Article Per Year (5 Year)
p-Index From 2019 - 2024
0.444
P-Index
This Author published in this journals
All Journal Fraktal: Jurnal Matematika dan Pendidikan Matematika
Christine Krisnandari Ekowati
Pendidikan Matematika FKIP Undana
Mathematics

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Admissibilitas dan Inadmissibilitas dari Estimator Klasik dan Invers Christine Krisnandari Ekowati
Fraktal : Jurnal Matematika dan Pendidikan Matematika Vol 1 No 1 (2020): November 2020
Publisher : Universitas Nusa Cendana

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (602.004 KB) | DOI: 10.35508/fractal.v1i1.2510

Abstract

Dari data berpasangan (x1,y1), (x2,y2), … , (xn,yn) dimana xi tertentu atau terkontrol oleh pengamat, pengukuran xi akurat tetapi mahal biayanya atau dalam pengertian menghabiskan waktu, sedangkan yi kurang akurat tetapi lebih mudah diperoleh. Observasi yang akan datang yo dapat digunakan untuk mengestimasi xo yang tidak terobservasi, dapat diambil beberapa observasi, katakan ada k pada xo yang tidak terobservasi. Selanjutnya rumusan masalahnya adalah bagaimana menentukan admissibilitas serta inadmissibilitas dari estimator klasik dan invers. Metode penulisan dalam karya ilmiah ini adalah studi pustaka dengan mensitesa beberapa konsep tentang regresi terapan, estimasi titik, admissibilitas dan inadmissibilitas suatu estimator, kalibrasi linear. Kesimpulan akhir yang diperoleh adalah sebagai berikut: (1) Estimator klasik inadmussubilitas yang ditunjukan dengan jalan menentukan suatu estimator lain yaitu estimator dari jenis Shrinkage yang mendominasi estimator klasik, (2) Estimator invers admissibilitas yang ditentukan dengan jalan menunjukan bahwa estimator tersebut adalah mean posterior dari 0 untuk fungsi kerugian galat kuadrat.
Perbandingan Estimator Histogram dan Estimator Kernel Christine Krisnandari Ekowati
Fraktal : Jurnal Matematika dan Pendidikan Matematika Vol 2 No 1 (2021): Mei 2021
Publisher : Universitas Nusa Cendana

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (595.931 KB) | DOI: 10.35508/fractal.v2i1.4036

Abstract

One of the important things in statistical analysis is the quarterly report of the probability density function which is called the density function. There are two approach methods that are usually used, namely the parameter approach associated with certain distribution assumptions and the non-parametric density calculation method. The non-parametric method that we often encounter is the histogram method. Some of the weaknesses of the histogram method become a reference for developing other methods, namely the kernel method, where the kernel density estimator has a parameter that needs to be estimated, namely the bandwidth h. The problem formulation in this literature review is how to choose the bandwidth from the kernel density estimator in a density function f in R and compare it with the histogram estimator. The conclusions that can be drawn include: (1) The estimated density of the histogram is: dengan , (2) The kernel density estimator is: , (3) The kernel estimator overcomes the weaknesses of the histogram estimator, (4) The convergence rate of the kernel estimator is better than the histogram, (5) The selection of bandwidth with the asymptotically unbiased cross validation (least cross validation) method produces the optimum bandwidth.
Co-Authors