Variansi yang tepat mengenai ungkapan diatas, disebut pertaksamaan MARKOV dan pertaksamaan CHEBYSHEV.
|
|
- Budi Hermawan
- 5 tahun lalu
- Tontonan:
Transkripsi
1 TEOREMA MARKOV DAN CHEBYSHEV Variansi dari variabel random mengendalikan penyebaran distribusinya disekitar mean. Variansi kecil menunjukan besar deviasi disekitar mean adalah mustahil. Variansi yang tepat mengenai ungkapan diatas, disebut pertaksamaan MARKOV dan pertaksamaan CHEBYSHEV. Pertaksamaan ini, sangat baik sekali manfaatnya; karena tidak memerlukan bantuan distribusi peluang. Yang diperlukan hanya μ dan σ Sabtu, 5 Nopember 006 [MA 513] PROBSTAT 1
2 TEOREMA PERTAKSAMAAN MARKOV Jika adalah variabel random yang hanya mengambil nilai-nilai yang non-negatif, maka untuk a > 0, a R berlaku : P ( a) E ( ) a Bukti, di bahas dikelas Sabtu, 5 Nopember 006 [MA 513] PROBSTAT
3 TEOREMA PERTAKSAMAAN CHEBYSHEV JIKA ADALAH VARIABEL RANDOM DENGAN MEAN μ DAN VARIANSI σ, MAKA UNTUK SUATU NILAI k >0; k R, BERLAKU : { μ } P k = σ k Bukti, di bahas di lembar berikutnya Sabtu, 5 Nopember 006 [MA 513] PROBSTAT 3
4 BENTUK EKUIVALENSI Bentuk ekuivalensi dari pertidaksamaan Chebyshev, Sebagai berikut : JIKA variabel random mempunyai mean μ dan variansi σ, maka untuksuatukonstantac dank berlaku: 1 a. P ( μ k σ ) k 1 b. P ( μ < kσ ) 1 k σ c. P ( μ c ) c Sabtu, 5 Nopember 006 [MA 513] PROBSTAT 4
5 MARKOV INEQUALITY Jika pa/rv yang hanya mengambil nilai-nilai non negatif, maka untuk a > 0, a R BUKTI : E ( ) = x f x d x 0 a 0 P a ( ) = + E( ) a xf( x) dx xf( x) dx x f( x) dx a a Sabtu, 5 Nopember 006 [MA 513] PROBSTAT 5
6 MARKOV INEQUALITY af( x) dx= a ( ) a f ( x) dx= a P a a ( ) JADI : P a E( x) a Sabtu, 5 Nopember 006 [MA 513] PROBSTAT 6
7 CHEBYSHEV S INEQUALITY Jika pa/rv dengan mean (rataan( rataan) μ dan variance (variansi/ragam) σ, maka untuk suatu nilai k > 0 ; k R berlaku : { μ } P k Bukti : Karena ( - μ ) adalah pa/vr yang non negatif maka pertidaksamaan MARKOV dapat dipakai yaitu dengan mengambil nilai a = k σ k Sabtu, 5 Nopember 006 [MA 513] PROBSTAT 7
8 CHEBYSHEV S INEQUALITY INGAT : E( ) ( a) P a {( ) } μ P k E ( μ) k Sabtu, 5 Nopember 006 [MA 513] PROBSTAT 8
9 TEOREMA CHEBYSHEV ( ) μ k <====> μ k JADI : ( μ ) P k ( μ σ ) P k σ Selanjutnya apabila k diganti dengan kσ, maka : k k 1 Sabtu, 5 Nopember 006 [MA 513] PROBSTAT 9
10 TEOREMA CHEBYSHEV VR mempunyai mean : μ variansi : σ Untuk suatu konstanta c dan k berlaku :... 1 k ( μ ) x σ P k atau ( μ ) < σ 1 P k atau ( μ ) P c σ c 1 k KETIGA BENTUK DIATAS EKUIVALEN Sabtu, 5 Nopember 006 [MA 513] PROBSTAT 10
11 SOAL - SOAL 1. Dengan menggunakan CHEBYSHEV-INEQ Carilah Lower Bound pada : P < 4 < 0 ( ) dimana vr mempunyai : Mean μ = 8 dan Var = 9 Solusi :. Diberikan VRD dengan pmf : x p(x) -1 1/8 0 6/8 1 1/8 p( x) Sabtu, 5 Nopember 006 [MA 513] PROBSTAT 11
12 SOAL - SOAL Dengan menggunakan CHEBYSHEV-INEQ ( μ σ ) P k Carilah Upper Bound, untuk k =. Selanjutnya hitung melalui probabilitas biasa, bandingkan hasil perhitungan ini dengan CHEBYSHEV-INEQ k 1 Solusi : Sabtu, 5 Nopember 006 [MA 513] PROBSTAT 1
13 SOAL untuk dikerjakan sendiri Diberikan VR dengan pdf sebagai berikut : f 1 < x< () x = x 3ataux 3 Pertanyaan : ( 3) P ( ) P?; Bandingkan perhitungan diatas (Exact Prob) dengan Upper Bound yang diperoleh dengan CHE-INEQ SOLUSI Sabtu, 5 Nopember 006 [MA 513] PROBSTAT 13
14 SOAL untuk dikerjakan sendiri Andaikan VR hanya mengambil harga x = 1 dan x = -1 masing-masing dengan peluang = 0.5. Tentukan Lower Bound pada : P < 1 < 1 Melalui ( ) Melalui CHE-INEQ Bandingkan dengan EACT/ACTUAL PROBABILITY Solusi : Sabtu, 5 Nopember 006 [MA 513] PROBSTAT 14
15 Soal-soal 1. Diberikan pmf dari variabel random sebagai berikut : x p(x) Tentukan k sehingga memenuhi sifat dari pmf!. Andaikan W suatu variabel random dengan pmf w k P(W=w) = p(w) -1 3k Pertanyaan : a. Tentukan nilai k b. Tentukan pmf dari = W + 1 k 0 3k 3 3k 1 6k Sabtu, 5 Nopember 006 [MA 513] PROBSTAT 15
16 Soal-soal 3. Andaikan suatu variabl random dengan fungsi distribusi, sebagai berikut : 0 untuk x < 4 0,1 untuk 4 x < 5 0,4 untuk 5 x < 6 F(x) = 0,7 untuk 6 x < 8 0,9 untuk 8 x < 9 1 untuk x 9 Pertanyaan : a. Skets grafik F(x) b. Tentukan pmf dari berikut grafiknya c. Dengan menggunakan fungsi distribusi; tentukan : P ( 6,5 ), P( > 8,1) P ( 5 < 8 ), P (5 < 8) Sabtu, 5 Nopember 006 [MA 513] PROBSTAT 16
17 Soal-soal 4. VR berdistribusi Binomial dengan E() = 6 dan Var =,4 Tentukan : a. P ( > 4 ) b. P ( 1 < < 7 ) 5. PDF dari suatu VR diketahui sebagai berikut : a f ( x) = 0 + bx untuk Jika E () = 0,6, tentukan nilai a dan b ; 0 x 1 x lainnya Sabtu, 5 Nopember 006 [MA 513] PROBSTAT 17
18 Soal-soal 6. Box berisi 4 Diaode,, 6 diantaranya rusak/cacat. Jika VR yang menyatakan banyaknya Diode yang cacat dalam sampel sebanyak 5. Pertanyaan : a. Tentukan pmf dari b. Tentukan peluang paling sedikit dua diode yang cacat c. Tentukan mean dan standard deviasinya Contoh : Bagian pengendalian kualitas produksi, ingin mengetahui kualitasnya dengan mengambil sampel sebanyak enam items. Jika diketahui bahwa proporsi peluang items yang cacat adalah 0,0 Sabtu, 5 Nopember 006 [MA 513] PROBSTAT 18
19 Contoh : Beberapa peluang dari sampel yang diambil tersebut berisi/memuat : a. Tidak ada yang cacat b. Satu item yang cacat c. Dua item yang cacat d. Empat items yang cacat f. Lebih dari tiga items yang cacat n x = 0, 1,,... n x n x Data diatas p( x) = p Σ = 1 p x n = 6 Selanjutyna : a. p (0) p = 0,0 b. p (1) c. p () Sabtu, 5 Nopember 006 [MA 513] PROBSTAT 19
20 Contoh : Box berisi 4 diode memuat 6 diode yang cacat. Jika menyatakan banyaknya diode yang cacat dalam sampel yang berjumlah 5. a. Tentukan pmf dari dari b. Tentukan paling sedikit dua yang cacat; serta μ dan σ Apabila : (i). WR (ii) WOR Pembahasan : 6 1 (i) WR ~ BIN (n, p) N = 4 p = = ; n = 5 p ( x) = 5 x 4 ()() 1 x 3 5 x ; x = 0,1, Sabtu, 5 Nopember 006 [MA 513] PROBSTAT 0
21 P μ σ ( ) = 1 P( < ) = E( = Var σ = 1 = 1 = 1 0,638 = ) = = = B(1; F(1; np = npq 5, 5, 5. = 0,5) 1 4 0,5) = 1,5 0,9375 =... = 1 F 0,367 (1) (1,5)(0,75) = 0,9375 Sabtu, 5 Nopember 006 [MA 513] PROBSTAT 1
22 A telephone exchange receives calls at random with an avarage of incoming calls perminute. What is the probability that : a. No calls arrive in a 1 minute interval? b. More than calls arrive interval c. Less than 3 calls arrive in a 5 minute interval d. More than 8 calls arrive in a 5 minute interval? e. Betweenn 3 and 8 calls inclusive arrive in a 5 minute interval Solution : λ = calls/minute λ x e λ p ( x ) = P = x = ; x = x! No calls x = 0 ( ) 0, 1,,... 0 e x = 0 p (0) = = e 0, 1353 o! Sisanya dibahas dikelas Sabtu, 5 Nopember 006 [MA 513] PROBSTAT
23 Contoh : Jika : ~ HYP ( N, D, n) D maka : μ = E( ) = n N = D D N n Var σ = n 1 N N N 1 D Apabila: = p, maka: μ = np N σ = Jika npq N N n 1 : ~ BIN ( n, p ) maka : μ = np, σ = npq finite population correction Sabtu, 5 Nopember 006 [MA 513] PROBSTAT 3
24 lim N D N D p D x N n N n x D = = n p BIN p x q n ( n, p ) x n, N, D n 0 N n D λ N e λ x λ x! Sabtu, 5 Nopember 006 [MA 513] PROBSTAT 4
MINGGU KE-8 HARGA HARAPAN DAN BEBERAPA KETAKSAMAAN DALA
MINGGU KE-8 HARGA HARAPAN DAN BEBERAPA KETAKSAMAAN DALAM STATISTIKA HARGA HARAPAN Definisi Misalkan X variabel random. Bila X variabel random kontinu dengan f.k.p. f (x) dan maka harga harapan X adalah
Lebih terperinciDISTRIBUTIONS OF RANDOM VARIABLE DISTRIBUSI VARIABEL RANDOM
1.11 Chebyshev s Inequality DISTRIBUTIONS OF RANDOM VARIABLE (Ketaksamaan Chebyshev) A. Pendahuluan DISTRIBUSI VARIABEL RANDOM Konsep atau rumus yang berhubungan dengan Ketaksamaan Chebyshev Ekspektasi
Lebih terperinciPr { +h =1 = } lim. Suatu fungsi dikatakan h apabila lim =0. Dapat dilihat bahwa besarnya. probabilitas independen dari.
6.. Proses Kelahiran Murni Dalam bab ini, akan dibahas beberapa contoh penting dari waktu kontinu, state diskrit, proses Markov. Khususnya, dengan kumpulan dari variabel acak {;0 } di mana nilai yang mungkin
Lebih terperinciBAB III SIMULASI PENGGUNAAN PERTIDAKSAMAAN PADA DISTRIBUSI
BAB III SIMULASI PENGGUNAAN PERTIDAKSAMAAN PADA DISTRIBUSI 3.1 Pendahuluan Pada bab sebelumnya telah dibahas mengenai pertidaksamaan Chernoff dengan terlebih dahulu diberi pemaparan mengenai dua pertidaksamaan
Lebih terperinciSTATISTIK PERTEMUAN VI
STATISTIK PERTEMUAN VI 1. TEORI PENDUKUNG 1.1 Pendahuluan 1. Variabel acak 1.3 Distribusi variabel acak diskrit 1.4 Distribusi variabel acak kontinu 1.5 Distribusi multivariat 1.1 Pendahuluan Definisi
Lebih terperinciDISTRIBUSI PROBABILITAS
DISTRIBUSI PROBABILITAS DISTRIBUSI PROBABILITAS Peluang terjadinya nilai variabel random X yang meliputi semua nilai ditentukan melalui distribusi peluang. Distribusi peluang suatu variabel random X adalah
Lebih terperinciDISTRIBUSI PROBABILITAS DISKRIT TEORITIS 2. Distribusi Hipergeometrik
DISTRIBUSI PROBABILITAS DISKRIT TEORITIS 2 TI2131 TEORI PROBABILITAS MINGGU KE-10 Distribusi Hipergeometrik Eksperimen hipergeometrik memiliki karakteristik sebagai berikut: 1. sebuah sampel random berukuran
Lebih terperinciBab 2 DISTRIBUSI PELUANG
Bab 2 DISTRIBUSI PELUANG PENDAHULUAN Setiap peristiwa akan mempunyai peluangnya masingmasing, dan peluang terjadinya peristiwa itu akan mempunyai penyebaran yang mengikuti suatu pola tertentu yang di sebut
Lebih terperinciRENCANA PEMBELAJARAN SEMESTER (RPS)
RENCANA PEMBELAJARAN SEMESTER (RPS) MUG2D3 PROBABILITAS DAN STATISTIKA Disusun oleh: INDWIARTI FAKULTAS INFORMATIKA TELKOM UNIVERSITY 1 LEMBAR PENGESAHAN Rencana Pembelajaran Semester (RPS) ini telah disahkan
Lebih terperinciNilai harapan suatu variabel acak x ditulis E (x) didefinisikan E (x) = Σ x. f (x) Var (x) = σ x 2 = E [ x E (x) ] 2 = E (x 2 ) { E (x) } 2
Pertemuan ke- 4 BAB III POPULASI, SAMPEL & DISTRIBUSI TEORITIS VARIABEL DISKRIT DAN FUNGSI PROBABILITAS 3.1 Variabel Random atau Variabel Acak Variabel yang nilainya merupakan suatu bilangan yang ditentukan
Lebih terperinciDistribusi Diskrit dan Kontinu yang Penting. Oleh Azimmatul Ihwah
Distribusi Diskrit dan Kontinu yang Penting Oleh Azimmatul Ihwah Distribusi Diskrit Fungsi probabilitas dari variabel random diskrit dapat dinyatakan dalam formula matematik tertentu yang dinamakan fungsi
Lebih terperinciProbabilitas dan Statistika Distribusi Peluang Kontinyu 1. Adam Hendra Brata
Probabilitas dan Statistika Distribusi Peluang Kontinyu 1 Adam Hendra Brata Variabel Acak Kontinyu - Variabel Acak Kontinyu Suatu variabel yang memiliki nilai pecahan didalam range tertentu Distribusi
Lebih terperinciRENCANA PEMBELAJARAN SEMESTER (RPS) KKKF33112 PROBABILITAS DAN STATISTIKA
RENCANA PEMBELAJARAN SEMESTER (RPS) KKKF33112 PROBABILITAS DAN STATISTIKA PROGRAM STUDI S1 TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER (FILKOM) UNIVERSITAS PUTRA INDONESIA YPTK PADANG LEMBAR PENGESAHAN Rencana
Lebih terperinciStatistika Farmasi
Bab 3: Distribusi Data Statistika FMIPA Universitas Islam Indonesia Distribusi Data Teori dalam statistika berkaitan dengan peluang Konsep dasar peluang tersebut berkaitan dengan peluang distribusi, yaitu
Lebih terperinciMINGGU KE-11 HUKUM BILANGAN BESAR LEMAH DAN KUAT
MINGGU KE-11 HUKUM BILANGAN BESAR LEMAH DAN KUAT HUKUM BILANGAN BESAR LEMAH DAN KUAT Misalkan X 1, X 2, X 3... barisan variabel random. Kita tulis S n = n X i. Dalam subbab ini kita akan menjawab pertanyaan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Teori Probabilitas (Peluang) Probabilitas adalah suatu nilai untuk mengukur tingkat kemungkinan terjadinya suatu peristiwa (event) akan terjadi di masa mendatang yang hasilnya
Lebih terperinciSTATISTICS. WEEK 5 Hanung N. Prasetyo TELKOM POLTECH/HANUNG NP
STATISTICS WEEK 5 Hanung N. Prasetyo Kompetensi 1. Mahasiswa memahamikonsep dasar distribusi peluang kontinu khusus seperti uniform dan eksponensial 2. Mahasiswamampumelakukanoperasi hitungyang berkaitan
Lebih terperinciMINGGU KE-9 MACAM-MACAM KONVERGENSI
MINGGU KE-9 MACAM-MACAM KONVERGENSI Kita telah mengetahui bahwa untuk n besar dan θ kecil sedemikian hingga nθ = λ, distribusi binomial bisa dihampiri oleh distribusi Poisson. Mencari hampiran distribusi
Lebih terperinciUJI STATISTIK NON PARAMETRIK. Widha Kusumaningdyah, ST., MT
UJI STATISTIK NON PARAMETRIK Widha Kusumaningdyah, ST., MT SIGN TEST Sign Test Digunakan untuk menguji hipotesa tentang MEDIAN dan DISTRIBUSI KONTINYU. Pengamatan dilakukan pada median dari sebuah distribusi
Lebih terperinciVariansi dan Kovariansi. Bahan Kuliah II2092 Probabilitas dan Statistik Oleh: Rinaldi Munir Sekolah Teknik Elektro dan Informatika ITB
Variansi dan Kovariansi Bahan Kuliah II2092 Probabilitas dan Statistik Oleh: Rinaldi Munir Sekolah Teknik Elektro dan Informatika ITB 1 Variansi Kita sudah memahami bahwa nilai harapan peubah acak X seringkali
Lebih terperinciDISTRIBUSI PROBABILITAS DISKRIT TEORITIS 1. Distribusi Seragam Diskrit
DISTRIBUSI PROBABILITAS DISKRIT TEORITIS 1 TI2131 TEORI PROBABILITAS MINGGU KE-9 Distribusi Seragam Disrit Jia sebuah variabel random X mengambil nilai x 1, x 2,, x dengan probabilitas yang sama, maa distribusi
Lebih terperinciPENS. Probability and Random Process. Topik 5. Beberapa jenis Distribusi Variabel Acak. Prima Kristalina April 2015
Program Pasca Sarjana Terapan Politeknik Elektronika Negeri Surabaya Probability and Random Process Topik 5. Beberapa jenis Distribusi Variabel Acak Prima Kristalina April 215 1 Outline 1. Beberapa macam
Lebih terperinciCNH3E3 PROSES STOKASTIK Peubah Acak & Pendukungnya
CNH3E3 PROSES STOKASTIK Peubah Acak & Pendukungnya Dosen: Aniq A Rohmawati, M.Si TELKOM UNIVERSITY JALAN TELEKOMUNIKASI 1, BANDUNG, INDONESIA Ruang Sampel dan Kejadian PEUBAH ACAK (P.A) Fungsi yang memetakan
Lebih terperinciPertemuan ke Nilai Harapan (Mean atau Rata rata) dan Varians Distribusi Kontinu
Pertemuan ke 5 4.1 Nilai Harapan (Mean atau Rata rata) dan Varians Distribusi Kontinu Fungsi Probabilitas dengan variabel kontinu terdiri dari : 1. Distribusi Normal 2. Distribusi T 3. Distribusi Chi Kuadrat
Lebih terperinciLampiran 1. Beberapa Definisi dan Lema Teknis
Lampiran 1. Beberapa Definisi dan Lema Teknis Ruang Contoh, Kejadian dan Peluang Suatu percobaan yang dapat diulang dalam kondisi yang sama, yang hasilnya tidak dapat diprediksi dengan tepat tetapi kita
Lebih terperinciDISTRIBUSI PROBABILITAS (PELUANG)
DISTRIBUSI PROBABILITAS (PELUANG) Distribusi Probabilitas (Peluang) Distribusi? Probabilitas? Distribusi Probabilitas? JURUSAN PENDIDIKAN FISIKA FPMIPA UNIVERSITAS PENDIDIKAN INDONESIA Distribusi = sebaran,
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2. Probabilitas Probabilitas adalah suatu nilai untuk mengukur tingkat kemungkinan terjadinya suatu peristiwa (event) akan terjadi di masa mendatang yang hasilnya tidak pasti (uncertain
Lebih terperinciSTATISTIKA. Muhamad Nursalman Pendilkom/Ilkom UPI
STATISTIKA Muhamad Nursalman Pendilkom/Ilkom UPI 1 Daftar Isi Bab 1 Peluang Bab Peubah Acak Bab 3 Distribusi Peluang Diskret Bab 4 Distribusi Peluang Kontinu Bab 5 Fungsi Peubah Acak Bab 6 Teori Penaksiran
Lebih terperinciSTATISTICS. WEEK 4 Hanung N. Prasetyo POLYTECHNIC TELKOM/HANUNG NP
STATISTICS WEEK 4 Hanung N. Prasetyo Pendahuluan: Penyajian distribusi probabilitas dalam bentuk grafis, tabel atau melalui rumusan tidak masalah, yang ingin dilukiskan adalah perilaku (kelakuan) perubah
Lebih terperinciBeberapa Distribusi Peluang Diskrit
Beberapa Distribusi Peluang Diskrit Departemen Teknik Informatika Institut Teknologi Bandung Page 1 Isi : Distribusi Seragam Distribusi Binomial Distribusi Multinomial Page 2 Distribusi
Lebih terperinciStatistika Variansi dan Kovariansi. Adam Hendra Brata
Statistika dan Adam Hendra Brata Kita sudah memahami bahwa nilai harapan peubah acak X seringkali disebut rataan (mean) dan dilambangkan dengan μ. Tetapi, rataan tidak memberikan gambaran dispersi atau
Lebih terperinciMisalkan peluang seorang calon mahasiswa IT Telkom memilih prodi TI adalah sebesar 0.6. Berapa peluang bahwa ;
Responsi SOAL 1: Misalkan peluang seorang calon mahasiswa IT Telkom memilih prodi TI adalah sebesar 0.6. Berapa peluang bahwa ; Orang keenam yang mendaftar seleksi adalah orang keempat yang memilih TI
Lebih terperinciDASAR-DASAR TEORI PELUANG
DASAR-DASAR TEORI PELUANG Herry P. Suryawan 1 Ruang Peluang Definisi 1.1 Diberikan himpunan tak kosong Ω. Aljabar-σ (σ-algebra pada Ω adalah koleksi subhimpunan A dari Ω dengan sifat (i, Ω A (ii jika A
Lebih terperinciHaryoso Wicaksono, S.Si., M.M., M.Kom. 26
Distribusi probabilita kontinu, yaitu apabila random variabel yang digunakan kontinu. Probabilita dihitung untuk nilai dalam suatu interval tertentu. Probabilita di suatu titik = 0. Probabilita untuk random
Lebih terperinciDistribusi Teoritis Probabilitas. Distribusi Teoritis Probabilitas. Distribusi Binomial. Distribusi Binomial. Distribusi Binomial
Distribusi Teoritis Probabilitas Topik Distribusi teoritis Binomial Distribusi teoritis Poisson Distribusi teoiritis Normal 3 4 Distribusi Teoritis Probabilitas Distr. Teoritis Probabilitas Diskrit Kontinyu
Lebih terperinciDistribusi Teoritis Probabilitas
Distribusi Teoritis Probabilitas Topik Distribusi teoritis Binomial Distribusi teoritis Poisson Distribusi teoiritis Normal 2 Distribusi Teoritis Probabilitas Distr. Teoritis Probabilitas Diskrit Kontinyu
Lebih terperinciSTATISTICS. Oleh: Hanung N. Prasetyo DISTRIBUSI NORMAL WEEK 6 TELKOM POLTECH/HANUNG NP
STATISTICS WEEK 6 Oleh: Hanung N. Prasetyo DISTRIBUSI NORMAL Pengantar: Dalam pokok bahasan disini memuat beberapa distribusi kontinyu yang sangat penting di bidang statistika. diantaranya distribusi normal.
Lebih terperinciPeubah Acak (Lanjutan)
Learning Outcomes 13 April 2014 Learning Outcomes Learning Outcome Outline Mahasiswa dapat mengerti dan menentukan peubah acak diskret Mahasiswa dapat memahami dan menghitung nilai harapan Mahasiswa dapat
Lebih terperinciII. LANDASAN TEORI. sementara grafik distribusi F tidak simetrik dan umumnya sedikit positif seperti
4 II. LANDASAN TEORI 2.1 Distribusi F Distribusi F merupakan salah satu distribusi kontinu. Dengan variabel acak X memenuhi batas X > 0, sehingga luas daerah dibawah kurva sama dengan satu, sementara grafik
Lebih terperinciDistribusi Probabilitas Diskrit: Poisson
Distribusi Probabilitas Diskrit: Poisson 7.2 Debrina Puspita Andriani E-mail : debrina.ub@gmail.com / debrina@ub.ac.id 2 Outline Pendahuluan Pendekatan Binomial Poisson Distribusi Poisson Kapan distribusi
Lebih terperinciSetiap karakteristik dari distribusi populasi disebut dengan parameter. Statistik adalah variabel random yang hanya tergantung pada harga observasi
ESTIMASI TITIK Setiap karakteristik dari distribusi populasi disebut dengan parameter. Statistik adalah variabel random yang hanya tergantung pada harga observasi sampel. Statistik merupakan bentuk dari
Lebih terperinciPENGANTAR MODEL PROBABILITAS
PENGANTAR MODEL PROBABILITAS (PMP, Minggu 8-14) Sri Haryatmi Kartiko Universitas Gadjah Mada Juni 2014 Outline 1 Minggu 8:MOMEN VARIABEL RANDOM Mean dan Variansi Fungsi Pembangkit Momen (MGF) 2 Minggu
Lebih terperinciBAB II DISTRIBUSI PROBABILITAS
BAB II DISTRIBUSI PROBABILITAS.1. VARIABEL RANDOM Definisi 1: Variabel random adalah suatu fungsi yang memetakan ruang sampel (S) ke himpunan bilangan Real (R), dan ditulis X : S R Contoh (Variabel random)
Lebih terperinciBAB V INFERENSI STATISTIK SATU POPULASI NORMAL
BAB V INFERENSI STATISTIK SATU POPULASI NORMAL Bab ini membahas inferensi statistik untuk mean dan variansi satu populasi normal berdasarkan sampel random berukuran kecil dan besar. Untuk membahas hal
Lebih terperinciDISTRIBUSI TEORITIS. Variabel Acak Distribusi Teoritis Binomial Normal
DISTRIBUSI TEORITIS DISTRIBUSI TEORITIS Variabel Acak Distribusi Teoritis Binomial Normal Variabel acak adalah sebuah besaran yang merupakan hasil dari percobaan acak yang secara untung-untungan, dapat
Lebih terperinciDistribusi Sampling 6.2. Debrina Puspita Andriani /
6. Debrina Puspita Andriani E-mail : debrina.ub@gmail.com / debrina@ub.ac.id Outline Pengertian dan Konsep Dasar Distribusi Sampling Distribusi Sampling Mean Distribusi Sampling Proporsi Distribusi Sampling
Lebih terperinciDistribusi Probabilitas Diskret Teoritis
Distribusi robabilitas Diskret Teoritis Distribusi robabilitas Teoritis Diskret Distribusi seragam diskret (discrete uniform distribution) Distribusi hipergeometris (hypergeometric distribution) Distribusi
Lebih terperinciBAHAN AJAR STATISTIKA DASAR Matematika STKIP Tuanku Tambusai Bangkinang 4. BEBERAPA DISTRIBUSI PELUANG DISKRET
Pertemuan 7. BAHAN AJAR STATISTIKA DASAR Matematika STKIP Tuanku Tambusai Bangkinang 4. BEBERAPA DISTRIBUSI PELUANG DISKRET 4. Pendahuluan 4.2 Distribusi seragam diskret 4.3 Distribusi binomial dan multinomial
Lebih terperinciBAB 2 TINJAUAN TEORITIS. Menurut Open Darnius (2006, hal: 53) simulasi dapat diartikan sebagai suatu
xiv BAB 2 TINJAUAN TEORITIS 2.1 Pendahuluan Menurut Open Darnius (2006, hal: 53) simulasi dapat diartikan sebagai suatu rekayasa dari suatu model secara logika ilmiah merupakan suatu metode alternatif
Lebih terperinciMA5283 STATISTIKA Bab 3 Inferensi Untuk Mean
MA5283 STATISTIKA Bab 3 Inferensi Untuk Mean Orang Cerdas Belajar Statistika Silabus Silabus dan Tujuan Peubah acak kontinu, distribusi dan Tabel normal, penaksiran titik dan selang, uji hipotesis untuk
Lebih terperinciBIOSTATISTIK HIPOTESIS UNTUK PROPORSI MARIA ALMEIDA ( ) NURTASMIA ( ) SOBRI ( )
BIOSTATISTIK UJI HIPOTESIS UNTUK PROPORSI MARIA ALMEIDA (20611003) NURTASMIA (20611022) SOBRI (20611027) : Tahapan-tahapan dalam uji hipotesis 1.Membuat hipotesis nol (H o ) dan hipotesis alternatif (H
Lebih terperinciThe Central Limit Theorem
Kesumawati Prodi Statistika FMIPA-UII March 30, 2015 Sifat-Sifat Distribusi Sampel Sifat-sifat dari distribusi sampel tersebut dikenal dengan Central Limit Theorem 1. Bentuk distribusi dari rata-rata sampel
Lebih terperinciDISTRIBUSI POISSON Pendahuluan Rumus Pendekatan Peluang Poisson untuk Binomial P ( x ; µ ) = (e µ. µ X ) / X! n. p Rumus Proses Poisson
DISTRIBUSI POISSON Pendahuluan Distribusi poisson diberi nama sesuai dengan penemunya yaitu Siemon D. Poisson. Distribusi ini merupakan distribusi probabilitas untuk variabel diskrit acak yang mempunyai
Lebih terperinciMA2082 BIOSTATISTIKA Bab 3 Peubah Acak dan Distribusi
MA2082 BIOSTATISTIKA Bab 3 Peubah Acak dan Distribusi Orang Biologi Tidak Anti Statistika Silabus Silabus dan Tujuan Konsep peubah acak, fungsi peluang (probability density function), fungsi distribusi
Lebih terperinciPENS. Probability and Random Process. Topik 4. Variabel Acak dan Distribusi Probabilitas. Prima Kristalina April 2015
Program Pasca Sarjana Terapan Politeknik Elektronika Negeri Surabaya Probability and Random Process Topik 4. Variabel Acak dan Distribusi Probabilitas Prima Kristalina April 2015 1 Outline 1. Definisi
Lebih terperinciBAB III METODE PENELITIAN
18 BAB III METODE PENELITIAN Pada bab ini akan dikemukakan metode-metode yang akan digunakan pada bab selanjutnya. Metode-metode pada bab ini yaitu metode Value at Risk dengan pendekatan distribusi normal
Lebih terperinciBAB IV. DISTRIBUSI PROBABILITAS DISKRIT
BAB IV. DISTRIBUSI PROBABILITAS DISKRIT A. Variabel random diskrit. Variabel random diskrit X adalah : Cara memberi nilai angka pada setiap elemen ruang sampel X(a) : Ukuran karakteristik tertentu dari
Lebih terperinciBAB 8 DISTRIBUSI PELUANG DISKRIT
BAB 8 DISTRIBUSI PELUANG DISKRIT A. Peluang Peluang atau yang sering disebut sebagai probabilitas dapat dipandang sebagai cara untuk mengungkapkan ukuran ketidakpastian/ ketidakyakinan/ kemungkinan suatu
Lebih terperinciSTATISTIK PERTEMUAN VII
STATISTIK PERTEMUAN VII Distribusi Sampling Distribusi Sampling merupakan distribusi teoritis (distribusi kemungkinan) dari semua hasil sampel yang mungkin, dengan ukuran sampel yang tetap N, pada statistik
Lebih terperinciPeubah acak adalah suatu fungsi dari ruang contoh ke bilangan nyata, f : S R
Bab Peubah Acak. Konsep Dasar Peubah Acak Peubah acak adalah suatu fungsi dari ruang contoh ke bilangan nyata, f : S R Contoh peubah acak: Jika X adalah peubah acak banyaknya sisi muka yang muncul pada
Lebih terperinciPEMODELAN KUALITAS PROSES
TOPIK 6 PEMODELAN KUALITAS PROSES LD/SEM II-03/04 1 1. KERANGKA DASAR Sampling Penerimaan Proses Produksi Pengendalian Proses MATERIAL PRODUK PRODUK BAIK SUPPLIER Manufacturing Manufacturing KONSUMEN PRODUK
Lebih terperinciDistribusi Peluang. Kuliah 6
Distribusi Peluang Kuliah 6 1. Diskrit 1. Bernoulli 2. Binomial 3. Poisson Distribution 2. Kontinu 1. Normal (Gaussian) 2. t 3. F 4. Chi Kuadrat Distribusi Peluang 1.1. Distribusi Bernoulli Distribusi
Lebih terperinciMA3081 STATISTIKA MATEMATIKA We love Statistics
Catatan Kuliah MA3081 STATISTIKA MATEMATIKA We love Statistics disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2013 Daftar Isi 1 Peubah Acak
Lebih terperinciMINGGU KE-6 VARIABEL RANDOM DAN DISTRIBUSINYA
MINGGU KE-6 VARIABEL RANDOM DAN DISTRIBUSINYA VARIABEL RANDOM Misalkan (Ω, A, P) ruang probabilitas dan R = {x < x < } dan B : Borel field pada R. Andaikan X : Ω R dan untuk setiap A R, kita definisikan
Lebih terperinciDistribusi Normal, Skewness dan Qurtosis
Distribusi Normal, Skewness dan Qurtosis Departemen Biostatistika FKM UI 1 2 SAP Statistika 1, minggu ke-4 4 Membekali mahasiswa agar lebih paham dan menguasai teori terkait: menghitung ukuran penyimpangan
Lebih terperinciSTATISTIKA UNIPA SURABAYA
MATEMATIKA STATISTIKA (MATHEMATICAL STATISTICS) GANGGA ANURAGA Materi : Distribusi variabel random Teori Himpunan Fungsi Himpunan Fungsi Himpunan Peluang Variabel Random Fungsi Kepadatan Peluang Fungsi
Lebih terperinciDISTRIBUSI TEORITIS DISTRIBUSI TEORITIS
DISTRIBUSI TEORITIS DISTRIBUSI TEORITIS Variabel Acak Distribusi Teoritis Binomial Normal 1 Variabel acak adalah sebuah besaran yang merupakan hasil dari percobaan acak yang secara untung-untungan, dapat
Lebih terperinci28/09/2012 SAMPLE SPACE, SAMPLE POINTS, EVENTS. ω Ω
SAMPLE SPACE, SAMPLE POINTS, EVENTS Sample space,ω, Ω adalah sekumpulan semua sample points,ω, ω yang mungkin; dimana ω Ω Contoh 1. Melemparkan satu buah koin:ω={gambar,angka} Contoh 2. Menggelindingkan
Lebih terperinciMetode Sampling dan Teorema Central Limit
Metode Sampling dan Teorema Central Limit Tjipto Juwono, Ph.D. Oct 28, 2016 TJ (SU) Metode Sampling dan Teorema Central Limit Oct 2016 1 / 52 Mengapa Perlu Sampling? Contoh Kita ingin mengetahui elektabilitas
Lebih terperinciJurusan Teknik Sipil dan Lingkungan Universitas Gadjah Mada STATISTIKA. Distribusi Normal. 1-Sep-14
Jurusan Teknik Sipil dan Lingkungan Universitas Gadjah Mada STATISTIKA Distribusi Normal 1-Sep-14 http://istiarto.staff.ugm.ac.id 1 Distribusi Binomial Ingat contoh pemilihan 1 kegiatan (Kegiatan A) dari
Lebih terperinciVARIABEL RANDOM DAN DISTRIBUSI PELUANG
1 VARIABEL RANDOM DAN DISTRIBUSI PELUANG Dr. Vita Ratnasari, M.Si Definisi Variabel Random 2 Variabel random ialah Suatu fungsi yang mengaitkan suatu bilangan real pada setiap unsur dalam ruang sampel.
Lebih terperinciKumpulan pasangan nilai-nilai dari variabel acak X dengan probabilitas nilai-nilai variabel random X, yaitu P(X=x) disebut distribusi probabilitas X
Kumpulan pasangan nilai-nilai dari variabel acak X dengan probabilitas nilai-nilai variabel random X, yaitu P(X=) disebut distribusi probabilitas X (distribusi X) Diskrit Seragam Binomial Hipergeometrik
Lebih terperinciBI5106 ANALISIS BIOSTATISTIK Bab 3 Peubah Acak dan Dist
BI5106 ANALISIS BIOSTATISTIK Bab 3 Peubah Acak dan Distribusi Orang Biologi Tidak Anti Statistika Silabus Silabus dan Tujuan Konsep peubah acak, fungsi peluang (probability density function), fungsi distribusi
Lebih terperinciUJI KONVERGENSI. Januari Tim Dosen Kalkulus 2 TPB ITK
UJI KONVERGENSI Januari 208 Tim Dosen Kalkulus 2 TPB ITK Uji Integral Teorema 3 Jika + k= u k adalah deret dengan suku-suku tak negatif, dan jika ada suatu konstanta M sedemikian hingga s n = u + u 2 +
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Bab ini terdiri dari 3 bagian. Pada bagian pertama diberikan tinjauan pustaka dari penelitian sebelumnya. Pada bagian kedua diberikan teori penunjang untuk mencapai tujuan penelitian
Lebih terperinciDistribusi Probabilitas : Gamma & Eksponensial
Distribusi Probabilitas : Gamma & Eksponensial 11 Debrina Puspita Andriani E-mail : debrina.ub@gmail.com / debrina@ub.ac.id 2 Outline Distribusi Gamma Distribusi Eksponensial 3 Distribusi Gamma Tidak selamanya
Lebih terperinciBagian 2. Probabilitas. Struktur Probabilitas. Probabilitas Subyektif. Metode Frekuensi Relatif Kejadian untuk Menentukan Probabilitas
Probabilitas Bagian Probabilitas A) = peluang (probabilitas) bahwa kejadian A terjadi 0 < A) < 1 A) = 0 artinya A pasti terjadi A) = 1 artinya A tidak mungkin terjadi Penentuan nilai probabilitas: Metode
Lebih terperinciCatatan Kuliah. MA5181 Proses Stokastik
Catatan Kuliah MA5181 Proses Stokastik Precise. Prospective. Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2016 1 Tentang MA5181 Proses Stokastik
Lebih terperinciVariabel Random dan Nilai Harapan. Oleh Azimmatul Ihwah
Variabel Random dan Nilai Harapan Oleh Azimmatul Ihwah Outcomes dari suatu eksperimen dapat dinyatakan dengan angka untuk mempermudah. Suatu variabel yang mengasosiakan outcomes dari suatu eksperimen dengan
Lebih terperinciPROSES PERCABANGAN PADA DISTRIBUSI POISSON
PROSES PERCABANGAN PADA DISTRIBUSI POISSON Nur Alfiani Santoso, Respatiwulan, dan Nughthoh Arfawi Kurdhi Program Studi Matematika FMIPA UNS Abstrak. Proses percabangan merupakan suatu proses stokastik
Lebih terperinciStatistika (MMS-1403)
Statistika (MMS-1403) Dr. Danardono, MPH danardono@ugm.ac.id Program Studi Statistika Jurusan Matematika FMIPA UGM Materi dan Jadual Minggu ke- Pokok Bahasan Sub Pokok Bahasan 1. Pendahuluan 1 Perkuliahan
Lebih terperinciAchmad Samsudin, M.Pd. Jurdik Fisika FPMIPA Universitas Pendidikan Indonesia
Achmad Samsudin, M.Pd. Jurdik Fisika FPMIPA Universitas Pendidikan Indonesia VARIABEL ACAK VARIABEL ACAK : suatu fungsi yang nilainya berupa bilangan nyata yang ditentukan oleh setiap unsur dalam ruang
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Dalam teori probabilitas dan statistika, distribusi Binomial adalah distribusi probabilitas diskrit jumlah keberhasilan dalam n percobaan ya/tidak(berhasil/gagal)
Lebih terperinciBAHAN AJAR STATISTIKA DASAR Matematika STKIP Tuanku Tambusai Bangkinang 3. HARAPAN MATEMATIK
Pertemuan 6. BAHAN AJAR STATISTIKA DASAR Matematika STKIP Tuanku Tambusai Bangkinang. Variansi dan kovariansi. HARAPAN MATEMATIK Keragaman suatu peubah acak X diperoleh dengan mengambil g(x) = (X µ). Rataan
Lebih terperinciMinggu 3 Peluang Bersyarat (Teorema Bayes) Minggu 4 Peubah Acak, Fungsi Peluang, Fungsi Distribusi. Minggu 6 Distribusi Peubah Acak Diskrit (PAD)
MUGE3 Statistika Dosen: Aniq A Rohmawati, M.Si [Kelas Statistika] CS-38-0 [Jadwal] Rabu 1.30-14.30 R.KU3.05.14; Jumat 16.30-18.30 R.KU3.05.15 [Materi Statistika] Minggu 1 Statistika deskriptif Minggu Tipe
Lebih terperinciPROBABILITAS (PELUANG) PENGERTIAN PROBABILITAS
PROBABILITAS (PELUANG) PENGERTIAN PROBABILITAS Dalam kehidupan sehari-hari kita sering mendengar dan menggunakan kata probabilitas (peluang). Kata ini mengisyaratkan bahwa kita berhadapan dengan sesuatu
Lebih terperinciDasar-dasar Statistika Pemodelan Sistem
Dasar-dasar Statistika Pemodelan Sistem Kuliah Pemodelan Sistem Semester Genap 2015-2016 MZI Fakultas Informatika Telkom University FIF Tel-U Januari 2016 MZI (FIF Tel-U) Statistika Pemodelan Januari 2016
Lebih terperinciStatistika (MMS-1403)
Statistika (MMS-1403) Dr. Danardono, MPH danardono@ugm.ac.id Program Studi Statistika Jurusan Matematika FMIPA UGM MMS-1403 p.1/93 Distribusi Sampling Statistik Populasi: himpunan keseluruhan obyek yang
Lebih terperinciDistribusi Probabilitas Kontinyu Teoritis
Distribusi Probabilitas Kontinyu Teoritis Suprayogi Dist. Prob. Teoritis Kontinyu () Distribusi seragam kontinyu (continuous uniform distribution) Distribusi segitiga (triangular distribution) Distribusi
Lebih terperinciContoh Solusi PR 2 Statistika & Probabilitas. 1. Semesta dari kejadian adalah: pemilihan 5 soal dari 10 soal. Jumlah kemungkinannya ( 10 = 252.
Contoh Solusi PR Statistika & Probabilitas Semesta dari kejadian adalah: pemilihan soal dari soal Jumlah kemungkinannya ( ) = (a) Kemungkinannya dapat dihitung dengan memilih soal tes dari soal yang anak
Lebih terperinciMinggu 4-5 Analisis Model MA, AR, ARMA. Minggu 6-7 Model Diagnostik dan Forecasting. Minggu 8-9 Analisi Model ARI, IMA, ARIMA
CNH4S3 Analisis Time Series Dosen: Aniq A Rohmawati, M.Si [Jadwal]: [Materi Analsis Time Series] Kuliah Pemodelan dan Simulasi berisi tentang dasar pemodelan time series seperti kestasioneran, identifikasi
Lebih terperinciEksplorasi Pertidaksamaan Chernoff Dalam Menghampiri Peluang Suatu Selang
Eksplorasi Pertidaksamaan Chernoff Dalam Menghampiri Peluang Suatu Selang TUGAS AKHIR Diajukan untuk Memenuhi Persyaratan Sidang Sarjana Matematika Disusun Oleh : Anggun Oktari 101 03 044 PROGRAM STUDI
Lebih terperincil.makalah DISTRIBUSI PROBABILITAS DISKRIT
l.makalah DISTRIBUSI PROBABILITAS DISKRIT Kata Pengantar Puji syukur atas kehadirat Allah SWT karena rahmat serta karunia-nya penulis dapat menyelesaikan makalah ini.shalawat serta salam dari Allah SWT
Lebih terperinciDistribusi Probabilitas Diskrit. Dadan Dasari
Distribusi Probabilitas Diskrit Dadan Dasari Daftar Isi DIstribusi Uniform Distribusi Binomial DIstribusi Multinomial Distribusi Hipergeometrik Distribusi Poisson Distribusi Probabilitas Uniform Diskrit
Lebih terperinciStatistik Bisnis 1. Week 9 Discrete Probability
Statistik Bisnis 1 Week 9 Discrete Probability Random Variables Random Variables Discrete Random Variable Continuous Random Variable Wk. 9 Wk. 10 Probability Distributions Probability Distributions Wk.
Lebih terperinciPeubah Acak. 14-Sep-07 TPADF (Kelas Ganjil/ Rahmat) Lecture 2 page 1
Peubah Acak 14-Sep-07 TPADF (Kelas Ganjil/ Rahmat) Lecture 2 page 1 Definisi Peubah Acak Peubah acak adalah peubah yang mengkarakterisasikan setiap elemen dalam ruang sampel dengan suatu bilangan real.
Lebih terperinciKEKUATAN KONVERGENSI DALAM PROBABILITAS DAN KONVERGENSI ALMOST SURELY
KEKUATAN KONVERGENSI DALAM PROBABILITAS DAN KONVERGENSI ALMOST SURELY Joko Sungkono* Abstrak : Tujuan yang ingin dicapai pada tulisan ini adalah mengetahui kekuatan konvergensi dalam probabilitas dan konvergensi
Lebih terperinciTINJAUAN PUSTAKA. Dalam menentukan penduga parameter dari distribusi G3F dan karakteristik dari
II. TINJAUAN PUSTAKA Dalam menentukan penduga parameter dari distribusi G3F dan karakteristik dari penduga tersebut, maka dalam hal ini penulis menggunakan beberapa definisi dan teorema yang berkaitan
Lebih terperinciKULIAH ANALISIS STATISTIK DATA SIMULASI Tipe-tipe simulasi berdasarkan analisis output:
KULIAH ANALISIS STATISTIK DATA SIMULASI Tipe-tipe simulasi berdasarkan analisis output: 1. Terminating simulation 2. Nonterminating simulation: a. Steady-state parameters b. Steady-state cycle parameters
Lebih terperinciStatistika (MMS-1001)
Statistika (MMS-1001) Dr. Danardono, MPH danardono@ugm.ac.id Program Studi Statistika Jurusan Matematika FMIPA UGM Materi dan Jadual Tatap Muka Pokok Bahasan Sub Pokok Bahasan 1. Statistika Deskriptif
Lebih terperinci