k = populasi pelanggan Nilai-nilai default (biasanya tidak dimunculkan) :
|
|
- Harjanti Lesmono
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Model Loss Sistem Ahar Prodi Tekik Elektro S1 UR Toik Bahasa.. Notasi Model Atria (Kedall) Model Poisso ( customers, servers) Model Erlag ( customers, < servers) Biomial model (k < customers, k servers) Egset model (k < customers, < k servers) 2 1
2 Notasi Model Atria (Kedall) A/B///k A meyataka roses kedataga Iterarrival time distributio: M exoetial (memoryless) D determiistic G geeral B meyataka waktu elayaa (service times) Service time distributio: M exoetial (memoryless) D determiistic G geeral jumlah server jumlah temat dalam sistem jumlah server + temat meuggu 3 Notasi Model Atria (Kedall) (cot.) k oulasi elagga Nilai-ilai default (biasaya tidak dimuculka) :, k Cotoh: M/M/1 M/D/1 M/G/1 G/G/1 M/M/ M/M//+m M/M/ (Poisso model) M/M// (Erlag model) M/M/k/k/k (Biomial model) M/M///k (Egset model, < k) 4 2
3 Model Poisso (M/M/ ) Model Poisso didefiisika megguaka model teletraffic berikut : Kedataga aggila acak (radom arrival/pure Chace Traffic) da ideedet satu sama lai Selag waktu atar kedataga terdistribusi eksoesial egatif Jumlah sumber aggila (customer) tak terhigga (k ) Laju rata-rata datagya aggila kosta (aλ) Tak tergatug jumlah eduduka yag sudah ada karea sumber aggila tak terhigga Jumlah server yag melayai tak terhigga Setia aggila yag datag selalu daat dilayai (lossless) Pola waktu elayaa/eduduka terdistribusi exoesial egatif dega waktu elayaa/eduduka (service time) rata-rata h 1/µ Harga rata-rata trafik sama dega harga variasiya Tidak ada buffer Itesitas trafik a λ/µ 5 Diagram Trasisi Kodisi Misalya X(t) meyataka jumlah customer di dalam sistem ada saat t Asumsika bahwa X(t) i ada suatu waktu t, da kita lihat aa saja kemugkia yag terjadi di dalam selag waktu yag sagat edek (t, t+dt] : dega eluag sebesar λdt + o(dt), bisa terdaat seorag elagga baru datag (trasisi kodisi +1) jika i > 0, dega eluag sebesar iµdt + o(dt) bisa terdaat seorag elagga yag meiggalka sistem (trasisi kodisi 1) X(t) meruaka suatu roses Markov dega diagram trasisi kodisi sebagai berikut
4 4 Persamaa kesetimbaga lokal Normalisasi Maka distribusi dalam kodisi setimbag adalah Poisso 7 0,1,2,3,...,! 1) ( 1) ( 1) ( a a i i i µ λ µ λ a a e e a a ) (! 1! 0,1,2,3,...,! } { a i e a i X P Sifat etig distribusi Poisso E [X] a, D 2 [X] a Seluruh trafik yag ditawarka aka daat diolah oleh server, artiya tidak ada trafik yag hilag (lossless) Oleh karea itu trafik yag ditawarka aka sama dega trafik yag dimuat atau A Y 8
5 Model Erlag (M/M//) Model Erlag didefiisika megguaka model teletraffic berikut Jumlah sumber aggila tak terhigga (k ) Selag waktu atar kedataga terdistribusi eksoesial egatif dega rata-rata 1/λ Pola kedataga aggila terdistribusi Poisso dega laju rata-rata datagya aggila kosta (λ) Kedataga aggila acak (radom arrival) da ideedet satu sama lai Tak tergatug jumlah eduduka yag sudah ada karea sumber aggila tak terhigga Jumlah server terbatas ( < ) da tidak ada buffer Tidak setia aggila yag datag selalu daat dilayai; aggila yag datag ada saat semua server sibuk aka tidak daat dilayai aggila-aggila yag tidak daat dilayai aka dihilagka (lossy) : sistem rugi muri Pola waktu elayaa/eduduka terdistribusi exoesial egatif dega waktu elayaa/eduduka rata-rata h 1/µ Itesitas trafik a λ/µ 9 Rumus Rugi Erlag Daat diguaka utuk meghitug rosetase aggila yag hilag bila trafik yag ditawarka da jumlah server (igat, server bisa berua berkas salura keluar, timeslot dsb.) diketahui Peurua rumus megguaka diagram trasisi kodisi da ersamaa kesetimbaga Koefisie kelahira λ (kosta) Koefisie kematia µ A λ/µ 10 5
6 λ λ λ λ λ N-1 N µ 2µ 3µ (N-1)µ Nµ λp(0) 1µP(1) A.P(0) 1.P(1) A.P(1) 2.P(2) A.P(2) 3.P(3). A.P(-1).P()... A.P(N-1) N.P(N) 11 Dari ersamaa kesetimbaga tersebut bisa kita eroleh A A 3 A P() P(-1) P(-2) P(-3) P(0) (-1) (-1)(-2)! Jadi P() A Mecari P(0) : N Σ P(0), dega 0,1,2,,N! 1 P() P(0) { 1+A } 0 2! 3! N! A 2 A 2 A 3 A N Jadi P(0) Σ 1 N A A 0! 12 6
7 Sehigga P() A! A 1+A ! A N N! Utuk 0,1,2,3,, N P(N) Probabilitas bahwa semua server sibuk; selama waktu ii semua aggila yag datag ditolak (dihilagka) 13 Simbol utuk meyataka P(N) E 1,N (A) E N (A) B (Blockig) Rumus Rugi Erlag Rumus Erlag-B B(N,A) Grade of Service (GOS) Dari segi ilai, GOS Blockig Dari segi egertia, GOS meruaka komleme dari Blockig 14 7
8 Jadi P(N) E 1,N (A) E N (A) B A N N! A 1+A A N 2! N! Ditabelka 15 Kogesti Waktu da Kogesti Paggila Probabilitas kodisi adalah lamaya waktu suatu kodisi berlagsug selama satu jam egamata (jam sibuk), maka P(N) daat diartika sebagai lamaya waktu dimaa semua server (N) sibuk berlagsug dalam jam jam sibuk sehigga P(N) disebut ula sebagai Kogesti Waktu (Time Cogestio) Daat ula dikataka : P(N) adalah bagia waktu dimaa N server sibuk 16 8
9 Pegertia Kogesti Paggila R(N) Jumlah aggila yag ditolak R(N) Jumlah aggila selama 1 jam Atau dega kata lai : R(N) adalah bagia aggila yag ditolak Utuk kedataga yag acak P(N) R(N) 17 Efisiesi da Keekaa Efisiesi ( A/N) Utuk B tertetu, dega bertambahya A, aka dierluka N yag lebih besar ula Maki besar A, maki besar (baik) efisiesiya B 1% N A A/N 2 0,15 0, ,87 0, ,46 0, ,90 0,
10 Keekaa Seberaa besar egaruh erubaha A terhada erubaha B utuk N teta Maki besar A, maki besar keekaaaya (erubaha B- ya) B 1% N A 1,1A (A aik 1%) Trafik 1,1A da dega N teta; B berubah mejadi 2 0,15 0,165 0,012 (1,2 %) 4 0,87 0,957 0,013 (1,3 %) 10 4,46 4,906 0,015 (1,5 %) 50 37,90 41,690 0,030 (3,0 %) 19 Model Erlag daat diteraka ada trafik teleo di dalam suatu berkas salura truk dimaa jumlah user yag megguakaya sagat bayak customer call λ call arrival rate (calls er time uit) h 1/µ average call holdig time (time uits) a λ /µ traffic itesity N kaasitas lik (jumlah salura) 20 10
11 Harga rata-rata trafik yag dimuat oleh berkas salura (ada rumus Erlag) Meruaka jumlah salura rata-rata yag diduduki (selama waktu 1 jam sibuk) Y trafik yag dimuat N Σ.P() Σ N A /(-1)! N 0 0 A j /j! Σ j0 N A A Σ -1 /(-1)! A N 0 A j /j! Σ j0 - A N /N! N A j /j! Σ j0 N +ΣΣ 0 A /! N A j /j! Σ j0 Y A [ -B + 1] B 1 21 Jadi : Y A[1-B] atau A Y + AB A Trafik yag ditawarka (rata-rata) Y Trafik yag dimuat (rata-rata) AB R Trafik yag ditolak (hilag) 22 11
12 Rumus Rekursif Erlag E +1 (A) 1+A+ A2 2! A +1 /(+1)! + + A +1 (+1)! [A/(+1)] A /! 1+A+ A2 2! + + A +1 (+1)! 23 Rumus Rekursif Erlag (2) E +1 (A) A (+1) 1+ 1+A+ A2 2! A /! A+ A2 2! A! A +1 /(+1)! + + A +1 (+1)! 24 12
13 Rumus Rekursif Erlag (3) E +1 (A) (+1) 1+ A (+1) A.E (A) 1+A+ A2 2! A.E (A) A +1 /(+1)! + + (+1) 1+ A E (A) (+1) A! 25 Rumus Rekursif Erlag (4) Jadi atau E +1 (A) E (A) A.E (A) A.E (A) A.E -1 (A) A.E -1 (A) 26 13
14 Rumus Rekursif Erlag (5) Misalka aka dihitug blockig dari suatu sistem dega A15,7 Erlag da N10 salura Perhitugaya dimulai dega 0 yaitu E 0 (15,7)1 da seterusya samai E 10 (15,7) 27 latiha Dua buah PABX aka dihubugka satu sama lai. Trafik total yg ditawarka dari PABX A ke PABX B adalah 25 erlag, demikia ula sebalikya. Bila blockig ada berkas salura eghubug diigika 1%, tetuka : Hitug jmlh salura yg harus disediaka bila diguaka sirkuit oe way. Hitug jmlh salura yg harus disediaka bila diguaka sirkuit two way
15 Suatu berkas salura terdiri dari 18 salura. Ditawari trafik dg laju kedataga aggila 480 aggila/jam da rata-rata waktu eduduka selama 105 detik. Bila kedataga aggila terdistribusi Poisso, hitug trafik yg ditawarka, time cogestio, call cogestio da jumlah aggila yg ditolak rata-rata erjamya. 29 Model Biomial (M/M/k/k/k) Model Biomial didefiisika oleh model teletraffic berikut : Jumlah sustomer terbatas tai ideede satu sama lai (k < ) o-off tye customers (alteratig betwee idleess ad activity) Idle times terdistribusi eksoesial egatif dega mea 1/υ Jumlah server sama dega jumlah customer ( k) Waktu elayaa terdistribusi eksoesial egatif dega mea 1/µ Tidak ada buffer Model Biomial bersifat lossless 30 15
16 O-off tye customer Misalka X j (t) meyataka kodisi dari customer j ( j 1,2,,k ) ada waktu t State 0 idle, state 1 active dalam elayaa Kita lihat eristiwa yag terjadi selama selag waktu yag sagat sigkat (t, t+h]: Jika X j (t) 0, customer mejadi aktif (terjadi trasisi dari 0 ke 1) dega eluag sebesar υh + o(h), Jika X j (t) 1, customer mejadi idle (terjadi trasisi dari 1 ke 0) dega eluag sebesar µh + o(h) Proses X j (t) meruaka roses Markov dega diagram trasisi kodisi sebagai berikut 31 Persamaa kesetimbaga lokal : Normalisasi : Dega demikia distribusi ada kodisi setimbag dari seorag customer adalah distribusi Beroulli dega eluag sukses sebesar υ/(υ +µ) offered traffic adalah υ/(υ +µ) Dari sii kita bisa megambil deduksi bahwa distribusi ada kodisi setimbag dari kodisi sistem secara keseluruha (yaitu jumlah customer yag aktif) adalah distribusi biomial Bi(k, υ /(υ +µ)) 32 16
17 Diagram Trasisi Kodisi Misalya X(t) meyataka jumlah customer yag aktif Asumsika bahwa X(t) i ada saat t, da kita erhatika kejadia selama selag waktu yag sagat sigkat (t, t+h]: Jika i < k, seorag customer yag idle mejadi aktif (terjadi trasisi kodisi dari i ke i+1) dega eluag sebesar (k i)υh + o(h) Jika i > 0, seorag customer yag aktif mejadi idle (terjadi trasisi kodisi dari i ke i-1) dega eluag iµh + o(h), Proses X(t) adalah roses Markov dega diagram trasisi kodisi sebagai berikut 33 Persamaa kesetimbaga lokal Normalisasi 34 17
18 Jadi distribusi dalam kodisi setimbag adalah biomial 35 Model Egset (M/M///k) Model Egset didefiisika oleh model teletraffic berikut : Jumlah elagga terbatas tetai ideede satu sama lai (k < ) o-off tye customers (alteratig betwee idleess ad activity) Idle times terdistribusi eksoesial egatif dega mea 1/υ Jumlah server lebih kecil dariada jumlah customer ( < k) Waktu elayaa terdistribusi eksoesial egatif dega mea 1/µ Tidak ada buffer Model Egset bersifat lossy 36 18
19 Diagram Trasisi Kodisi Misalya X(t) meyataka jumlah customer yag aktif Asumsika X(t) i ada saat t, da kita erhatika aa yag terjadi selama selag waktu yag sagat sigkat (t, t+h]: Jika i <, seorag customer yag idle mejadi aktif (terjadi trasisi kodisi dari i ke i+1) dega eluag sebesar (k i)υh + o(h) Jika i > 0, seorag customer yag aktif mejadi idle (terjadi trasisi kodisi dari i-1 ke i) dega eluag iµh + o(h), Proses X(t) meruaka roses Markov dega diagram trasisi kodisi sebagai berikut 37 Persamaa kesetimbaga lokal Normalisasi 38 19
20 Jadi distribusi ada kodisi setimbag adalah trucated biomial distributio: Offered traffic diyataka oleh kυ/(υ +µ) 39 Time Blockig Karea roses kedataga tidak terdistribusi Poisso, maka ada model Egset, Time Blockig tidak sama dega Call Blockig 40 20
Elemen Dasar Model Antrian. Aktor utama customer dan server. Elemen dasar : 1.distribusi kedatangan customer. 2.distribusi waktu pelayanan. 3.
Eleme Dasar Model Atria. Aktor utama customer da server. Eleme dasar :.distribusi kedataga customer. 2.distribusi waktu pelayaa. 3.disai fasilitas pelayaa (seri, paralel atau jariga). 4.disipli atria (pertama
Lebih terperinciLecture 4 : Queueing Theory and Aplications. Hanna Lestari, M.Eng
Leture 4 : Queueig Theory ad Apliatios Haa Lestari, M.Eg Struktur Dasar Model Model Atria Teori Atria bertujua utuk megetahui/meetuka besara kierja sistem atria. Ukura kierja sistem dalam kodisi steady
Lebih terperinciBAB 1 PENDAHULUAN 1.1 LATAR BELAKANG MASALAH
BAB ENDAHULUAN. LATAR BELAKANG MASALAH Dalam kehidua yata, sejumlah feomea daat diikirka sebagai ercobaa yag mecaku sederata egamata yag berturut-turut da buka satu kali egamata. Umumya, tia egamata dalam
Lebih terperinci1 n MODUL 5. Peubah Acak Diskret Khusus
ODUL 5 Peubah Acak Diskret Khusus Terdapat beberapa peubah acak diskret khusus yag serig mucul dalam aplikasi. Peubah Acak Seragam ( Uiform) Bila X suatu peubah acak diskret dimaa setiap eleme dari X mempuyai
Lebih terperinciStatistika 2. Pengujian Hipotesis. 1. Pendahuluan. Topik Bahasan: Oleh : Edi M. Pribadi, SP., MSc.
Statistika Toik Bahasa: Pegujia Hiotesis Oleh : Edi M. Pribadi, SP., MSc. E-mail: edi_m@staff.guadarma.ac.id. Pedahulua Hiotesis eryataa yag meruaka edugaa berkaita dega ilai suatu arameter oulasi (satu
Lebih terperinciTEORI ANTRIAN. Gambar 1 Proses antrian pada suatu sistem antrian
TEORI ANTRIAN Teori atria merupaka studi matematis megeai atria atau waitig lies yag di dalamya disediaka beberapa alteratif model matematika yag dapat diguaka utuk meetuka beberapa karakteristik da optimasi
Lebih terperinciPERBANDINGAN KINERJA SKEMA CHANNEL SHARING PADA JARINGAN GSM/GPRS DENGAN MODEL ANTRIAN ERLANG
o. 27 Vol.2 Th. XIV April 2007 ISS 854-847 PERBADIGA KIERJA SKEMA CHAEL SHARIG PADA JARIGA / DEGA MODEL ATRIA ERLAG Rudy Feradez Jurusa Tekik Elektro Fakultas Tekik Uiversitas Adalas ABSTRAK Blockig merupaka
Lebih terperinciREGRESI LINIER DAN KORELASI. Variabel bebas atau variabel prediktor -> variabel yang mudah didapat atau tersedia. Dapat dinyatakan
REGRESI LINIER DAN KORELASI Variabel dibedaka dalam dua jeis dalam aalisis regresi: Variabel bebas atau variabel prediktor -> variabel yag mudah didapat atau tersedia. Dapat diyataka dega X 1, X,, X k
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakag Didalam melakuka kegiata suatu alat atau mesi yag bekerja, kita megeal adaya waktu hidup atau life time. Waktu hidup adalah lamaya waktu hidup suatu kompoe atau uit pada
Lebih terperinci1. Pendahuluan. Materi 3 Pengujuan Hipotesis
Materi 3 Pegujua Hiotesis. Pedahulua Hiotesis eryataa yag meruaka edugaa berkaita dega ilai suatu arameter oulasi (satu atau lebih oulasi) Kebeara suatu hiotesis diuji dega megguaka statistik samel hiotesis
Lebih terperinci6. Pencacahan Lanjut. Relasi Rekurensi. Pemodelan dengan Relasi Rekurensi
6. Pecacaha Lajut Relasi Rekuresi Relasi rekuresi utuk dereta {a } adalah persamaa yag meyataka a kedalam satu atau lebih suku sebelumya, yaitu a 0, a,, a -, utuk seluruh bilaga bulat, dega 0, dimaa 0
Lebih terperinciPerilaku Distribusi Bernoulli. Definisi: Bernoulli. Contoh Binomial. Contoh Binomial
Defiisi: Beroulli ercobaa Beroulli: Haya terdaat satu kali ercobaa dega eluag sukses da eluag gagal - eluag Sukse: eluag Gagal: ( = ) = ( = 0 ( = 0) = ( 0 0 = erilaku Distribusi Beroulli E() = Var () =
Lebih terperinciBAB II LANDASAN TEORI. Dalam tugas akhir ini akan dibahas mengenai penaksiran besarnya
5 BAB II LANDASAN TEORI Dalam tugas akhir ii aka dibahas megeai peaksira besarya koefisie korelasi atara dua variabel radom kotiu jika data yag teramati berupa data kategorik yag terbetuk dari kedua variabel
Lebih terperinciBAB VII RANDOM VARIATE DISTRIBUSI DISKRET
BAB VII RANDOM VARIATE DISTRIBUSI DISKRET Diskret radom variabel dapat diguaka utuk berbagai radom umber yag diambil dalam betuk iteger. Pola kebutuha ivetori (persediaa) merupaka cotoh yag serig diguaka
Lebih terperinciHASIL DAN PEMBAHASAN. Performance Model. Real System. Mangukur Utilisasi CPU dan Penggunaan memori. Menghitung Utilisasi CPU dan Penggunaan memori
Real System Pegukura Magukur Utilisasi CPU da Pegguaa memori Diterima? Ya Performace Model Kalkulasi Meghitug Utilisasi CPU da Pegguaa memori Tidak Kalibrasi Model Gambar 3 Cara utuk melakuka validasi
Lebih terperinciBAB 3 ENTROPI DARI BEBERAPA DISTRIBUSI
BAB 3 ENTROPI DARI BEBERAPA DISTRIBUSI Utuk lebih memahami megeai etropi, pada bab ii aka diberika perhituga etropi utuk beberapa distribusi diskrit da kotiu. 3. Distribusi Diskrit Pada sub bab ii dibahas
Lebih terperinciJurdik Fisika FPMIPA UPI Bandung DISTRIBUSI VARIABEL RANDOM DISKRIT
Jurdik Fisika FPMIPA UPI Badug DISTRIBUSI VARIABEL RANDOM DISKRIT Distribusi Variabel Radom Diskrit Proses Beroulli Distribusi Biomial Distribusi Geometrik Distribusi Hiergeometrik Proses & Distribusi
Lebih terperinciDistribusi Sampel, Likelihood dan Penaksir
BAB 1 Distribusi Sampel, Likelihood da Peaksir 1.1 Sampel Acak Misalka X 1, X 2,..., X sampel acak berukura (radom sample of size ). Fugsi peluag -variat ya adalah f X1,X 2,,X (x 1, x 2,..., x ) = f Xi
Lebih terperinciDistribusi Pendekatan (Limiting Distributions)
Distribusi Pedekata (Limitig Distributios) Ada 3 tekik utuk meetuka distribusi pedekata: 1. Tekik Fugsi Distribusi Cotoh 2. Tekik Fugsi Pembagkit Mome Cotoh 3. Tekik Teorema Limit Pusat Cotoh Fitriai Agustia,
Lebih terperinciMINGGU KE-12 TEOREMA LIMIT PUSAT DAN TERAPANNYA
MINGGU KE-12 TEOREMA LIMIT PUSAT DAN TERAPANNYA TEOREMA LIMIT PUSAT DAN TERAPANNYA Telah dikeal bahwa X 1, X 2...X sampel radom dari distribusi ormal dega mea µ da variasi σ 2, maka x µ σ/ atau xi µ σ
Lebih terperinciV.2.4 PROBABILITAS BLOCKING LEE GRAPHS
V.2.4 PROBABILITA BLOCKIG LEE GRAPH 1. Pada keyataaya o blockig switch hampir tidak perah disyaratka bagi komuikasi telepo. 2. Disai peralata setral telepo adalah sedemikia rupa sehigga pada jam sibuk
Lebih terperinciSTATISTICS. Hanung N. Prasetyo Week 11 TELKOM POLTECH/HANUNG NP
STATISTICS Haug N. Prasetyo Week 11 PENDAHULUAN Regresi da korelasi diguaka utuk megetahui hubuga dua atau lebih kejadia (variabel) yag dapat diukur secara matematis. Ada dua hal yag diukur atau diaalisis,
Lebih terperinciII. TINJAUAN PUSTAKA. Secara umum apabila a bilangan bulat dan b bilangan bulat positif, maka ada tepat = +, 0 <
II. TINJAUAN PUSTAKA 2.1 Keterbagia Secara umum apabila a bilaga bulat da b bilaga bulat positif, maka ada tepat satu bilaga bulat q da r sedemikia sehigga : = +, 0 < dalam hal ii b disebut hasil bagi
Lebih terperinciBAB VIII KONSEP DASAR PROBABILITAS
BAB VIII KONSEP DASAR PROBABILITAS 1.1. Pedahulua Dalam pertemua ii Ada aka mempelajari beberapa padaga tetag permutasi da kombiasi, fugsi da metode perhituga probabilitas, da meghitug probabilitas. Pada
Lebih terperinciI. DERET TAKHINGGA, DERET PANGKAT
I. DERET TAKHINGGA, DERET PANGKAT. Pedahulua Pembahasa tetag deret takhigga sebagai betuk pejumlaha suku-suku takhigga memegag peraa petig dalam fisika. Pada bab ii aka dibahas megeai pegertia deret da
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 6. No. 2, 77-85, Agustus 2003, ISSN : DISTRIBUSI WAKTU BERHENTI PADA PROSES PEMBAHARUAN
JURAL MATEMATKA DA KOMPUTER Vol. 6. o., 77-85, Agustus 003, SS : 40-858 DSTRBUS WAKTU BERHET PADA PROSES PEMBAHARUA Sudaro Jurusa Matematika FMPA UDP Abstrak Dalam proses stokhastik yag maa kejadia dapat
Lebih terperinciPETA KONSEP RETURN dan RISIKO PORTOFOLIO
PETA KONSEP RETURN da RISIKO PORTOFOLIO RETURN PORTOFOLIO RISIKO PORTOFOLIO RISIKO TOTAL DIVERSIFIKASI PORTOFOLIO DENGAN DUA AKTIVA PORTOFOLIO DENGAN BANYAK AKTIVA DEVERSIFIKASI DENGAN BANYAK AKTIVA DEVERSIFIKASI
Lebih terperinciProbabilitas dan Statistika Teorema Bayes. Adam Hendra Brata
robabilitas da Statistika Teorema ayes dam Hedra rata Itroduksi - Joit robability Itroduksi Teorema ayes eluag Kejadia ersyarat Jika muculya mempegaruhi peluag muculya kejadia atau sebalikya, da adalah
Lebih terperinciB a b 1 I s y a r a t
34 TKE 315 ISYARAT DAN SISTEM B a b 1 I s y a r a t (bagia 3) Idah Susilawati, S.T., M.Eg. Program Studi Tekik Elektro Fakultas Tekik da Ilmu Komputer Uiversitas Mercu Buaa Yogyakarta 29 35 1.5.2. Isyarat
Lebih terperinci[Rekayasa Trafik] [Pertemuan 9] Overview [Little s Law Birth and Death Process Poisson Model Erlang-B Model]
[Rekayasa Trafik] [Pertemuan 9] Overview [Little s Law Birth and Death Process Poisson Model Erlang-B Model] eko fajar cahyadi [ekofajarcahyadi@st3telkom.ac.id] Overview 1. Little s Law 2. Birth & Death
Lebih terperinciBAB VIII MASALAH ESTIMASI SATU DAN DUA SAMPEL
BAB VIII MASAAH ESTIMASI SAT DAN DA SAMPE 8.1 Statistik iferesial Statistik iferesial suatu metode megambil kesimpula dari suatu populasi. Ada dua pedekata yag diguaka dalam statistik iferesial. Pertama,
Lebih terperinci1 Persamaan rekursif linier non homogen koefisien konstan tingkat satu
Secara umum persamaa rekursif liier tigkat-k bisa dituliska dalam betuk: dega C 0 0. C 0 x + C 1 x 1 + C 2 x 2 + + C k x k = b, Jika b = 0 maka persamaa rekursif tersebut diamaka persamaa rekursif liier
Lebih terperinciLANDASAN TEORI. Secara umum, himpunan kejadian A i ; i I dikatakan saling bebas jika: Ruang Contoh, Kejadian, dan Peluang
2 LANDASAN TEORI Ruag Cotoh, Kejadia, da Peluag Percobaa acak adalah suatu percobaa yag dapat diulag dalam kodisi yag sama, yag hasilya tidak dapat diprediksi secara tepat tetapi dapat diketahui semua
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB ENDAHULUAN. Latar Belakag Masalah Dalam kehidupa yata, hampir seluruh feomea alam megadug ketidak pastia atau bersifat probabilistik, misalya pergeraka lempega bumi yag meyebabka gempa, aik turuya
Lebih terperinciFungsi Kompleks. (Pertemuan XXVII - XXX) Dr. AZ Jurusan Teknik Sipil Fakultas Teknik Universitas Brawijaya
TKS 4007 Matematika III Fugsi Kompleks (Pertemua XXVII - XXX) Dr. AZ Jurusa Tekik Sipil Fakultas Tekik Uiversitas Brawijaya Pedahulua Persamaa x + 1 = 0 tidak memiliki akar dalam himpua bilaga real. Pertayaaya,
Lebih terperinciStatistika dibagi menjadi dua, yaitu: 1. Statistika Deskriftif 2. Statistik Inferensial Penarikan kesimpulan dapat dilakukan dengan dua cara, yaitu:
Peaksira Parameter Statistika dibagi mejadi dua yaitu:. Statistika Deskriftif 2. Statistik Iferesial Pearika kesimpula dapat dilakuka dega dua cara yaitu:. Peaksira Parameter 2. Pegujia Hipotesis Peaksira
Lebih terperinciBAB II LANDASAN TEORI. Pada bab ini akan dibahas mengenai definisi suatu ring serta
BAB II LANDASAN TEORI Pada bab ii aka dibahas megeai defiisi suatu rig serta beberaa sifat yag dierluka dalam embahasa oliomial ermutasi Pejelasa megeai rig dimulai dega defiisi dari suatu sistem matematika
Lebih terperinciDERET TAK HINGGA (INFITITE SERIES)
MATEMATIKA II DERET TAK HINGGA (INFITITE SERIES) sugegpb.lecture.ub.ac.id aada.lecture.ub.ac.id BARISAN Barisa merupaka kumpula suatu bilaga (atau betuk aljabar) yag disusu sehigga membetuk suku-suku yag
Lebih terperinciPERSAMAAN DIFERENSIAL
PERSAMAAN DIFERENSIAL A. Persamaa Diferesial Liier Tigkat Satu Betuk umum ersamaa diferesial liier tigkat satu adalah sebagai berikut: P( ) y Q( ) d atau y P( ) y Q( ) Rumus eyelesaia umum utuk ersamaa
Lebih terperinciUji apakah ada perbedaan signifikan antara mean masing-masing laboratorium. Gunakan α=0.05.
MA 8 STATISTIKA DASAR SEMESTER I /3 KK STATISTIKA, FMIPA ITB UJIAN AKHIR SEMESTER (UAS) Sei, Desember, 9.3.3 WIB ( MENIT) Kelas. Pegajar: Utriwei Mukhaiyar, Kelas. Pegajar: Sumato Wiotoharjo Jawablah pertayaa
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Distribusi Ekspoesial Fugsi ekspoesial adalah salah satu fugsi yag palig petig dalam matematika. Biasaya, fugsi ii ditulis dega otasi exp(x) atau e x, di maa e adalah basis logaritma
Lebih terperinciTINJAUAN PUSTAKA Pengertian
TINJAUAN PUSTAKA Pegertia Racaga peelitia kasus-kotrol di bidag epidemiologi didefiisika sebagai racaga epidemiologi yag mempelajari hubuga atara faktor peelitia dega peyakit, dega cara membadigka kelompok
Lebih terperinciDistribusi Probabilitas (Peluang)
Distribusi Probabilitas (Peluag Distribusi? Probabilitas? Distribusi Probabilitas? JURUSAN PENDIDIKAN FISIKA FPMIPA UNIVERSITAS PENDIDIKAN INDONESIA Distribusi sebara, ecara, susua data Probabilitas: a
Lebih terperinci2 BARISAN BILANGAN REAL
2 BARISAN BILANGAN REAL Di sekolah meegah barisa diperkealka sebagai kumpula bilaga yag disusu meurut "pola" tertetu, misalya barisa aritmatika da barisa geometri. Biasaya barisa da deret merupaka satu
Lebih terperinciBAB 2 LANDASAN TEORI
LNDSN TEORI. robabilitas robabilitas adalah suatu ilai utuk megukur tigkat kemugkia terjadiya suatu eristiwa evet aka terjadi di masa medatag yag hasilya tidak asti ucertai evet. robabilitas diyataka atara
Lebih terperinciDISTRIBUSI BINOMIAL. (sukses sebanyak x kali, gagal sebanyak n x kali)
DISTRIBUSI BINOMIAL Distribusi bioial berasal dari percobaa bioial yaitu suatu proses Beroulli yag diulag sebayak kali da salig bebas. Distribusi Bioial erupaka distribusi peubah acak diskrit. Secara lagsug,
Lebih terperinciPraktikum Perancangan Percobaan 9
Praktikum Peracaga Percobaa 9 PRAKTIKUM RANCANGAN ACAK LENGKAP A. Tujua Istruksioal Khusus Mahasiswa diharaka mamu: a. Megguaka kalkulator utuk meyelesaika aalisis ragam RAL b. Megguaka kalkulator ada
Lebih terperinciHendra Gunawan. 12 Februari 2014
MA1201 MATEMATIKA 2A Hedra Guawa Semester II, 2013/2014 12 Februari 2014 Bab Sebelumya 8. Betuk Tak Tetu da Itegral Tak Wajar 8.1 Betuk Tak Tetu 0/0 82 8.2 Betuk Tak Tetu Laiya 8.3 Itegral Tak Wajar dg
Lebih terperinciDISTRIBUSI SAMPLING (Distribusi Penarikan Sampel)
DISTRIBUSI SAMPLING (Distribusi Pearika Sampel) I. PENDAHULUAN Bidag Iferesia Statistik membahas geeralisasi/pearika kesimpula da prediksi/ peramala. Geeralisasi da prediksi tersebut melibatka sampel/cotoh,
Lebih terperinciMA1201 MATEMATIKA 2A Hendra Gunawan
MA1201 MATEMATIKA 2A Hedra Guawa Semester II, 2016/2017 3 Februari 2017 Bab Sebelumya 8. Betuk Tak Tetu da Itegral Tak Wajar 8.1 Betuk Tak Tetu 0/0 8.2 Betuk Tak Tetu Laiya 8.3 Itegral Tak Wajar dg Batas
Lebih terperinciDISTRIBUSI SAMPLING. Oleh : Dewi Rachmatin
DISTRIBUSI SAMPLING Oleh : Dewi Rachmati Distribusi Rata-rata Misalka sebuah populasi berukura higga N dega parameter rata-rata µ da simpaga baku. Dari populasi ii diambil sampel acak berukura, jika tapa
Lebih terperinciBAB 6: ESTIMASI PARAMETER (2)
Bab 6: Estimasi Parameter () BAB 6: ESTIMASI PARAMETER (). ESTIMASI PROPORSI POPULASI Proporsi merupaka perbadiga atara terjadiya suatu peristiwa dega semua kemugkiaa peritiwa yag bisa terjadi. Besara
Lebih terperinciPenyelesaian Persamaan Non Linier
Peyelesaia Persamaa No Liier Metode Iterasi Sederhaa Metode Newto Raphso Permasalaha Titik Kritis pada Newto Raphso Metode Secat Metode Numerik Iterasi/NewtoRaphso/Secat - Metode Iterasi Sederhaa- Metode
Lebih terperinciBarisan Aritmetika dan deret aritmetika
BARISAN DAN DERET BILANGAN Peyusu: Atmii Dhoruri, MS Kode: Jejag: SMP T/P: / A. Kompetesi yag diharapka. Meetuka suku ke- barisa aritmatika da barisa geometri. Meetuka jumlah suku pertama deret aritmatika
Lebih terperinciLEVELLING 1. Cara pengukuran PENGUKURAN BEDA TINGGI DENGAN ALAT SIPAT DATAR (PPD) Poliban Teknik Sipil 2010LEVELLING 1
LEVELLING 1 PENGUKURAN SIPAT DATAR Salmai,, ST, MS, MT 21 PENGUKURAN BEDA TINGGI DENGAN ALAT SIPAT DATAR (PPD) Jika dua titik mempuyai ketiggia yag berbeda, dikataka mempuyai beda tiggi. Beda tiggi dapat
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2. Peetua Waktu Pegamata Seara Aak Berulag kali telah disebutka bahwa kujuga-kujuga utuk melakuka pegamata dilakuka dalam waktu-waktu yag ditetuka seara aak. Utuk itu, biasaya satu
Lebih terperinciBAB II LANDASAN TEORI
BAB II ANDAAN TEORI. Defiisi Atria Teori atria adalah teori yag meyagkut studi matematis dari atria-atria atau baris-baris peuggua (Tjutju, et al., 4). Atria adalah suatu garis tuggu dari asabah (satua)
Lebih terperinciJFET (Junction Field Effect Transistor)
JFET (Juctio Field Effect Trasistor) truktur JFET rai () rai () - ate () ate () V ource () V ource () JFET Kaal JFET Kaal Perhatika (uutk kaal ) bahwa terdaat struktur juctio atara ate () dega ource(),
Lebih terperinciMasih ingat beda antara Statistik Sampel Vs Parameter Populasi? Perhatikan tabel berikut: Ukuran/Ciri Statistik Sampel Parameter Populasi.
Distribusi Samplig (Distribusi Pearika Sampel). Pedahulua Bidag Iferesia Statistik membahas geeralisasi/pearika kesimpula da prediksi/ peramala. Geeralisasi da prediksi tersebut melibatka sampel/cotoh,
Lebih terperinciGambar 3.1Single Channel Multiple Phase
BAB III MODEL ANTRIAN PADA PEMBUATAN SIM C. Sigle Chael Multiple Phase Sistem atria sigle chael multiple phase merupaa sistem atria dimaa pelagga yag tiba, dapat memasui sistem dega megatri di tempat yag
Lebih terperinciJurnal Matematika Murni dan Terapan Vol. 6 No.1 Juni 2012: 9-16 KRITERIA KEKONVERGENAN CAUCHY PADA RUANG METRIK KABUR INTUITIONISTIC
Jural Matematika Muri da Teraa Vol. 6 No.1 Jui 01: 9-16 KRITERIA KEKONVERGENAN CAUCHY PADA RUANG METRIK KABUR INTUITIONISTIC Muhammad Ahsar Karim 1 Faisal Yui Yulida 3 [1,,3] PS Matematika FMIPA Uiversitas
Lebih terperinciANALISIS SISTEM ANTRIAN PELAYANAN NASABAH DI PT. BANK NEGARA INDONESIA (PERSERO) TBK KANTOR CABANG UTAMA USU
Saitia Matematika ISSN: 2337-9197 Vol. 02, No. 03 (2014), pp. 277 287. ANALISIS SISTEM ANTRIAN PELAYANAN NASABAH DI PT. BANK NEGARA INDONESIA (PERSERO) TBK KANTOR CABANG UTAMA USU Siti Aria R. Harahap
Lebih terperinciBAB III METODOLOGI START. Baca Input Data γ, c, φ, x 1, y 1, x 2, y 2, x 3, y 3, x 4, y 4, D. Menghitung FK Manual. Tidak.
BAB III METODOLOGI 3.. ALUR PROGRAM (FLOW CHART) Seerti telah dijelaska sebelumya, bahwa tujua dari eelitia ii adalah utuk megaalisis suatu kasus stabilitas lereg. Aalisis stabilitas lereg tergatug ada
Lebih terperinciDefinisi Integral Tentu
Defiisi Itegral Tetu Bila kita megedarai kedaraa bermotor (sepeda motor atau mobil) selama 4 jam dega kecepata 50 km / jam, berapa jarak yag ditempuh? Tetu saja jawabya sagat mudah yaitu 50 x 4 = 200 km.
Lebih terperincisimulasi selama 4,5 jam. Selama simulasi dijalankan, animasi akan muncul pada dijalankan, ProModel akan menyajikan hasil laporan statistik mengenai
37 Gambar 4-3. Layout Model Awal Sistem Pelayaa Kedai Jamoer F. Aalisis Model Awal Model awal yag telah disusu kemudia disimulasika dega waktu simulasi selama 4,5 jam. Selama simulasi dijalaka, aimasi
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Lokasi da objek peelitia Lokasi peelitia dalam skripsi ii adalah area Kecamata Pademaga, alasa dalam pemiliha lokasi ii karea peulis bertempat tiggal di lokasi tersebut sehigga
Lebih terperinciPembangkitan bilangan random (RN)
Pembagkita bilaga radom (RN) Pembagkita bilaga radom dega megguaka oftware Exel. Bilaga radom yag dibakitka dikalika dega 7 agar bia mauk rage 7. Hail embagkita ebagai berikut : No RN RN x 7.7463.8753
Lebih terperincimempunyai sebaran yang mendekati sebaran normal. Dalam hal ini adalah PKM (penduga kemungkinan maksimum) bagi, ˆ ˆ adalah simpangan baku dari.
Selag Kepercayaa Cotoh Besar Jika ukura cotoh (sample size) besar, maka meurut Teorema Limit Pusat, bayak statistik megikuti/mempuyai sebara yag medekati ormal (dapat diaggap ormal). Artiya jika adalah
Lebih terperinciANALISIS SISTEM ANTRIAN PADA LOKET PENDAFTARAN PASIEN DI PUSKESMMAS PADANG PASIR KECAMATAN PADANG BARAT
Jural Sais da Tekologi Vol 7 o 2, Desember 27 ANALISIS SISTEM ANTRIAN ADA LOKET ENDAFTARAN ASIEN DI USKESMMAS ADANG ASIR KECAMATAN ADANG BARAT Ali Suta Nasutio, Seira Mutia 2 Tekik Idustri Sekolah Tiggi
Lebih terperinciPeubah Acak. Peubah Acak Diskrit dan Distribusi Peluang. Peubah Acak. Peubah Acak
Peubah Acak Peubah Acak Diskrit da Distribusi Peluag Peubah Acak (Radom Variable): Sebuah keluara umerik yag merupaka hasil dari percobaa (eksperime) Utuk setiap aggota dari ruag sampel percobaa, peubah
Lebih terperinciStatistika Matematika. Soal dan Pembahasan. M. Samy Baladram
Statistika Matematika Soal da embahasa M Samy Baladram Bab 4 Ubiasedess, Cosistecy, ad Limitig istributios Ubiasedess, Cosistecy, ad Limitig istributios 41 Ekspektasi Fugsi Key oits Ṫeorema 411 Jika T
Lebih terperinciTeori Penaksiran. Oleh : Dadang Juandi
Teori Peakira Oleh : Dadag Juadi Pedahulua Ada metode iferei : metode klaik da metode Baye dalam meakir arameter oulai Dalam metode klaik iferei didaarka ada iformai yag dieroleh melalui amel acak Dalam
Lebih terperinciModul Kuliah statistika
Modul Kuliah statistika Dose: Abdul Jamil, S.Kom., MM SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER MUHAMMADIYAH JAKARTA Bab 2 Populasi da Sampel 2.1 Populasi Populasi merupaka keseluruha pegamata
Lebih terperinciMODEL PENENTUAN HARGA PENGGUNAAN INTERNET STUDI KASUS WARUNG INTERNET DI SEKITAR KAMPUS IPB DARMAGA NURLAILI
MODEL PEETUA HARGA PEGGUAA ITERET STUDI KASUS WARUG ITERET DI SEKITAR KAMPUS IPB DARMAGA URLAILI SEKOLAH PASCASARJAA ISTITUT PERTAIA BOGOR BOGOR 009 PERYATAA MEGEAI TESIS DA SUMBER IFORMASI Dega ii saya
Lebih terperinciBAB V ANALISA PEMECAHAN MASALAH
89 BAB V ANALISA PEMECAHAN MASALAH Dalam upaya mearik kesimpula da megambil keputusa, diperluka asumsi-asumsi da perkiraa-perkiraa. Secara umum hipotesis statistik merupaka peryataa megeai distribusi probabilitas
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 6. No. 2, , Agustus 2003, ISSN : METODE PENENTUAN BENTUK PERSAMAAN RUANG KEADAAN WAKTU DISKRIT
Vol. 6. No., 97-09, Agustus 003, ISSN : 40-858 METODE PENENTUAN BENTUK PERSAMAAN RUANG KEADAAN WAKTU DISKRIT Robertus Heri Jurusa Matematika FMIPA UNDIP Abstrak Tulisa ii membahas peetua persamaa ruag
Lebih terperinciPokok Bahasan Return dan Risiko. Return. Klasifikasi Return. Return PENDAHULUAN AIMP. Trisnadi Wijaya, S.E., S.Kom.
Pokok Bahasa 3-6. Retur da Risiko Lecture Note: Defiisi retur da risiko Klasifikasi retur da risiko Hubuga retur da risiko Retur da Risiko Aktiva Tuggal Abormal Retur Retur da Risiko Portofolio 1 Retur
Lebih terperinciARTIKEL. Menentukan rumus Jumlah Suatu Deret dengan Operator Beda. Markaban Maret 2015 KEMENTERIAN PENDIDIKAN DAN KEBUDAYAAN
ARTIKEL Meetuka rumus Jumlah Suatu Deret dega Operator Beda Markaba 191115198801005 Maret 015 KEMENTERIAN PENDIDIKAN DAN KEBUDAYAAN PUSAT PENGEMBANGAN DAN PEMBERDAYAAN PENDIDIK DAN TENAGA KEPENDIDIKAN
Lebih terperinciPokok Bahasan Return dan Risiko. Return. Klasifikasi Return. Return PENDAHULUAN AIMP. Trisnadi Wijaya, S.E., S.Kom.
Pokok Bahasa -9. Retur da Risiko Lecture Note: Defiisi retur da risiko Klasifikasi retur da risiko Hubuga retur da risiko Retur da Risiko Aktiva Tuggal Abormal Retur Retur da Risiko Portofolio 1 2 Retur
Lebih terperinciHazmira Yozza Izzati Rahmi HG Jurusan Matematika FMIPA Unand
TEKIK SAMPLIG PCA SEDERHAA Hazmira Yozza Izzati Rahmi HG Jurusa Matematika FMIPA Uad Defiisi : Jika suatu cotoh berukura diambil dari suatu populasi berukura sedemikia rupa sehigga setiap kemugkia cotoh
Lebih terperinciKestabilan Rangkaian Tertutup Waktu Kontinu Menggunakan Metode Transformasi Ke Bentuk Kanonik Terkendali
Jural Tekika ISSN : 285-859 Fakultas Tekik Uiversitas Islam Lamoga Volume No.2 Tahu 29 Kestabila Ragkaia Tertutup Waktu Kotiu Megguaka Metode Trasformasi Ke Betuk Kaoik Terkedali Suhariyato ) Dose Fakultas
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 7. No. 1, 31-41, April 2004, ISSN :
Vol. 7. No. 1, 31-41, April 24, ISSN : 141-8518 Peetua Kestabila Sistem Kotrol Lup Tertutup Waktu Kotiu dega Metode Trasformasi ke Betuk Kaoik Terkotrol Robertus Heri Jurusa Matematika FMIPA UNDIP Abstrak
Lebih terperinciPENDAHULUAN. Statistika penyajian DATA untuk memperoleh INFORMASI penafsiran DATA. Data (bentuk tunggal : Datum ) : ukuran suatu nilai
1. Pegertia Statistika PENDAHULUAN Statistika berhubuga dega peyajia da peafsira kejadia yag bersifat peluag dalam suatu peyelidika terecaa atau peelitia ilmiah. Statistika peyajia DATA utuk memperoleh
Lebih terperinciBAB 5 OPTIK FISIS. Prinsip Huygens : Setiap titik pada muka gelombang dapat menjadi sumber gelombang sekunder. 5.1 Interferensi
BAB 5 OPTIK FISIS Prisip Huyges : Setiap titik pada muka gelombag dapat mejadi sumber gelombag sekuder. 5. Iterferesi - Iterferesi adalah gejala meyatuya dua atau lebih gelombag, membetuk gelombag yag
Lebih terperinciSTATISTIK PERTEMUAN VIII
STATISTIK PERTEMUAN VIII Pegertia Estimasi Merupaka bagia dari statistik iferesi Estimasi = pedugaa, atau meaksir harga parameter populasi dega harga-harga statistik sampelya. Misal : suatu populasi yag
Lebih terperinciANALISIS SISTEM PELAYANAN DI STASIUN TAWANG SEMARANG DENGAN METODE ANTRIAN. Nursihan 1, Sugito 2, Hasbi Yasin 3
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 2, Tahu 2015, Halama 375-382 Olie di: http://ejoural-s1.udip.ac.id/idex.php/gaussia ANALISIS SISTEM PELAYANAN DI STASIUN TAWANG SEMARANG DENGAN METODE ANTRIAN
Lebih terperinci9 Departemen Statistika FMIPA IPB
Supleme Resposi Pertemua ANALISIS DATA KATEGORIK (STK351 9 Departeme Statistika FMIPA IPB Pokok Bahasa Sub Pokok Bahasa Referesi Waktu Pegatar Aalisis utuk Data Respo Kategorik Data respo kategorik Sebara
Lebih terperinciII. LANDASAN TEORI. dihitung. Nilai setiap statistik sampel akan bervariasi antar sampel.
II. LANDASAN TEORI Defiisi 2.1 Distribusi Samplig Distribusi samplig adalah distribusi probibilitas dari suatu statistik. Distribusi tergatug dari ukura populasi, ukura sampel da metode memilih sampel.
Lebih terperincii adalah indeks penjumlahan, 1 adalah batas bawah, dan n adalah batas atas.
4 D E R E T Kosep deret merupaka kosep matematika yag cukup populer da aplikatif khusuya dalam kasus-kasus yag meyagkut perkembaga da pertumbuha suatu gejala tertetu. Apabila perkembaga atau pertumbuha
Lebih terperinciREKAYASA TRAFIK BIRTH & DEATH PROCESS, SISTEM RUGI.
REKAYASA TRAFIK BIRTH & DEATH PROCESS, SISTEM RUGI ekofajarcahyadi@st3telkom.ac.id TUJUAN Mahasiswa dapat memahami cara pemilihan model trafik, mengetahui parameterparameter yang digunakan dan dapat menentukan
Lebih terperinciSelang Kepercayaan (Confidence Interval) Pengantar Penduga titik (point estimator) telah dibahas pada kuliah-kuliah sebelumnya. Walau statistikawan
Selag Kepercayaa (Cofidece Iterval) Pegatar Peduga titik (poit estimator) telah dibahas pada kuliah-kuliah sebelumya. Walau statistikawa telah berusaha memperoleh peduga titik yag baik, amu hampir bisa
Lebih terperinciBAB 2 TINJAUAN TEORI
BAB 2 TINJAUAN TEORI 2.1 ISTILAH KEENDUDUKAN 2.1.1 eduduk eduduk ialah orag atatu idividu yag tiggal atau meetap pada suatu daerah tertetu dalam jagka waktu yag lama. 2.1.2 ertumbuha eduduk ertumbuha peduduk
Lebih terperinciDistribusi Sampling (Distribusi Penarikan Sampel)
Distribusi Samplig (Distribusi Pearika Sampel) 1. Pedahulua Bidag Iferesia Statistik membahas geeralisasi/pearika kesimpula da prediksi/ peramala. Geeralisasi da prediksi tersebut melibatka sampel/cotoh,
Lebih terperinciPENGUJIAN HIPOTESIS. Atau. Pengujian hipotesis uji dua pihak:
PENGUJIAN HIPOTESIS A. Lagkah-lagkah pegujia hipotesis Hipotesis adalah asumsi atau dugaa megeai sesuatu. Jika hipotesis tersebut tetag ilai-ilai parameter maka hipotesis itu disebut hipotesis statistik.
Lebih terperinciBab6 PENAKSIRAN PARAMETER
Bab6 PENAKSIRAN PARAMETER MENAKSIR RATARATA μ Mialka kita memuyai ebuah oulai berukura N dega ratarata µ da imaga baku σ Dari oulai ii arameter ratarata µ aka ditakir Utuk keerlua ii,ambil ebuah amel acak
Lebih terperincitheresiaveni.wordpress.com NAMA : KELAS :
theresiaveiwordpresscom NAMA : KELAS : 1 theresiaveiwordpresscom BARISAN DAN DERET Barisa da deret dapat diguaka utuk memudahka peyelesaia perhituga, misalya buga bak, keaika produksi, da laba/rugi suatu
Lebih terperinciPERTEMUAN 3 CARA MEMBUAT TABEL DISTRIBUSI FREKUENSI UKURAN PEMUSATAN DATA
PERTEMUAN 3 CARA MEMBUAT TABEL DISTRIBUSI FREKUENSI UKURAN PEMUSATAN DATA Cara Peyajia Data dega Tabel Distribusi Frekuesi Distribusi Frekuesi adalah data yag disusu dalam betuk kelompok baris berdasarka
Lebih terperinciHaryoso Wicaksono, S.Si., M.M., M.Kom. 8
Seragam (Uiform) [D1] : Fugsi probabilita Uiform utuk semua ilai. Dimaa merupaka bayakya 1 f ( ) obyek da diasumsika memiliki sifat yag sama. Biomial [D2] : Sifat percobaa Biomial : Percobaa dilakuka dalam
Lebih terperinciBAHAN AJAR ANALISIS REAL 1 Matematika STKIP Tuanku Tambusai Bangkinang 5. DERET
Pertemua 7. BAHAN AJAR ANALISIS REAL Matematika STKIP Tuaku Tambusai Bagkiag 5. da kekovergeaya 5. DERET Diberika sebuah barisa a, dapat didefeisika barisa bilaga real S N dega S N := N a = a + a 2 +...
Lebih terperinciTeorema Nilai Rata-rata
Nilai Kus Prihatoso April 27, 2012 Yogyakarta Nilai Suatu Fugsi Masih igatkah ada tetag ilai rata-rata dari sekmpula bilaga? Berapakah ilai rata-rata dari sebayak bilaga y 1, y 2,..., y? Nilai Suatu Fugsi
Lebih terperinci