buat ad1-kusus noe

Posted: June 6, 2010 in Uncategorized

disini

Advertisements

my prendz’s poem

Posted: June 5, 2010 in Uncategorized

Baringkan lelahmu di pundakku. Dan selubung malam adalah pelindung dari para dewata.Ditaburinya tidurmu dengan btir-butir mimpi. Dan anginnya pun membelai wajahmu dengan lembutnya. Rebahkan gelisahmu pada pangkuannku dan cakrawala an luas akan menampung paras jelitamu. Disisipkannya senyum yang indah di sela bi2rmu hingga esok pagi menyambut dengan gembita. Matamu kini terbenam di ufuk timur tak ada ambisi yang tersisa, hanya kepasrahan pada malam yang memelukmu. Dan di sisimu berjga malaikat dg kembang di tangannya. Selamt malam dan selamat tidur. Q betulkan letak bantalmu pelan2 agar kau tak bangun hingga kelak matahari akan menjemputmu di pagi nan cerah.

aries:
when u feel all alone in this worldmand there’s nobidy to count your tears, just remember no matter where u are….allah knows

mb ajeng:
do your best, always run faster as u can. eventhough there is a little chance

danu:
qt lahir hanya dengan 1 jantung. hati terletak jauh dibawah tulang rusuk. inimengingatkan agar qt menghargai dan memberikan cinta dari lubuk hati yang dalam. belajarlah untuk mencinta dan dicintai. tapi janganlah u berharap org2 aka mencintaimu sebanyak cinta yang kau berikan. berikan scintamu tanpa mengharap balasan niscaya u dapati cinta ang lebih indah

soal uas multivariat

Posted: June 4, 2010 in Uncategorized

info buat teman2,
1. buat revisi laporan dikumpul hari minggu (6 juni 2010) jam 3 sore di mas adip (keputih utara no 72, warung nur hasan)
2. soal multi uas dikerjakan n dikumpulkan hari kamis jam 10 pagi di meja bu madu…
soal dikerjakan sesuai dengan nrp masing2, coz ada soal genap n ganjil

selamat mengerjakan

soal multi ada disini

MULTIVARIATE MODUL 3

Posted: May 14, 2010 in Uncategorized

Economic sector is the important thingin country development. In ths multivariate analysis, talk about bank classification with 100 milliard until 100 triliun by four indicator vriabel, that are asset, financial capital, asset development, and financial capital. The fourth variable have been gotten the normality, suitable, and dependent variable assumption. From the PCA can be known that the new variable that be shapen are PC1=0.609 +0.578 +0.5 +0.211 dan PC2=-0.235 -0.319 +0.287 +0.872 . After the arithm for the representative’s variable for represent all the beginning variable, can be found that the score is 86.26%. Same with the PCA, the factor analysis can be gotten two claster data that are the first claster factor cash with components, asset variable, own financial capital, and financial capital development and the secod claster factor modal with component asset development. After the arithm for the representative’s variable for represent all the beginning variable, can be found that the score is 86.26%. After get the score and classified them, can be shown that trere is58.3% bank I Indonesia come to the first factor or cash factor and 41.67 % bank come to the classified secod factor or modal factor. And if it be compared between the result in Minitab and SPSS, both of them show the same results, accept the Bartlett and KMO test that can’t be shown by the Minitab.
Key word: PCA, analisis factor, Minitab, SPSS
untuk lebih jelasnya bisa didownload disini

Runtest dan kolmogorov

Posted: October 11, 2009 in Uncategorized
Tags: , ,

1. Pengujian keacakan

Dalam menguji suatu data itu apakah sudah acak tau belum, dapat menggunakan uji Runtest/ uji runtun

Adapun program dengan menggunakan pascal adalah sebagai berikut:

program runtest;
uses wincrt;
type tipelarik=array [1..100] of real;

var e,c,m,z,n1,n2,n:integer;
d,vektor,f:tipelarik;
med,r,expec,vari,nilai_z,a:real;

procedure tukarkan(var a,b:real);
var t:real;
begin
t:=a;
a:=b;
b:=t;
end;

procedure median(vektor:tipelarik;n:integer);
var x:integer;
begin
x:=n div 2;
if n mod 2=0 then
med:=(vektor[x]+vektor[x+1])/2
else
med:=vektor[x+1];
end;

procedure bublesort(var a:tipelarik;n:integer);
var i,j: integer;
begin
for i:=1 to n-1 do
for j:=1 to n-i do
if a[j]>a[j+1] then tukarkan(a[j],a[j+1])
end;

begin
write(‘jumlah data=’);
readln(m);
writeln(‘masukkan data=’);
for e:=1 to m do
readln(d[e]);

f:=d;
write(‘data sebelum diurutkan’);
writeln(f[1]:0:2);

writeln(‘data yang diurutkan=’);
bublesort(d,m);

for c:=1 to m do
writeln(d[c]:0:0);

median(d,m);
write(‘median=’);
write(med:0:2);
writeln;
writeln(‘data awal-median:’);
for z:=1 to m do
begin
f[z]:=f[z]-med;
writeln(f[z]:0:2);
end;

begin
r:=1;
for z:=1 to m do
begin if (f[z]>0) then begin if (f[z+1]<0) then r:=r+1 end
else if (f[z]0) then r:=r+1 end;
end;
write(‘r=’);write(r:0:2);
end;

n1:=0;n2:=0;
for z:=1 to m do
begin
if f[z]>0 then n1:=n1+1
else if f[z]0.05 then writeln(‘data memenuhi asumsi distribusi normal’)
else writeln(‘data tidak memenuhi asumsi distribusi normal’);

end.

2. Pengujian kenormalan

Apabila ingin menguji apakah suatu data yang telah diambil telah memenuhi syrat kenormalan dapat diuji sebagi berikut:

Contoh dengan pascal:

program kolmogorov;
uses wincrt;
type tipelarik=array [1..100] of real;

var i,n,a,e,g,h:integer;
d:tipelarik;
b,rata,sd,vari,jum,f,c:real;

begin

write(‘banyak data:’);readln(n);
writeln(‘masukan datanya:’);
for a:=1 to n do
readln(d[a]);

{mencari rata-rata}
b:=0;
for a:=1 to n do
begin
b:=b+d[a];
end;
rata:=b/n;

{mencari varians}
c:=0;
for a:=1 to n do
begin
c:=c+sqr(d[a]-rata);
end;
f:=c/(n-1);

write(‘rata-ratanya adalah’,’ ‘,rata:0:2);
writeln(‘varians adalah’,’ ‘,f:1:2);

{menghitung nilai z}

for a:=1 to n do
begin
for e:=1 to n do
begin
d[e]:=(d[a]-rata)/sqrt(f);
end;
writeln(‘nilai z-nya adalah ‘,’ ‘,d[e]:0:2);
end;

{mencari f kumulatif}

for i:=1 to n do
begin
write(‘nilai fkum’);
writeln(i);
end;

{mencari Fn(x)}

for g:=1 to n do
for i:=1 to n do
begin
d[g]:=i/n ;
i:=i+1;
end;
write(‘nilainya adalah’);writeln(d[g]:0:2);
end.

Variabel Random

Dalam mempelajari simulasi, sesuatu yang dibuthkan adalah kemampuan dalam membangkitkan bilangan random, dimana apabila merandom sebuah data, maka yang keluar adalah data berdistribusi uniform (0,1). Dalam pembahasan di bawah ini, akan dijelaskan mengenai bagaimana membangkitkan data variable random.
Pembangkitan Bilangan Acak- Pseudorandom Number Generation
Pseudo= semu seolah-olah apa yang dirandomkan berdistribusi uniform (0,1)
Satu hal yang paling sering digunakan dalam pseudorandom generation yaitu dimulai dengan X0, sehingga nantinya akan didapatkan Xn, dimana Xn=aXn-1 modulo m

Misalnya: a=2, m=5 , X0 = 3
X1= 2(1) modulo 5 =1 Xn=aXn-1 modulo m
X2= 2(3) modulo 5 =2 u = Xn/m ~U (0,1)
X3= 2(2) modulo 5 =4 X~U (a,b)
X4= 2(4) modulo 5 =3

Note: modulo adalah sisa hasil bagi suatu bilangan dengan suatu nilai (dalam kasus ini menggunakan nilai m)

Misalkan ada suatu digit angka sebagai berikut:
I = 1
II = 3
III = 7
.
.
.
III … I = …

untuk mengetahui bilangan dengan 32 digit, maka dapat diketahui dengan:
2k-1 dengan k=1,2,..
Sehingga didapatkan III … I(hingga 32 ) =232-1=4294967295

Contoh pembangkitan data variable Random:

1. Distribusi Uniform

Secara random didapatkan U~U (0,1). Apabila diberi batasan (a,b), maka menghasilkan pembangkit variabel random sebagai berikut:
X = U(b-a)+a dengan a=batas atas dan b= batas bawah
2. Distribusi Exponensial
Dapat diketahui bahwa,
f(x)= (1/β)e-x/ β
F(x)= 1- e-x/ β, dengan β=1, maka menjadi F(x)= 1- e-x
Apabila U adalah suatu bilangan random dari data berdistribusi uniform(0,1), maka pembangkit variabel randomnya adalah sebagai berikut:
U = 1-e-x
U-1 =- e-x
1-U = e-x
U = e-x
-x = ln U
x =- ln U

Jawaban Tugas:

1. Distribusi Normal
Dalam membangkitkan data berdistribusi normal dengan menggunakan pascal, dapat dilakukan dengan program sebagai berikut:

program norm;
uses wincrt;

Procedure Normal (mean,variance : real ; Var z1,z2 : real);
Var u1,u2,v1,v2,w,y,x1,x2 : real;
Begin
Repeat
u1 := random;
u2 := random;
v1 := 2 * u1 – 1;
v2 := 2 * u2 – 1;
w := sqr(v1) + sqr(v2);
if w <= 1 then
begin
y := sqrt ((-2*ln(w))/w);
x1 := v1 * y;
x2 := v2 * y;
z1 := sqrt (variance) * x1 + mean;
z2 := sqrt (variance) * x2 + mean;
end
Until w <= 1;
End;

var variance,mean,z1,z2,x:real; i,n:integer;
begin
write('varian='); readln(variance);
write('mean='); readln(mean);
write('n ='); readln(n);
for i:=1 to n do begin
Normal(mean,variance,z1,z2);
writeln(i,'.',z1:5:2,' ',z2:5:2);
end;
end.

setelah dijalankan akan menghasilkan informasi sebagai berikut:
hsl norm baru

2. Distribusi Lognormal
Dalam membangkitkan data berdistribusi lognormal dengan menggunakan pascal, dapat dilakukan dengan program sebagai berikut:

program lognorm;
uses wincrt;

Function Exp (b : real) : real;
Var u : real;
Begin
u := random;
Exp := -b * ln(u);
End;

Procedure Normal (mean,variance : real ; Var z1,z2 : real);
Var u1,u2,v1,v2,w,y,x1,x2 : real;
Begin
Repeat
u1 := random;
u2 := random;
v1 := 2 * u1 – 1;
v2 := 2 * u2 – 1;
w := sqr(v1) + sqr(v2);
if w <= 1 then
begin
y := sqrt ((-2*ln(w))/w);
x1 := v1 * y;
x2 := v2 * y;
z1 := sqrt (variance) * x1 + mean;
z2 := sqrt (variance) * x2 + mean;
end
Until w <= 1;
End;
procedure lognormal(mean,varr : real;
Var zln1,zln2 : real);
Var y1, y2 : real;
begin
Normal (mean,varr,y1,y2);
zln1 := exp(y1);
zln2 := exp(y2);
end;

var mean,varr,z1n1,z1n2:real; i,n:integer;
begin
write(‘mean =’); readln(mean);
write(‘varian =’); readln(varr);
write(‘n =’); readln(n);
for i:=1 to n do begin
lognormal(mean,varr,z1n1,z1n2);
writeln(i,’.’,z1n1:5:2,’ ‘,z1n2:5:2);
end;
end.

setelah dijalankan akan menghasilkan informasi sebagai berikut:

hsl lognorm baru

3. Distribusi Beta
Dalam membangkitkan data berdistribusi Beta dengan menggunakan pascal, dapat dilakukan dengan program sebagai berikut:

program betha;
uses wincrt;
var i,n:integer;x,alfa1,alfa2,a,b,u1,u2,y :real;

Function Eksponensial (beta : real) : real;
Var u : real;
Begin
u := random;
Eksponensial := -beta * ln(u);
End;

Function Gamma (alfa,beta : real) : real;
Var selesai : boolean;
a,b,u,p,y,q,teta,d,u1,u2,v,w,z : real;
Begin
if alfa 1 then
begin
y := -ln((b-p)/alfa);
u := random;
if exp((alfa-1)*ln(y)) >= u then
begin
Gamma := beta * y;
selesai := true
end
end
else
begin
y := exp (ln(p)/alfa);
u := random;
if exp(-y) >= u then
begin
Gamma := beta * y;
selesai := true
end
end
Until selesai;
end
else
if (alfa >0.99999999) and (alfa = 0) then
begin
Gamma := beta * y;
selesai := true;
end
else
if w >= ln(z) then
begin
Gamma := beta * y;
selesai := true
end
Until selesai;
end
End;

Function Beta (alfa1,alfa2,a,b : real) : real;
Var u1,u2,y : real;
Begin
u1 := Gamma (alfa1,1);
u2 := Gamma (alfa2,1);
y := u1/(u1+u2);
Beta := a + (b-a) * y;
End;

begin
writeln(‘masukan banyak data yang diinginkan:’);
readln(n);
writeln(‘masukan batas atas yang diinginkan:’);
readln(a);
writeln(‘masukan batas bawah yang diinginkan:’);
readln(b);
writeln(‘masukan alfa1 yang diinginkan:’);
readln(alfa1);
writeln(‘masukan alfa2 yang diinginkan:’);
readln(alfa2);
for i:=1 to n do
begin
x:=Beta(alfa1,alfa2,a,b);
writeln(‘data bangkitan :’,x:0:4);
end;
end.

Setelah diproses akan memberikan informasi sebagai berikut:

hsl beta baru

4. Distribusi Geometri
Dalam membangkitkan data berdistribusi Geometri dengan menggunakan pascal, dapat dilakukan dengan program sebagai berikut:

program geometr;
uses wincrt;
var i,n:integer;x,p:real;
Function Geometri (p : real) : real;
Var u : real;
Begin
u :=random;
Geometri := ln(u) / ln(1-p);
End;

begin
writeln(‘masukan banyak data yang diinginkan:’);readln(n);
write(‘besar p=’);readln(p);
for i:=1 to n do
begin
x:=Geometri(p);
writeln(‘data bangkitan :’,x:0:4);
end;
end.

Apabila diproses akan memberikan hasil sebagai berikut:

hsl geo baru bgt

VARIABEL RANDOM

4Variabel Random merupakan banyak kemungkinan hasil yang ditransformasikan dalam bilangan real. Apabila ada suatu gambar garis yang membentuk sutu persegi dan di dalamnya diberi garis lagi yang membentuk lingkaran, apabila kita melakukan peleparan yang membentuk suatu titik, maka yang dihasilkan adalah dapat diketahui perbandingan luasan persegi dengan luasan lingkaran sebanding dengan banyaknya pelemparan yang jatuh di dalam lingkaran dan persegi yang hal ini dapat digunakan dalam menentukan besarnya nilai phi . Untuk lebih jelasnya akan diperlihatkan garisnyalbh enak

Apabila diambil jari-jari sebesar 1 cm, dengan x sebagai sumbu mendatar dan y sumbu tegaknya, maka X2+Y2=1 dengan x dan y berdistribusi N (0,1).
Maka untuk mencari nilai dari phi dengan kasus di atas adalah sebagai berikut:

algortm

UNBIAS

Kata unbias sering kali dipergunkan dalam menganalisa suatu data itu baik atau tidak. Data yang baik adalah data yang tidak bias atau unbias. Suatu data dikatakan tidak bias jika nilai ekspektasinya mendekati nilai parameter yang diduga.

Contoh kasus:

Misalkan terdapat populasi 10, 20, 30 dengan = 20, apabila dilakukan pengambilan sampel sebanyak 2, maka hasilnya dalah sebagai berikut:
untitled

Setelah membuktikan ketidakbiasan dari suatu data, sekarang giliran menguji ketidakbiasan varians pada suatu data.
1. Membangkitkan data populasi dengan n=100, dimana x berdistribusi N(60,1): calc>>random data>>normal

3

2. Mengambil sampel sebanyak 10 : calc >> random data>> sample from columns
2

3. Setelah itu menghitung varians sampel dan varians populasi dari masing-masing sampel, sehingga menghasilkan data sebagai berikut:

1

4. Menghitung rata-rata pada varians sampel da varians populasi

5. Menghitung variansi sampel sebenarnya, kemudian membandingkannya dengan cara no 4
Setelah didapatkan data seperti pada no 3, nilai ekspektasi varian baik varian pada sampel maupun pada populasi hamper mendekati varians sebenarnya, apaladi kalau langkah ini dilakukan sebanyak 1000 kali, nilainya semakin mirip dengan nilai sebenarnya.