PENDEKATAN ESTIMATOR KERNEL UNTUK ESTIMASI DENSITAS MULUS

dokumen-dokumen yang mirip
ESTIMASI FUNGSI REGRESI MENGGUNAKAN METODE DERET FOURIER

PEMULUSAN SEBARAN DATA MENGGUNAKAN PENAKSIR KERNEL NADARAYA-WATSON DAN LINIER LOKAL UNTUK KERNEL NORMAL. Sudarno 1.

Estimasi Densitas Mulus dengan Metode Kernel. (Kernel Method in Smooth Density Estimation)

Integrasi 1. Metode Integral Reimann Metode Integral Trapezoida Metode Integral Simpson. Integrasi 1

Volume 1, Nomor 1, Juni 2007 ISSN

PEMILIHAN VARIABEL DAN REDUKSI DIMENSI DALAM REGRESI NONPARAMETRIK BERDIMENSI BESAR

BAB II LANDASAN TEORI. Dalam pengambilan sampel dari suatu populasi, diperlukan suatu

STATISTIK. Ukuran Gejala Pusat Ukuran Letak Ukuran Simpangan, Dispersi dan Variasi Momen, Kemiringan, dan Kurtosis

BAB 2 LANDASAN TEORI. Regresi linier sederhana yang variabel bebasnya ( X ) berpangkat paling tinggi satu.

REGRESI LINEAR SEDERHANA

BAB 2 LANDASAN TEORI. Regresi linier sederhana merupakan bagian regresi yang mencakup hubungan linier

BAB 2 LANDASAN TEORI. perkiraan (prediction). Dengan demikian, analisis regresi sering disebut sebagai

PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM

BAB III REVIEW SIFAT- SIFAT STATISTIK PENDUGAAN TIPE KERNEL BAGI FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN PERIODE GANDA

JMP : Volume 1 Nomor 2, Oktober 2009 PEMILIHAN PARAMETER PENGHALUS PADA ESTIMATOR DERET FOURIER DALAM REGRESI NONPARAMETRIK. Agustini Tripena Br.Sb.

Volume 1, Nomor 2, Desember 2007

Analitik Data Tingkat Lanjut (Clustering)

PENAKSIR RASIO YANG EFISIEN UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN

BAB 2. Tinjauan Teoritis

Bab II Teori Pendukung

BAB II LANDASAN TEORI. digunakan dengan mengabaikan asumsi-asumsi yang melandasi penggunaan metode

UKURAN GEJALA PUSAT DAN UKURAN LETAK

INTERVAL KEPERCAYAAN UNTUK PERBEDAAN KOEFISIEN VARIASI DARI DISTRIBUSI LOGNORMAL I. Pebriyani 1*, Bustami 2, S. Sugiarto 2

BAB 2 LANDASAN TEORI. Analisis regresi adalah suatu proses memperkirakan secara sistematis tentang apa yang paling

ANALISIS DATA INFLASI DI INDONESIA MENGGUNAKAN MODEL REGRESI POLINOMIAL LOKAL

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

Di dunia ini kita tidak dapat hidup sendiri, tetapi memerlukan hubungan dengan orang lain. Hubungan itu pada umumnya dilakukan dengan maksud tertentu

TEKNIK SAMPLING. Hazmira Yozza Izzati Rahmi HG Jurusan Matematika FMIPA Universitas Andalas

I. PENDAHULUAN II LANDASAN TEORI

Deret Taylor dan Analisis Galat

PENDEKATAN METODE PEMULUSAN KERNEL PADA PENDUGAAN AREA KECIL (SMALL AREA ESTIMATION)

S2 MP Oleh ; N. Setyaningsih

TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD

REGRESI NONPARAMETRIK SPLINE UNTUK DATA BERAT BADAN BALITA MENURUT UMUR DI KABUPATEN BOJONEGORO TAHUN 2010

Mean untuk Data Tunggal. Definisi. Jika suatu sampel berukuran n dengan anggota x1, x2, x3,, xn, maka mean sampel didefinisiskan : n Xi.

* MEMBUAT DAFTAR DISTRIBUSI FREKUENSI MENGGUNAKAN ATURAN STURGES

TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE KUADRAT TERKECIL

PEMODELAN DATA INFLASI INDONESIA PADA SEKTOR TRANSPORTASI, KOMUNIKASI, DAN JASA KEUANGAN MENGGUNAKAN METODE KERNEL DAN SPLINE. Suparti 1 dan Tarno 2

ISSN: X 45 SIFAT ASIMTOTIK ESTIMATOR NADARAYA-WATSON DENGAN KERNEL ORDE TAK HINGGA. Maria Suci Apriani a, Sri Haryatmi b

2.2.3 Ukuran Dispersi

BAB II LANDASAN TEORI

SIFAT-SIFAT LANJUT FUNGSI TERBATAS

PENDAHULUAN Metode numerik merupakan suatu teknik atau cara untuk menganalisa dan menyelesaikan masalah masalah di dalam bidang rekayasa teknik dan

BAB III INTEGRAL RIEMANN-STIELTJES. satu pendekatan untuk membentuk proses titik. Berkaitan dengan masalah

11/10/2010 REGRESI LINEAR SEDERHANA DAN KORELASI TUJUAN

BAB 5. ANALISIS REGRESI DAN KORELASI

BAB II TINJAUAN PUSTAKA

Jawablah pertanyaan berikut dengan ringkas dan jelas menggunakan bolpoin. Total nilai 100. A. ISIAN SINGKAT (Poin 20) 2

BAB I PENDAHULUAN. 1.1 Statistika Deskriptif dan Statistika Inferensial. 1.2 Populasi dan Sampel

BAB III METODE PENELITIAN. Tempat penelitian ini dilaksanakan di SMP Negeri 4 Tilamuta Kabupaten

Regresi Linier Sederhana Definisi Pengaruh

III. METODE PENELITIAN. yang hidup dan berguna bagi masyarakat, maupun bagi peneliti sendiri

Bab 1 PENDAHULUAN Latar Belakang

Pertemuan VII IV. Titik Berat dan Momen Inersia

STATISTIKA A. Definisi Umum B. Tabel Distribusi Frekuensi

PERBANDINGAN KEEFEKTIFAN METODE REGRESI ROBUST ESTIMASI-M DAN ESTIMASI- MM KARENA PENGARUH OUTLIER DALAM ANALISIS REGRESI LINEAR

3/19/2012. Bila X 1, X 2, X 3,,X n adalah pengamatan dari sampel, maka rata-rata hitung dirumuskan sebagai berikut

ANALISIS REGRESI. Model regresi linier sederhana merupakan sebuah model yang hanya terdiri dari satu peubah terikat dan satu peubah penjelas:

3 Departemen Statistika FMIPA IPB

TUGAS MATA KULIAH TEORI RING LANJUT MODUL NOETHER

BAB 1 STATISTIKA RINGKASAN MATERI

LANGKAH-LANGKAH UJI HIPOTESIS DENGAN 2 (Untuk Data Nominal)

MINGGU KE-10 HUBUNGAN ANTAR KONVERGENSI

BAB III UKURAN PEMUSATAN (RATA-RATA)

BAB II LANDASAN TEORI

BAB III UKURAN PEMUSATAN DATA

IMPLEMENTASI DAN KOMPARASI ATURAN SEGIEMPAT UNTUK PENYELESAIAN INTEGRAL DENGAN BATAS MENGGUNAKAN MATLAB

Pemodelan Regresi Linier Menggunakan Metode Theil (Studi Kasus: Kompensasi Pegawai di Badan Kepegawaian Daerah Kota Samarinda)

4/1/2013. Bila X 1, X 2, X 3,,X n adalah pengamatan dari sampel, maka rata-rata hitung dirumuskan sebagai berikut. Dengan: n = banyak data

ANALISIS DATA INFLASI DI INDONESIA MENGGUNAKAN MODEL REGRESI KERNEL

ANALISIS PEUBAH PREDIKTOR YANG MEMUAT KESALAHAN PENGUKURAN DENGAN REGRESI ORTOGONAL

Prosiding SPMIPA. pp , 2006 ISBN : PERKEMBANGAN ESTIMATOR DENSITAS NON PARAMETRIK DAN APLIKASINYA

BAB 2 LANDASAN TEORI. disebut dengan bermacam-macam istilah: variabel penjelas, variabel

STATISTIKA DASAR. Oleh

PENAKSIR PARAMETER DISTRIBUSI EKSPONENSIAL PARETO DENGAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD

STATISTIKA: UKURAN PEMUSATAN. Tujuan Pembelajaran

II. TINJAUAN PUSTAKA. variabel. Dalam regresi sederhana dikaji dua variabel, sedangkan dalam regresi

STUDI KELAYAKAN: ASPEK FINANSIAL. F.Hafiz Saragih SP, MSc

BAB 5 BARISAN DAN DERET KOMPLEKS. Secara esensi, pembahasan tentang barisan dan deret komlpeks sama dengan barisan dan deret real.

Jurnal Matematika Murni dan Terapan Vol. 4 No.2 Desember 2010: ANALISIS REGRESI LINEAR BERGANDA DENGAN SATU VARIABEL BONEKA (DUMMY VARIABLE)

KULIAH KE 7. METODA KELOMPOK (COHORT SURVIVAL METHOD) Lanjutan. Melihat pengaruh komponen kematian terhadap perubahan penduduk.

PERBADINGAN BIAS ESTIMATOR KERNEL NADARAYA-WATSON DAN LOCALLY LINEAR PADA REGRESI NONPARAMETRIK

EKSISTENSI BASIS ORTHONORMAL PADA RUANG HASIL KALI DALAM

Transkripsi:

J. Pjar MIPA Vol. V No. September : 8-85 ISSN 97-7 PENDEATAN ESTIMATOR ERNEL UNTU ESTIMASI DENSITAS MULUS Lala Hayat Program Std Peddka Matematka PMIPA FIP Uverstas Mataram Jl. Majapat No. 6 Mataram 835 e-mal: lalaagera@yaoo.com Abstrak : Msalka dberka data pegamata depede X :... dega gs destas. Ada da pedekata dalam megestmas yat dega pedekata parametrk da pedekata oparametk. Pada pedekata oparametrk dlakka jka asms betk tdak dketa. Dalam al dasmska bawa gs termat dalam kelas gs mls. Sala sat tekk tk megestmas gs mls adala tekk pemls kerel. Tgkat kemlsa gs estmas dtetka ole parameter pemls. Semak besar parameter pemlsya semak mls gs estmas da sebalkya. ata-kata c: destas mls estmator kerel parameter pemls ERNEL ESTIMATOR APPROACHES FOR ESTIMATES SMOOTH DENSITY Abstract: Let X :... be depedet observato data rom a dstrbto wt desty cto. Tere are two basc approaces or estmatg te parametrc ad te oparametrc approaces. I oparametrc approaces a kow desty cto. Te cto s assmed to be a smoot cto so te cto cold be estmated by kerel estmator. Te smootg level o kerel estmator depeds to te smootg parameter. Te bg smootg parameter gves te estmato cto wc over smoot ad te cotrary. ey Words: smoot desty kerel estmator smootg parameter I. PENDAHULUAN Dalam aalsa regres tdak sema varabel pejelas dapat ddekat dega pedekata parametrk karea tdak adaya ormas yag jelas bagamaa betk bga varabel pejelas dega varabel respoya segga ars dgaka pedekata oparametrk. Tja aalsa regres adala meetka ampra tk krva regres m. Jka dberka data pegamata depede X :... tk meetka dstrbs dar X ekvale dega meetka gs destasya. Utk megestmas gs destas dapat dlakka dega da pedekata yat pedekata parametrk da oparametrk. Pedekata oparametrk dlakka jka asms betk tdak dketa. Dalam al dasmska bawa gs termat dalam kelas gs mls yat mempya tra kot ata tertegralka secara kadrat. Permasalaa dalam destas oparametrk adala bagamaa megkostrkska estmas dar gs destas tapa membat asms strktral sepert tetag betk gs tetap aya mesyaratka bawa gs destas tersebt sekrag-kragya mempya da tra yag terbatas. Sala sat tekk tk megestmas gs mls adala tekk pemls kerel []. Metode yag palg sederaa adala stogram. Tekk pemls kerel pada estmator destas merpaka pegembaga dar estmator stogram. Dar Hayat [] dega meggaka pedekata regres oparametrk tk meemka estmator tk gs regres m dperole estmator yag kosste (dega meggaka kerel ormal badwdt.;.; da ) yat estmas total poplas semak medekat total poplas dega semak bertambaya jmla sampel (). Semak besar badwdt maka estmas total poplas semak meja total poplas. Dalam tlsa dbaas tetag pecara estmator kerel dar destas mls sat-sat da coto smlasya dega program S-Pls or Wdows. Estmator Hstogram [] Metode estmas destas secara oparametrk yag palg popler adala stogram. Nam sebearya stogram bkala merpaka alat estmas destas yag bak karea betkya yag sagat mda dpegar ole jmla kelas da lokas la tegaya da jga estmas destas yag daslka tdak kot pada batas kelas. Dketa sampel radom X :... dar sat poplas dega gs destas tak dketa. Berdasarka sampel radom aka destmas gs destasya. Msalka daera la x dbag mejad dsjo terval-terval dega pajag. Pelag observas yag mask ke dalam terval X X adala: X PX X X Dperole estmator stogram tk (x) yat: ˆ ( x ) # X X X tk sema X X X. berart bawa observas yag mask ke dalam terval yag tergatg yak X X member sokoga yag sama besar teradap x. pemla lebar kelas kecl stogram memat bayak batag kecl-kecl sedagka tk besar stogram memat sedkt batag besarbesar. X ( x ) dx 8

J. Pjar MIPA Vol. V No. September : 8-85 Estmator erel [] Fgs kerel yag mm dpaka adala gs destas da basaya dlegkap dega asms-asms tertet. Jka X X X... 8 sampel radom dar X sat dstrbs destas da sat gs terbatas da post yag meme sat sebaga berkt: Maka gs yag meme sat d atas dsebt dega erel berorder-r. sat-sat laya adala bawa merpaka gs destas da smetrk sektar ol. I ddasarka atas keyataa bawa: y ( y) dy da y ( y) dy. erel aka dgaka tk megkostrkska estmator destas oparametrk dar x yat: Dega pegals kerel yag aka memegag peraa ˆ x dalam medeska estmator ( ) da meetka varas da basya. Beberapa coto gs erel:. erel Uorm: I. erel Tragle: I 3. erel Epaeckov: I 3. erel Qartc: I 5 6 35 3 3 5. erel Trwegt: I 6. erel Gassa: dmaa I adala gs karakterstk. Coto: ( y) dy ˆ ( x) I exp I jka jka r erel Uorm: I aka dtjkka bawa d jka r tk sat blaga r x X...(*) jka jka x X jka jka d d d d Sat-sat Statstk Destas erel Msalka pegamata varabel radom X N yag berdstrbs depede da detk dega destas. Estmas destas kerel berdasarka da parameter yat: Badwdt Fgs destas kerel Dalam estmator kerel parameter pegals merpaka pegotrol kesembaga atara kesesaa krva teradap data da kemlsa krva maka sagat petg tk meetka segga estmator yag dperole jga mal. Berkt draka sat-sat statstk destas kerel. Teorema. [3] Jka Bkt: x ˆ dberka ole persamaa (*) maka tk x ˆ tak bas secara asmtots. area X berdstrbs depede da detk maka: ˆ E x E x X E x X E x X dega tk E Jad estmasya tak bas secara asmtots. Sat bas dapat jga daalss meggaka ekspas Taylor dar x s dsektar x yag dasmska C (kot deresabel da kal). Teorema. [3] Jka ˆ x dberka ole persamaa (*) maka ˆ Bas x x o dega s s ds. Bkt: Bas ˆ x s ds x s x s ds d ˆ x s x ds x sbstts dperole x s x s ds x s s s x x x o x x s ds x s s ds x s s ds o x! x x o x :!

Pedekata Estmator erel Utk Estmas Destas Mls. (Lala Hayat) dmaa o Jad estmas destas kerel: Terlat bawa bas merpaka gs kadrat dalam. Ole karea t dbtka yag kecl tk merka basya. Teorema.3 [3] Jka ˆ dberka ole persamaa (*) maka var x ˆ x x o dega s ds. Bkt: area X berdstrbs depede da detk maka: Var ˆ x Var x X var x X dmaa 3 s 3! tk dega x x s ˆ x x o Bas E o o s! tk x X x E Terlat bawa varas proporsoal dega. Ole karea t dbtka yag besar tk merka varasya. Hal bertetaga dega basya segga dperatka MSE yag memberka kotrol atara bas kadrat da varas. d x X s x s ds s x s x s x s ds x o x o x o x o d ds tk dega x x s o x o II. PEMBAHASAN Tela dketa secara mm bawa permasalaa tama pada pemls kerel tdak erletak pada pemla kerel tetap pada pemla badwdt. Pemla badwdt mm leb dtekaka pada peyembaga atara bas da varas. Sat permsa masala yag dapat memperlatka bga atara bas da varas adala MSE karea t dega memmmka MSE maka masala atara bas da varas dapat dmmmka jga. Teorema. [3] Jka x MSE x x x o o Bkt: Dar persamaa (.3) maka MSE ˆ x Var ˆ x + Bas ˆ x. D e g a meggaka teorema.6 da.7 maka dperole: MSE ˆ x x x Teorema. [3] o Jka o maka x kosste tk (x). Bkt: Dar teorema 3. terlat bawa jka maka ˆ x ˆ p x. x ˆ adala estmator MSE Dega kata la p mal yag dperole dar arg m MSE mˆ segga dperole teorema berkt: Teorema.3 [3] Jka maka: 5 (). o / / 5 (). MSEmˆ o. Selajtya ddeska badwdt Bkt: (). Dar teorema [3] dkataka bawa x Jka maka Pedekata MSE tk m x ˆ adala x m MSE( mˆ x)= x x m x x x o o 83

J. Pjar MIPA Vol. V No. September : 8-85 dperole: MSE( ) = ˆ m x A B dega A Apabla dambl o /5 x x B m x x MSE mˆ x x x m MSE mˆ 3 A B x A B / 5 m (). Apabla la dperole: MSE mˆ x A m x x x x dperole: / 5 dsbstts ke MSE ˆ o / 5 m B x /5 / 5 5 x m A / 5 / 5 B x x x / 5 m / 5 Coto smlas estmas destas erel Bagamaa pegar gs erel (Tragle Parze Gassa) da badwdt (=.;.5;.;.5). Msalka: Y st t sort( ()) ~ N Estmas destas oparametrk dega meggaka kerel d atas dtjkka pada gambar berkt : 8

Dar tampla gambar da 3 dapat dbat kesmpla yat:. Dega badwdt yag tetap tdak ada perbedaa sgka secara vsal (grak) dega berbaya gs kerel.. Dega gs kerel yag tetap terdapat perbedaa yag sgka secara vsal (grak) dega berbaya badwdt. Dmaa semak besar badwdt maka gars grak yag daslka semak mls. III. ESIMPULAN DAN SARAN Dar raa d atas dapat dsmplka bawa tk megestmas gs destas jka ormas model dstrbs X tak dketa maka dapat destmas dega meggaka pedekata oparametrk. Sala sat pedekata oparametrk dega meggaka tekk pemls kerel. Tgkat kemlsa gs estmas dtetka ole parameter pemls. Semak besar parameter pemlsya semak mls gs estmasya da sebalkya. Adap sara yag dapat dkemkaka adala: perl dlajtka pembaasa pada masala gs kerel yag laya sela erel Tragle erel Parze da erel Gassa dega badwdt yag bervaras da perl dkaj jga tekk tk megestmas gs mls yag laya. Pedekata Estmator erel Utk Estmas Destas Mls. (Lala Hayat) DAFTAR PUSTAA [] Hardle W. 99. Appled Noparametrc Regresso Aalyss. Cambrdge Uversty Press Cambrdge. [] Hardle W. 99. Smootg T ecqes W Implemetato S. Sprger Verlag New York [3] Hardle W. 99. Samplg Tecqe. Sprger Verlag Lodo. [] Hayat L.. Regres Noparametrk Utk Megestmas Total Poplas Bergga. Jral Peelta Uverstas Mataram. (5): -8. 85