Motivation 9:30 Prinsip prosedur statistika: Random sampel

Slides:



Advertisements
Presentasi serupa
Peluang.
Advertisements

EKSPEKTASI DAN VARIANSI
METODE STATISTIKA Pertemuan III DISTRIBUSI SAMPLING.
BAGIAN - 8 Teori Probabilitas.
7 Sebaran Penarikan Contoh/Sampel dan Penduga Titik Bagi Parameter.
E  X   danVar   x    2 / n kecil disebabkan karena Var    x    lebih kecil daripada Var (X). Kesimpulan didapat MODUL KULIAH STATISTIKA.
THE RATIO ESTIMATOR VARIANCE DAN BIAS RATIO PENDUGA SAMPEL VARIANCE
Pertemuan 6 UJI HIPOTESIS
PENGERTIAN DAN PROSEDUR SIMPLE RANDOM SAMPLING
Pendugaan Parameter.
SUPLEMENT SURVEI CONTOH
Pengujian Hipotesis.
TRANSFORMASI RANDOM VARIABEL
Modul 7 : Uji Hipotesis.
Sebaran Bentuk Kuadrat
Kuliah ke-3 MATERI SURVEI.
10 Uji Hipotesis untuk Dua Sampel.
PENGERTIAN DAN PROSEDUR
Pendahuluan Landasan Teori.
Probabilitas dan Statistika BAB 7 Distribusi Sampling
DOUBLE SAMPLING FOR STRATIFICATION
PENARIKAN SAMPEL Mugi Wahidin, M.Epid Prodi Kesehatan Masyarakat
Pendugaan Parameter.
Pendugaan Parameter dan Besaran Sampel
Selamat Bertemu Kembali Pada M. Kuliah STATISTIKA
Pendugaan Parameter.
VI. ESTIMASI PARAMETER Estimasi Parameter : Metode statistika yang berfungsi untuk mengestimasi/menduga/memperkirakan nilai karakteristik dari populasi.
Probabilitas & Distribusi Probabilitas
Kuliah ke 12 DISTRIBUSI SAMPLING
DISTRIBUSI PROBABILITAS MARGINAL & BERSYARAT
Ekonometrika Metode-metode statistik yang telah disesuaikan untuk masalah-maslah ekonomi. Kombinasi antara teori ekonomi dan statistik ekonomi.
Prepared by : M. Dokhi, Ph.D. 9:41 1 of 45 VARIABEL & DATA SET DALAM PENELITIAN STATISTIK VARIABEL & DATA SET DALAM PENELITIAN STATISTIK.
BAGIAN - 8 Teori Probabilitas.
SAMPLING DAN DISTRIBUSI SAMPLING
Dasar probabilitas.
Distribusi Sampling Tujuan Pembelajaran :
DISTRIBUSI PROBABILITAS KONTINYU TEORITIS 2
DISTRIBUSI DARI FUNGSI VARIABEL RANDOM
DISTRIBUSI SAMPLING Pertemuan ke 10.
Statistika Inferensi : Estimasi Titik & Estimasi Interval
ESTIMASI.
Statistika Multivariat
Fungsi distribusi dari Y adalah : G(y)=Pr(Y≤y)=Pr(u(X ≤y)=Pr(X≤w(y))=
PROBABILITY DAN JOINT DENSITY FUNCTION
METODE PENARIKAN SAMPEL (SAMPLING)
1 Pertemuan #2 Probability and Statistics Matakuliah: H0332/Simulasi dan Permodelan Tahun: 2005 Versi: 1/1.
Bab 5 Distribusi Sampling
STATISTIK DASAR SETELAH UTS
Masih ingatkah kontrak minggu kemarin?
STATISTIKA INFERENSIAL
Distribusi Normal.
METODE DISTRIBUSI DAN SAMPLING
SAMPLING DAN DISTRIBUSI SAMPLING
Statistika Industri Week 2
STATISTIK II Pertemuan 4: Distribusi Sampling Dosen Pengampu MK:
Distribusi Sampling.
Apa itu Statistik? Apa Peranan statistik?.
Distribusi Variabel Random
Estimasi.
Statistika Multivariat
Kelompok 5 Nama Kelompok : Ari Eka Saputri Rani Haryani Syafira Ulfah
INFERENSI.
Distribusi Sampling.
Bab 5 Distribusi Sampling
STATISTIK II Pertemuan 3-4: Metode dan Distribusi Sampling
Teori Penarikan Sampel
TEORI PENDUGAAN SECARA STATISTIK
Hasil analisis dari pengukuran kadar glukosa darah sewaktu-waktu sejumlah 100 orang didapat rata-rata 152 mg% dan S = 55 mg%. Dapatkanlah probabilitas.
Distribusi Sampling Menik Dwi Kurniatie, S.Si., M.Biotech.
Transcript presentasi:

Motivation 9:30 Prinsip prosedur statistika: Random sampel 2017/4/6 Motivation Prinsip prosedur statistika: Random sampel Populasi (N) Sampel (n) Estimasi perameter Contoh: Ingin mengestimasi mean populasi Secara intuitive kita mengambil sampel observasi sebanyak n lalu menghitung sebagai estimasi bagi 9:30 ミニセミ

Motivation 9:30 Estimate/estimasi/realisasi sampel Seberapa tepat 2017/4/6 Motivation Estimate/estimasi/realisasi sampel Seberapa tepat Bergantung pada para r.v. dan efek mereka terhadap distribusi dari estimator: Estimator/Statistik /R.V. Ukuran ketepatan estimasi Karena adalah salah satu kemungkinan sampel dari All Possible Samples, maka kita tertarik terhadap 9:30 ミニセミ

2017/4/6 Motivation Karena adalah merupakan salah satu nilai dari r.v. , sehingga akan dapat dihitung jika pdf dari diketahui / bisa diturunkan Karena maka pdf dari bergantung pada joint pdf dari 9:30 ミニセミ

Motivation 9:30 Dalam aplikasi, adalah random sample artinya: 2017/4/6 Motivation Dalam aplikasi, adalah random sample artinya: saling independent masing2 berdistribusi identik i.i.d= independent identical distribution Asumsi independent akan terpenuhi jika (infinite) atau (finite) tetapi cukup besar Asumsi identik merupakan konsekuensi logis mengingat semua kemungkinan nilai dari masing-masing adalah sama, yaitu nilai-nilai observasi dari populasinya Sehingga berlaku: Dalam teori sampling: Random sample adalah sampel yg diambil sedemikian rupa sehingga setiap elemen dari populasi memiliki peluang yang sama untuk terpilih sebagai sampel 9:30 ミニセミ

Motivation 9:30 Dengan adanya asumsi i.i.d dari maka pdf dari 2017/4/6 Motivation Dengan adanya asumsi i.i.d dari maka pdf dari dapat dicari dengan metode transformasi r.v. yang disebut sebagai metode MGF Efektif untuk continuous r.v. univariate Metode CDF Metode secara umum (metode Jacobian) Transformasi R.V. Metode PDF Efektif hanya untuk kasus random sampel Metode MGF Berdasarkan uniqueness theorems: Dua buah R.V. berdistribusi sama MGF-nya sama 9:30 ミニセミ

Contoh Kasus Y=3X-1 (dalam satuan ratus ribu) 9:30 Misalkan 2017/4/6 Contoh Kasus Misalkan X = kapasitas produksi suatu mesin giling padi menjadi beras per hari (dalam satuan ton) Dalam hal ini X merupakan r.v., karena produksi per hari akan bergantung kepada operator, kondisi mesin, kondisi gabah yg digiling dll Misal pdf dari X adalah: Jika untuk setiap ton beras mendapat bayaran 300 ribu dengan overhead cost sebesar 100 ribu, maka keuntungan per ton penggilingan padi adalah: Y=3X-1 (dalam satuan ratus ribu) Untuk keperluan estimasi probability keuntungan, perlu diketahui pdf dari Y Y merupakan sebuah r.v. continuous yang merupakan fungsi dari satu buah r.v. lain yaitu X atau secara umum 9:30 ミニセミ

Metode CDF mengsumsikan bahwa jika suatu R.V X memiliki CDF 2017/4/6 Metode CDF Metode CDF: mengsumsikan bahwa jika suatu R.V X memiliki CDF Sehingga kita bisa mengekpresikan CDF Y dalam bentuk yang sama dengan CDF nya X dan pdf y didapat dari 9:30 ミニセミ

Metode CDF 9:30 Untuk kasus mesin giling beras maka: 2017/4/6 Metode CDF Untuk kasus mesin giling beras maka: Batas nilai r.v. X dan nilai r.v. Y: 9:30 ミニセミ

Kasus univariate secara umum 2017/4/6  Kasus univariate secara umum Jika diketahui distribusi r.v. X distribusi dari Y=g(x) ~? Misal: X : Waktu nyala lampu (minggu) Y : Waktu nyala lampu (hari) Y=7X Fungsi dari suatu R.V. adalah juga R.V. Distribusi prob. dari Y, Z, Q diturunkan dari distribusi probabilitasnya X Distribusi prob. dari Y, Z, Q disebut “distribusi turunan” dari R.V. X Fungsi lain yg mungkin menarik adalah, misalnya: 9:30 ミニセミ

Metode CDF: another contoh 2017/4/6 Metode CDF: another contoh Batas: 9:30 ミニセミ

Metode CDF: another contoh lagi 2017/4/6 Metode CDF: another contoh lagi Misal X adalah continuous R.V. dan Y=X2, maka: 9:30 ミニセミ

Metode CDF: bivariate case 2017/4/6 Metode CDF: bivariate case 9:30 ミニセミ

Metode CDF:multivariate case 2017/4/6 Metode CDF:multivariate case Teorema: Batas integralnya adalah fungsi dari y 9:30 ミニセミ

2017/4/6 Metode CDF: contoh 9:30 ミニセミ

CDF method: for exercise 2017/4/6 CDF method: for exercise Misalkan tentukan pdf dari Misalkan tentukan dan identifikasi pdf dari Misalkan tentukan dan identifikasi pdf dari 9:30 ミニセミ