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

dokumen-dokumen yang mirip
BAB IV SEBARAN ASIMTOTIK PENDUGA DENGAN MENGGUNAKAN KERNEL SERAGAM. ) menyatakan banyaknya kejadian pada interval [ 0, n ] dan h

INTERVAL KEPERCAYAAN

PENDUGAAN PARAMETER. Ledhyane Ika Harlyan

Bab II Landasan Teori

BAB III PERUMUSAN PENDUGA DAN SIFAT SIFAT STATISTIKNYA

Pendugaan Parameter. Selang Kepercayaan = Konfidensi Interval = Confidence Interval

BAB III TAKSIRAN KOEFISIEN KORELASI POLYCHORIC DUA TAHAP. Permasalahan dalam tugas akhir ini dibatasi hanya pada penaksiran

Pendugaan Parameter. Selang Kepercayaan = Konfidensi Interval = Confidence Interval


BAB III ANALISIS PEMODELAN ANTRIAN HAULER PENGANGKUTAN OVERBURDEN PADA JALAN 7F

BAB II ESTIMASI STATISTIK 2.1 Pengertian Estimasi a. Estimasi merupakan suatu metode dimana kita dapat memperkirakan nilai Populasi dengan memakai

Pendugaan Parameter 1

BAB III PENGGUNAAN METODE EMPIRICAL BEST LINEAR UNBIASED PREDICTION (EBLUP) PADA GENERAL LINEAR MIXED MODEL

SIFAT SIFAT TRANSFORMASI LINEAR DARI R KE R

BAB II LANDASAN TEORI. Dalam tugas akhir ini akan dibahas mengenai penaksiran besarnya

B A B 7 DIFERENSIASI DAN INTEGRASI NUMERIK

Pengujian Hipotesis untuk selisih dua nilai tengah populasi

h h h n 2! 3! n! h h h 2! 3! n!

BAB III METODE PENELITIAN. dengan kemampuan berpikir kreatif dengan menggunakan dua model

Pendugaan. Parameter HAZMIRA YOZZA IZZATI RAHMI HG JURUSAN MATEMATIKA FMIPA UNIV. ANDALAS LOGO

BAB 2 LANDASAN TEORI

ESTIMASI. Jika parameter populasi disimbolkan dengan θ maka θ yang tidak diketahui harganya ditaksir oleh harga

A.Interval Konfidensi pada Selisih Rata-rata

A. Interval Konfidensi untuk Mean

Fisika Statistik. Jumlah SKS : 3. Oleh : Jurusan Fisika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Mulawarman

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

I. DERET TAKHINGGA, DERET PANGKAT

Pendugaan Parameter. Selang Kepercayaan dengan Distribusi z (Tabel hal 175) Nilai α dan Selang kepercayaan yang lazim digunakan antara lain:

Metode Statistika Pertemuan XI-XII

BAB I PENDAHULUAN. 1.1 Latar Belakang. Universitas Sumatera Utara

MENENTUKAN SPECTRUM SUATU GRAF BERBANTUAN MATLAB

Watak Dinamis Sensor. Laila Katriani.

Metode Statistika Pertemuan IX-X

STATISTICS. Confidence Intervals (Rentang Keyakinan) Confidence Intervals (1)

Bab6 PENAKSIRAN PARAMETER

Mata Kuliah: Statistik Inferensial

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

BAB II LANDASAN TEORI. gamma, fungsi likelihood, dan uji rasio likelihood. Misalkan dilakukan percobaan acak dengan ruang sampel C.

PENAKSIR RASIO UNTUK VARIANSI POPULASI MENGGUNAKAN KUARTIL DARI KARAKTER TAMBAHAN PADA SAMPLING ACAK SEDERHANA

Diagram Kendali Simpangan Baku Eksak untuk Proses Berdistribusi Normal dengan Parameter σ Diketahui

Statistika Matematika. Soal dan Pembahasan. M. Samy Baladram

Teori Penaksiran. Oleh : Dewi Rachmatin

ESTIMASI DENSITAS KERNEL ADJUSTED: STUDI SIMULASI. Novita Eka Chandra Universitas Islam Darul Ulum Lamongan

III. METODOLOGI PENELITIAN. Populasi dalam penelitian ini adalah semua siswa kelas XI IPA SMA Al Azhar-3

BAB III METODE PENELITIAN

METODE NUMERIK JURUSAN TEKNIK SIPIL FAKULTAS TEKNIK UNIVERSITAS BRAWIJAYA 7/4/2012 SUGENG2010. Copyright Dale Carnegie & Associates, Inc.

Hendra Gunawan. 14 Februari 2014

BAB III METODE PENELITIAN

III. KERANGKA PEMIKIRAN. Penelitian ini menggunakan model persamaan simultan karena memiliki lebih dari

METODE NUMERIK UNTUK SIMULASI. Pemodelan & Simulasi TM09

PENDUGAAN PARAMETER METSTAT ANIK DJURAIDAH

Teori Penaksiran. Oleh : Dadang Juandi

LANDASAN TEORI. Secara umum, himpunan kejadian A i ; i I dikatakan saling bebas jika: Ruang Contoh, Kejadian, dan Peluang

1. Ilustrasi. Materi 2 Pendugaan Parameter

Oleh : Bambang Supraptono, M.Si. Referensi : Kalkulus Edisi 9 Jilid 1 (Varberg, Purcell, Rigdom) Hal

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

BAB I PENDAHULUAN. Integral adalah salah satu konsep penting dalam Matematika yang

Persamaan Non-Linear

PENGANTAR MODEL LINEAR Oleh: Suryana

STATISTICS. Hanung N. Prasetyo Week 11 TELKOM POLTECH/HANUNG NP

BAB IV ENTROPI GAS SEMPURNA

PENGUJIAN HIPOTESIS. Atau. Pengujian hipotesis uji dua pihak:

ESTIMASI. (PENDUGAAN STATISTIK) Ir. Tito Adi Dewanto. Statistika

TURUNAN FUNGSI. Definisi. 3.1 Pengertian Turunan Fungsi. Turunan fungsi f adalah fungsi f yang nilainya di c adalah. asalkan limit ini ada.

Definisi Integral Tentu

HUBUNGAN ANTARA KONVERGEN HAMPIR PASTI, KONVERGEN DALAM PELUANG, DAN KONVERGEN DALAM SEBARAN

9 Departemen Statistika FMIPA IPB

Statistika 2. Pendugaan Parameter. 1. Ilustrasi. Topik Bahasan: Oleh : Edi M. Pribadi, SP., MSc.

Induksi matematik untuk memecahkan problema deret dan bilangan bulat bentuk kuadrat sempurna

BAB V UKURAN GEJALA PUSAT (TENDENSI CENTRAL)

Masih ingat beda antara Statistik Sampel Vs Parameter Populasi? Perhatikan tabel berikut: Ukuran/Ciri Statistik Sampel Parameter Populasi.

III. METODE PENELITIAN. Populasi penelitian ini yaitu seluruh siswa kelas X SMA Negeri 2 Bandar

Pendugaan Parameter: Kasus Dua sampel saling bebas. Selisih rataan dua populasi

BAB IV DESKRIPSI ANALISIS DATA

STUDI TENTANG BEBERAPA MODIFIKASI METODE ITERASI BEBAS TURUNAN

BAB III METODOLOGI PENELITIAN. kuantitatif karena bertujuan untuk mengetahui kompetensi pedagogik mahasiswa

REGRESI LINIER DAN KORELASI. Variabel bebas atau variabel prediktor -> variabel yang mudah didapat atau tersedia. Dapat dinyatakan

Distribusi Pendekatan (Limiting Distributions)

PENAKSIR RASIO UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK BERSTRATA ADAPTIF CLUSTER

EKONOMI FERTILITAS. Minggu ke 10 DEPARTEMEN ILMU KELUARGA DAN KONSUMEN FAKULTAS EKOLOGI MANUSIA IPB

PENGGGUNAAN ALGORITMA GAUSS-NEWTON UNTUK MENENTUKAN SIFAT-SIFAT PENAKSIR PARAMETER DAN

Pendugaan Parameter. Debrina Puspita Andriani /

Selang Kepercayaan dari Parameter Distribusi Log-Normal Menggunakan Metode Bootstrap Persentil

BAB V ANALISA PEMECAHAN MASALAH

JURUSAN PENDIDIKAN FISIKA FPMIPA UNIVERSITAS PENDIDIKAN INDONESIA

--Fisheries Data Analysis-- Perbandingan ragam. By. Ledhyane Ika Harlyan. Faculty of Fisheries and Marine Science Brawijaya University

Bab 7 Penyelesaian Persamaan Differensial

Jurusan Matematika Universitas Riau, Riau 1 Kampus Binawidya Pekanbaru 28293, Indonesia Jurusan Matematika Universitas Riau, Riau 2 ABSTRACT

Distribusi Sampling (Distribusi Penarikan Sampel)

BAB VI DERET TAYLOR DAN DERET LAURENT

BAB II LANDASAN TEORI. matematika secara numerik dan menggunakan alat bantu komputer, yaitu:

Yang biasa dinamakan test komposit lawan komposit. c. Hipotesis mengandung pengertian minimum. Perumusan H 0 dan H 1 berbentuk :

Tetapi apabila n < 5% N maka digunakan :

Solusi Numerik Persamaan Transport

BAB VIII MASALAH ESTIMASI SATU DAN DUA SAMPEL

SUMMABILITAS CESARO PADA OPERASI DERET DIVERGEN. Sangadji* 1

METODE NUMERIK UNTUK SIMULASI. Pemodelan & Simulasi TM07

Bab IV. Penderetan Fungsi Kompleks

METODE ADAMS-BASHFORTH-MOULTON DALAM PENYELESAIAN PERSAMAAN DIFERENSIAL NON LINEAR

BAB V METODOLOGI PENELITIAN

Transkripsi:

BAB II LANDASAN TEORI Pada bab ii aka dibaa daar-daar teori yag aka diguaka dalam peulia kripi ii, yaitu megeai metode peakira maximum likeliood, metode peakira oit maximum likeliood da fier iformatio..1 Peakira Maximum Likeliood Mial X1, X,..., X adala peuba acak yag iid dega pdf f ( x; ), Ω dimaa merupaka uatu parameter yag tidak diketaui da Ω adala ruag parameter. Dalam melakuka peakira maximum likeliood ada beberapa taapa yag aru dilakuka. Pertama, cari pdf berama dari X1, X,..., X yaitu f ( x1, x,..., x; ). Karea X1, X,..., X adala peuba acak yag iid maka (,,..., ; ) = ( ; ) ( ; )... ( ; ) f x x x f x f x f x 1 1 Kedua, cari fugi likelioodya. Fugi likeliood didefiiika ebagai pdf berama dari X1, X,..., X yag dapat diaggap ebagai fugi dari. Mialka fugi likeliood ( ) = ; 1,,..., L x x x L 7 Item repoe model, Pitaugra Peradata, FMIPA UI, 008

8 (,,..., ; ) ( ; ) ( ; )... ( ; ) L = f x x x = f x f x f x, Ω 1 1 i = 1 ( ; ) = f xi Ketiga, cari takira dari. Dalam metode peakira maximum likeliood takira dari diperole dega meemuka ilai, ebut ˆ, yag memakimumka fugi likeliood. Maka ˆ diebut takira maximum likeliood (maximum likeliood etimator / MLE) dari. Mecari ilai yag memakimumka fugi ll, ebut l, aka memberika ail yag ama dega mecari ilai yag memakimumka L. Maka baik L atau l dapat diguaka utuk mecari ilai ˆ. Bukti diberika di lampira1. Nilai yag memakimumka l dapat diperole dega mecari olui dari peramaa S l ll 1 = = L L = = 0.. Peakira Joit Maximum Likeliood Mial 1,,..., adala peuba acak yag iid dega pdf f x;, X X X p Ω dimaa merupaka uatu vektor dari p-parameter yag tidak Item repoe model, Pitaugra Peradata, FMIPA UI, 008

9 diketaui. Dalam melakuka peakira oit maximum likeliood ada beberapa taapa yag aru dilakuka. Pertama, cari pdf berama dari X1, X,..., X yaitu f ( x1, x,..., x; ). Karea X1, X,..., X adala peuba acak yag iid maka (,,..., ; ) = ( ; ) ( ; )... ( ; ) f x x x f x f x f x. 1 1 Kedua, cari fugi likelioodya. Fugi likeliood didefiiika ebagai pdf berama dari X1, X,..., X yag dapat diaggap ebagai fugi dari. Mialka fugi likeliood = L x x x L. ; 1,,..., = (,,..., ; ) = ( ; ) ( ; )... ( ; ) L f x x x f x f x f x, Ω 1 1 i = 1 ( ; ) = f x i Ketiga, cari takira dari. Dalam metode peakira oit maximum likeliood takira dari diperole dega meemuka ilai, ebut ˆ, yag memakimumka fugi likeliood. Maka likeliood dari. ˆ diebut takira oit maximum Mecari ilai yag memakimumka fugi ll, ebut l, aka memberika ail yag ama dega mecari ilai yag memakimumka L. Maka baik L atau l dapat diguaka utuk mecari ilai ˆ. Bukti utuk vektor dari parameter, = 1,, K,, diberika di lampira. Item repoe model, Pitaugra Peradata, FMIPA UI, 008

10 Nilai yag memakimumka l dapat diperole dega mecari olui imulta dari peramaa S =, utuk = 1,...,p l = ll = 1 L 0 L =. Adakalaya item peramaa ii dapat dieleaika ecara aalitik. Jika tidak, uatu proedur umerik (mial tekik Newto-Rapo) dapat diguaka..3 Fier Iformatio Mialka X adala variabel radom dega pdf f ( x; ), Ω, dimaa ruag parameter Ω adala uatu iterval, diaumika bawa: f ( x; ) adala poitif pada impua S idepede dari Ω. f ( x; ) ada Ω, kecuali pada titik-titik dimaa probabilita = 0. ( K f x1; Kf x; 1K atau K f x ; ; 1 Kf x dapat didefereiai dibawa imbol itegral atau umai. Dega aumi diata maka didapat (diberika utuk kau X variable radom kotiu, utuk kau dikrit dapat dialaka imilar) bawa ) Item repoe model, Pitaugra Peradata, FMIPA UI, 008

11 f x; = 1 dega megambil turua pertama teradap didapat, mialka = maka 0 g f x; d g d = atau dapat dituli d g d d g d = ( + ) 0 g lim g ( ; + ) ( ; ) = lim 0 f x f x ( ; + ) ( ; ) lim f x f x 0 = ( ; + ) ( ; ) f x f x lim 0 = = f x; d x Maka dapat dituli, Peramaa (1) dapat dituli ebagai atau ama dega ( ; ) f x = 0. (1) ( ; ) f x f ( x; ) = 0 f x ( ; ) l f x; f ( x; ) = 0. () Item repoe model, Pitaugra Peradata, FMIPA UI, 008

1 Jika dituruka kembali teradap didapat, l f x; l f x; f x; f ( x; ) + 0 =. (3) Betuk kedua dari peramaa (3) diebela kiri dapat dituli ebagai atau ( ; ) f x l f ( x; ) l f ( x; ) l f ( x; ) f ( x; ) = f ( x; ) f x ( ; ) f ( x; ) f ( x ) f ( x; ) l ; l f x; f x; = f ( x; ) Betuk diata diebut Fier Iformatio, diotaika dega I. Yaitu, I l f x; = f x ( ; ) Dari peramaa (3), I uga dapat dituli dalam betuk I l f x; = f x ( ; ) Catata : iformai yag dimakud adala mea terboboti dari l f x; atau l f ( x; ), dimaa bobot diberika ole pdf ( ; ) f x. Fier Item repoe model, Pitaugra Peradata, FMIPA UI, 008

13 Iformatio uga dapat diberika dalam betuk l f x; E. Hal ii diperole dari betuk I f ( x ) l f x; l ; = E = f ( ; ) x. Karea p.d.f merupaka fugi oegatif atau dega kata lai f ( x; ) 0 da tetu aa l f x; 0 maka emaki bear ilai turua l f x;, emaki bear ilai ekpektaiya. Jadi emaki bayak iformai yag diperole. Jela bawa, ika l f x; = 0 maka l f x; = 0 dega kata lai f ( x ) l ; merupaka uatu fugi yag tidak megadug. Maka tidak terdapat iformai tetag atau dega kata lai terdapat ol iformai tetag. Item repoe model, Pitaugra Peradata, FMIPA UI, 008