ESTIMASI PARAMETER MODEL REGRESI LINIER SEDERHANA BAYES DENGAN DISTRIBUSI PRIOR NONINFORMATIF JEFFREY
|
|
- Fanny Susman
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Prosidig Semiar Matematika da Pedidika Matematika ISBN: ESTIMASI PARAMETER MODEL REGRESI LINIER SEDERHANA BAYES DENGAN DISTRIBUSI PRIOR NONINFORMATIF JEFFREY Firda Amalia, Dewi Reto Sari Saputro, Triwik Jatu 3 Mahasiswa Program Studi Matematika FMIPA UNS,3 Pegajar Program Studi Matematika FMIPA UNS firdaamalia0@gmail.com Abstrak: Tujua utama dalam memodelka data observasi dega model regresi adalah megestimasi parameterya. Pedugaa parameter dapat berupa pedugaa parameter titik da iterval. Pedugaa parameter titik dapat dilakuka dega dua metode, yag pertama disebut sebagai pedekata klasik (frequetist). Salah satu tekik yag diperguaka dalam metode klasik adalah metode maksimum likelihood. Pedekata kedua, dikeal sebagai bayesia. Bayesia, selai memafaatka proses iferesi pada data sampel yag diambil dari populasi, juga mempertimbagka distribusi awal (distribusi prior). Dalam metode Bayes parameter diaggap sebagai variabel yag meggambarka pegetahua awal tetag parameter sebelum pegamata dilakuka da diyataka dalam suatu distribusi yag disebut sebagai distribusi prior. Setelah pegamata dilakuka, iformasi dalam distribusi prior dikombiasika dega iformasi dega data sampel melalui teorema Bayes, da hasilya diyataka sebagai distribusi posterior. Secara umum pemiliha distribusi prior dilakuka atas dasar diketahui atau tidakya iformasi tetag parameter. Dalam artikel ii dibahas estimasi parameter model regresi liier pada pola distribusi prior yaki apabila iformasi tetag parameter tidak tersedia, diguaka prior oiformatif Jeffrey. Prior oiformatif ii tidak memberika pegaruh sigifika terhadap distribusi sehigga iformasi yag diperoleh dari data amata bersifat lebih objektif. Kata kuci: Regresi Bayesia, Estimasi Parameter, Distribusi Prior, Prior Noiformatif. PENDAHULUAN Model regresi adalah model yag memberika gambara tetag hubuga atara variabel bebas da variabel tak bebas yag dipegaruhi oleh beberapa parameter regresi yag belum diketahui ilaiya sehigga diperluka utuk megestimasiya (Sembirig, 995). Meurut (Bolstad, 007), terdapat dua metode yag pada umumya diperguaka utuk megestimasi parameter. Metode yag pertama adalah metode klasik (metode kuadrat terkecil da metode maximum likelihood). Metode tersebut megguaka pedekata statistika klasik dimaa pedugaa parameter da iferesiya berdasarka iformasi yag ada sampel da megabaika iformasi awal (prior) peeliti. Prosedur tersebut dikembagka haya dega melihat performa seluruh kemugkia sampel acak (all possible radom sample) saat ii. Iformasi sampel acak yag diperoleh sebelumya (pada percobaa/observasi lai di masa lalu) diabaika. Pedekata klasik ii 05
2 Prosidig Semiar Matematika da Pedidika Matematika ISBN: memiliki kelemaha dalam hal iterpretasi terhadap selag kepercayaa distribusi parameter (Casella ad Berger, 00). Metode yag kedua adalah metode bayesia yag merupaka metode pedugaa yag meggabugka distribusi prior da distribusi sampel. Distribusi prior adalah distribusi awal yag memberika iformasi tetag parameter. Distribusi sampel yag digabugka dega distribusi prior meghasilka distribusi baru yaitu distribusi posterior yag meyataka derajat keyakia seseorag tetag posisi parameter setelah sampel diamati (Walpole ad Myers, 995). Pada parameter regresi, terkadag diperoleh iformasi tambaha parameter populasi yag berasal dari data sebelumya. Jika iformasi tersebut mejadi faktor pertimbaga pada aalisis data, maka estimasi dega metode kuadrat terkecil tidak dapat diperguaka. Oleh karea itu, diperluka metode bayesia utuk megestimasi parameter regresiya. Metode bayesia, selai memafaatka proses iferesi pada data sampel yag diambil dari populasi, juga mempertimbagka distribusi awal (distribusi prior). Dalam metode Bayes parameter diaggap sebagai variabel yag meggambarka pegetahua awal tetag parameter sebelum pegamata dilakuka da diyataka dalam distribusi yag disebut distribusi prior. Setelah pegamata dilakuka, iformasi dalam distribusi prior dikombiasika dega iformasi dega data sampel melalui teori Bayes, da hasilya diyataka sebagai distribusi posterior yag aka meetuka estimasi parameter (Soejoeti da Subaar, 988). Aalisis regresi liier sederhaa bayesia dipegaruhi oleh pemiliha prior da iformasi sampel. Pemiliha prior secara umum dilakuka berdasarka diketahui atau tidakya iformasi parameter. Jika iformasi parameter diketahui, maka dapat diguaka prior iformatif. Prior iformatif mempegaruhi distribusi posterior da bersifat sagat subjektif (Gelma,et al, 004). Sebalikya, jika iformasi parameter tidak diketahui, maka dapat diguaka prior oiformatif. Prior oiformatif ii tidak memberika pegaruh yag sigifika terhadap distribusi posterior sehigga iformasi yag diperoleh dari data amata bersifat lebih objektif (Box da Tiao, 973). Salah satu prior oiformatif adalah prior Jeffrey. Prior Jeffrey adalah salah satu jeis prior oiformatif apabila iformasi awal tetag parameter distribusi sagat kurag (Al-Kutubi ad Ibrahim, 009). Kajia yag terkait dega peelitia ii adalah Nurlaila dkk. pada tahu 03, yag meyataka bahwa metode bayesia dega perluasa distribusi prior Jeffrey lebih efektif dibadigka dega metode MLE. Peelitia laiya, pada tahu 0, Guure, et al. 05
3 Prosidig Semiar Matematika da Pedidika Matematika ISBN: membadigka kierja estimator maksimum likelihood da estimator Bayes megguaka perluasa iformasi prior Jeffrey. Hasil meujukka bahwa estimator Bayes megguaka perluasa prior Jeffrey dega liear expoetial loss fuctio dalam kebayaka kasus memberika mea square error (MSE) terkecil. Berdasarka hal yag telah diuraika da keterkaita peelitia sebelumya, pada artikel ii dibahas model regresi liier sederhaa bayesia dega prior oiformatif Jeffrey. METODE PENELITIAN Metode yag diguaka dalam peulisa artikel ii adalah studi literatur, dega megumpulka referesi berupa jural, artikel, da buku yag dapat medukug pembahasa tetag estimasi parameter regresi liier sederhaa dega metode bayesia prior oiformatif. Distribusi prior yag diperguaka adalah distribusi ormal da metodeya adalah Jeffrey. Lagkah-lagkah dalam peelitia ii adalah meguraika regresi liier sederhaa dega metode bayesia prior oiformatif, megguaka distribusi ormal utuk megestimasi parameter regresi liier sederhaa dega metode bayesia prior oiformatif, meetuka fugsi likelihood dari variabel radom. Selajutya, meetuka distribusi prior megguaka Jeffrey, meetuka distribusi posterior, da meetuka estimasi parameter regresi. HASIL DAN PEMBAHASAN Pada pembahasa ii diuraika tetag model regresi liier sederhaa, metode bayesia, model regresi liier sederhaa bayesia prior oiformatif, da estimasi parameter model tersebut. A. Model Regresi Liier Sederhaa Model regresi liier berdasarka bayakya variabel bebas dibagi mejadi dalam tipe model yaitu model regresi liier gada da model regresi liier sederhaa. Model regresi liier gada adalah model regresi yag memiliki dua atau lebih variabel bebas. Model regresi liier sederhaa adalah model regresi dega satu variabel bebas da variabel tak bebas. Model regresi liier diperguaka utuk memperoleh hubuga liier atara satu variabel bebas da satu variabel tak bebas. Model regresi liier sederhaa ditulis sebagai Y = β 0 + β X + ε 053
4 Prosidig Semiar Matematika da Pedidika Matematika ISBN: dega ε~n(0, σ ), Y merupaka variabel tak bebas, X merupaka variabel bebas, da β 0, β adalah parameter regresi. Liier meujukka bahwa model tersebut liier dalam parameter β 0, β. B. Probabilitas Bersyarat, Metode Bayesia da Fugsi Likelihood. Pegertia tetag probabilitas bersyarat da fugsi likelihood yag diberika pada artikel ii diambil dari (Bai ad Egelhardt, 99). Probabilitas bersyarat adalah peluag kejadia dari A jika diketahui B telah terjadi yag ditulis sebagai P(A B). Misal dipuyai ruag sampel S da A, B adalah peristiwa didalam S. Probabilitas A dega syarat B didefiisika, P A B = P(A B) degap(b) 0 P(B) Dasar metode bayesia adalah probabilitas bersyarat sehigga utuk melakuka pedugaa parameter diperluka iformasi awal parameter yag disebut distribusi prior. Fugsi likelihood adalah fugsi desitas probabilitas bersama dari variabel radom. Misal T, T,, T adalah variabel radom dega pegamataya adalah t, t,, t, fugsi likelihood dapat ditulis dega f(t, t,, t ; θ). Utuk ilai t, t,, t tertetu, fugsi likelihood merupaka fugsi θ ditulis dega L(θ). Jika T, T,, T adalah variabel radom yag idepede, maka L θ = f t i ; θ = f( t ; θ), f t ; θ,, f(t ; θ) dega θ adalah parameter yag tidak diketahui. Pada peelitia ii, diguaka distribusi prior ormal dega fugsi desitas probabilitasya ditulis sebagai f X; θ; σ = σ π exp X θ σ () Berdasarka persamaa () ditetuka fugsi likelihood-ya. Fugsi likelihood dega variabel radom berdistribusi ormal, X i ~N(θ; σ ) adalah = (π L θ, σ = f x i ; θ; σ σ ) exp 054
5 Prosidig Semiar Matematika da Pedidika Matematika ISBN: C. Distribusi Prior Noiformatif = (πσ ) exp (σ) exp Salah satu pedekata distribusi prior oiformatif adalah metode Jeffrey (Al- Kutubi ad Ibrahim, 009). Metode ii meyataka bahwa distribusi prior f θ merupaka akar kuadrat dari iformasi Fisher yag ditulis sebagai f θ = [I θ ] dega I θ adalah iformasi Fisher. Meurut (Bai ad Egelhardt, 99), iformasi Fisher ditulis sebagai. I θ = E θ [ log f x; θ θ ] Jika θ = (θ, θ,, θ p ) t adalah vektor diguaka f θ = [det I θ ] dega I(θ) adalah matriks iformasi Fisher berordo (pxp). Iformasi Fisher tersebut adalah dega i =,,..., p da j =,,..., p. I ij θ = E θ [ log f x; θ θ i θ j ] Prior oiformatif distribusi ormal, f θ dega θ = θ, σ, diasumsika θ da σ adalah idepede sehigga berlaku f(θ) = f θ)f(σ. Selajutya, ditetuka distribusi prior oiformatif f(σ ), lagkah peetuaya sebagai berikut.. Pada proses perhituga, dimisalka u = σ sehigga f X; θ, σ = f X; θ, u. dega f X i ; θ; σ = σ π exp [ X i θ. Utuk peyederhaaa perhituga, persamaa () ditrasformasika dega fugsi l, dega hasil berikut. σ ] l f X; θ, u = l π 3. Persamaa (), dituruka terhadap σ, diperoleh d log f X; θ, u du (X θ) l u. () u = (X θ) + u u. (3) 055
6 Prosidig Semiar Matematika da Pedidika Matematika ISBN: Turua ke- persamaa (3) adalah 5. Iformasi Fisher utuk persamaa (4) adalah d log f X; θ, u du = (X θ) σ4 σ 6. (4) I u = E d log f X; θ, u du = σ 4. Dega metode Jeffrey diperoleh bahwa prior oiformatifya adalah f u = f σ = I σ σ da prior oiformatif utuk f θ = c (kosta). Dega demikia diperoleh f θ = f θ)f(σ = c σ = c σ σ D. Distribusi Posterior Meurut (Larso, 974) fugsi desitas posterior utuk θ merupaka fugsi desitas probabilitas bersyarat θ dega sampel pegamata x ditulis sebagai f θ x = f(x,θ) f(x). Parameter sampel dapat berasal dari distribusi variabel radom diskrit maupu kotiu. Apabila diberika suatu sampel radom X = {x, x,, x } dega parameter θ, probabilitas posterior-ya adalah f θ X = f x, x,, x, θ f(θ) f x, x,, x, θ f θ d(θ) f θ X (likelihood) x (prior) Apabila distribusi prior-ya berdistribusi ormal, distribusi posterior utuk distribusi ormal ditulis sebagai f θ, σ x σ σ exp 056
7 Prosidig Semiar Matematika da Pedidika Matematika ISBN: dega s = = exp σ+ σ (x i x ) + (x θ) = exp σ+ σ s + (x θ) (x i x ). Utuk memperoleh distribusi posterior margial utuk σ, distribusi posterior f θ, σ x da diperoleh f σ x σ exp σ+ σ exp + σ (σ + ) exp s + (x θ) dθ s πσ s σ yag merupaka fugsi desitas utuk ivers χ berskala, atau dapat ditulis sebagai f σ x ~Iv χ (, s ). Fugsi desitas utuk distribusi ivers-χ berskala memiliki fugsi desitas yag sama dega distribusi Iv gamma(, s ) ( Gelma,et al, 004). Utuk memperoleh distribusi posterior margial utuk θ, distribusi posterior f θ, σ x diitegralka terhadap σ, diperoleh Jika t = (x θ) s/ f θ x = exp σ+ σ s + (x θ) dσ s β ( ), maka f θ x ~t( ). ( ) + (θ x ) s ( +) E. Estimasi Parameter Model Regresi Liier Sederhaa Bayesia dega Distribusi Prior Noiformatif Misal X, X,, X merupaka sampel radom dari distribusi ormal dega mea θ da variasi σ. Dega megguaka metode maksimum likelihood dapat dicari estimator titik utuk θ da σ. Fugsi desitasya adalah: Fugsi likelihood: f X i ; θ; σ = σ π exp [ X i θ σ ] 057
8 Prosidig Semiar Matematika da Pedidika Matematika ISBN: Log likelihood: Estimasi parameter utuk θ L θ, σ = f x i ; θ; σ = (π σ ) exp = (πσ ) exp l = log [L θ, σ ] = log π log σ l θ = 0 0 θ = σ θ = σ θ = σ 0 = x i σ θ σ maka estimasi parameter θ adalah x i σ l θ = 0 θ σ = 0 x i σ Estimasi parameter utuk σ θ = = θ σ x i x i x i θ + θ x i θ x i + θ x i θ l σ = 0 σ + σ 3 (x i θ) + θ θ 058
9 Prosidig Semiar Matematika da Pedidika Matematika ISBN: maka estimasi parameter σ adalah l σ = 0 σ + σ 3 (x i θ) σ 3 (x i θ) (x σ i θ) σ = = 0 = σ = Jadi diperoleh estimasi parameter utuk θ = (x i θ) x i da σ = (x i θ) Sedagka secara komputasi, salah satu metode komputasi yag diguaka utuk meduga parameter adalah metode Markov Chai Mote Carlo (MCMC). MCMC merupaka salah satu tekik utuk meetuka dugaa parameter model regresi bayesia yag peyelesaia aalitikya sulit ditetuka. Terdapat tiga macam metode MCMC yaitu metode Metropolis, metode Metropilis-Hastig, da metode Gibbs Sampler. Metode Gibbs Sampler merupaka metode yag serig diguaka dalam metode bayesia. Pada peelitia ii diperguaka metode Gibss Sampler yag algoritmeya diyataka sebagai berikut.. Meetuka ilai awal β (0).. Utuk iterasi t=,...,t, dilakuka lagkah berikut. (a). Megatur β = β (t ). (b). Utuk j=0,...,k,membagkitka β j distribusi posterior. (c). Membagkitka β 0 (t) dari f(β0 β t, β t,, βk t, x) membagkitkaβ (t) dari f(β β 0 t, β t,, βk t, x) membagkitka β (t) dari f(β β 0 t, β t,, βk t, x) (t) membagkitka β k dari t f(βk β, t β,, t βk, x) Berdasarka iterasi tersebut dapat dilihat apakah trace plot sudah koverge, apabila belum koverge diperluka tambaha iterasi higga koverge. SIMPULAN Berdasarka hasil da pembahasa, diperoleh simpula berikut. 059
10 Prosidig Semiar Matematika da Pedidika Matematika ISBN: Salah satu pedekata distribusi prior oiformatif utuk distribusi ormal megguaka metode Jeffrey, ilai prior oiformatifya adalah f θ σ.. Distribusi posterior margial utuk distribusi ormal pada model regresi liier sederhaa bayesia dega distribusi pior oiformatif adalah f σ x ~Iv-χ (, s ) f θ x ~t( ) 3. Estimasi parameter model regresi liier sederhaa bayesia dega distribusi prior oiformatif adalah DAFTAR PUSTAKA θ = σ = x i (x i θ) Al-Kutubi, H. S., Ibrahim N. A. (009). Bayes Estimator for Expoetial Distributio with Extesio of Jeffery Prior Iformatio. Malaysia Joural of Mathematical Scieces, 3(), Bai, L. J. ad Egelhardt, M. (99). Itroductio to Probability ad Mathematical Statistics, secod ed., Buxbury Press, Ic., Califoria. Bolstad, W. M. (007). Itroductio to Bayesia Statistics, d ed. New Jersey: Wiley. Box, G. E. P., Tiao, G. C. (007). Bayesia Iferece i Statistics, d ed, New Jersey: Wiley. Casella, G. ad Berger, R. L. (00). Statistical Iferece, Secod Ed., Thomso Learig, Duxbury, p: Gelma, A., Carli Joh, B., Ster Hal, S., ad Rubi Doald, B. (004). Bayesia Data Aalysis, d ed, New York: Chapma & Hall. Guure, C. B., Ibrahim, N. A. & Ahmed, A. O. M. (0). Bayesia Estimatio of Two Parameter Weibull Distributio Usig Extesio of Jeffrey s Prior Iformatio with Three Loss Fuctios. Mathematical Problems i Egieerig. Larso, H. J. (974). Itroductio to Probability Theory ad Statistical Iferece. Joh Wiley ad Sos, Ic., New York.. Nurlaila, D., Kusadar, D. da Sulistiaigsih, E. (03). Perbadiga Metode Maximum Likelihood Estimatio (MLE) da Metode Bayes dalam Pedugaa Parameter Distribusi Ekspoesial. Buleti Ilmiah Mat. Stat. da Terapaya (Bimaster) Volume 0, No. hal Sembirig, R. K. (995). Aalisis Regresi, ITB, Badug. 060
11 Prosidig Semiar Matematika da Pedidika Matematika ISBN: Soejoeti, Z. da Subaar. (988). Iferesi Bayesia, Karuika, Uiversitas Terbuka, Jakarta. Walpole, R. E. ad Myers, R. H. (995). Ilmu Peluag da Statistika utuk Isiyur da Ilmuwa, Peerbit ITB, Badug. 06
PENDUGAAN PARAMETER DARI DISTRIBUSI POISSON DENGAN MENGGUNAKAN METODE MAXIMUM LIKEHOOD ESTIMATION (MLE) DAN METODE BAYES
Jural Matematika UNAND Vol. 3 No. 4 Hal. 52 59 ISSN : 233 29 c Jurusa Matematika FMIPA UNAND PENDUGAAN PARAMETER DARI DISTRIBUSI POISSON DENGAN MENGGUNAKAN METODE MAXIMUM LIKEHOOD ESTIMATION (MLE) DAN
Lebih terperinciPENAKSIR BAYES UNTUK PARAMETER DISTRIBUSI EKSPONENSIAL BERDASARKAN FUNGSI KERUGIAN KUADRATIK DAN FUNGSI KERUGIAN ENTROPI
PENAKSIR BAYES UNTUK PARAMETER DISTRIBUSI EKSPONENSIAL BERDASARKAN FUNGSI KERUGIAN KUADRATIK DAN FUNGSI KERUGIAN ENTROPI Nadya Zulfa Negsih, Bustami Mahasiswa Program Studi S Matematika Dose Jurusa Matematika
Lebih terperinciANALISIS REGRESI BAYES LINEAR SEDERHANA DENGAN PRIOR NONINFORMATIF
E-Jural Matematika Vol. 3, No.2 Mei 204, 38-44 ISSN: 2303-75 ANALISIS REGRESI BAYES LINEAR SEDERHANA DENGAN PRIOR NONINFORMATIF ANAK AGUNG ISTRI AGUNG CANDRA ISWARI, I WAYAN SUMARJAYA 2, I GUSTI AYU MADE
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakag Statistika iferesi merupaka salah satu cabag statistika yag bergua utuk meaksir parameter. Peaksira dapat diartika sebagai dugaa atau perkiraa atas sesuatu yag aka terjadi
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang. Universitas Sumatera Utara
BAB I PENDAHULUAN 1.1 Latar Belakag Salah satu pera da fugsi statistik dalam ilmu pegetahua adalah sebagai. alat aalisis da iterpretasi data kuatitatif ilmu pegetahua, sehigga didapatka suatu kesimpula
Lebih terperinciPerbandingan Power of Test dari Uji Normalitas Metode Bayesian, Uji Shapiro-Wilk, Uji Cramer-von Mises, dan Uji Anderson-Darling
Jural Gradie Vol No Juli 5 : -5 Perbadiga Power of Test dari Uji Normalitas Metode Bayesia, Uji Shapiro-Wilk, Uji Cramer-vo Mises, da Uji Aderso-Darlig Dyah Setyo Rii, Fachri Faisal Jurusa Matematika,
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakag Didalam melakuka kegiata suatu alat atau mesi yag bekerja, kita megeal adaya waktu hidup atau life time. Waktu hidup adalah lamaya waktu hidup suatu kompoe atau uit pada
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Distribusi Ekspoesial Fugsi ekspoesial adalah salah satu fugsi yag palig petig dalam matematika. Biasaya, fugsi ii ditulis dega otasi exp(x) atau e x, di maa e adalah basis logaritma
Lebih terperinciTRANSFORMASI BOX-COX PADA ANALISIS REGRESI LINIER SEDERHANA
Jural Matematika UNAND Vol. 2 No. 2 Hal. 115 122 ISSN : 2303 2910 c Jurusa Matematika FMIPA UNAND TRANSFORMASI BOX-COX PADA ANALISIS REGRESI LINIER SEDERHANA ELVI YATI, DODI DEVIANTO, YUDIANTRI ASDI Program
Lebih terperinciESTIMASI PARAMETER REGRESI LOGISTIK MULTINOMIAL DENGAN METODE BAYES
JURNAL GAUSSIAN, Volume, Nomor, Tahu 03, Halama 79-88 Olie di: http://ejoural-s.udip.ac.id/idex.php/gaussia ESTIMASI PARAMETER REGRESI LOGISTIK MULTINOMIAL DENGAN METODE BAYES Wayaig Apsari, Hasbi Yasi,
Lebih terperinciBAB VIII MASALAH ESTIMASI SATU DAN DUA SAMPEL
BAB VIII MASAAH ESTIMASI SAT DAN DA SAMPE 8.1 Statistik iferesial Statistik iferesial suatu metode megambil kesimpula dari suatu populasi. Ada dua pedekata yag diguaka dalam statistik iferesial. Pertama,
Lebih terperinciPENDUGA RASIO UNTUK RATA-RATA POPULASI MENGGUNAKAN KUARTIL VARIABEL BANTU PADA PENGAMBILAN SAMPEL ACAK SEDERHANA DAN PENGATURAN PERINGKAT MEDIAN
PEDUGA RASIO UTUK RATA-RATA POPULASI MEGGUAKA KUARTIL VARIABEL BATU PADA PEGAMBILA SAMPEL ACAK SEDERHAA DA PEGATURA PERIGKAT MEDIA ur Khasaah, Etik Zukhroah, da Dewi Reto Sari S. Prodi Matematika Fakultas
Lebih terperinciTINJAUAN PUSTAKA Pengertian
TINJAUAN PUSTAKA Pegertia Racaga peelitia kasus-kotrol di bidag epidemiologi didefiisika sebagai racaga epidemiologi yag mempelajari hubuga atara faktor peelitia dega peyakit, dega cara membadigka kelompok
Lebih terperinciHUBUNGAN ANTARA KONVERGEN HAMPIR PASTI, KONVERGEN DALAM PELUANG, DAN KONVERGEN DALAM SEBARAN
Jural Matematika UNAND Vol. 2 No. 2 Hal. 0 6 ISSN : 2303 290 c Jurusa Matematika FMIPA UNAND HUBUNGAN ANTARA KONVERGEN HAMPIR PASTI, KONVERGEN DALAM PELUANG, DAN KONVERGEN DALAM SEBARAN VIRA AGUSTA, DODI
Lebih terperinciBAB II LANDASAN TEORI. Dalam tugas akhir ini akan dibahas mengenai penaksiran besarnya
5 BAB II LANDASAN TEORI Dalam tugas akhir ii aka dibahas megeai peaksira besarya koefisie korelasi atara dua variabel radom kotiu jika data yag teramati berupa data kategorik yag terbetuk dari kedua variabel
Lebih terperinciPENGGGUNAAN ALGORITMA GAUSS-NEWTON UNTUK MENENTUKAN SIFAT-SIFAT PENAKSIR PARAMETER DAN
PENGGGUNAAN ALGORITMA GAUSS-NEWTON UNTUK MENENTUKAN SIFAT-SIFAT PENAKSIR PARAMETER DAN DALAM SUATU MODEL NON-LINIER Abstrak Nur ei 1 1, Jurusa Matematika FMIPA Uiversitas Tadulako Jl. Sukaro-Hatta Palu,
Lebih terperinciDistribusi Pendekatan (Limiting Distributions)
Distribusi Pedekata (Limitig Distributios) Ada 3 tekik utuk meetuka distribusi pedekata: 1. Tekik Fugsi Distribusi Cotoh 2. Tekik Fugsi Pembagkit Mome Cotoh 3. Tekik Teorema Limit Pusat Cotoh Fitriai Agustia,
Lebih terperinciPENERAPAN TEOREMA TITIK TETAP UNTUK MENUNJUKKAN ADANYA PENYELESAIAN PADA SISTEM PERSAMAAN LINEAR
PENERAPAN TEOREMA TITIK TETAP UNTUK MENUNJUKKAN ADANYA PENYELESAIAN PADA SISTEM PERSAMAAN LINEAR Nur Aei Prodi Matematika, FST-UINAM uraeiatullah@gmail.com Ifo: Jural MSA Vol. 3 No. 2 Edisi: Juli Desember
Lebih terperinciPerbandingan Beberapa Metode Pendugaan Parameter AR(1)
Jural Vokasi 0, Vol.7. No. 5-3 Perbadiga Beberapa Metode Pedugaa Parameter AR() MUHLASAH NOVITASARI M, NANI SETIANINGSIH & DADAN K Program Studi Matematika Fakultas MIPA Uiversitas Tajugpura Jl. Ahmad
Lebih terperinciPENERAPAN TEOREMA TITIK TETAP UNTUK MENUNJUKKAN ADANYA PENYELESAIAN PADA SISTEM PERSAMAAN LINEAR
PENERAPAN TEOREMA TITIK TETAP UNTUK MENUNJUKKAN ADANYA PENYELESAIAN PADA SISTEM PERSAMAAN LINEAR Nur Aei Prodi Matematika, FST-UINAM uraeiatullah@gmail.com Ifo: Jural MSA Vol. 3 No. 2 Edisi: Juli Desember
Lebih terperinciDistribusi Sampel & Statistitik Terurut
Distribusi Sampel & Statistitik Terurut Sampel Acak, Rataa sampel, X-bar, Variasi sampel, S, Teorema Limit Pusat, Distribusi t,, F Statistik Terurut MA 3181 Teori Peluag 11 November 014 Utriwei Mukhaiyar
Lebih terperinciPENAKSIRAN. Penaksiran Titik. Selang Kepercayaan untuk VARIANSI. MA2181 ANALISIS DATA Utriweni Mukhaiyar 17 Oktober 2011
PENAKSIRAN Peaksira Titik Peaksira Selag Selag Kepercayaa utuk RATAAN Selag Kepercayaa utuk VARIANSI MA8 ANALISIS DATA Utriwei Mukhaiyar 7 Oktober 0 Metode Peaksira Peaksira Titik Peaksira Selag Nilai
Lebih terperinciStatistika dibagi menjadi dua, yaitu: 1. Statistika Deskriftif 2. Statistik Inferensial Penarikan kesimpulan dapat dilakukan dengan dua cara, yaitu:
Peaksira Parameter Statistika dibagi mejadi dua yaitu:. Statistika Deskriftif 2. Statistik Iferesial Pearika kesimpula dapat dilakuka dega dua cara yaitu:. Peaksira Parameter 2. Pegujia Hipotesis Peaksira
Lebih terperinciPENGGUNAAN METODE BAYESIAN OBYEKTIF DALAM PEMBUATAN GRAFIK PENGENDALI p-chart
Prosidig Semiar Nasioal Peelitia, Pedidika da Peerapa MIPA, Fakultas MIPA, Uiversitas Negeri Yogyakarta, 2 Jui 2012 PENGGUNAAN METODE BAYESIAN OBYEKTIF DALAM PEMBUATAN GRAFIK PENGENDALI p-chart Adi Setiawa
Lebih terperinci9 Departemen Statistika FMIPA IPB
Supleme Resposi Pertemua ANALISIS DATA KATEGORIK (STK351 9 Departeme Statistika FMIPA IPB Pokok Bahasa Sub Pokok Bahasa Referesi Waktu Pegatar Aalisis utuk Data Respo Kategorik Data respo kategorik Sebara
Lebih terperinciPENAKSIRAN M A S T A T I S T I K A D A S A R 1 7 M A R E T 2014 U T R I W E N I M U K H A I Y A R
PENAKSIRAN P E N A K S I R A N T I T I K P E N A K S I R A N S E L A N G S E L A N G K E P E R C A Y A A N U N T U K R A T A A N S E L A N G K E P E R C A Y A A N U N T U K V A R I A N S I M A 0 8 S T
Lebih terperinciESTIMASI DENSITAS KERNEL ADJUSTED: STUDI SIMULASI. Novita Eka Chandra Universitas Islam Darul Ulum Lamongan
JMP : Vol. 8 No., Des. 016, al. 33-40 ISSN 085-1456 ESTIMASI DENSITAS KERNEL ADJUSTED: STUDI SIMULASI Novita Eka Cadra Uiversitas Islam Darul Ulum Lamoga ovitaekacadra@gmail.com Masriai Mayuddi Uiversitas
Lebih terperinciBAB 1 PENDAHULUAN. Analisis regresi menjadi salah satu bagian statistika yang paling banyak aplikasinya.
BAB 1 PENDAHULUAN 1.1 Latar Belakag Aalisis regresi mejadi salah satu bagia statistika yag palig bayak aplikasiya. Aalisis regresi memberika keleluasaa kepada peeliti utuk meyusu model hubuga atau pegaruh
Lebih terperinciREGRESI LINIER DAN KORELASI. Variabel bebas atau variabel prediktor -> variabel yang mudah didapat atau tersedia. Dapat dinyatakan
REGRESI LINIER DAN KORELASI Variabel dibedaka dalam dua jeis dalam aalisis regresi: Variabel bebas atau variabel prediktor -> variabel yag mudah didapat atau tersedia. Dapat diyataka dega X 1, X,, X k
Lebih terperinciBAB I PENDAHULUAN. X Y X Y X Y sampel
BAB I PENDAHULUAN 1.1 Latar Belakag Masalah Aalisis regresi merupaka metode aalisis data yag meggambarka hubuga atara variabel respo dega satu atau beberapa variabel prediktor. Aalisis regresi tersebut
Lebih terperinciPenaksiran Titik Penaksiran Selang. Selang Kepercayaan untuk VARIANSI MA2081 STATISTIKA DASAR
PENAKSIRAN Peaksira Titik Peaksira Selag Selag Kepercayaa utuk RATAAN Selag Kepercayaa utuk VARIANSI MA08 STATISTIKA DASAR MA08 STATISTIKA DASAR Utriwei Mukhaiyar 5 Oktober 0 Metode Peaksira Peaksira Titik
Lebih terperinciBAB III TAKSIRAN KOEFISIEN KORELASI POLYCHORIC DUA TAHAP. Permasalahan dalam tugas akhir ini dibatasi hanya pada penaksiran
BAB III TAKSIRAN KOEFISIEN KORELASI POLYCHORIC DUA TAHAP Permasalaha dalam tugas akhir ii dibatasi haya pada peaksira besarya koefisie korelasi polychoric da tidak dilakuka peguia terhadap koefisie korelasi
Lebih terperinciDistribusi Sampel, Likelihood dan Penaksir
BAB 1 Distribusi Sampel, Likelihood da Peaksir 1.1 Sampel Acak Misalka X 1, X 2,..., X sampel acak berukura (radom sample of size ). Fugsi peluag -variat ya adalah f X1,X 2,,X (x 1, x 2,..., x ) = f Xi
Lebih terperinciPertemuan Ke-11. Teknik Analisis Komparasi (t-test)_m. Jainuri, M.Pd
Pertemua Ke- Komparasi berasal dari kata compariso (Eg) yag mempuyai arti perbadiga atau pembadiga. Tekik aalisis komparasi yaitu salah satu tekik aalisis kuatitatif yag diguaka utuk meguji hipotesis tetag
Lebih terperinciSTATISTICS. Hanung N. Prasetyo Week 11 TELKOM POLTECH/HANUNG NP
STATISTICS Haug N. Prasetyo Week 11 PENDAHULUAN Regresi da korelasi diguaka utuk megetahui hubuga dua atau lebih kejadia (variabel) yag dapat diukur secara matematis. Ada dua hal yag diukur atau diaalisis,
Lebih terperinciPendugaan Selang: Metode Pivotal Langkah-langkahnya 1. Andaikan X1, X
Pedugaa Selag: Metode Pivotal Lagkah-lagkahya 1. Adaika X1, X,..., X adalah cotoh acak dari populasi dega fugsi kepekata f( x; ), da parameter yag tidak diketahui ilaiya. Adaika T adalah peduga titik bagi..
Lebih terperinciRENCANA PEMBELAJARAN SEMESTER (RPS) PROGRAM STUDI S1 TEKNIK SIPIL FAKULTAS TEKNIK UNIVERSITAS RIAU
RENCANA PEMBELAJARAN SEMESTER (RPS) PROGRAM STUDI S1 TEKNIK SIPIL FAKULTAS TEKNIK UNIVERSITAS RIAU 1 Nama Mata Kuliah : Statitika Probabilitas 2 Kode Mata Kuliah : TSS-1208 3 Semester : II 4 (sks) : 2
Lebih terperinciBAB II LANDASAN TEORI. Pada bagian ini akan dibahas tentang teori-teori dasar yang. digunakan untuk dalam mengestimasi parameter model.
BAB II LANDASAN TEORI Pada bagia ii aka dibahas tetag teori-teori dasar yag diguaka utuk dalam megestimasi parameter model.. MATRIKS DAN VEKTOR Defiisi : Trace dari matriks bujur sagkar A a adalah pejumlaha
Lebih terperinciStatistika Inferensial
Cofidece Iterval Ara Fariza Statistika Iferesial Populasi Sampel Simpulka (estimasi) tetag parameter Medapatka statistik Estimasi: estimasi titik, estimasi iterval, uji hipotesa 2 1 Proses Estimasi Populasi
Lebih terperinciMetode Bootstrap Persentil Pada Sensor Tipe II Berdistribusi Eksponensial
Statistika, Vol. 7 No. 1, 1 6 Mei 007 Metode Bootstrap Persetil Pada Sesor Tipe II Berdistribusi Ekspoesial Jurusa Statistika FMIPA Uiversitas Islam Idoesia Yogyakarta Abstrak Metode bootstrap adalah suatu
Lebih terperinciBAB 4. METODE ESTIMASI PARAMETER DARI DISTRIBUSI WAKTU KERUSAKAN
BAB 4 METODE ESTIMASI PARAMETER DARI DISTRIBUSI WAKTU KERUSAKAN Estimasi reliabilitas membutuhka pegetahua distribusi waktu kerusaka yag medasari dari kompoe atau sistem yag dimodelka Utuk memprediksi
Lebih terperinciBAB I PENDAHULUAN. Matematika merupakan suatu ilmu yang mempunyai obyek kajian
BAB I PENDAHULUAN A. Latar Belakag Masalah Matematika merupaka suatu ilmu yag mempuyai obyek kajia abstrak, uiversal, medasari perkembaga tekologi moder, da mempuyai pera petig dalam berbagai disipli,
Lebih terperinciBAB II TINJAUAN PUSTAKA. dengan asumsi bahwa telah diketahui bentuk fungsi regresinya. atau dalam bentuk matriks dapat ditulis dengan:
BAB II TINJAUAN PUSTAKA 2.1 Regresi Parametrik Regresi parametrik merupaka metode statistika yag diguaka utuk megetahui pola hubuga atara variabel prediktor dega variabel respo, dega asumsi bahwa telah
Lebih terperinciBAB 3 ENTROPI DARI BEBERAPA DISTRIBUSI
BAB 3 ENTROPI DARI BEBERAPA DISTRIBUSI Utuk lebih memahami megeai etropi, pada bab ii aka diberika perhituga etropi utuk beberapa distribusi diskrit da kotiu. 3. Distribusi Diskrit Pada sub bab ii dibahas
Lebih terperinciBAB 6: ESTIMASI PARAMETER (2)
Bab 6: Estimasi Parameter () BAB 6: ESTIMASI PARAMETER (). ESTIMASI PROPORSI POPULASI Proporsi merupaka perbadiga atara terjadiya suatu peristiwa dega semua kemugkiaa peritiwa yag bisa terjadi. Besara
Lebih terperinciTaksiran Interval bagi Rata-rata Parameter Distribusi Poisson Interval Estimate for The Average of Parameter Poisson Distribution
Prosidig Statistika ISSN: 460-6456 Taksira Iterval bagi Rata-rata Parameter Distribusi Poisso Iterval Estimate for The Average of Parameter Poisso Distributio 1 Putri Aggita Nuraei, Teti Sofia Yati, 3
Lebih terperinciAPLIKASI REGRESI RIDGE LEAST ABSOLUTE DEVIATION PADA KASUS PELANGGARAN ASUMSI KENORMALAN DAN MULTIKOLINIERITAS
APLIKASI REGRESI RIDGE LEAST ABSOLUTE DEVIATION PADA KASUS PELANGGARAN ASUMSI KENORMALAN DAN MULTIKOLINIERITAS Idah Ayustia, Aa Islamiyati, Raupog Program Studi Statistika, FMIPA, Uiversitas Hasauddi ABSTRAK
Lebih terperinciPENGUJIAN HIPOTESIS. Atau. Pengujian hipotesis uji dua pihak:
PENGUJIAN HIPOTESIS A. Lagkah-lagkah pegujia hipotesis Hipotesis adalah asumsi atau dugaa megeai sesuatu. Jika hipotesis tersebut tetag ilai-ilai parameter maka hipotesis itu disebut hipotesis statistik.
Lebih terperinciPROSIDING ISBN:
S-6 Perlukah Cross Validatio dilakuka? Perbadiga atara Mea Square Predictio Error da Mea Square Error sebagai Peaksir Harapa Kuadrat Kekelirua Model Yusep Suparma (yusep.suparma@ upad.ac.id) Uiversitas
Lebih terperinciPengenalan Pola. Regresi Linier
Pegeala Pola Regresi Liier PTIIK - 014 Course Cotets 1 Defiisi Regresi Liier Model Regresi Liear 3 Estimasi Regresi Liear 4 Studi Kasus da Latiha Defiisi Regresi Liier Regresi adalah membagu model utuk
Lebih terperinciKiki Reskianti, Nurtiti Sunusi dan Nasrah Sirajang
ESTIMASI PARAMETER BAYESIAN PADA ANALISIS DATA KETAHANAN HIDUP BERDISTRIBUSI EKSPONENSIAL MELALUI PENDEKATAN SELF. STUDI KASUS : ANALISIS KETAHANAN HIDUP FLOUROPHORES. Kiki Reskiati, Nurtiti Suusi da Nasrah
Lebih terperinciBAB VII RANDOM VARIATE DISTRIBUSI DISKRET
BAB VII RANDOM VARIATE DISTRIBUSI DISKRET Diskret radom variabel dapat diguaka utuk berbagai radom umber yag diambil dalam betuk iteger. Pola kebutuha ivetori (persediaa) merupaka cotoh yag serig diguaka
Lebih terperinciREGRESI DAN KORELASI SEDERHANA
REGRESI DAN KORELASI SEDERHANA Apa yag disebut Regresi? Korelasi? Aalisa regresi da korelasi sederhaa membahas tetag keterkaita atara sebuah variabel (variabel terikat/depede) dega (sebuah) variabel lai
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Aalisis Regresi Istilah regresi pertama kali diperkealka oleh seorag ahli yag berama Facis Galto pada tahu 1886. Meurut Galto, aalisis regresi berkeaa dega studi ketergatuga dari suatu
Lebih terperinciSelang Kepercayaan (Confidence Interval) Pengantar Penduga titik (point estimator) telah dibahas pada kuliah-kuliah sebelumnya. Walau statistikawan
Selag Kepercayaa (Cofidece Iterval) Pegatar Peduga titik (poit estimator) telah dibahas pada kuliah-kuliah sebelumya. Walau statistikawa telah berusaha memperoleh peduga titik yag baik, amu hampir bisa
Lebih terperinciPENAKSIRAN PARAMETER PADA DISTRIBUSI RAYLEIGH MENGGUNAKAN METODE MAXIMUM LIKELIHOOD DAN METODE BAYES SKRIPSI FITRI ARDIANTI
PENAKSIRAN PARAMETER PADA DISTRIBUSI RAYLEIGH MENGGUNAKAN METODE MAXIMUM LIKELIHOOD DAN METODE BAYES SKRIPSI FITRI ARDIANTI 138377 DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM MEDAN
Lebih terperinciPendekatan Nilai Logaritma dan Inversnya Secara Manual
Pedekata Nilai Logaritma da Iversya Secara Maual Moh. Affaf Program Studi Pedidika Matematika, STKIP PGRI BANGKALAN affafs.theorem@yahoo.com Abstrak Pada pegaplikasiaya, bayak peggua yag meggatugka masalah
Lebih terperinciStatistika Matematika. Soal dan Pembahasan. M. Samy Baladram
Statistika Matematika Soal da embahasa M Samy Baladram Bab 4 Ubiasedess, Cosistecy, ad Limitig istributios Ubiasedess, Cosistecy, ad Limitig istributios 41 Ekspektasi Fugsi Key oits Ṫeorema 411 Jika T
Lebih terperinciBAB III METODE PENELITIAN
6 BAB III METODE PENELITIAN 3.1 Desai Peelitia Meurut Kucoro (003:3): Peelitia ilmiah merupaka usaha utuk megugkapka feomea alami fisik secara sistematik, empirik da rasioal. Sistematik artiya proses yag
Lebih terperinciLANDASAN TEORI. Secara umum, himpunan kejadian A i ; i I dikatakan saling bebas jika: Ruang Contoh, Kejadian, dan Peluang
2 LANDASAN TEORI Ruag Cotoh, Kejadia, da Peluag Percobaa acak adalah suatu percobaa yag dapat diulag dalam kodisi yag sama, yag hasilya tidak dapat diprediksi secara tepat tetapi dapat diketahui semua
Lebih terperinciPENAKSIR RASIO UNTUK RATA-RATA POPULASI MENGGUNAKAN KOEFISIEN VARIASI DAN KOEFISIEN KURTOSIS PADA SAMPLING GANDA
PEAKSIR RASIO UTUK RATA-RATA POPULASI MEGGUAKA KOEFISIE VARIASI DA KOEFISIE KURTOSIS PADA SAMPLIG GADA Heru Agriato *, Arisma Ada, Firdaus Mahasiswa Program S Matematika Dose Jurusa Matematika Fakultas
Lebih terperinciSTUDI TENTANG BEBERAPA MODIFIKASI METODE ITERASI BEBAS TURUNAN
STUDI TENTANG BEBERAPA MODIFIKASI METODE ITERASI BEBAS TURUNAN Supriadi Putra, M,Si Laboratorium Komputasi Numerik Jurusa Matematika FMIPA Uiversitas Riau e-mail : spoetra@yahoo.co.id ABSTRAK Makalah ii
Lebih terperinciPerbandingan Metode Regresi Robust Estimasi Least Trimmed Square, Estimasi Scale, dan Estimasi Method Of Moment
PRISMA 1 (2018) https://joural.ues.ac.id/sju/idex.php/prisma/ Perbadiga Metode Regresi Robust Estimasi Least Trimmed Square, Estimasi Scale, da Estimasi Method Of Momet Muhammad Bohari Rahma, Edy Widodo
Lebih terperinciPemodelan pada Regresi Linier Berganda dengan Variabel Prediktor Stokastik
Jural Matematika, Statistika & Komputasi Vol. 8 No. Juli 0 Pemodela pada Regresi Liier Bergada dega Variabel Prediktor Stokastik Prodi Statistika, Jurusa Matematika, Uivesitas Hasauddi, Sulfiyati, Jaya
Lebih terperinciPengantar Statistika Matematika II
Pegatar Statistika Matematika II Metode Evaluasi Atia Ahdika, S.Si., M.Si. Prodi Statistika FMIPA Uiversitas Islam Idoesia April 11, 2017 atiaahdika.com Pegguaa metode estimasi yag berbeda dapat meghasilka
Lebih terperinciBAB I PENDAHULUAN. Integral adalah salah satu konsep penting dalam Matematika yang
BAB I PENDAHULUAN 1.1 Latar Belakag Masalah Itegral adalah salah satu kosep petig dalam Matematika yag dikemukaka pertama kali oleh Isac Newto da Gottfried Wilhelm Leibiz pada akhir abad ke-17. Selajutya
Lebih terperinciESTIMASI PARAMETER REGRESI SPATIAL AUTOREGRESSIVE MODEL. Nurul Muthiah, Raupong, Anisa Program Studi Statistika, FMIPA, Universitas Hasanuddin ABSTRAK
ESTIMASI PARAMETER REGRESI SPATIAL AUTOREGRESSIVE MODEL Nurul Muthiah, Raupog, Aisa Program Studi Statistika, FMIPA, Uiversitas Hasauddi ABSTRAK Regresi spasial merupaka pegembaga dari regresi liier klasik.
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 6. No. 2, , Agustus 2003, ISSN : METODE PENENTUAN BENTUK PERSAMAAN RUANG KEADAAN WAKTU DISKRIT
Vol. 6. No., 97-09, Agustus 003, ISSN : 40-858 METODE PENENTUAN BENTUK PERSAMAAN RUANG KEADAAN WAKTU DISKRIT Robertus Heri Jurusa Matematika FMIPA UNDIP Abstrak Tulisa ii membahas peetua persamaa ruag
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 6. No. 2, 77-85, Agustus 2003, ISSN : DISTRIBUSI WAKTU BERHENTI PADA PROSES PEMBAHARUAN
JURAL MATEMATKA DA KOMPUTER Vol. 6. o., 77-85, Agustus 003, SS : 40-858 DSTRBUS WAKTU BERHET PADA PROSES PEMBAHARUA Sudaro Jurusa Matematika FMPA UDP Abstrak Dalam proses stokhastik yag maa kejadia dapat
Lebih terperinciSIFAT-SIFAT FUNGSI EKSPONENSIAL BERBASIS BILANGAN NATURAL YANG DIDEFINISIKAN SEBAGAI LIMIT
Jural Matematika UNAND Vol. 4 No. 1 Hal. 12 22 ISSN : 2303 2910 c Jurusa Matematika FMIPA UNAND SIFAT-SIFAT FUNGSI EKSPONENSIAL BERBASIS BILANGAN NATURAL YANG DIDEFINISIKAN SEBAGAI LIMIT ENIVA RAMADANI
Lebih terperinciANALISIS REGRESI DAN KORELASI SEDERHANA
LATAR BELAKANG DAN KORELASI SEDERHANA Aalisis regresi da korelasi megkaji da megukur keterkaita seara statistik atara dua atau lebih variabel. Keterkaita atara dua variabel regresi da korelasi sederhaa.
Lebih terperinciPENAKSIRAN METODE PENAKSIRAN CONTOH. Kasus 1: taksiran titik IP = 3,5 Kasus 2: taksiran selang IP = [3,4]
PENAKIRAN Peaksira Titik Peaksira elag elag Kepercayaa utuk µ elag Kepercayaa utuk σ MA 8 Aalisis Data Utriwei Mukhaiyar Oktober 00 008 by UP & UM METODE PENAKIRAN. Peaksira Titik Nilai tuggal dari suatu
Lebih terperinciBab 3 Metode Interpolasi
Baha Kuliah 03 Bab 3 Metode Iterpolasi Pedahulua Iterpolasi serig diartika sebagai mecari ilai variabel tergatug tertetu, misalya y, pada ilai variabel bebas, misalya, diatara dua atau lebih ilai yag diketahui
Lebih terperinciPENGGUNAAN METODE BAYESIAN SUBYEKTIF DALAM PENGKONSTRUKSIAN GRAFIK PENGENDALI-p
PENGGUNAAN METODE BAYESIAN SUBYEKTIF DALAM PENGKONSTRUKSIAN GRAFIK PENGENDALI-p Sekar Sukma Asmara 1, Adi Setiawa 2, Tudjug Mahatma 3 1 Mahasiswa Program Studi Matematika Fakultas Sais da Matematika Uiversitas
Lebih terperinciPENAKSIR RANTAI RASIO DAN RANTAI PRODUK YANG EFISIEN UNTUK MENAKSIR RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA
PENAKSIR RANTAI RASIO DAN RANTAI PRODUK YANG EFISIEN UNTUK MENAKSIR RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA V. M. Vidya *, Bustami, R. Efedi Mahasiswa Program S Matematika Dose Jurusa Matematika
Lebih terperinciPengendalian Proses Menggunakan Diagram Kendali Median Absolute Deviation (MAD)
Prosidig Statistika ISSN: 2460-6456 Pegedalia Proses Megguaka Diagram Kedali Media Absolute Deviatio () 1 Haida Lestari, 2 Suliadi, 3 Lisur Wachidah 1,2,3 Prodi Statistika, Fakultas Matematika da Ilmu
Lebih terperinciBAB III METODE PENELITIAN. Penelitian ini merupakan jenis penelitian deskriptif-kuantitatif, karena
7 BAB III METODE PENELITIAN A. Jeis Peelitia Peelitia ii merupaka jeis peelitia deskriptif-kuatitatif, karea melalui peelitia ii dapat dideskripsika fakta-fakta yag berupa kemampua siswa kelas VIII SMP
Lebih terperinciSTATISTIKA ANALISIS REGRESI DAN KORELASI LINIER SEDERHANA
STATISTIKA ANALISIS REGRESI DAN KORELASI LINIER SEDERHANA OUTLINE LANJUTAN Peetua garis duga regresi dega Metode OLS kostata a da koefisie b Aalisis Varias komposisi variasi sekitar garis r da r Stadard
Lebih terperinciIII. METODOLOGI PENELITIAN. Populasi dalam penelitian ini adalah semua siswa kelas XI IPA SMA Negeri I
7 III. METODOLOGI PENELITIAN A. Populasi da Sampel Peelitia Populasi dalam peelitia ii adalah semua siswa kelas XI IPA SMA Negeri I Kotaagug Tahu Ajara 0-03 yag berjumlah 98 siswa yag tersebar dalam 3
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Objek Peelitia Peelitia dilakuka di bagia spiig khususya bagia widig Pabrik Cambrics Primissima (disigkat PT.Primissima) di Jala Raya Magelag Km.15 Slema, Yogyakarta. Peelitia
Lebih terperinciJENIS PENDUGAAN STATISTIK
ENDUGAAN STATISTIK ENDAHULUAN Kosep pedugaa statistik diperluka utuk membuat dugaa dari gambara populasi. ada pedugaa statistik dibutuhka pegambila sampel utuk diaalisis (statistik sampel) yag ati diguaka
Lebih terperinciSTATISTIK PERTEMUAN VIII
STATISTIK PERTEMUAN VIII Pegertia Estimasi Merupaka bagia dari statistik iferesi Estimasi = pedugaa, atau meaksir harga parameter populasi dega harga-harga statistik sampelya. Misal : suatu populasi yag
Lebih terperinciPENYELESAIAN PERSAMAAN GELOMBANG DENGAN METODE D ALEMBERT
Buleti Ilmiah Math. Stat. da Terapaya (Bimaster) Volume 02, No. 1(2013), hal 1-6. PENYELESAIAN PERSAMAAN GELOMBANG DENGAN METODE D ALEMBERT Demag, Helmi, Evi Noviai INTISARI Permasalaha di bidag tekik
Lebih terperinciB a b 1 I s y a r a t
34 TKE 315 ISYARAT DAN SISTEM B a b 1 I s y a r a t (bagia 3) Idah Susilawati, S.T., M.Eg. Program Studi Tekik Elektro Fakultas Tekik da Ilmu Komputer Uiversitas Mercu Buaa Yogyakarta 29 35 1.5.2. Isyarat
Lebih terperinciBAB III METODE PENELITIAN Penelitian ini dilakukan di kelas X SMA Muhammadiyah 1 Pekanbaru. semester ganjil tahun ajaran 2013/2014.
BAB III METODE PENELITIAN A. Waktu da Tempat Peelitia Peelitia dilaksaaka dari bula Agustus-September 03.Peelitia ii dilakuka di kelas X SMA Muhammadiyah Pekabaru semester gajil tahu ajara 03/04. B. Subjek
Lebih terperinciMakalah ANALISIS REGRESI DAN REGRESI GANDA
1 Makalah ANALISIS REGRESI DAN REGRESI GANDA Disusu oleh : 1. Rudii mulya ( 41610010035 ). Falle jatu awar try ( 41610010036 ) 3. Novia ( 41610010034 ) Tekik Idustri Uiversitas Mercu Buaa Jakarta 010 Rudii
Lebih terperinciHUBUNGAN ANTARA HARI TENANG VARIASI MEDAN GEOMAGNET DI SG TONDANO DENGAN AKTIVITAS MATAHARI
HUBUNGAN ANTARA HARI TENANG VARIASI MEDAN GEOMAGNET DI SG TONDANO DENGAN AKTIVITAS MATAHARI Joh Maspupu da Setyato Cahyo P Pussaisa LAPAN Jl. Dr. Djudjua No. 33 Badug 4073 Tlp. 06060 Pes. 06. Fax. 0604998
Lebih terperinciMETODE NUMERIK JURUSAN TEKNIK SIPIL FAKULTAS TEKNIK UNIVERSITAS BRAWIJAYA 7/4/2012 SUGENG2010. Copyright Dale Carnegie & Associates, Inc.
METODE NUMERIK JURUSAN TEKNIK SIPIL FAKULTAS TEKNIK UNIVERSITAS BRAWIJAYA 7/4/0 SUGENG00 Copyright 996-98 Dale Caregie & Associates, Ic. Kesalaha ERROR: Selisih atara ilai perkiraa dega ilai eksakilai
Lebih terperinciMetode Sensor Sampel dan Fungsi Reliabilitas Dalam Analisis Data Waktu Kerusakan
Metode Sesor Sampel da Fugsi Reliabilitas Dalam Aalisis Data Waktu Kerusaka DISUSUN OLEH: ENDAH BUDIYATI ERNI RIHYANTI JANUARI 017 Metode Sesor Sampel da Fugsi Reliabilitas Dalam Aalisis Data Waktu Kerusaka
Lebih terperinciESTIMASI. (PENDUGAAN STATISTIK) Ir. Tito Adi Dewanto. Statistika
Wed 6/0/3 ETIMAI (PENDUGAAN TATITIK) Ir. Tito Adi Dewato tatistika Deskriptif Iferesi Estimasi Uji Hipotesis Titik Retag Estimasi da Uji Hipotesis Dilakuka setelah peelitia dalam tahap pegambila suatu
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 6. No. 3, , Desember 2003, ISSN : INTERVAL SELISIH RATA-RATA DENGAN METODE BOOTSTRAP PERSENTIL
JURNAL MATEMATIKA DAN KOMPUTER Vol. 6. No. 3, 118-70, Desember 003, ISSN : 1410-8518 INTERVAL SELISIH RATA-RATA DENGAN METODE BOOTSTRAP PERSENTIL Akhmad Fauzy Statistika FMIPA UII Yogyakarta & siswa Ph.D
Lebih terperinciPOSITRON, Vol. II, No. 2 (2012), Hal. 1-5 ISSN : Penentuan Energi Osilator Kuantum Anharmonik Menggunakan Teori Gangguan
POSITRON, Vol. II, No. (0), Hal. -5 ISSN : 30-4970 Peetua Eergi Osilator Kuatum Aharmoik Megguaka Teori Gaggua Iklas Saubary ), Yudha Arma ), Azrul Azwar ) )Program Studi Fisika Fakultas Matematika da
Lebih terperinciAji Wiratama, Yuni Yulida, Thresye Program Studi Matematika Fakultas MIPA Universitas Lambung Mangkurat Jl. Jend. A. Yani km 36 Banjarbaru
Jural Matematika Muri da Terapa εpsilo Vol.8 No.2 (24) Hal. 39-45 APLIKASI METODE DEKOMPOSISI ADOMIAN UNTUK MENENTUKAN FORMULA TRANSFORMASI LAPLACE Aji Wiratama, Yui Yulida, Thresye Program Studi Matematika
Lebih terperinciPEMBUKTIAN TEOREMA HUKUM LEMAH BILANGAN BESAR DENGAN MENGGUNAKAN FUNGSI KARAKTERISTIK
Jural Matematika UNAND Vol. 2 No. 2 Hal. 71 75 ISSN : 2303 2910 c Jurusa Matematika FMIPA UNAND PEMBUKTIAN TEOREMA HUKUM LEMAH BILANGAN BESAR DENGAN MENGGUNAKAN FUNGSI KARAKTERISTIK SUCI SARI WAHYUNI,
Lebih terperinciMENENTUKAN PELUANG RUIN DENGAN METODE KOMBINASI EKSPONENSIAL
MENENTUKAN PELUANG RUIN DENGAN METODE KOMBINASI EKSPONENSIAL Karmila 1*, Hasriati 2, Haposa Sirait 2 1 Mahasiswa Program S1 Matematika 2 Dose Jurusa Matematika Fakultas Matematika da Ilmu Pegetahua Alam
Lebih terperinciAPLIKASI GOODNESS OF-FIT TEST KOLMOGOROV- SMIRNOV (K-S) UNTUK PENGUJIAN WAKTU TUNGGU KECELAKAAN PESAWAT TERBANG
APLIKASI GOODNESS OF-FIT TEST KOLMOGOROV- SMIRNOV (K-S) UNTUK PENGUJIAN WAKTU TUNGGU KECELAKAAN PESAWAT TERBANG Jurusa Matematika, Fakultas Matematika da Ilmu Pegetahua Alam, Uiversitas Negeri Semarag
Lebih terperinciUji apakah ada perbedaan signifikan antara mean masing-masing laboratorium. Gunakan α=0.05.
MA 8 STATISTIKA DASAR SEMESTER I /3 KK STATISTIKA, FMIPA ITB UJIAN AKHIR SEMESTER (UAS) Sei, Desember, 9.3.3 WIB ( MENIT) Kelas. Pegajar: Utriwei Mukhaiyar, Kelas. Pegajar: Sumato Wiotoharjo Jawablah pertayaa
Lebih terperinciI. DERET TAKHINGGA, DERET PANGKAT
I. DERET TAKHINGGA, DERET PANGKAT. Pedahulua Pembahasa tetag deret takhigga sebagai betuk pejumlaha suku-suku takhigga memegag peraa petig dalam fisika. Pada bab ii aka dibahas megeai pegertia deret da
Lebih terperinciIII. METODOLOGI PENELITIAN. Penelitian ini dilakukan di SMA Negeri 1 Way Jepara Kabupaten Lampung Timur
0 III. METODOLOGI PENELITIAN A. Lokasi da Waktu Peelitia Peelitia ii dilakuka di SMA Negeri Way Jepara Kabupate Lampug Timur pada bula Desember 0 sampai Mei 03. B. Populasi da Sampel Populasi dalam peelitia
Lebih terperinciIV. METODE PENELITIAN
IV. METODE PENELITIAN 4.1 Lokasi da Waktu peelitia Peelitia dilakuka pada budidaya jamur tiram putih yag dimiliki oleh usaha Yayasa Paguyuba Ikhlas yag berada di Jl. Thamri No 1 Desa Cibeig, Kecamata Pamijaha,
Lebih terperinci