4.3 Sampling dari distribusi normal dan estimasi likelihood maksimum

dokumen-dokumen yang mirip
Beberapa Definisi Ruang Contoh Kejadian dan Peluang Definisi L.1 (Ruang contoh dan kejadian) . Definisi L.2 (Kejadian lepas )

SISTEM PENGOLAHAN ISYARAT. Kuliah 6 Transformasi Fourier Diskret

JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS JEMBER

DISTRIBUSI POISSON DAN DISTRIBUSI EKSPONENSIAL DALAM PROSES STOKASTIK. Abstract

Distribusi Normal Multivariat

TEORI ANTRIAN A. Proses Antrian 1. Pola Kedatangan 2. Pola Kepergian 3. Kapasitas Sistem

BAB III PENAKSIR DERET FOURIER. Dalam statistika, penaksir adalah sebuah statistik (fungsi dari data sampel

BAGIAN 2 TOPIK 5. andhysetiawan

V. PENGUJIAN HIPOTESIS

JURUSAN PENDIDIKAN FISIKA FPMIPA UNIVERSITAS PENDIDIKAN INDONESIA

PENGUJIAN HIPOTESIS DUA RATA-RATA

Bab III Komentar terhadap distribusi vec(r)

Transformasi Fourier Sinyal Waktu Kontinyu. oleh: : Tri Budi Santoso DSP Group, EEPIS-ITS

Barekeng, Juni hal Vol. 1. No. 1

LAMPIRAN I GREEK ALPHABET

THE APPLICATION OF FOURIER TRANSFORMATION ON ANALOG SIGNAL PROCESSING

HIDDEN MARKOV MODEL. Proses Stokastik dapat dipandang sebagai suatu barisan peubah acak dengan T adalah parameter indeks dan X

PENGUJIAN HIPOTESIS. Hipotesis Statistik : pernyataan atau dugaan mengenai satu atau lebih populasi.

Ukuran Dispersi Multivariat

Muhammad Firdaus, Ph.D

BAB II TINJAUAN PUSTAKA. Black dan Scholes (1973) menyatakan bahwa nilai aset mengikuti Gerak

BAB NILAI EIGEN DAN VEKTOR EIGEN

INTEGRAL TAK TENTU (pecahan rasional) Agustina Pradjaningsih, M.Si. Jurusan Matematika FMIPA UNEJ

BAB III FORMULA PENENTUAN HARGA OPSI ASIA

PENDAHULUAN INTERVAL KEPERCAYAAN PENAKSIRAN TITIK PENAKSIRAN INTERVAL 5/14/2012 KANIA EVITA DEWI

BENTUK KANONIK JORDAN DALAM MENYELESAIKAN SISTEM PERSAMAAN DIFERENSIAL LINEAR

PENDAHULUAN LANDASAN TEORI

ESTIMASI PARAMETER DUA LEVEL MODEL GSTARX-GLS

Sudaryatno Sudirham ing Utari. Mengenal. 3-2 Sudaryatno S & Ning Utari, Mengenal Sifat-Sifat Material (1)

Bagian 7. Jawab. Uji Hipotesis. Beberapa Uji Hipotesis pada Statistika Parametrik. Beberapa Uji Hipotesis pada Statistika Nonparametrik

III. METODE KAJIAN 1. Lokasi dan Waktu 2. Metode Pengumpulan Data

BAB III RUNTUN WAKTU MUSIMAN MULTIPLIKATIF

Volume 1, Nomor 1, Juni 2007 ISSN

BAB II LANDASAN TEORI

1. Pendahuluan. Materi 3 Pengujuan Hipotesis

INTEGRAL FOURIER. DISUSUN OLEH : Kelompok III (Tiga)

Statistika 2. Pengujian Hipotesis. 1. Pendahuluan. Topik Bahasan: Oleh : Edi M. Pribadi, SP., MSc.

BAB II TEORI DASAR. 2.1 Proses Stokastik Rantai Markov

BAB 2 LANDASAN TEORI

BAB V ANALISA HASIL. Untuk mendapatkan jenis peramalan yang dinginkan terdapat banyak

ESTIMASI TITIK BAYESIAN OBYEKTIF

BAB III HASIL DAN PEMBAHASAN. A. Permasalahan Nyata Penyebaran Penyakit Tuberculosis

Matematika EBTANAS Tahun 1988

Ibnu Maja, S.Si.,M.M Staf UP.MPK, Politeknik Negeri Sriwijaya Palembang Abstraks

BAB 2 LANDASAN TEORI. pada masa mendatang. Peramalan penjualan adalah peramalan yang mengkaitkan berbagai

MODEL SISTEM ANTRIAN PESAWAT TERBANG DI BANDARA INTERNASIONAL ADISUTJIPTO YOGYAKARTA

BAB IV HASIL PENELITIAN DAN PEMBAHASAN

BAB IV NILAI EIGEN DAN VEKTOR EIGEN. Bab ini membahas suatu vektor tidak nol x dan skalar l yang mempunyai

B. DESKRIPSI SINGKAT MATA KULIAH

= 0 diturunkan terhadap x. Karena y fungsi dari x, maka setiap kali menurunkan y harus dikalikan dengan didapat diselesaikan ke y '.

BAB II PERTIDAKSAMAAN CHERNOFF

BAB II LANDASAN TEORI. Pada bab ini akan dibahas dasar-dasar teori yang akan digunakan

ρ = sehingga momen pertama dan kedua BAB 2 TEORI DASAR 2.1 Random Walk ρi = ε) = q= 1 p. Posisi suku bunga bergerak pada

PEMODELAN NILAI TUKAR RUPIAH TERHADAP $US MENGGUNAKAN DERET WAKTU HIDDEN MARKOV SATU WAKTU SEBELUMNYA 1. PENDAHULUAN

BAB 2 TINJAUAN TEORITIS. Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa

Distribusi Sampel, Likelihood dan Penaksir

4-1 Proses Bernoulli (1)

BAB III METODOLOGI PENELITIAN

BAB III ARFIMA-FIGARCH. pendek (short memory) karena fungsi autokorelasi antara dan turun

BAB 2 LANDASAN TEORI

UJI MULTIKOLINEARITAS DAN PERBAIKAN MULTIKOLINEARITAS

Pemodelan Data Runtun Waktu : Kasus Data Tingkat Pengangguran di Amerika Serikat pada Tahun

BAB II LANDASAN TEORI. Pada bab ini akan diuraikan konsep-konsep dasar yang digunakan sebagai

PAPER Analisis Data Outlier Pada Data Pengeluaran Rumah Tangga Di Kota Kupang, Nusa Tenggara Timur Tahun 2005 Dengan Metode ROBPCA

BAB 1 HAMPIRAN TAYLOR DAN ANALISIS GALAT

ANALISIS BEDA Fx F.. S u S g u i g y i an a t n o t da d n a Ag A u g s u Su S s u wor o o

BAB 2 SOLUSI NUMERIK PERSAMAAN

KOINTEGRASI DAN ESTIMASI ECM PADA DATA TIME SERIES. Abstrak

Metode Regresi Linier

Statistika dibagi menjadi dua, yaitu: 1. Statistika Deskriftif 2. Statistik Inferensial Penarikan kesimpulan dapat dilakukan dengan dua cara, yaitu:

PENGARUH STRATEGI PEMBELAJARAN GENIUS LEARNING TERHADAP HASIL BELAJAR FISIKA SISWA

PERHITUNGAN VALUE AT RISK (VaR) DENGAN SIMULASI MONTE CARLO (STUDI KASUS SAHAM PT. XL ACIATA.Tbk)

BAB 3 METODE PENELITIAN

Sudaryatno Sudirham ing Utari. Mengenal. Sudaryatno S & Ning Utari, Mengenal Sifat-Sifat Material (1)

KRITERIA INVESTASI DEPARTEMEN AGRIBISNIS FEM - IPB

BAB 7 NILAI EIGEN DAN VEKTOR EIGEN. Dr. Ir. Abdul Wahid Surhim, MT.

Penduga Data Hilang Pada Rancangan Bujur Sangkar Latin Dasar

BAB IV DATA DAN ANALISA

ANALISIS PERAMALAN INDEKS HARGA SAHAM KOSPI DENGAN MENGGUNAKAN METODE INTERVENSI

III. METODE PENELITIAN. Data yang digunakan adalah data sekunder runtun waktu (time series) bulanan

Indikator Ketercapaian Kompetensi Merumuskan. Alokas i Waktu 8x45. Tingkat Ranah. Tingkat Ranah. Materi Pembelajaran

Catatan Kuliah 8 Memahami dan Menganalisa Optimisasi Pertumbuhan

BAB 4 MODEL MATEMATIKA PENGARUH TERAPI OBAT TERHADAP DINAMIKA VIRUS HIV DALAM TUBUH

SISTEM PENGOLAHAN ISYARAT. Kuliah 5 Transformasi Fourier

Distribusi Sampel & Statistitik Terurut

BAB 4 ANALISIS DAN PEMBAHASAN

BAB 1 PENDAHULUAN. Propinsi Sumatera Utara merupakan salah satu propinsi yang mempunyai

MODEL VECTOR AUTOREGRESSIVE (VAR) DALAM MERAMAL PRODUKSI KELAPA SAWIT PTPN XIII Faradhila Amry, Dadan Kusnandar, Naomi Nessyana Debataraja

BAB II LANDASAN TEORI. Pada bagian ini akan dibahas tentang teori-teori dasar yang. digunakan untuk dalam mengestimasi parameter model.

PENGUJIAN HIPOTESIS. Atau. Pengujian hipotesis uji dua pihak:

Statistika Inferensi Tentang Ratarata Dua Populasi Independen

PENGUJIAN HIPOTESIS. pernyataan atau dugaan mengenai satu atau lebih populasi.

PERAMALAN JUMLAH PENUMPANG TRANSPORTASI UDARA TUJUAN SURABAYA BALIKPAPAN DENGAN METODE ARIMA BOX-JENKINS

BAB 2 RESPONS FUNGSI STEP PADA RANGKAIAN RL DAN RC. Adapun bentuk yang sederhana dari suatu persamaan diferensial orde satu adalah: di dt

PENGARUH KOMPOSISI FLY ASH TERHADAP KUAT TEKAN DAN RESAPAN PADA PEMBUATAN PAVING BLOK

DISTRIBUSI GAMMA. Ada beberapa distribusi penting dalam distribusi uji hidup, salah satunya adalah distribusi gamma.

Distribusi Pendekatan (Limiting Distributions)

METODE TRANSFORMASI ELZAKI DALAM MENYELESAIKAN PERSAMAAN DIFERENSIAL BIASA LINEAR ORDE-N DENGAN KOEFISIEN KONSTANTA. Mahasiswa Program S1 Matematika 2

Aljabar Linear Elementer

ARIMA (Autoregressive Integrated Moving Average)

Transkripsi:

Hardwiyao Uomo 060545 4.3 Samlig dari disribusi ormal da simasi liklihood maksimum Liklihood ormal mulivaria Kia asumsika vkor,,..., dga mrrsasika saml acak dari oulasi ormal mulivaria dga raa-raa µ da kovaria marik. Kara,,..., sau sama lai idd da brdisribusi N (, mruaka roduk dari kadaa ormal margial, yaiu µ, fugsi kadaa brsama dari smua obsrvasi kadaa brsama ( ' ( µ µ / = / dari /,,..., = ( π (4- = ( π / / ( i µ ' ( i µ / = Saa ilai kuaiaif dari obsrvasi rsdia, da disubiusi k ada (4-. Hasil yag dirlihaka, dirhaika sbagai fugsi dari µ da uuk himua yag diaka dari obsrvasi,,..., disbu liklihood. Pada bab ii kia aka bayak mgguaka rac dari suau marik kuadra. Akiba 4.9. Dibrika A marik k k da vcor k. a. ' A = r ( ' A = r ( A ' b. r ( A k = λi, dimaa λi adalah ilai ig dari A. Proof. Uuk (a rama kia uliska ' A sbagai skalar, shigga ' A = r( ' A kia uya bahwa r( CB = r( BC uuk sia marik B da C dga m k da k m. Diagoal lm dari BC adalah k bi c i, shigga = m k r( BC = bi c i. Hal ii srua dga =

diagoal lm dari CB adalah m bi c i, shigga kia uya k m m k r( CB = bi c i = bi c i = r( = BC. Kia misalka ' adalah B dga m = da = A adalah C, maka ' = r ( ' = r ( ' Uuk (b, misalka A A A. A = P ' BP, dimaa PP ' = I da B adalah marik diagoal dga ri-riya adalah λ, λ,..., λ k. Kia uga uya ( A ( P BP ( BPP ( B r = r ' = r ' = r = λ + λ +... + λk Ekso dari kadaa brsama ada (4-, daa disdrhaaka. ( µ ' ( µ = r ( µ ' ( µ = r ( µ ( µ Slauya ( µ ' ( µ = r ( µ ( µ ' ' (4- = r ( µ ( µ ' (4-3 Kara rac dari umlah marik sama dga umlah rac dari marik rsbu, shigga kia daa mambah aau mguragi dga ada buk ( µ maka aka mmbrika ( + ( + = ( ( + ( µ ( µ µ µ ' ' '(4-4 Kara cross-roduc dari, ( ( µ ' da ( µ ( ' adalah kduaya marik ol, kia uya buk fugsi kadaa brsama suau saml acak yag brasal dari oulasi yag brdisribusi ormal mulivaria yaiu: r ( ( ' + ( ( ' / µ µ L( µ, = (4-6 / / ( π Fugsi di aas lbih dikal dga ama fugsi liklihood (ii slah dimasukka ilai-ilai dari,,...,.

Esimasiµda uuk maksimum liklihood Akiba 4.0. Dibrika marik B rbaas osiif da simri da b > 0skalar. Uuk sia = ( / b B. ( B / ( b b b B r b b rbaas osiif, dga mmgag ksamaa rsbu haya uuk Esimasi µ da uuk maksimum liklihood dioasika ˆµ da ˆ mruaka ilai maksimum dari fugsi L(,,,..., yag mlwai rigkasa saisik da S. µ ada (4-6. ˆµ da ˆ aka rgaug ada ilai Akiba 4..,,..., adalah saml acak yag brasal dari oulasi ormal dga raaraa µda kovaria. aka µ ˆ = da = ( ( ' = = ( adalah simaor dari µ da uuk maksimum liklihood. Nilai obsrvasi mrka, da ( ( (/ ', dikaaka simasi uuk µda ada maksimum liklihood. = Proof. Pada rsamaa liklihood (4-6 kia uya bagia dari fakor rkalia - yaiu: Dari akiba 4., r + µ µ S ( ( ' ( ' ( rbaas osiif, adi arak ( ( µ ' µ > 0 kcuali uuk µ =. Shigga fugsi liklihood madi maksimum saa µ ˆ = shigga kia iggal mmaksimumka L( µ ˆ, = ( π / / r ( ( ' + /

rhada. Dga mgguaka akiba 4.0 dimaa b = / da B = ( ( ', i i hasil maksimumya saa ( ˆ = / ( i ( i ' dibuk. Esimaor ada maksimum liklihood adalah sbuah umlah acak. Esimaor ii didaa dga mggaika gamaa,,..., yag mruaka ksrsi uuk ˆµ da ˆ dga vkor acak,,...,. Kia yaaka simaor dari maksimum liklihood sbagai vkor acak da simaor dari maksimum liklihood ˆ sbagai vkor marik. Esimasi maksimum liklihood mruaka ilai rilih yag dibrika olh suau daa. Dari lasa di aas kia daaa maksimum dari fugsi liklihood adalah ( ˆ, ˆ / L µ = (4-8 / ˆ / ( π Saisik cuku Dibrika,,..., saml acak dari oulasi ormal mulivaria dga µ da kovaria. aka da S mruaka saisik cuku (4-

4.4 DISTRIBUSI SAPLING DARI da S = K K K = [ K ] mariks dga ordo, dikahui da S saisic cuku uivaria ruaka saml radom dari oulasi ormal dga ma µ dak kovarias mariks Uuk disibusi ormal uivaria ormal dga ma µ = ma oulasi da variasi σ variasi oulasi = ukura saml Buki : brdisribusi ormal uivaria dga ma µ da variasi σ ( = µ + σ., K, saml radom dari oulasi ormal uivaria dga ma µ da variasi σ. i ( = µ + σ i =,,..., ( = ( = i i = = µ σ + σ µ + Jadi brdisribusi ormal dga ma µ da variasi σ

Uuk disribusi ormal mulivaria ~ N ( µ, ~ N µ, Buki : ~ N µ (, µ + ( =, K, saml radom dari disribusi ormal varia dga ma µ da kovarias. i ( = µ+ i =,,..., = i ( = = i i ( = µ + + + = µ Jadi brdisribusi ormal dga ma µ da variasi Uuk variasi saml dari oulasi ormal uivaria S ( ( = σ σ = ( S brdisribusi σ brdisribusi idik dga ( ( ( + + z = σ z + K+ σ z z K.

Dimaa z i ~ ( µ, N aau σ z ~ N ( 0 σ i, Uuk oulasi ormal mulivaria Bila z ~ ( µ, N =,, = z z brdisribusi Wishar dga draa bbas - dibri oasi W. Sifa sifa disribusi Wishar. Dsias wishar idak ada bila Bila ada hargaya uuk mariks dfii osiif A adalah : W ( A/ =. ~ W ( A A m ( A A ( r A ( ( ( π 4 - A ~ Wm. A da A idd A + A ~ + W ( A + A Wm m ( i 3. A ~ W ( A m (. CC C A C ~ W m

4.5 DISTRIBUSI da S UNTUK SAPEL BESAR Torma Limi Pusa K Saml radom dari disribusi dga ma,,, µ da kovariasi maka ( µ mdkai N ( 0,. Uuk bsar brdisribusi Torma Bila mdkai ormal dga ma µ da kovaria mariks maka µ µ mdkai χ ( (