hubungan antara peubah respon dan peubah penjelas pada data hasil pembangkitan.
Lebih terperinciTINJAUAN PUSTAKA. Generalized Eksponensial Menggunakan Metode Generalized Momen digunakan. merupakan penjabaran definisi dan teorema yang digunakan:
II. TINJAUAN PUSTAKA Dalam tinjauan pustaka penelitian Karakteristik Penduga Parameter Distribusi Generalized Eksponensial Menggunakan Metode Generalized Momen digunakan beberapa definisi dan teorema yang
Lebih terperinciKonsep Dasar Statistik dan Probabilitas
Konsep Dasar Statistik dan Probabilitas Pengendalian Kualitas Statistika Ayundyah Kesumawati Prodi Statistika FMIPA-UII September 30, 2015 Ayundyah (UII) Konsep Dasar Statistik dan Probabilitas September
Lebih terperinciPENAKSIR PARAMETER DISTRIBUSI INVERS MAXWELL UKURAN BIAS SAMPEL MENGGUNAKAN METODE BAYESIAN. Rince Adrianti 1, Haposan Sirait 2 ABSTRACT ABSTRAK
PENAKSIR PARAMETER DISTRIBUSI INVERS MAXWELL UKURAN BIAS SAMPEL MENGGUNAKAN METODE BAYESIAN Rince Adrianti, Haposan Sirait Mahasiswa Program Studi S Matematika Dosen Matematika, Jurusan Matematika Fakultas
Lebih terperinci