Hasil Pencarian  ::  Simpan CSV :: Kembali

"Data waktu survival adalah data waktu dimana suatu objek pada penelitian bertahan hingga mengalami kejadian yang tertarik untuk diamati. Dalam perkembangan ilmu statistika, telah banyak distribusi yang dikembangkan untuk memodelkan waktu survival. Distribusi-distribusi tersebut pun memiliki beberapa karakteristik yang cocok untuk beberapa tipe objek dan kejadian yang spesifik. Salah satu karakteristik yang dapat ditinjau ialah fungsi hazard di mana fungsi ini memiliki fleksibilitas yang lebih jika dibandingkan dengan kuantitas distribusi yang lainnya, dapat monoton naik, monoton turun, berbentuk bathtub, dan lain sebagainya. Salah satu distribusi yang dianggap memiliki keunggalan dalam memodelkan bentuk hazard ialah distribusi Inverse Lomax. Distribusi ini telah dipakai untuk memodelkan kejadian pada bidang keilmuan tertentu, seperti ekonomi dan geografi. Distribusi ini dianggap unggul karena dapat memodelkan hazard yang berbentuk nonmonoton. Namun, semakin beragamnya fenomena yang terjadi pada kehidupan manusia membuat bidang keilmuan statistika harus mengembangkan distribusi yang dapat lebih fleksibel dalam memodelkan hazard. Untuk menghasilkan bentuk hazard yang lebih fleksibel, sebuah distribusi dapat dimodifikasi dengan distribusi lainnya sehingga membentuk keluarga distribusi, contohnya keluarga distribusi Kumaraswamy Generalized. Keluarga distribusi ini diperkenalkan oleh Cordeiro dkk. Keluarga distribusi Kumaraswamy Generalized berasal dari distribusi Kumaraswamy. Distribusi Kumaraswamy memiliki keunggulan yaitu bentuk fungsi distribusi (CDF) dan fungsi kepadatan probabilitasnya (PDF) memiliki bentuk yang sederhana dan tidak melibatkan fungsi khusus yang rumit. Oleh karena itu, distribusi ini dianggap cocok untuk menjadi ‘alat’ bagi distribusi Inverse Lomax untuk meningkatkan fleksibilitasnya dalam memodelkan hazard. Skripsi ini membahas mengenai pembentukan distribusi Kumaraswamy Generalized Inverse Lomax yang memiliki empat parameter. Selain itu, dibahas pula mengenai penaksiran parameter dari distribusi ini menggunakan metode maximum likelihood. Pada bagian akhir juga diberikan ilustrasi data berupa data waktu survival hingga terjadinya kematian pada pasien penderita kanker tenggorokan berdasarkan penelitian di Northern Carolina, Amerika Serikat. Data tersebut dimodelkan menggunakan distribusi Kumaraswamy Generalized Inverse Lomax dengan distribusi Inverse Lomax sebagai pembanding. Hasil pemodelan menunjukan bahwa distribusi Kumaraswamy Generalized Inverse Lomax merupakan distribusi terbaik dalam memodelkan data waktu tunggu hingga terjadinya kematian pada pasien kanker tenggorokan.

---

Lifetime data is a type of data that consists of a waiting time until an event occurs. Numerous distributions have been developed to model lifetime data. These distributions also have various characteristics suitable for some specific types of objects and events. One of the characteristics or quantities that is interesting to be studied is the hazard function of a distribution due to this function having more flexibility compared to other quantities of distribution. The hazard function can appear in different forms from monotonically increasing, monotonically decreasing, and bathtub. One of the distributions that is considered to have advantages in modeling the hazard shape is the Inverse Lomax distribution. This distribution has been used in certain scientific fields, such as economics and geography. This distribution has been extended in several ways to address the problem of non-monotone hazard which is often encountered in real life data. However, the increasingly diverse phenomenons that occur in human life make the need for the scientific field of statistics to develop distributions that can be more flexible in modeling hazards. To produce a more flexible form of hazard, a distribution can be extended with other distributions to form a family of distribution, for example the Kumaraswamy Generalized family of distribution. This family of distribution was introduced by Cordeiro et al. The Kumaraswamy Generalized family of distribution was originally developed from the Kumaraswamy distribution. This distribution has a simple form of distribution function (CDF) and probability density function (PDF). It does not involve complicated special functions, such as the beta function. Therefore, this family of distribution is considered suitable to be a 'tool' for the Inverse Lomax distribution to increase its flexibility in modeling hazards. This thesis studies how to generate the Kumaraswamy Generalized Inverse Lomax distribution which has four parameters. Furthermore, it also studies the parameter estimation of this distribution using the maximum likelihood method. At the end of this thesis, data illustrations will also be given in the form of survival time data until the death of head-and-neck cancer patients occurs based on a study conducted in Northern Carolina, USA. The data is modeled using the Kumaraswamy Generalized Inverse Lomax distribution with the Inverse Lomax distribution as a comparison. The modeling results show that the Kumaraswamy Generalized Inverse Lomax distribution is the most suitable distribution for modeling waiting time data until the death of head-and-neck cancer patients occurs."

"This book gives a comprehensive review of results for associated sequences and demimartingales developed so far, with special emphasis on demimartingales and related processes. Probabilistic properties of associated sequences, demimartingales and related processes are discussed in the first six chapters. Applications of some of these results to some problems in nonparametric statistical inference for such processes are investigated in the last three chapters."

"

Setiap peristiwa, objek, atau individu dalam kehidupan saling terkait dan saling mempengaruhi. Untuk mengetahui bagaimana hubungan antara variabel acak dapat menggunakan copula. Copula dapat menghubungkan antara fungsi distribusi bivariat dengan fungsi distribusi marginal tanpa harus ada informasi keterkaitan tertentu antar variabel acak. Terdapat beberapa jenis copula, seperti copula elliptical, copula Archimedean, dan copula extreme value. Namun, dalam pemodelan multivariat, masing-masing jenis copula memiliki keterbatasan dalam memodelkan struktur ketergantungan yang kompleks dalam hal simetri dan sifat ketergantungan ekor. Kelas vine copula mengatasi keterbatasan ini dengan membangun model multivariat menggunakan copula bivariat dalam struktur berbentuk pohon. Copula bivariat yang digunakan dalam penelitian ini meliputi keluarga copula Clayton, Gumbel, Frank, Gaussian, dan student’s t. Penelitian ini membahas tentang konstruksi model vine copula, penaksiran parameter, dan aplikasinya. Konstruksi vine copula dilakukan melalui dekomposisi fungsi kepadatan peluang bersyarat dan melakukan substitusi fungsi kepadatan  copula bivariat ke dalam hasil dekomposisi tersebut. Data yang digunakan adalah data logaritma konsentrasi dari unsur kimia dalam sampel air di Colorado. Karena data yang digunakan merupakan data empiris yang tidak diketahui distribusi marginalnya, metode estimasi parameter yang digunakan adalah pseudo-maximum likelihood dengan estimasi sequential. Lalu, dilakukan pemilihan model yang paling sesuai dengan menggunakan kriteria informasi Akaike (AIC). Hasilnya menunjukkan bahwa Sesium dan Titanium memiliki hubungan dependensi terhadap Skandium. Selain itu, Skandium dan Titanium memiliki ketergantungan paling kuat dibandingkan dengan pasangan variabel lainnya.

---

Every event, object, or individual in life is interconnected and influences each other. To understand the relationships between random variables, one can use copulas. Copula can link the bivariate distribution function with marginal distribution functions without requiring specific information about the interdependence among random variables. There are several types of copulas, such as elliptical copulas, Archimedean copulas, and extreme value copulas. However, in multivariate modeling, each type of copula has limitations in modeling complex dependence structures in terms of symmetry and tail dependence properties. The class of vine copulas overcomes these limitations by constructing multivariate models using bivariate copulas in a tree-like structure. The bivariate copulas used in this study include the Clayton, Gumbel, Frank, Gaussian, and Student’s t copula families. This study discusses the construction of vine copula models, parameter estimation, and their applications. The construction of vine copulas is done through the decomposition of conditional probability density functions and substituting bivariate copula density functions into the decomposition results. The data used in the study is the logarithm of the concentration of chemical elements in water samples in Colorado. Since the data used are empirical data with unknown marginal distributions, the parameter estimation method used is pseudo-maximum likelihood with sequential estimation. Model selection is then performed using the Akaike information criterion (AIC) to determine the most suitable model. The results indicate that Caesium and Titanium have a dependency relationship with Scandium. Moreover, Scandium and Titanium exhibit the strongest dependence compared to other variable pairs.

"