Hasil Pencarian  ::  Simpan CSV :: Kembali

"Pada penelitian ini, diperkenalkan sebuah distribusi yang disebut distribusi Pareto Positive Stable. Distribusi tersebut merupakan distribusi yang dibangun dengan menggunakan transformasi Laplace dari shape parameter pada distribusi Pareto. Selain itu, distribusi Pareto Positive Stable juga didapat dari tranformasi terhadap distrbusi Weibull. Transformasi yang digunakan adalah transformasi exponentiation serta transformasi multiplication by constant. Distribusi Pareto Positve Stable memiliki kelebihan yaitu bentuk fungsi kepadatan peluang berbentuk monoton turun maupun berbentuk unimodal. Selain itu, distribusi Pareto Positive Stable dapat memodelkan data severitas klaim dengan karakteristik data heavy tailed. Berdasarkan penaksiran paramater dengan menggunakan penaksiran maximum likelihood pada data klaim asuransi kendaraan bermotor, kemudian dilakukan perbandingan menggunakan distribusi Lognormal dengan menggunakan AIC dan BIC, didapat bahwa distribusi Pareto Positive Stable lebih baik dalam memodelkan severitas klaim asuransi kendaraan bermotor.

---

In this study, it introduced a distribution called the Pareto Positive Stable distribution. The distribution is a distribution that is built using the Laplace transform of the shape parameter in the Pareto distribution. In addition, the Pareto Positive Stable distribution is also obtained from the transformation of the Weibull distribution. The transformations used are exponential transformation and multiplication by constant transformation. The Pareto Positive Stable distribution has the advantage of having the form of a probability density function in the form of a decreasing monotone or a unimodal form. In addition, the Pareto Positive Stable distribution can model claim severity data with heavy tail data characteristics. Based on the parameter estimation using maximum likelihood estimation for motor vehicle insurance claims data, then doing comparison using the distribution with the Lognormal distribution using AIC and BIC, it is found that the Pareto Positive Stable distribution is better in modeling the severity of motor vehicle insurance claims."

"Analisis data lifetime sangat penting dalam berbagai bidang ilmu pengetahuan seperti biomedis, teknik, dan ilmu kemasyarakatan. Pemodelan data tersebut dilakukan dengan menggunakan fungsi hazard dari distribusi lifetime seperti distribusi eksponensial, Weibull, lognormal, dan juga gamma. Namun, keempat distribusi tersebut tidak dapat memodelkan fungsi hazard berbentuk bathtub. Padahal, fungsi hazard berbentuk bathtub adalah yang paling sering ditemukan dalam kehidupan nyata. Oleh karena itu, akan dibentuk distribusi generalized Lindley yang lebih fleksibel dalam memodelkan fungsi hazard. Distribusi tersebut merupakan perumuman dari distribusi Lindley dengan menggunakan transformasi exponentiation. Kemudian, karakteristik-karakteristik dari distribusi generalized Lindley juga akan ditelusuri. Selanjutnya, analisis bentuk dari fungsi hazard akan menunjukkan bahwa distribusi generalized Lindley dapat memodelkan data dengan fungsi hazard yang berbentuk monoton naik, monoton turun, dan juga bathtub. Setelah itu, penaksiran parameter distribusi generalized Lindley akan dilakukan dengan metode yang paling umum digunakan yaitu metode maximum likelihood. Simulasi dengan membangkitkan data menggunakan software juga akan dilakukan dengan bantuan metode Newton-Raphson untuk melihat penaksiran parameter dari distribusi generalized Lindley.

---

Analysis of lifetime data is very important in various fields such as biomedical science, engineering, and social science. The modelling of lifetime data is done by using hazard function of lifetime distributions such as exponential, Weibull, lognormal, and gamma distribution. However, these four distributions cannot model data with bathtub-shaped hazard function even though it is the one mostly found in real life situation. Therefore, more flexible distribution called generalized Lindley distribution is introduced to model hazard function. The distribution is created by using transformation called exponentiation to generalize the Lindley distribution. Afterwards, some characteristics of generalized Lindley distribution will be discussed. Analysis of the hazard function will show that generalized Lindley distribution can models data with increasing, decreasing, and bathtub-shaped hazard function. In addition, parameter estimation of the distribution will be done by the usual method which is maximum likelihood estimation. Lastly, simulation using software-generated data will be displayed with help from Newton-Raphson numerical method to see the parameter estimation of generalized Lindley distribution."

"Tugas akhir ini membahas tentang distribusi Weibull-Pareto yang merupakan distribusi probabilitas kontinu yang dibangun dengan menggunakan metode Transformed-Transformer. Distribusi Weibull-Pareto dapat menggambarkan data yang menceng kanan, menceng kiri, atau simetris serta dapat menggambarkan data yang mempunyai light-tailed maupun heavy-tailed. Pembahasan meliputi fungsi kepadatan probabilitas, fungsi distribusi, fungsi survival, dan fungsi hazard. Kemudian dicari karakteristik-karakteristik dari distribusi Weibull-Pareto yang meliputi modus, persentil, dan fungsi pembangkit momen. Terakhir dicari taksiran parameter dari distribusi ini dengan menggunakan metode Alternative Maximum Likelihood (AML). Simulasi data juga dilakukan sebagai ilustrasi.

---

This paper discusses about Weibull-Pareto distribution, the continuous probability distribution which arised by Transformed-Transformer method. The Weibull-Pareto distribution gives a good fit to right skew, left skew, or symmetric. In particular, Weibull-Pareto distribution can solve light tailed or heavy tailed problem. At first, we study about probability density function, cumulative distribution function, survival function, and hazard function. Then, we find the characteristic of Weibull-Pareto distribution, that is mode, percentile, and moment generating function. Finally, we estimate the parameters of Weibull-Pareto distribution using Alternative Maximum Likelihood (AML) method. Simulation data is used as illustration."

"Distribusi Beta-Pareto merupakan distribusi kontinu yang dapat memodelkan data yang unimodal dan heavy-tailed. Distribusi Beta-Pareto merupakan hasil pengkombinasian antara distribusi Pareto dan distribusi Beta menggunakan distribusi Beta-Generated. Pada tugas akhir ini akan dibahas mengenai pembentukan distribusi Beta-Pareto, fungsi kepadatan probabilitas, dan karakteristik-karakteristik distribusi Beta-Pareto lainnya. Penaksiran parameter dari distribusi Beta-Pareto menggunakan metode maksimum likelihood. Sebagai ilustrasi, akan digunakan data debit aliran air sungai Sunter selama setahun pada tahun 1995 yang akan dimodelkan dengan distribusi Beta-Pareto.

---

Beta-Pareto distribution is a continuous distribution which can model unimodal and heavy-tailed data. Beta-Pareto distribution is derived from Pareto distribution and Beta distribution using the Beta-Generated distribution. It will be explained how to construct the Beta-Pareto distribution, probability density function, and other characteristics of Beta-Pareto distribution. Maximum likelihood method is used for estimating Beta-Pareto?s parameters. Discharge rates of the Sunter River in 1995 are used to illustrate the applicability of Beta-Pareto distribution."

"ABSTRAKTugas akhir ini membahas mengenai distribusi Gamma-Pareto yang merupakandistribusi probabilitas kontinu yang diperoleh dengan melakukan metodetransformed-transformer pada distribusi Gamma dan distribusi Pareto. Metode inidiperkenalkan oleh Alzaatreh. Distribusi Gamma-Pareto dapat mengatasi masalahkemencengan dan heavy-tail. Beberapa karakteristik distribusi akan dipelajari,seperti fungsi kepadatan probabilitas, fungsi distribusi, fungsi survival, fungsihazard, modus, dan momen ke-r. Kemudian, dicari estimasi parameter denganmenggunakan metode alternatif maksimum likelihood. Pada akhirnya, dataBirnbaum dan Saunders (1969) digunakan sebagai ilustrasi.

---

ABSTRACTThis paper discusses about Gamma-Pareto distribution, the continued probabilitydistribution which is obtained by using transformed-transformer method inGamma and Pareto distribution. This method is introduced by Alzaatreh. Gamma-Pareto distribution can solve skewness and heavy-tail problem. First, somecharacteristics of distribution will be studied, such as probability density function,distribution function, survival function, hazard function, mode, and rth moment.Then, parameter estimation will also be studied by using alternative maximumlikelihood. Finally, a set of data Birnbaum dan Saunders (1969) will be used asillustration."

"

Salah satu tujuan dari pemodelan statistika adalah untuk melihat dan menganalisis peluang dari suatu kejadian dimana kejadian biasanya dapat direpresentasikan dengan data. Distribusi peluang yang akan digunakan untuk pemodelan data perlu memiliki beberapa kemampuan seperti fleksibel dalam memodelkan berbagai macam bentuk data. Pada penelitian ini, diperkenalkan suatu distribusi komposit Exponential-Pareto, yang memiliki kesamaan fungsi kepadatan peluang (FKP) seperti distribusi exponential sampai suatu titik batas tertentu dan kesamaan FKP seperti distribusi Pareto type-I dari titik batas tertentu tersebut hingga tak hingga. FKP dari distribusi komposit memiliki bentuk yang mirip dan ekor yang lebih tebal daripada FKP distribusi exponential, namun tidak lebih tebal daripada FKP distribusi Pareto type-I. Model yang digunakan untuk mengembangkan distribusi komposit adalah model parametrik komposit yang diperkenalkan oleh Cooray dan Ananda (2005). Pada model ini, baik distribusi exponential maupun distribusi Pareto type-I diberi bobot yang sama. Berdasarkan hasil yang diperoleh, ternyata distribusi komposit Exponential-Pareto masih memiliki keterbatasan dalam memodelkan data. Oleh karena itu, dalam penelitian ini diperkenalkan dua distribusi komposit Exponential-Pareto lainnya sebagai alternatif. Dua distribusi komposit ini didasari pada model two-component mixture yang diperkenalkan oleh Scollnik (2007). Distribusi alternatif pertama adalah distribusi komposit Exponential-Pareto yang direinterpretasi berdasarkan model two-component mixture dengan nilai bobot campuran yang bersifat fixed. Distribusi alternatif kedua adalah distribusi komposit-Exponential-Pareto yang memiliki nilai bobot campuran tidak fixed, supaya distribusi tersebut lebih fleksibel dan mampu dalam memodelkan data yang beragam. Distribusi komposit Exponential-Pareto memiliki momen ke-  yang hanya terdefinisi untuk beberapa  sehingga distribusi ini masuk kedalam kategori distribusi heavy tail. Hasil dari distribusi komposit ini memiliki karakteristik unimodal, right skewed, dan heavy tail sehingga distribusi komposit mampu memodelkan suatu data dengan karakteristik yang serupa. Sebuah ilustrasi data disajikan sebagai demonstrasi penerapan distribusi komposit Exponential-Pareto dalam memodelkan suatu data.

 

---

One of the few goals of statistical modeling is to see and analyze the probability from an event in which can be represented with data. Probability distribution that will be used for modeling data should have some abilities such as flexibility for modeling different kinds of data. In this paper, we introduce a composite Exponential-Pareto distribution, which equals an exponential density up to a certain threshold value, and a Pareto type-I density for the rest of the model. Compared with the exponential distribution, the resulting density has a similar shape and a larger tail, while being compared with the Pareto distribution, the resulting density has a smaller tail. A method to develop a composite distribution is called as composite parametric modeling, which introduced by Cooray and Ananda (2005). In this model, both the exponential distribution and the Pareto type-I distribution has the same weight. Based on the result, composite Exponential-Pareto distribution has some limitations which are likely to severely curtail its potential for practical application to real world data sets. In order to address these issues, there are two different composite Exponential-Pareto distributions based on exponential and Pareto type-I distributions in order to address these concerns. These two different composite Exponential-Pareto distributions are based on two-component mixture model introduced by Scollnik (2007). The first distribution, which is a reinterpreted composite Exponential-Pareto distribution from the first composite Exponential-Pareto distribution based on the two-component mixture model, has a fixed mixing weight. While the second distribution is a composite Exponential-Pareto distribution with a mixing weight that is not fixed so the distribution can be more flexible and could model different kinds of data. Composite Exponential-Pareto distribution has -th raw-moment that only defined for some  Therefore, this distribution can be categorized as a heavy tail distribution. The result of this research is a composite distribution that could model a lot of data with characteristics such as unimodal, right skewed, and heavy tail because the composite distribution has similar characteristics. A data illustration was presented as a demonstration for how to implement the composite Exponential-Pareto distribution.

 

"

"Pemodelan jumlah klaim mengklaim salah satu topik paspor adalah praktik lapangan. masalah ini sering ditemukan dalam model ingthataatais persebaran. Poisson dributiontion yang digunakan dalam pemodelan sumber klaim tidak dapat digunakan sebagai fakta overproperti penyebaran.Oleh karena itu, distribusi yang distandarisasi di luar negeri dapat dimanfaatkanjumlah klaim yang mengklaim pengungkapan properti yang dibutuhkan. Dalam tulisan ini, analternatif menerima distribusi yang dihasilkan, yaitu Distribusi Umum Biomial Negatif-Negatif Distribusi adalah distribusi distribusi negatif negatif dan distribusi Membalik Gaussie dan distribusi metameterisasi pada parameter negatif Distribusi binomial yaitu p = exp (), di mana nilai variabel acak acak yang didistribusikan Inverse Gaussian. Distribusi eksternal ini adalah unimodal, hasa tebal thailand hasa positif menghasilkan kewajiban koefisien. Dalam tesis tingkat bawah, kemungkinan serangan dan komitmen faktorial dari distribusi NB-IG yang didistribusikan. Berarti, varians, skewness danurturtasthasic properties ofNB-IG distribusi disajikan dan parameter pengujian diperlakukan melalui survival maksimum maksimum metode estimasi. Kepenuhan distribusi NB-IG diilustrasikan oleh data nyata set.

---

One topic of passports is field practice. this problem is often found in modeling the data distribution. tion used in modeling claims sources cannot be used as a fact of overproperty distribution. Therefore, standardized distributions abroad can be used the number of claims claimed In this paper, accept the resulting distribution, namely General Negative-Negative Biomial Distribution, Distribution is negative negative distribution and Gaussie Reverse distribution and metameterization distribution on negative parameters, binomial distribution ie p = exp (), where the variable value Varies Published InverseGaussian. This external distribution is immunodal, Thailand has a positive potential to produce the coefficient obligation. In the lower-level thesis, attacks and factorial commitments from the distributed NB-IG distribution are published. Means, variants, skewness and strictness of the properties of NB-IG distribution are presented and test parameters are approved through maximum maximum survival estimation method. The fullness of the NB-IG distribution is illustrated by real data sets."

"Data waktu survival sering kali berdistribusi skewed. Dibandingkan dengan mean, median lebih sedikit dipengaruhi oleh data skewed sehingga lebih menarik untuk menganalisis median populasi dibandingkan dengan mean populasi. Median sampel acak merupakan estimator untuk median populasi. Distribusi asimptotik dari median sampel acak telah diketahui berdistribusi Normal. Namun, aproksimasi ini bekerja dengan baik untuk sampel acak yang berukuran cukup besar dan normalitas tidak berlaku pada sampel acak berukuran kecil. Dalam skripsi ini, diperkenalkan keluarga distribusi dari median sampel acak dari sembarang distribusi survival. Keluarga distribusi ini dibentuk dengan menggunakan statistik terurut dan mengasumsikan sampel acak berukuran ganjil. Sebagai kasus khusus, distribusi Bilal diperoleh dengan mengasumsikan sampel acak berukuran 3 dari distribusi Exponential. Distribusi Bilal dapat digunakan sebagai alternatif untuk memodelkan data waktu survival yang berbentuk upside-down bathtub, skewed positif, lancip, dan memiliki fungsi hazard yang berbentuk monoton naik. Penaksiran parameter distribusi Bilal dilakukan dengan menggunakan metode maximum likelihood estimation. Sebagai ilustrasi, dilakukan pemodelan data waktu tunggu hingga nasabah bank dilayani menggunakan distribusi Bilal dan distribusi pembanding, yaitu distribusi Rayleigh, Lindley, serta Half-Logistic. Hasil pemodelan menunjukkan bahwa distribusi Bilal lebih baik dalam memodelkan data tersebut dibandingkan dengan distribusi lainnya.

---

Survival times data often exhibit skewed distributions. Compared to the mean, median is less affected by skewed data, so it is more interesting to analyze the population median than population mean. Median of a random sample serves as an estimator for the population median. Distribution of the median of a random sample is known to be asymptotically Normal. However, the approximation works well when the sample size is sufficiently large and the normality on small samples should not be expected. This study introduces a family of distributions for the median of a random sample from any survival distribution. It is constructed using ordered statistics when assuming an odd sample size. Bilal distribution, a special case, is obtained when assuming a random sample of size 3 from an Exponential distribution. Bilal distribution offers an alternative to model survival times data with an upside-down bathtub, positively skewed, and taper shape, and monotonically increasing hazard function. Bilal distribution’s parameter is estimated by maximum likelihood estimation method. As an illustration, waiting times before service of bank customers data is modeled using Bilal distribution along with Rayleigh, Lindley, and Half-Logistic distributions as comparisons. Result shows that Bilal distribution outperforms other distributions in modeling the data."

"Distribusi Poisson adalah distribusi yang sangat banyak dipakai dalam pemodelan data cacahan. Namun, distribusi Poisson memiliki keterbatasan yaitu kesamaan antara nilai mean dan variansi (equidispersi) dari data yang akan dimodelkan, sehingga distribusi Poisson tidak cocok digunakan untuk memodelkan data yang tidak memenuhi syarat tersebut. Kasus overdispersi (variansi lebih besar daripada nilai mean) dan underdispersi (variansi lebih kecil daripada nilai mean) sering kali ditemukan dalam kasus riil. Oleh karena itu, distribusi baru perlu dikembangkan dalam menangani data dengan kasus ini. Salah satu distribusi yang dapat menangani kasus ini adalah distribusi hyper-Poisson. Distribusi ini dapat diturunkan melalui hubungan rekursif dari keluarga distribusi Lagrangian Katz yang merupakan keluarga distribusi data cacahan. Distribusi ini juga dapat diklasifikasi berdasarkan parameternya, sehingga dapat digunakan untuk mengatasi kasus overdispersi dan underdispersi secara fleskibel. Pada skripsi ini dijelaskan mengenai pembentukan fungsi distribusi hyper-Poisson, karakterisitik dari distribusi hyper-Poisson, dan penggunaan distribusi hyper-Poisson dalam memodelkan data riil terkait kasus overdispersi dan underdispersi.

---

The Poisson distribution is a distribution that is very widely used in count data modeling. However, the Poisson distribution has a limitation, namely the equality between the mean and variance values (equidispersion) of the data to be modeled, so the Poisson distribution is no longer suitable for modeling data that does not meet this condition. Cases of overdispersion (variance greater than the mean value) and underdispersion (variance smaller than the mean value) are often found in real cases. Therefore, new distributions need to be developed to handle data with these cases. One distribution that can handle this case is the hyper-Poisson. This distribution can be derived through the recursive relation of the Lagrangian Katz family of distribution, which is a family of distribution of count data. This distribution can also be classified based on its parameter, so it can be used to handle overdispersion and underdispersion cases flexibly. This thesis studies how to generate the distribution function of the hyper-Poisson distribution, the characteristics of the hyper-Poisson distribution, and the use of the hyper-Poisson distribution in modeling real data related to overdispersion and underdispersion cases."