6. Teori Estimasi. EL2002-Probabilitas dan Statistik. Dosen: Andriyan B. Suksmono
|
|
- Ida Kartawijaya
- 7 tahun lalu
- Tontonan:
Transkripsi
1 6. Teori Estimasi EL2002-Probabilitas dan Statistik Dosen: Andriyan B. Suksmono
2 Pendahuluan Inferensi statistik adalah metoda untuk menarik inferensi atau membuat generalisasi dari suatu populasi. Ada dua metoda penting: Klasik: inferensi hanya berdasar pada hasil yng diperoleh dari cuplikan acak populasi Bayesian: menggunakan pengetahuan prior subyektif mengenai sebaran populasi sebagai tambahan terhadap informasi cuplikan populasi. Inferensi ada dua kategori: Estimasi: Mis. Pengambilan 100 cuplikan untuk mengetahui sebaran perolehan kandidat beberapa calon Walikota Bandung. Pengetahuan ttg sebaran cuplikan akan membantu mendapatkan derajat kepercayaan hasil estimasi. Uji hipotesa: Mis. Seorang ibu rumah tangga menganggap sabun merek A lebih baik dari merek B. Setelah beberapa pengujian, akan disimpulkan hipotesanya dapat diterima atau ditolak.
3 6.2 Metoda Estimasi Klasik
4 Ruang keputusan Estimasi dari populasi dapat berupa estimasi titik atau estimasi selang. Estimasi titik dari parameter θ adalah suatu nilai tunggal θ^ dari statistik Θ^. Contoh: nilai x dari statistik X yng dihitung dari n-buah cuplikan dari populasi merupakan estimasi parameter μ dari populasi. (Besaran) Statistik yang dipakai seseorang untuk menentukan estimasi titik disebut estimator atau fungsi keputusan. Dngan demikian, keputusan S yang merupakan fungsi dari cuplikan acak adalah estimator dari σ dan estimasi s adalah tindakan yang diambilnya. DEFINISI 6.1 Himpunan semua tindakan yang mungkin, yang dapat diambil dalam permasalahan estimasi disebut sebagai ruang tindakan atau ruang keputusan. Estimator selalu memberikan kesalahan. Untuk suatu cuplikan tertentu, mis. 2, 5, 11, estimasi dari μ dpt menghasilkan x=6 jika dipakai mean cuplikan atau x ~ =5 jika dipakai median. Disini X ~ menghasilkan nilai yng lebih baik. Sebaliknya, cuplikan 2, 6, 7 memberikan x=5 dan x ~ =6 dimana X lebih baik. Yang mana sebaiknya dipilih?
5 Estimator takbias dan estimator efisien Misalkan Θ^ adalah estimator yang nilai θ^-nya adalah estimasi titik dari parameter populasi tak diketahui θ. Tentu diinginkan bahwa sebaran cuplikan Θ^ akan memiliki mean yang sama dengan parameter yng diestimasi. Parameter yng spt ini disebut bersifat takbias. DEFINISI 6.2 Suatu statistik Θ^ disebut estimator takbias dari parameter θ jika μ Θ = E(Θ^)= θ. Dapat ditunjukkan (lihat buku) bahwa S 2 adalah estimator takbias dari σ 2, akan tetapi S sendiri adalah estimator σ yang bias. JikaΘ 1^ dan Θ 2^ adalah dua estimator takbias dari populasi yang sama dengan parameter θ, estimator dengan variansi terkecil-lah yang akan dipilih. Dengan demikian, jika σ 2 Θ1 < σ2 Θ2, maka Θ^1 disebut lebih efisian daripada Θ^2. DEFINISI 6.3 Estimator dengan nilai variansi terkecil disebut sebagai estimator yang paling efisien.
6 Pemilihan estimator Θ^1 Θ^2 Θ^3 θ θ^ Dari ketiga estimator diatas, Θ^1 dan Θ^2 bersifat takbias karena sebarannya memusat di satu nilai θ. Dari kedua estimator tak bias tersebut, Θ^1 lebih efisien karena variansinya terkecil. Dengan demikian kita akan memilih Θ^1 sebagai estimator.
7 Selang estimasi Selang estimasi dari parameter populasi θ adalah interval yang berbentuk θ^1 <θ<θ^2, dimana kedua batasnya tergantung pada statistik Θ^ suatu cuplikan dan juga sebarannya. Dari sebaran cuplikan Θ^ kita akan dapat menentukan θ^1 dan θ^2 sedemikian hingga P(Θ^1 < θ<θ^2 ) sama dengan nilai tertentu yang diinginkan. Untuk P(Θ^1 < θ<θ^2 )=0.95 berarti bahwa kita memiliki peluang 0.95 untuk memilih cuplikan acak yang menghasilkan interval tsb mengandung θ. Selang ini disebut juga selang kepercayaan (confident interval). Artinya: Kita percaya 95% bahwa selang yang kita pilih akan mengandung parameter populasi yang sebenarnya. Memperbesar peluang (derajat kepercayaan) menjadi 99% belum tentu memberikan informasi yang lebih baik karena akan melebarkan selang kepercayaan.
8 Selang kepercayaan Pada umumnya, sebaran Θ^ akan memungkinkan kita menghitung suatu nilai k sedemikian hingga P(Θ^ -k < θ < Θ^ + k)=1- α, 0<α<1. Selang yang dihitung dari suatu cuplikan akan disebut selang kepercayaan (1-α)100%. Dengan demikian, jika α=0.05 kita akan memiliki 95% selang kepercayaan; sedangkan α=0.01 akan menghasilkan 99% selang kepercayaan. Bagian atau fraksi (1-α) ini disebut juga koefisien kepercayaan; sedangkan kedua titik ujungnya, yakni (θ^-k) dan (θ^+k), disebut batas kepercayaan atau batas fiducial.
9 Estimasi Mean
10 Selang kepercayaan mean cuplikan Estimator titik dari mean populasi μ adalah statistik X. Sebaran statistik ini berpusat pada μ dan variansinya lbh kecil dari estimator lain. Berdasarkan LCM, kita tahu bahwa semakin besar cuplikan akan menghasilkan variansi yang semakin kecil: σ 2 X= σ 2 /n. Selang kepercayaan dari populasi tersebar normal, atau jika cuplikannya cukup besar, dapat diturunkan. 1-α α/2 α/2 z -z α/2 z α/2 Dari gambar 6.3 disamping, P(-z α/2 <Z<z α/2 ) = 1 - α dimana Z = (X-μ)/(σ/ n), dng demikian P(-z α/2 < (X-μ)/(σ/ n) <z α/2 ) = 1 - α atau P[ X -z α/2 (σ/ n) <μ<x+z α/2 (σ/ n)] = 1 - α Cuplikan acak berukuran n dari suatu populasi dengan variansi σ 2 yang diketahui dan mean x yang dihitung akan menghasilkan (1-α)100% selang kepercayaan X -z α/2 (σ/ n) < μ <X+z α/2 (σ/ n)
11 SELANG KEPERCAYAAN UNTUK μ; σ DIKETAHUI. Suatu (1- α)100% selang kepercayaan untuk μ adalah x -z α/2 (σ/ n) < μ < x+z α/2 (σ/ n) dimana x adalah mean cuplikan berukuran n dari suatu populasi dengan variansi σ 2 yang diketahui dan z α/2 adalah nilai sebaran normal yang menghasilkan luas α/2 disebelah kanannya. Contoh 6.2: Mean dan simpangan baku dari IPK sekelompok 36 orang mahasiswa adalah 2.6 dan 0.3. Tentukan selang kepercayaan 95% dan 99% untuk nilai mean-nya. Jawab: Titik estimasi adalah x = 2.6. Karena cuplikan berukuran besar, simpangan baku σ dapat didekati dengan s=0.3. Nilai z yang memberikan luas daerah dibawah kurva sebesar disebelah kanan, atau disebelah kiri, adalah z = 1.96 (dari Tabel IV). Oleh karena itu, selang kepercayaan 95% adalah (1.96)(0.3/ 36) < μ < (1.96)(0.3/ 36) atau: 2.50 < μ < 2.70
12 Dengan cara yang sama, selang kepercayaan 99% memerlukan z = dan selang kepercayaan ini adalah: (2.575)(0.3/ 36) < μ < (2.575)(0.3/ 36) atau: 2.47 < μ < 2.73 Terlihat selang ini lebih lebar dari sebelumnya.
13 Kesalahan estimasi Selang kepercayaan (1-α)% memberikan ketelitian estimasi titik. Jika μ adalah titik pusat selang, x mengestimasi μ tanpa kesalahan. Pada umumnya akan ada kesalahan yang besarnya adalah beda antara x dengan μ, dan kita percaya (1-α)100% bahwa perbedaan ini kurang dari z α/2 (σ/ n). error x -z α/2 (σ/ n) x μ x + z α/2 (σ/ n) TEOREMA 6.1 Jika x digunakan sebagai estimasi dari μ, kita dapat percaya (1-α)100% bahwa nilai kesalahannya akan kurang dari z α/2 (σ/ n) Pada contoh 6.2, kita percaya 95% bahwa mean cuplikan x=2.6 berbeda sebesar 0.1 dari nilai sebenarnya dan percaya 99% bahwa nilainya berbeda sebesar 0.13.
14 Seringkali kita ingin tahu seberapa besar cuplikan yang kita inginkan untuk memastikan bahwa kesalahan estimasi dari μ kurang dari nilai tertentu e. Berdasarkan Teorema 6.1, kita harus memilih n sedemikian hingga z α/2 (σ/ n)=e. TEOREMA 6.2 Jika x dipakai untuk mengestimasi μ, kita dapat percaya (1-α)100% bahwa kesalahannya akan kurang dari nilai e tertentu jika jumlah cuplikannya adalah: n = (z α/2 σ/e) 2 Teorema diatas dapat diterapkan jika variansi populasi diketahui, atau tersedia n 30 untuk melakukan estimasi variansi tsb.
15 Contoh 6.3 Soal: Seberapa banyak jumlah cuplikan yang diperlukan pada contoh 6.2 jika kita ingin percaya 95% bahwa estimasi μ kita kurang dari 0.05? Jawab: Simpangan baku cuplikan s=0.3 diperoleh dari cuplikan asal 36 akan dipakai untuk menentukan σ. Sebelumnya juga telah diperoleh z α/2 = 1.96, maka berdasarkan Teorema 6.2, n = (z α/2 σ/e) 2 = [(1.96)(0.3)/0.05] 2 = Dengan demikian, kita dapat percaya 95% percaya bahwa cuplikan acak sebesar 139 akan memberikan hasil estimasi x yang berbeda dibawah 0.05 dari μ.
16 Cuplikan sedikit Bagaimana jika syarat n 30 untuk menghitung variansi populasi tidak dapt dipenuhi? Gunakan sebaran T sebagai ganti sebaran Gauss! disini 1-α T =(X - μ)/(s/ n). Prosedur lain sama dengan yang sebelumnya. -t α/2 t α/2 Mengacu ke Gambar 6.5 diatas, nilai peluang pada daerah diarsir α/2 α/2 t P(-t α/2 <T< t α/2 ) = 1- α dimana t α/2 adalah nilai t untuk derajat bebas n-1. Luas sebelah kanan nilai ini adalah α/2, dan berdasarkan simetri, luas sebelah kiri dari -t α/2 juga α/2. Substitusi untuk T menghasilkan P(-t α/2 <(X - μ)/(s/ n)< t α/2 ) = 1- α P(X (t α/2 S) / n <μ<x + (t α/2 S) / n) = 1- α dengan demikian, untuk n cuplikan, mean x dan simpangan baku s, interval kepercayaan (1-α)100% diberikan oleh x (t α/2 s) / n <μ< x + (t α/2 s) / n
17 Selang kepercayaan saat n<30 SELANG KEPERCAYAAN UNTUK μ; σ TAKDIKETAHUI. Suatu selang kepercayaan (1-α)100% untuk μ adalah x -t α/2 (s/ n) < μ < x+t α/2 (s/ n) dimana x dan s adalah mean dan simpangan baku cuplikan berukuran n<30 dari suatu populasi yang tersebar mendekati normal, dan t α/2 adalah nilai sebaran-t dengan derajat bebas sebesar v = n-1 yang menghasilkan luas α/2 disebelah kanannya.
18 Contoh 6.4 Soal: Ada 7 kontainer serupa yang berisi asam sulfat dengan volume: 9.8, 10.2, 10.4, 9.8, 10.0, 10.2, dan 9.6 liter. Tentukan selang kepercayaan 95% untuk mean dari kontainer-2 tsb jika sebarannya mendekati normal. Jawab: Dari data yang diberikan, mean dan simpangan cuplikan sbb: x = 10.0 dan s= Berdasarkan Tabel V, kita dapatkan t = untuk derajat bebas v=6. Karena itu, selang kepercayaan 95% dair μ adalah (2.447)(0.283/ 7)< μ < (2.447)(0.283/ 7) atau: 9.74< μ <10.26.
19 6.7 Estimasi Variansi
20 Pendahuluan Estimasi takbias dari variansi populasi σ 2 diberikan oleh variansi cuplikan s 2, maka statistik S 2 disebut estimator dari σ 2. Selang estimasi dari σ 2 diberikan oleh X 2 = (n-1)s 2 /σ 2 Berdasarkan Teorema 5.16, statistik dari X 2 akan tersebar secara chikuadrat dengan derajat bebas n-1 saat cuplikan diambil dari populasi normal. Berdasarkan Gambar 6.7 disamping, maka P ( χ 2 1-α/2<X 2 <χ 2 α/2) = 1-α dimana χ 2 1-α/2 dan χ 2 α/2 adalah 1-α nilaidarisebaranchi-kuadrat α/2 α/2 dengan n-1 derajat bebas, dengan 0 χ 2 χ 2 1-α/2 χ 2 daerah seluas 1-α/2 disebelah kiri 1-α/2 dan seluas α/2 di kanannya. Substitusi X 2 = (n-1)s 2 /σ 2 menghasilkan P ( χ 2 1-α/2< (n-1)s 2 /σ 2 <χ 2 α/2) = 1-α
21 Selang kepercayaan σ 2 Pembagian dengan (n-1)s 2 pada pertidaksamaan dan pengaturan suku menghasilkan P [ (n-1)s 2 /χ 2 α/2 < σ2 < (n-1)s 2 /χ 2 1-α/2 ] = 1-α Untuk cuplikan sejumlah n, variansi cuplikan sebesar s 2 dan (1- α)100% menghasilkan selang kepercayaan (n-1)s 2 /χ 2 α/2 < σ2 < (n-1)s 2 /χ 2 1-α/2 SELANG KEPERCAYAAN UNTUK σ 2. Suatu selang kepercayaan (1-α)100% untuk variansi σ 2 dari populasi tersebar normal adalah (n-1)s 2 /χ 2 α/2 < σ2 < (n-1)s 2 /χ 2 1-α/2 dimana s 2 merupakan variansi dari pencuplikan acak berukuran n, dan χ 2 α/2 dan χ2 1-α/2 menyatakan nilai sebaran chi-kuadrat dengan derajat bebas v=n-1, sehingga luas disebelah kiri dan kanannya adalah α/2 dan 1- α/2.
22 Contoh 6.12 Soal: Pencuplikan 10 buah kemasan berisi gabah (biji beras) produksi suatu perusahaan tertentu menghasilkan berat dalam decigram sbb: 46.4, 46.1, 45.8, 47.0, 46.1, 45.9, 45.8, 46.9, 45.2, dan 46.0 Tentukan selang kepercayaan 95% dari variansi berat kemasan tsb. Jawab: Tentukan terlebih dahulu variansi cuplikan, yaitu s 2 = {(10)(21,273.12)-(461.2) 2 }/{(10)(9)} = Untuk mendapatkan 95% selang kepercayaan, dipilih α=0.05. Lalu dengan Table VI untuk derajat bebas v=9, kita temukan χ = dan χ = Substitusi ke rumus (n-1)s 2 /χ 2 α/2 < σ2 < (n-1)s 2 /χ 2 1-α/2 akan menghasilkan 95% interval kepercayaan [(9)(0.286)/19.023]< σ 2 < [(9)(0.286)/2.700] atau 0.135< σ 2 <0.953
23 6.10 Metoda Estimasi Bayes
24 Pengantar Metoda estimasi yang telah dijelaskan terdahulu didasarkan pada informasi dari cuplikan semata. Ini disebut sebagai peluang obyektif. Metoda Bayes menggabungkan informasi dari cuplikan dengan informasi lain yang diketahui atau prior. Yang demikian ini dinamakan peluang subyektif. Ilustrasi: Akan ditentukan estimasi titik parameter θ dari populasi f(x; θ). Dalam pendekatan klasik (obyektif), maka yang dilakukan adalah mencuplik sebanyak n secara acak dan menggantikan informasi yang diperoleh ke estimator atau fungsi keputusan. Andaikan informasi tambahan tentang θ diberikan, misalnya bahwa sebarannya mengikuti f(θ). Fungsi f(θ) disebut sebagai sebaran prior dari parameter takdiketahui Θ yang menyatakan tingkat kepercayaan kita pada lokasi Θ sebelum diadakan pencuplikan. Teknik Bayesian menggunakan informasi prior f(θ) bersama dengan sebaran gabungan cuplikan f(x 1,x 2,,x n ; θ) untuk menghitung sebaran posterior f(θ x 1,x 2,,x n )
25 Estimasi Bayes untuk θ Selanjutnya f(x 1,x 2,,x n ; θ) akan dituliskan sebagai f(x 1,x 2,, x n θ) untuk menandakan bahwa parameter Θ juga suatu peubah acak. Sebaran gabungan peubah acak X 1, X 2,, X n dan parameter Θ adalah f(x 1,x 2,,x n ; θ) = f(x 1,x 2,,x n θ)f(θ) Sehingga diperoleh sebaran marjinal g(x 1,x 2,,x n ) = Σ θ f(x 1,x 2,,x n ; θ) (diskrit) = - f(x 1,x 2,,x n ; θ)dθ (kontinyu) Dengan demikian sebaran posterior-nya adalah f(θ x 1,x 2,,x n ) = f(x 1,x 2,,x n, θ)/g(x 1,x 2,,x n ) DEFINISI 6.4. Nilai mean dari sebaran posterior f(θ x 1,x 2,,x n ), yang dinyatakan sebagai θ*, disebut sebagai estimasi Bayes dari θ.
26 Contoh 6.15 Soal: dengan menggunakan cuplikan acak sebanyak 2 buah, lakukan estimasi perbandingan dari produk cacat p yang dibuat oleh sebuah mesin jika diketahui sebaran prior-nya adalah: p f(p) Jawab: Andaikan X jumlah cacat didalam cuplikan, maka sebarannya adalah f(x p) = b(x;n,p) = C(2,x)p x q 2-x ; x=0, 1, 2 Dari kenyataan bahwa f(x,p) = f(x p)f(p), kita bisa membuat tabel berikut f(x,p) x p
27 Lanjutan Dengan demikian, sebaran marjinal dari X adalah x g(x) Kita bisa mendapatkan sebaran posterior dari formula f(p x)=f(x,p)/g(x), yakni: p p f(p x=0) f(p x=1) p f(p x=2) akhirnya diperoleh: p* = (0.1)(0.655)+(0.2)(0.345) = , jika x=0; = (0.1)(0.458)+(0.2)(0.542) = , jika x=1; = (0.1)(0.273)+(0.2)(0.727) = , jika x=2;
28 Latihan Bab.5: 39; Bab.6: 9, 35, 46
5. Fungsi dari Peubah Acak
5. Fungsi dari Peubah Acak EL2002-Probabilitas dan Statistik Dosen: Andriyan B. Suksmono Sebaran cuplikan (n-1)s 2 / σ 2 TEOREMA 5.16 Jika S 2 adalah variansi dari cuplikan acak berukuran n yang diambil
Lebih terperinciESTIMASI. Arna Fariza PENDAHULUAN
ESTIMASI Arna Fariza PENDAHULUAN MATERI LALU Karena adanya berbagai alasan seperti banyaknya individu dalam populasi amatan, maka penelitian keseluruhan terhadap populasi tersebut tidaklah ekonomis, baik
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 terperinciMODUL TEORI ESTIMASI ATAU MENAKSIR TEORI ESTIMASI ATAU MENAKSIR
TEORI ESTIMASI ATAU MENAKSIR MODUL 9 TEORI ESTIMASI ATAU MENAKSIR. Pendahuluan Untuk menginginkan mengumpulkan populasi kita lakukan dengan statistik berdasarkan data yang diambil secara sampling yang
Lebih terperinciPertemuan ke Nilai Harapan (Mean atau Rata rata) dan Varians Distribusi Kontinu
Pertemuan ke 5 4.1 Nilai Harapan (Mean atau Rata rata) dan Varians Distribusi Kontinu Fungsi Probabilitas dengan variabel kontinu terdiri dari : 1. Distribusi Normal 2. Distribusi T 3. Distribusi Chi Kuadrat
Lebih terperinci(ESTIMASI/ PENAKSIRAN)
ESTIMASI PENDAHULUAN Karena adanya berbagai alasan seperti banyaknya individu dalam populasi amatan, maka penelitian keseluruhan terhadap populasi tersebut tidaklah ekonomis, baik tenaga, waktu, maupun
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 terperinciVariansi dan Kovariansi. Bahan Kuliah II2092 Probabilitas dan Statistik Oleh: Rinaldi Munir Sekolah Teknik Elektro dan Informatika ITB
Variansi dan Kovariansi Bahan Kuliah II2092 Probabilitas dan Statistik Oleh: Rinaldi Munir Sekolah Teknik Elektro dan Informatika ITB 1 Variansi Kita sudah memahami bahwa nilai harapan peubah acak X seringkali
Lebih terperinciMetode Statistika. Statistika Inferensia: Pendugaan Parameter (Selang Kepercayaan)
Metode Statistika Statistika Inferensia: Pendugaan Parameter (Selang Kepercayaan) Pengantar Seringkali kita tertarik dengan karakteristik umum dari suatu populasi parameter Misalnya saja berapa rata-rata
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Himpunan Fuzzy Tidak semua himpunan yang dijumpai dalam kehidupan sehari-hari terdefinisi secara jelas, misalnya himpunan orang miskin, himpunan orang pandai, himpunan orang tinggi,
Lebih terperinci4. Sebaran Peluang Kontinyu
4. Sebaran Peluang Kontinyu EL00-Probabilitas dan Statistik Dosen: Andriyan B. Suksmono Isi 1. Sebaran normal/gauss. Luas daerah di bawah kurva normal 3. Hampiran normal untuk sebaran binomial 4. Sebaran
Lebih terperinciProbabilitas dan Statistika Distribusi Peluang Kontinyu 1. Adam Hendra Brata
Probabilitas dan Statistika Distribusi Peluang Kontinyu 1 Adam Hendra Brata Variabel Acak Kontinyu - Variabel Acak Kontinyu Suatu variabel yang memiliki nilai pecahan didalam range tertentu Distribusi
Lebih terperinciDistribusi Diskrit dan Kontinu yang Penting. Oleh Azimmatul Ihwah
Distribusi Diskrit dan Kontinu yang Penting Oleh Azimmatul Ihwah Distribusi Diskrit Fungsi probabilitas dari variabel random diskrit dapat dinyatakan dalam formula matematik tertentu yang dinamakan fungsi
Lebih terperinciDISTRIBUSI PROBABILITAS KONTINYU. Nur Hayati, S.ST, MT Yogyakarta, Maret 2016
DISTRIBUSI PROBABILITAS KONTINYU Nur Hayati, S.ST, MT Yogyakarta, Maret 2016 DISTRIBUSI PELUANG KONTINYU Berbeda dengan variabel random diskrit, sebuah variabel random kontinyu adalah variabel yang dapat
Lebih terperinciStatistika (MMS-1403)
Statistika (MMS-1403) Dr. Danardono, MPH danardono@ugm.ac.id Program Studi Statistika Jurusan Matematika FMIPA UGM MMS-1403 p.1/93 Distribusi Sampling Statistik Populasi: himpunan keseluruhan obyek yang
Lebih terperinciBEBERAPA DISTRIBUSI PELUANG KONTINU. Normal, Gamma, Eksponensial, Khi-Kuadrat, Student dan F
BEBERAPA DISTRIBUSI PELUANG KONTINU Normal, Gamma, Eksponensial, Khi-Kuadrat, Student dan F Distribusi Normal Distribusi yang terpenting dalam bidang statistika, penemu : DeMoivre (733) dan Gauss Bergantung
Lebih terperinciStatistika Variansi dan Kovariansi. Adam Hendra Brata
Statistika dan Adam Hendra Brata Kita sudah memahami bahwa nilai harapan peubah acak X seringkali disebut rataan (mean) dan dilambangkan dengan μ. Tetapi, rataan tidak memberikan gambaran dispersi atau
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Distribusi Normal Salah satu distribusi frekuensi yang paling penting dalam statistika adalah distribusi normal. Distribusi normal berupa kurva berbentuk lonceng setangkup yang
Lebih terperincistatistika untuk penelitian
statistika untuk penelitian Kelompok Ilmiah Remaja (KIR) Delayota Experiment Team (D Expert) 2013 Freeaninationwallpaper.blogspot.com Apa itu Statistika? Statistika adalah ilmu yang mempelajari cara pengumpulan,
Lebih terperinciBab 2 LANDASAN TEORI
Bab 2 LANDASAN TEORI 2.1. Penaksiran Parameter Jika adalah nilai parameter populasi yang belum diketahui harganya, maka dapat ditaksir oleh nilai statistik, dan disebut sebagai penaksir atau fungsi keputusan.
Lebih terperinciBAB 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 terperinciUmmu Kalsum UNIVERSITAS GUNADARMA
Ummu Kalsum UNIVERSITAS GUNADARMA 2016 Inferensia Statistika : Mencakup semua metode yang digunakan untuk penarikan kesimpulan atau generalisasi mengenai populasi dengan melakukan pengambilan sampel (sampling)
Lebih terperinciHipotesis : asumsi atau anggapan bisa benar atau bisa salah seringkali dipakai sebagai dasar dalam memutuskan
PENGUJIAN HIPOTESIS Hipotesis : Merupakan suatu asumsi atau anggapan yang bisa benar atau bisa salah mengenai sesuatu hal, dan dibuat untuk menjelaskan sesuatu hal tersebut sehingga memerlukan pengecekan
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Pada bab ini akan dibahas tinjauan pustaka yang akan digunakan untuk tesis ini, yang selanjutnya akan diperlukan pada bab 3. Yang akan dibahas dalam bab ini adalah metode bootstrap
Lebih terperinciMA5283 STATISTIKA Bab 3 Inferensi Untuk Mean
MA5283 STATISTIKA Bab 3 Inferensi Untuk Mean Orang Cerdas Belajar Statistika Silabus Silabus dan Tujuan Peubah acak kontinu, distribusi dan Tabel normal, penaksiran titik dan selang, uji hipotesis untuk
Lebih terperinciTEORI PENDUGAAN (TEORI ESTIMASI)
TEORI PENDUGAAN (TEORI ESTIMASI) Tujuan Pembelajaran Mempelajari bagaimana cara melakukan pendugaan parameter populasi berasarkan statistik yang dihitung dari sampel A. Pendahuluan Pendahuluan : Tujuan
Lebih terperinciPendugaan Parameter. Ayundyah Kesumawati. April 13, Prodi Statistika FMIPA-UII. Ayundyah (UII) Pendugaan Parameter April 13, / 30
Pendugaan Parameter Ayundyah Kesumawati Prodi Statistika FMIPA-UII April 13, 2015 Ayundyah (UII) Pendugaan Parameter April 13, 2015 1 / 30 Pendugaan 1 Proses yang menggunakan sampel statistik untuk menduga
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 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 terperinciMateri Kuliah: Statistik Inferensial
TEORI PENDUGAAN STATISTIK Prof. Dr. Almasdi Syahza, SE., MP Email: asyahza@yahoo.co.id 1 Teori Statistik Pengujian Hipotesa Besar Pengujian Hipotesa Kecil Memilih Ukuran Teori Statistik Pengujian Hipotesa
Lebih terperinciINFERENSI STATISTIS: RENTANG KEYAKINAN
Universitas Gadjah Mada Fakultas Teknik Departemen Teknik Sipil dan Lingkungan INFERENSI STATISTIS: RENTANG KEYAKINAN Statistika dan Probabilitas Rentang Keyakinan Estimasi Parameter Distribusi probabilitas
Lebih terperinciSTATISTIKA BISNIS PENDUGAAN STATISTIKA. Deden Tarmidi, SE., M.Ak., BKP. Modul ke: Fakultas Ekonomi dan Bisnis. Program Studi Akuntansi
Modul ke: STATISTIKA BISNIS PENDUGAAN STATISTIKA Fakultas Ekonomi dan Bisnis Deden Tarmidi, SE., M.Ak., BKP. Program Studi Akuntansi www.mercubuana.ac.id PENDAHULUAN Data yang sudah didapat dari populasi
Lebih terperinciAyundyah Kesumawati. April 20, 2015
Pengujian Kesumawati Nol dan Prodi Statistika FMIPA-UII April 20, 2015 Pengujian Statistik : pernyataan atau dugaan mengenai satu atau lebih populasi Pengujian hipotesis berhubungan dengan penerimaan atau
Lebih terperinciHaryoso Wicaksono, S.Si., M.M., M.Kom. 26
Distribusi probabilita kontinu, yaitu apabila random variabel yang digunakan kontinu. Probabilita dihitung untuk nilai dalam suatu interval tertentu. Probabilita di suatu titik = 0. Probabilita untuk random
Lebih terperinciKULIAH ANALISIS STATISTIK DATA SIMULASI Tipe-tipe simulasi berdasarkan analisis output:
KULIAH ANALISIS STATISTIK DATA SIMULASI Tipe-tipe simulasi berdasarkan analisis output: 1. Terminating simulation 2. Nonterminating simulation: a. Steady-state parameters b. Steady-state cycle parameters
Lebih terperinciPENAKSIRAN PARAMETER TM_3
PENAKSIRAN PARAMETER TM_3 Pendahuluan Statistik inverensial membicarakan bgmn mengeneralisasi informasi yg telah diperoleh. Segala aturan, dan cara, yg dpt di pakai sebagai alat dlm mencoba menarik kesimpulan
Lebih terperinciTeoriPenaksiran. Bahan Kuliah II2092 Probabilitas dan Statistik Oleh: Rinaldi Munir Sekolah Teknik Elektro dan Informatika ITB
TeoriPenaksiran Bahan Kuliah II2092 Probabilitas dan Statistik Oleh: Rinaldi Munir Sekolah Teknik Elektro dan Informatika ITB 1 Telah dijelaskan pada bagian sebelumnya bahwa tujuan utama pengambilan sampel
Lebih terperinciMagister Pengelolaan Air dan Air Limbah Universitas Gadjah Mada. 18-Aug-17. 1http://istiarto.staff.ugm.ac.id. Statistika Teknik.
Magister Pengelolaan Air dan Air Limbah Universitas Gadjah Mada Statistika Teknik Rentang Keyakinan 1 Rentang Keyakinan Estimasi Parameter Distribusi probabilitas memiliki sejumlah parameter. Parameter-parameter
Lebih terperinciSTATISTIKA EKONOMI I Chapter 4 Distribusi Probabilitas Normal dan Binomial Chapter 5 Teori Sampling
STATISTIKA EKONOMI I Chapter 4 Distribusi Probabilitas Normal dan Binomial Chapter 5 Teori Sampling Rengganis Banitya Rachmat rengganis.rachmat@gmail.com 4. Distribusi Probabilitas Normal dan Binomial
Lebih terperinciPENGUJIAN HIPOTESIS DESKRIPTIF (Satu sampel) Wahyu Hidayat, M.Pd
PENGUJIAN HIPOTESIS DESKRIPTIF (Satu sampel) Wahyu Hidayat, M.Pd Definisi Pengujian hipotesis deskriptif pada dasarnya merupakan proses pengujian generalisasi hasil penelitian yang didasarkan pada satu
Lebih terperinciKONSISTENSI ESTIMATOR
KONSISTENSI ESTIMATOR TUGAS STATISTIKA MATEMATIKA II Oleh 1. Wahyu Nikmatus S. (121810101010) 2. Vivie Aisyafi F. (121810101050) 3. Rere Figurani A. (121810101052) 4. Dwindah Setiari W. (121810101054)
Lebih terperinciESTIMASI. Widya Setiafindari
ESTIMASI Widya Setiafindari Tujuan Pembelajaran Menjelaskan konsep-konsep dasar yang mendukung pendugaan rata-rata populasi, persentase dan varians Menghitung dugaan-dugaan (estimates) rata-rata populasi
Lebih terperinciContoh Solusi PR 4 Statistika & Probabilitas. 1. Nilai probabilitas pada masing-masing soal mengacu pada tabel Standard Normal Distribution.
Contoh Solusi PR 4 Statistika & Probabilitas 1. Nilai probabilitas pada masing-masing soal mengacu pada tabel Standard Normal Distribution. a X := curah hujan satu tahun. X : N 42,16. Dit: PX > 50. 50
Lebih terperinciPENENTUAN ESTIMASI INTERVAL DARI DISTRIBUSI NORMAL DENGAN METODE BAYES SKRIPSI. Oleh : Pramita Elfa Diana Santi J2E
PENENTUAN ESTIMASI INTERVAL DARI DISTRIBUSI NORMAL DENGAN METODE BAYES SKRIPSI Oleh : Pramita Elfa Diana Santi JE 005 40 PROGRAM STUDI STATISTIKA JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinci4.1.1 Distribusi Binomial
4.1.1 Distribusi Binomial Perhatikan sebuah percobaan dengan ciri-ciri sebagai berikut : Hanya menghasilkan (diperhatikan) dua peristiwa atau kategori, misal S (sukses) dan G (gagal) Dilakukan sebanyak
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 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 terperinciMateri Kuliah: Statistik Inferensial
TEORI PENDUGAAN STATISTIK Prof. Dr. Almasdi Syahza, SE., MP Email: asyahza@yahoo.co.id 1 Teori Statistik Titik Parameter Interval Teori Statistik Titik Parameter Interval 3 1 PENDUGA TUNGGAL SEBAGAI FUNGSI
Lebih terperinciBAB II TINJAUAN PUSTAKA. (b) Variabel independen yang biasanya dinyatakan dengan simbol
BAB II TINJAUAN PUSTAKA A. Regresi Regresi adalah suatu studi statistik untuk menjelaskan hubungan dua variabel atau lebih yang dinyatakan dalam bentuk persamaan. Salah satu variabel merupakan variabel
Lebih terperinciStatistika. Rentang Keyakinan. Universitas Gadjah Mada Fakultas Teknik Jurusan Teknik Sipil dan Lingkungan Prodi S2 Teknik Sipil.
Universitas Gadjah Mada Fakultas Teknik Jurusan Teknik Sipil dan Lingkungan Prodi S Teknik Sipil Statistika Rentang Keyakinan hp://is7arto.staff.ugm.ac.id 1 Rentang Keyakinan Es7masi Parameter Distribusi
Lebih terperinciTEORI PENDUGAAN STATISTIK. Oleh : Riandy Syarif
TEORI PENDUGAAN STATISTIK Oleh : Riandy Syarif Pendugaan adalah proses menggunakan sampel (penduga) untuk menduga parameter (Populasi) yg tidak diketahui. Ilustrasi : konferensi perubahan iklim di Bali
Lebih terperinciINFERENSI PARAMETER MEAN POPULASI NORMAL DENGAN METODE BAYESIAN OBYEKTIF
INFERENSI PARAMETER MEAN POPULASI NORMAL DENGAN METODE BAYESIAN OBYEKTIF Adi Setiawan Program Studi Matematika Industri dan Statistika, Fakultas Sains dan Matematika Universitas Kristen Satya Wacana Jl
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 terperinciDistribusi Normal Distribusi normal, disebut pula distribusi Gauss, adalah distribusi probabilitas yang paling banyak digunakan dalam berbagai
Distribusi Normal Distribusi normal, disebut pula distribusi Gauss, adalah distribusi probabilitas yang paling banyak digunakan dalam berbagai analisis statistika. Distribusi normal baku adalah distribusi
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 terperinciBAB III UJI STATISTIK DAN SIMULASI. Menggunakan karakteristik dari distribusi tersebut dan transformasi / = ( ) (3.1.1) / = ( ) (3.1.
11 BAB III UJI STATISTIK DAN SIMULASI 3.1 Interval Kepercayaan Sebuah interval kepercayaan terdiri dari berbagai nilai-nilai bersama-sama dengan persentase yang menentukan seberapa yakin bahwa parameter
Lebih terperinciBAB II DISTRIBUSI PROBABILITAS
BAB II DISTRIBUSI PROBABILITAS.1. VARIABEL RANDOM Definisi 1: Variabel random adalah suatu fungsi yang memetakan ruang sampel (S) ke himpunan bilangan Real (R), dan ditulis X : S R Contoh (Variabel random)
Lebih terperinci5. Fungsi dari Peubah Acak
5. Fungsi dari Peubah Acak EL00-Probabilitas dan Statistik Dosen: Andrian B. Suksmono Isi. Transformasi Peubah Acak. Fungsi Pembangkit Momen 3. Pencuplikan Acak 4. Teori Pencuplikan 5. Pencuplikan Sebaran
Lebih terperinciDISPERSI DATA. - Jangkauan (Range) - Simpangan/deviasi Rata-rata (Mean Deviation) - Variansi (Variance) - Standar Deviasi (Standart Deviation)
DISPERSI DISPERSI DATA Ukuran penyebaran suatu kelompok data terhadap pusat data. - Jangkauan (Range) - Simpangan/deviasi Rata-rata (Mean Deviation) - Variansi (Variance) - Standar Deviasi (Standart Deviation)
Lebih terperinciMODUL XI SELANG KEPERCAYAAN UNTUK KEPERCAYAAN
MODUL XI SELANG KEPERCAYAAN UNTUK KEPERCAYAAN Taksiran suatu parameter populasi dapat diberikan berupa taksiran titik atau berupa taksiran selang. Taksiran titik suatu parameter populasi θ merupakan nilai
Lebih terperinciPengantar Statistika Matematika II
Bab 4: Metode Evaluasi Estimator Statistika FMIPA Universitas Islam Indonesia Penggunaan metode estimasi yang berbeda dapat menghasilkan estimator yang sama maupun berbeda Dari hasil estimator yang berbeda,
Lebih terperinciOLEH RATU ILMA INDRA PUTRI
OLEH RATU ILMA INDRA PUTRI Suatu anggapan yang mungkin benar dan sering digunakan sebagai dasar pembuatan keputusan/ pemecahan masalah atau untuk dasar penelitian lebih lanjut. Suatu Hipotesis bisa juga
Lebih terperinciSTATISTIKA. Statistika pengkuantifikasian (pengkuantitatifan) hasil-hasil pengamatan terhadap kejadian, keberadaan, sifat/karakterisitik, tempat, dll.
STATISTIKA Statistika pengkuantifikasian (pengkuantitatifan) hasil-hasil pengamatan terhadap kejadian, keberadaan, sifat/karakterisitik, tempat, dll. Statistika deskriptif: pencatatan dan peringkasan hasil
Lebih terperinciBAB II LANDASAN TEORI. Data merupakan bentuk jamak dari datum. Data merupakan sekumpulan
BAB II LANDASAN TEORI 2.1 Data Data merupakan bentuk jamak dari datum. Data merupakan sekumpulan datum yang berisi fakta-fakta serta gambaran suatu fenomena yang dikumpulkan, dirangkum, dianalisis, dan
Lebih terperinciPenduga : x p s r b. Pertemuan Ke 9. BAB V PENDUGAAN PARAMETER
Pertemuan Ke 9. BAB V PENDUGAAN PARAMETER 5.1 Pengertian Pendugaan Parameter. Pendugaan merupakan suatu bagian dari statistik inferensia yaitu suatu pernyataan mengenai parameter populasi yang tidak diketahui
Lebih terperinciPERTEMUAN 2 STATISTIKA DASAR MAT 130
PERTEMUAN 2 STATISTIKA DASAR MAT 130 Data 1. Besaran Statistika berbicara tentang data dalam bentuk besaran (dimensi) Besaran adalah sesuatu yang dapat dipaparkan secara jelas dan pada prinsipnya dapat
Lebih terperinciESTIMASI. A. Dasar Teori
ESTIMASI A. Dasar Teori 1. Penaksiran atau Estimasi Penaksiran atau estimasi adalah metode untuk memperkirakan nilai populasi dengan menggunakan nilai sampel. Nilai penduga disebut estimator, estimator
Lebih terperinciCIRI-CIRI DISTRIBUSI NORMAL
DISTRIBUSI NORMAL CIRI-CIRI DISTRIBUSI NORMAL Berbentuk lonceng simetris terhadap x = μ distribusi normal atau kurva normal disebut juga dengan nama distribusi Gauss, karena persamaan matematisnya ditemukan
Lebih terperinci6.1 Distribusi Chi Kuadrat Gambar distribusi Chi kuadrat. α Jika x berdistribusi χ 2 (v) dengan v = derajat kebebasan = n 1 maka P (c 1.
Pertemuan ke- BAB IV POPULASI, SAMPEL, DISTRIBUSI TEORITIS, VARIABEL KONTINU, DAN FUNGSI PROBABILITAS. Distribusi Chi Kuadrat Gambar distribusi Chi kuadrat α Jika x berdistribusi χ (v) dengan v = derajat
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 terperinciTerima hipotesis Tidak membuat kesalahan Kesalahan tipe II Tolak hipotesis Kesalahan tipe I Tidak membuat kesalahan
PENGUJIAN HIPOTESIS Hipotesis Statistik adalah pernyataan atau dugaan mengenai satu atau lebih populasi. Dengan mengambil suatu sampel acak dari populasi tersebut dan menggunakan informasi yang dimiliki
Lebih terperinciPENDUGAAN PARAMETER STATISTIK INDUSTRI 1
PENDUGAAN PARAMETER STATISTIK INDUSTRI 1 Agustina Eunike, ST., MT., MBA Mengetahui populasi dan membuat pernyataan peluang mengenai elemen yang diambil dari populasi tersebut Tidak mengetahui distribusi
Lebih terperinciBAB I PENDAHULUAN. sewajarnya untuk mempelajari cara bagaimana variabel-variabel itu dapat
BAB I PENDAHULUAN 1.1 Latar Belakang Jika kita mempunyai data yang terdiri dari dua atau lebih variabel maka sewajarnya untuk mempelajari cara bagaimana variabel-variabel itu dapat berhubungan, hubungan
Lebih terperinciTABEL DISTRIBUSI Dilengkapi Metode Untuk Membaca Tabel Distribusi
TABEL DISTRIBUSI Dilengkapi Metode Untuk Membaca Tabel Distribusi Deny Kurniawan 0 Penulis memberikan ijin kepada siapapun untuk memperbanyak dan menyebarluaskan tulisan ini dalam bentuk (format) apapun
Lebih terperinciBAB V DISTRIBUSI NORMAL. Deskripsi: Pada bab ini akan dibahas mengenai konsep distribusi normal dalam pengukuran.
BAB V DISTRIBUSI NORMAL Deskripsi: Pada bab ini akan dibahas mengenai konsep distribusi normal dalam pengukuran. Manfaat: Memberikan metode distribusi normal yang benar saat melakukan proses pengukuran.
Lebih terperinciSILABUS MATA KULIAH. : Dapat menganalisis tentang statistika inferensial secara teoritik beserta komponen dan sifat-sifatnya
SILABUS MATA KULIAH Program Studi : Pendidikan Matematika Kode Mata Kuliah : 50603 Mata kuliah : Statistika Matematika Bobot : 3 SKS Semester : V Mata Kuliah Prasyarat : Probabilitas Deskripsi Mata Kuliah
Lebih terperinci4. Deret Fourier pada Interval Sebarang dan Aplikasi
4. Deret Fourier pada Interval Sebarang dan Aplikasi Kita telah mempelajari bagaimana menguraikan fungsi periodik dengan periode 2 yang terdefinisi pada R sebagai deret Fourier. Deret trigonometri tersebut
Lebih terperinciBAB III MODEL STATE-SPACE. dalam teori kontrol modern. Model state space dapat mengatasi keterbatasan dari
BAB III MODEL STATE-SPACE 3.1 Representasi Model State-Space Representasi state space dari suatu sistem merupakan suatu konsep dasar dalam teori kontrol modern. Model state space dapat mengatasi keterbatasan
Lebih terperinciBAB I PENDAHULUAN 1.1 Kegunaan Metode Sampling 1.2 Tahap-Tahap dalam Survei Sampel 1. Tujuan survei.
BAB I PENDAHULUAN 1.1 Kegunaan Metode Sampling Pengambilan sampel dari suatu survei telah menjadi sesuatu yang besar kegunaannya dalam kehidupan. Sebuah sampel terdiri sejumlah bola lampu dalam satu periode
Lebih terperinciUkuran tendensi sentral seperti mean, median, dan modus seringkali tidak mempunyai cukup informasi untuk menyimpulkan data yg ada.
Azimmatul Ihwah Ukuran tendensi sentral seperti mean, median, dan modus seringkali tidak mempunyai cukup informasi untuk menyimpulkan data yg ada. Ada cara yg lebih baik untuk menginterpretasi data yg
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 terperinciBAB IV EKSPEKTASI MATEMATIK
BAB IV EKSPEKTASI MATEMATIK.1. Rata-rata variabel acak Bila dua koin dilemparkan sebanyak 16 kali dan X adalah jumlah depan (atas) yang muncul setiap kali pelemparan. Sehinga nilai X adalah 0,1, atau.
Lebih terperinciSTATISTICS. Oleh: Hanung N. Prasetyo DISTRIBUSI NORMAL WEEK 6 TELKOM POLTECH/HANUNG NP
STATISTICS WEEK 6 Oleh: Hanung N. Prasetyo DISTRIBUSI NORMAL Pengantar: Dalam pokok bahasan disini memuat beberapa distribusi kontinyu yang sangat penting di bidang statistika. diantaranya distribusi normal.
Lebih terperinciPENS. Probability and Random Process. Topik 5. Beberapa jenis Distribusi Variabel Acak. Prima Kristalina April 2015
Program Pasca Sarjana Terapan Politeknik Elektronika Negeri Surabaya Probability and Random Process Topik 5. Beberapa jenis Distribusi Variabel Acak Prima Kristalina April 215 1 Outline 1. Beberapa macam
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 terperinciSampling, Estimasi dan Uji Hipotesis
Sampling, Estimasi dan Uji Hipotesis Tujuan Pembelajaran Memahami perlunya suatu sampling (pengambilan sampel) serta keuntungan- keuntungan melakukannya Menjelaskan pengertian sampel acak untuk sampling
Lebih terperinciPENDUGAAN PARAMETER STATISTIK INDUSTRI 1
PENDUGAAN PARAMETER STATISTIK INDUSTRI 1 Agustina Eunike, ST., MT., MBA Mengetahui populasi dan membuat pernyataan peluang mengenai elemen yang diambil dari populasi tersebut Tidak mengetahui distribusi
Lebih terperinciBAB III METODE PENELITIAN. di peroleh dari Website Bank Muamlat dalam bentuk Time series tahun 2009
17 BAB III METODE PENELITIAN 3.1. Jenis dan Sumber Data Jenis data yang digunakan dalam penelitian ini adalah data sekunder yang di peroleh dari Website Bank Muamlat dalam bentuk Time series tahun 2009
Lebih terperinci2. Peubah Acak (Random Variable)
. Peubah Acak (Random Variable) EL00-Probabilitas dan Statistik Dosen: Andriyan B. Suksmono Isi 0. Review dari EL009 KonsepPeubahAcak Sebaran Peluang Diskrit Sebaran Peluang Kontinyu Sebaran Empiris Sebaran
Lebih terperinciMata Kuliah Pemodelan & Simulasi. Riani Lubis Program Studi Teknik Informatika Universitas Komputer Indonesia
Mata Kuliah Pemodelan & Simulasi Riani Lubis Program Studi Teknik Informatika Universitas Komputer Indonesia Pokok Bahasan Variabel Acak Pola Distribusi Masukan Pendugaan Pola Distribusi Uji Distribusi
Lebih terperinciHARAPAN MATEMATIK. Nur Hayati, S.ST, MT Yogyakarta, Maret 2016
HARAPAN MATEMATIK Nur Hayati, S.ST, MT Yogyakarta, Maret 2016 Pendahuluan Rata-rata perubah acak X atau rata-rata distribusi peluang X ditulis x atau. Dalam statistik rata-rata ini disebut harapan matematik
Lebih terperinciDISTRIBUSI PELUANG KONTINYU DISTRIBUSI PROBABILITAS
DISTRIBUSI PROBABILITAS Berbeda dengan variabel random diskrit, sebuah variabel random kontinyu adalah variabel yang dapat mencakup nilai pecahan maupun mencakup range/ rentang nilai tertentu. Karena terdapat
Lebih terperinciTeorema Newman Pearson
pengujian terbaik Andi Kresna Jaya andikresna@yahoo.com Jurusan Matematika October 6, 2014 Outline 1 Review 2 Uji dua sisi untuk mean 3 Teorema Neyman-Pearson Back Outline 1 Review 2 Uji dua sisi untuk
Lebih terperinciPENS. Probability and Random Process. Topik 8. Estimasi Parameter. Prima Kristalina Juni 2015
Program Pasca Sarjana Terapan Politeknik Elektronika Negeri Surabaya Probability and Random Process Topik 8. Estimasi Parameter Prima Kristalina Juni 2015 1 2 Outline 1. Terminologi Estimasi Parameter
Lebih terperinciBab 2 DISTRIBUSI PELUANG
Bab 2 DISTRIBUSI PELUANG PENDAHULUAN Setiap peristiwa akan mempunyai peluangnya masingmasing, dan peluang terjadinya peristiwa itu akan mempunyai penyebaran yang mengikuti suatu pola tertentu yang di sebut
Lebih terperinciPENGUJIAN HIPOTESIS. Langkah-langkah pengujian hipótesis statistik adalah sebagai berikut :
PENGUJIAN HIPOTESIS A. Pengertian Pengujian Hipotesis Hipotesis berasal dari bahasa Yunani, yaitu hupo dan thesis. Hupo berarti lemah, kurang, atau di bawah dan thesis berarti teori, proposisi, atau pernyataan
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 terperinciUJI CHI KUADRAT Pengujian Hipotesis Deskriptif untuk 1 Sampel
STATISTIKA NON-PARAMETRIK UJI CHI KUADRAT Pengujian Hipotesis Deskriptif untuk 1 Sampel Oleh : Suci Barlian Sari (H12115025) Melly Amelia (H12115009) UNIVERSITAS HASANUDDIN MAKASSAR 2017 KATA PENGANTAR
Lebih terperinciBAB III REGRESI PADA DATA SIRKULAR
BAB III REGRESI PADA DATA SIRKULAR Variabel dalam suatu regresi secara umum terdiri atas variabel bebas (independent variable dan variabel terikat (dependent variable. Jenis data pada variabel-variabel
Lebih terperinciSTATISTIKA MATEMATIKA
STATISTIKA MATEMATIKA Penulis: Prof. Subanar, Ph.D Edisi Pertama Cetakan Pertama, 2013 Hak Cipta 2013 pada penulis, Hak Cipta dilindungi undang-undang. Dilarang memperbanyak atau memindahkan sebagian atau
Lebih terperinci