10/7/2004 TI-2131 Teori Probabilitas - DI 1
|
|
- Hendra Muljana
- 7 tahun lalu
- Tontonan:
Transkripsi
1 3 Variabel Random Pengantar Variabel Random Variabel Random Diskrit Nilai Ekspektasi dan Variansi Variabel Random Diskrit Variabel Random Kontinyu Kovariansi dan Korelasi Distribusi Bivariat Moment Generating Function Fungsi Transformasi The Law of Large Number /7/4 TI-3 Teori Probabilitas - DI 3- Pengantar Output sebuah proses dapat dikategorikan defect (B) dan baik (G). Dari 4 produk berurutan akan ada ***= 4 = 6 kemungkinan kemunculan, sehingga membentuk ruang sample: BBBB BGBB GBBB GGBB BBBG BGBG GBBG GGBG BBGB BGGB GBGB GGGB BBGG BGGG GBGG GGGG Jika kemunculan defect dan baik sama (equally likely) [P(G)=P(B) = /], dan sebuah kemunculan independen dengan kemunculan berikutnya, maka probabilitas dari setiap kemunculan: (/)(/)(/)(/) = /6. /7/4 TI-3 Teori Probabilitas - DI
2 3- Variabel Random () Jumlah produk baik (G) dari 4 kemunculan adalah: BBBB () BGBB () GBBB () GGBB () BBBG () BGBG () GBBG () GGBG (3) BBGB () BGGB () GBGB () GGGB (3) BBGG () BGGG (3) GBGG (3) GGGG (4) Setiap kemunculan dinyatakan dengan sebuah nilai numerik Semua kemunculan diberikan nilai numerik Nilai yang diberikan berbeda untuk setiap kejadian urutan Jumlah produk baik (G) adalah sebuah variabel random: Variabel Random adalah sebuah fungsi yang memberikan nilai numerik tunggal (tetapi variabel) pada setiap elemen dalam ruang sample. /7/4 TI-3 Teori Probabilitas - DI 3 Variabel Random () Karena variabel random = 3 terjadi dengan 4 urutan BGGG, GBGG, GGBG, atau GGGB, P( = 3) = P(BGGG) + P(GBGG) + P(GGBG) + P(GGGB) = 4/6 Distribusi probabilitas dari sebuah variabel random membentuk tabel semua nilai variabel random dan probabilitasnya. P() /6 4/ /6. 3 4/6. 4 / /6= Probability Distribusi probabilitas D istribution dari ofvariabel the Numrandom ber ofjumlah G irls inproduk Four Bbaik irths P() Number of girls, Jumlah produk baik /7/4 TI-3 Teori Probabilitas - DI 4
3 Variabel Random (3) Percobaan melempar dua buah dadu, ada 36 hasil. Variabel random menyatakan jumlah angka sisi dadu: ,,,3,4,5,6 8,,,3,4,5,6 9 3, 3, 3,3 3,4 3,5 3,6 4, 4, 4,3 4,4 4,5 4,6 5, 5, 5,3 5,4 5,5 5,6 6, 6, 6,3 6,4 6,5 6,6 P() * /36 3 /36 4 3/36 5 4/36 6 5/36 7 6/36 8 5/36 9 4/36 3/36 /36 /36 p() ProbabilityDistributionof Sumof Two Dice *Fungsi: P( ) = (6 (7 ) )/36 /7/4 TI-3 Teori Probabilitas - DI 5 Variabel Random Diskrit-Kontinyu Sebuah variabel random diskrit: Memiliki jumlah nilai yang terhitung di Memiliki ruang di antara nilai yang berurutan Memiliki ukuran probabilitas untuk setiap nilai individual Sebuah variabel random kontinyu: Memiliki jumlah nilai yang tidak terhitung dan tidak terbatas di Bergerak secara kontinyu di antara nilai-nilai Tidak memiliki ukuran probabilitas untuk setiap nilai ukuran /7/4 TI-3 Teori Probabilitas - DI 6
4 3-3 Variabel Random Diskrit Distribusi probabilitas untuk variabel random diskrit memenuhi dua kondisi berikut. P( ) for all values of.. all P () = [ Corollary: P ( ) ] /7/4 TI-3 Teori Probabilitas - DI 7 Fungsi Distribusi Kumulatif () Fungsi distribusi kumulatif, F(), dari variabel random diskrit adalah: F () = P ( ) = Pi () all i P() F() Cumulative Probability Distribution of the Number of Switches F() /7/4 TI-3 Teori Probabilitas - DI 8
5 Fungsi Distribusi Kumulatif () Probabilitas bahwa paling banyak ada 3 switch Probabilitas bahwa paling banyak ada 3 switch P() F() P () P( 3) = F( 3) /7/4 TI-3 Teori Probabilitas - DI 9 Fungsi Distribusi Kumulatif (3) Probabilitas bahwa ada lebih dari satu switch: P() F() Probabilitas bahwa ada lebih dari satu switch: P() F( ) P( > ) = F( ) /7/4 TI-3 Teori Probabilitas - DI
6 Fungsi Distribusi Kumulatif (4) Probabilitas bahwa ada dari satu sampai tiga switch: P() F() P() Probabilitas ada satu sampai tiga switch F( 3) = F( 3) F( ) F( ) F( 3) /7/4 TI-3 Teori Probabilitas - DI 3-4 Nilai Ekspektasi dan Variansi Variabel Random Diskrit Mean dari distribusi probabilitas adalah ukuran pemusatan sebagai rata-rata dari distribusi frekuensi, yang juga adalah rata-rata terbobot dari setiap nilai variabel random, dimana nilai probabilitas merupakan bobotnya..3 Mean juga merupakan nilai harapan (atau ekspektasi) dari sebuah variabel random. Nilai ekspektasi dari sebuah variabel random diskrit adalah jumlah setiap nilai yang dikalikan dengan nilai probabilitasnya: µ = E( ) = P( ) all P() P() = E()=µ /7/4 TI-3 Teori Probabilitas - DI
7 Sebuah Fair Game Dilakukan percobaan melemparkan sebuah koin yang seimbang. Jika muncul sisi muka akan mendapat manfaat sebesar Rp. juta, sedangkan jika muncul sisi belakang akan rugi sebesar Rp. juta. Nilai ekspektasi dari persoalan tersebut adalah E() =. Sebuah percobaan dengan ekspektasi dikenal sebagai sebuah fair game. P() P() = E()=µ - /7/4 TI-3 Teori Probabilitas - DI 3 Nilai Ekspektasi () Nilaiekspektasidarisebuahfungsivariabel random diskrit adalah: Eh [ ( )] = h ( ) P ( ) all Contoh: Penjualan bulanan diketahui mengikuti distribusi probabilitas seperti di samping. Misalkan perusahaan mengeluarkan ongkos tetap bulanan sebesar $8 dan setiap item menghasilkan keuntungan $. Tentukan ekspektasi keuntungan h() bulanan. Number of items, P() P() h() h()p() /7/4 TI-3 Teori Probabilitas - DI 4
8 Nilai Ekspektasi () Eh [( )] = h () P () = 54 all Number of items, P() P() h() h()p() Nilai ekspektasi dari sebuah fungsi linier sebuah variabel random: E(a+b)=aE()+b Dalam contoh ini: E(-8)=E()-8=()(67)-8=54 /7/4 TI-3 Teori Probabilitas - DI 5 Variansi dan Deviasi Standar () Variansi dari sebuah variabel random adalah ekspektasi kuadrat penyimpangan dari rata-rata (mean): σ = V( ) = E[( µ ) ] = ( µ ) P( ) all = = E( ) [ E( )] P( ) P( ) all all Deviasi standar dari sebuah variabel random adalah akar kuadrat dari variansi: σ = SD( ) = V( ) /7/4 TI-3 Teori Probabilitas - DI 6
9 Variansi dan Deviasi Standar () Number Number of of Switches, Switches, P() P() P() P() (-µ) (-µ) (-µ) (-µ) P(-µ) P(-µ) P() P() σ = V( ) = E[( µ ) ] = ( µ ) P ( ) =. all = E( ) [ E( )] = all P ( ) P ( ) all = =. /7/4 TI-3 Teori Probabilitas - DI 7 Variansi dan Deviasi Standar (3) Variansi dari fungsi linier dari sebuah variabel random: Va ( + b) = av ( ) = aσ Number of items, P() P() P() σ = V( ) = E( ) [ E( )] = P ( ) P ( ) all all = ( ) = σ = SD( ) = 6 = V( 8) = ( ) V( ) = ( 4 )( 6 ) = 644 σ ( 8) = SD( 8) = σ = ( )( ) = /7/4 TI-3 Teori Probabilitas - DI 8
10 Sifat-sifat Mean dan Variansi Mean atau nilai ekspektasi dari penjumlahan variabel random adalah penjumlahan nilai ekepektasinya: µ = E( + Y) = E( ) + EY ( ) = µ + µ ( Y + ) Y Contoh: E() = $35 dan E(Y) = $ E(+Y) = $55 Variansi dari penjumlahan variabel random yang independen adalah jumlah variansinya: σ ( + Y ) = V ( + Y) = V ( ) + V ( Y) = σ + σ Y jika dan hanya jika dan Y independen. Contoh: V() = 84 dan V(Y) = 6 V(+Y) = 44 /7/4 TI-3 Teori Probabilitas - DI 9 Teorema Chebyshev Teorema Chebyshev untuk distribusi probabilitas adalah sama halnya untuk distribusi frekuensi. Untuk sebuah variabel random dengan mean m, deviasi standar s, dan untuk setiap k > berlaku: P ( µ < kσ) k 3 = = = 75% 4 4 Sekurangnya 8 berada deviasi standar = = = 89% dari mean 5 4 = = = 94% /7/4 TI-3 Teori Probabilitas - DI
11 3-5 Variabel Random Kontinyu Sebuah variabel random kontinyu adalah variabel random yang dapat bernilai apapun dalam suatu interval. Probabilitas variabel random kontinyu ditentukan oleh olehfungsi fungsidensitas (probability density function), dinyatakan oleh olehf(), dengan dengansifat sifatsbb: sbb:.. f() f() > untuk untuksetiap setiap.... Probabilitas bahwa bahwa berada beradadiantara a dan danb adalah adalahluas luasarea area di dibawah bawahkurva f() f() di diantara antaratitik titika dan danb. b Luas Luastotal area area di dibawah bawahkurva kurvaf() adalah adalah.. Fungsi Fungsidistribusi kumulatif odari odarivariabel random kontinyu adalah: adalah: F() F() = P( P( < ) ) = area area di dibawah bawahf() diantara nilai nilaiterkecil terkecilyang mungkin dari dari (seringkali ) ) dan dantitik titik.. /7/4 TI-3 Teori Probabilitas - DI Fungsi Densitas dan Distribusi Kumulatif F() F(b) F(a) f() a b } P(a b)=f(b) - F(a) P(a b) = luas area dibawah f() di antara titik a dan b = F(b) - F(a) a b /7/4 TI-3 Teori Probabilitas - DI
12 Sifat-sifat Fungsi Densitas b a P [ a < < b] = f ( t) dt = F ( b) F ( a) () F adalah fungsi tidak menurun (non decreasing function) Dengan teori limit diperoleh F ( ) = f ( t) dt = dan F ( ) =, sehingga F ( ) Jika f () adalah kontinyu maka + P [ + ] = f = ( t) dt f ( E) dimana > dan E + P[ > ] = P[ ] = F ( ) Jika variabel random adalah diskrit, maka P( )> i dan P( ) = i= i /7/4 TI-3 Teori Probabilitas - DI 3 Ekspektasi dan Variansi () Variabel random dalam rentang R. Ekspektasi variabel random adalah integral perkalian semua nilai variabel random dengan fungsi densitasnya dan dinotasikan oleh E ( ) = f ( ) d. R Variabel random dalam rentang R. Variansi variabel random adalah integral perkalian kuadrat nilai fungsi dengan fungsi densitasnya dan dinotasikan oleh V ( ) = ( i E( )) f ( ) d = R i R f ( ) d [ E( )] /7/4 TI-3 Teori Probabilitas - DI 4
13 Ekspektasi dan Variansi () Nilai ekspektasi dikenal sebagai metoda estimasi tidak bias (unbiased) terhadap harga rata-rata variabel random (the first moment), sedangkan nilai variansi dikenal sebagai metoda estimasi tidak bias (unbiased) terhadap penyimpangan (variansi) variabel random. Fraksi pertama pada persamaan variansi dikenal sebagai momen kedua (the second moment), dengan demikian variansi dapat disusun dari pengurangan momen kedua dengan kuadrat momen pertama atau variansi = (second moment) - (first moment). /7/4 TI-3 Teori Probabilitas - DI Kovariansi dan Korelasi () Kovariansi (biasa dinyatakan dengan σ ) menjelaskan penyebaran relatif nilai variabel random terhadap lokasi ekspektasinya secara simultan untuk dua variabel random. Kovariansi diformulasikan oleh persamaan berikut Cov(, ) = E[ ( E( )) ( E( ))] = E( ) [ E( ) E( )]. Koefisien korelasi menjelaskan kekuatan hubungan antara dua variabel rom dan diformulasikan sebagai berikut Cov(, ) σ ρ = = V ( ) V ( ) σ σ /7/4 TI-3 Teori Probabilitas - DI 6
14 Kovariansi dan Korelasi () Jika variabel random dan saling independen, maka E( ) = = = f (, ) d d f ( ) d f ( ) f ( ) d = E( ) E( /7/4 TI-3 Teori Probabilitas - DI 7 f ( ) d d Dua variabel random yang saling independen secara teoritis memiliki koefisien korelasi nol ρ =, tidak perlu dihitung secara empiris. Perlu dibedakan antara dua variabel yang independen dan yang tidak berkorelasi (koefisien korelasi kecil atau nol). ) 3-7 Distribusi Bivariat () Untuk setiap hasil [, ] dari dua variabel random [ ] i j,, fungsi distribusinya disebut sebagai fungsi distribusi kumulatif bivariat, dan didefinisikan oleh F (, ) = P[ dan ]. Fungsi padat kemungkinan bivariat (, ) adalah f (, ) F ( ) =, jika F / f (, f ada. Dari fungsi padat kemungkinan bivariat ), dapat ditentukan besarnya nilai kemungkinan untuk rentang tertentu = α α F (, ) f (, ) dd /7/4 TI-3 Teori Probabilitas - DI 8
15 Distribusi Bivariat () Contoh : Ada dua variabel random dari hasil pengelasan, yaitu diameter ( ) dan kekuatan (strength) ( ). Diketahui bahwa rentang variable random adalah <. 5 cm dan kg dan diasumsikan berdistribusi uniform f, ) = <.5, ( 5 = otherwise Besar probabilitas bahwa P.., ). adalah d 5 d = 5.. ( /7/4 TI-3 Teori Probabilitas - DI 9 Distribusi Bersyarat dan Marginal () Fungsi distribusi kumulatif dan densitas kemungkinan untuk univariat F ( ) dan f ( ) dari distribusi bivariat (atau multivariat) pada sebagian rentang variabel random pasangannya ( ), disebut distribusi kemungkinan bersyarat (conditional). Fungsi distribusi kumulatif dan densitas kemungkinan untuk univariat F ( ) dan f ( ) dari distribusi bivariat (atau multivariat) pada seluruh rentang variabel random pasangannya ( ) dikenal sebagai distribusi marginal. /7/4 TI-3 Teori Probabilitas - DI 3
16 Distribusi Bersyarat dan Marginal () Jika p (, ) i j atau f (, ) diketahui: Untuk variabel random distribusi marginalnya adalah : p ( ) = p(, ) i =,,3,L i i j (diskrit), atau all j f ( ) = f (, ) d (kontinyu). Untuk variabel random distribusi marginalnya adalah : p ( ) = p(, ) j =,,3,L j i j (diskrit), atau all i f ( ) = f (, ) d (kontinyu). /7/4 TI-3 Teori Probabilitas - DI 3 Distribusi Bersyarat dan Marginal (3) Contoh : Pertimbangkan dua variabel random dari hasil pengelasan, yaitu diameter ( ) dan kekuatan (strength) ( ) dari contoh sebelumnya. Distribusi marginal dan dari bivariatnya adalah: f ( ) = d = 4 5 <.5 = otherwise..5 f( ) = d = 5 < = otherwise. dan /7/4 TI-3 Teori Probabilitas - DI 3
17 Distribusi Bersyarat dan Marginal (4) Jika A dan B merupakan dua kejadian sedemikian sehingga diperoleh rentang A = [ α] dan B = [ β β ], maka dari persamaan kemungkinan bersyarat dapat diperoleh α β P( A B) f (, ) d β P( A B) = = β P( B) f ( ) d β dimana P(B) diasumsikan. Selanjutnya dengan cara yang sama dan variabel random tidak dalam seluruh rentang (tapi pada batas tertentu, β ), maka dapat diformulasikan fungsi densitas probabilitas bersyarat f α = ). ( β /7/4 TI-3 Teori Probabilitas - DI 33 Distribusi Bersyarat dan Marginal (5) Formulasi fungsi densitas probabilitas bersyarat diberikan oleh persamaan f ( α, β ) F f ( α = β ) = ( α = β ) f ( α = β ) =, f ( β ) α f ( α, β ) dan dengan cara yang sama ( β α) f =. f ( α) Persamaan terakhir ini disebut teorema Bayes untuk fungsi densitas probabilitas seperti halnya teorema Bayes untuk nilai kemungkinan. /7/4 TI-3 Teori Probabilitas - DI 34
18 3-8 Moment Generating Function () Definisi: Untuk variabel random, moment generating function M (t) dari fungsi distribusinya adalah nilai ekspektasi dari t e, dan secara matematis diformulasikan sebagai berikut ti e P( i ) diskrit M ( t) = E( e t ) = all i t e f ( ) d kontinyu Jika moment generating function untuk sebuah fungsi distribusi probabilitas ada, maka moment generating function tersebut adalah unique (menentukan pola proses stokastik yang diikuti oleh sebuah variabel random). /7/4 TI-3 Teori Probabilitas - DI 35 Moment Generating Function () Dengan menggunakan power series, dapat diperoleh momen-momen sebagai berikut e t E( e M = + t + t t! + L + ) = + E( ) t + E( ' ' ( t) = + µ t + µ t! r r t r! + L ' + L + µ + L + E( + L + L Selanjutnya, untuk beberapa momen awal (momen ke-r), dapat dievaluasi dengan turunannya (ke-r) pada kondisi /7/4 TI-3 Teori Probabilitas - DI 36 ) t! r d r t ' dimana t= : M ( t) t = E[ e ] r t = = µ r dt =. Dua momen awal yang penting, yaitu () E[ ] '' () E[ ] V[ ] = E[ ] ( E[ ]). r r t r! r ) r t r! M ' =, M =, menjelaskan rata-rata dan variansi melalui
19 Moment Generating Function (3) Contoh: Sebuah variabel random mengikuti distribusi binomial n n p( ) = p ( p), =,,, K, n = otherwise t n Fungsi pembangkit momennya adalah M ( t) = ( pe + ( p)). Turunan pertama dan kedua fungsi pembangkit momen t t n tersebut adalah M ' ( t) = npe ( + p( e )) dan t t t n M '' ( t) = npe ( p + npe )( + p( e )). Dengan demikian dapat ditentukan rata-rata adalah ' ' µ = µ = M ' ( t) t == np dan momen kedua µ = M '' ( t) t = = np( p + np), ' sehingga variansi adalah µ µ = np( p + np) ( np) = np( p). /7/4 TI-3 Teori Probabilitas - DI Fungsi Transformasi () Seringkali dua variabel random mengalami transformasi atau merupakan fungsi dari variabel random yang lain. Misalkan variabel random t merupakan transformasi dari sebuah variabel random normal dan sebuah variabel random chikuadrat. Pembentukan fungsi distribusi melalui transformasi dilakukan dengan langkah-langkah berikut :. Diperoleh fungsi dari dua variabel random dan sebagai berikut Y = H (, ) /7/4 TI-3 Teori Probabilitas - DI 38
20 Fungsi Transformasi (). Jika diamati variabel random lain yang juga merupakan fungsi dari dua variabel random dan sebagai berikut Z = H (, ). 3. Dari kedua fungsi transformasi, dapat dibentuk fungsi-fungsi berikut ( = G y, z) dan = G ( y, z). 4. Hitung turunan dari,, dan y z y z. 5. Tentukan fungsi gabungan untuk y dan z dengan fungsi berikut y z J ( y, z) = l( y, z) = h[ G ( y, z), G ( y, z)] J ( y, z), dimana. y z 6. Tentukan fungsi marginal y dengan f ( y) = l( y, z) dz. /7/4 TI-3 Teori Probabilitas - DI The Law of Large Number () Sebuah eksperimen dilakukan berulang kali sebanyak n kali. Misalkan hanya ada outcomes, yaitu sukses dan gagal, maka PS ( )= p dan PG ( )= p= q yang berharga konstan untuk j = 3,,, L, n. Definisikan j =, Outcome adalah Gagal, Outcome adalah Sukses, dan Y = + + L + n, adalah jumlah sukses dari eksperimen tersebut, maka Y/ n adalah estimator untuk p, atau p$ = Y / n. /7/4 TI-3 Teori Probabilitas - DI 4
21 The Law of Large Number () Ekspektasi dan variansi Y adalah EY ( ) = ne ( ) = n [ ( q) + ( p) ] = np, dan j [ ] V( Y) = n V( ) = n ( q) + ( p) p = np( p) j Karena p$ = ( / n) Y, maka E( p$ ) = ( / n) E( Y) = p dan p( p) V( p$ ) = ( / n) V( Y) =. n The law of large number menyatakan bahwa p( p) P[ p$ p < ε] nε p( p) dari P p$ p < k n k digunakan ε = k p( p)/ n p( p) P[ p$ p < ε]. nε, atau P[ p$ p ε] p( p) nε /7/4 TI-3 Teori Probabilitas - DI 4. yang diturunkan (chebyshev s inequality). Jika, maka dihasilkan The Law of Large Number (3) Untuk ε > dan n, maka P[ p$ p < ε] (kepastian, memiliki konvergensi secara probabilistik). Jika dituliskan P[ p$ p < ε] α, p( p) maka dengan menentukan ε dan α, dapat dicari n ε α. Contoh : Sebuah proses memiliki kemungkinan memberikan produk cacat sebesar p (unknown). Diinginkan dengan kemungkinan.95 p( p) bahwa error $p p tidak lebih dari., maka n. (. ) 5. Asumsikan bahwa proporsi cacat maksimum adalah.5. Maka n 5, artinya keinginan untuk mencapai perbedaan estimasi kecil (akurat) dengan probability tinggi (presisi) mensyaratkan ukuran sampel yang sangat besar. /7/4 TI-3 Teori Probabilitas - DI 4
DISTRIBUSI 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 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 terperinciDISTRIBUSI PROBABILITAS (PELUANG)
DISTRIBUSI PROBABILITAS (PELUANG) Distribusi Probabilitas (Peluang) Distribusi? Probabilitas? Distribusi Probabilitas? JURUSAN PENDIDIKAN FISIKA FPMIPA UNIVERSITAS PENDIDIKAN INDONESIA Distribusi = sebaran,
Lebih terperinciKONSISTENSI ESTIMATOR
KONSISTENSI ESTIMATOR TUGAS STATISTIKA MATEMATIKA II Oleh 1. Wahyu Nikmatus S. (121810101010) 2. Vivie Aisyafi F. (121810101050) 3. Rere Figurani A. (121810101052) 4. Dwindah Setiari W. (121810101054)
Lebih terperinciPeubah Acak. Peubah Acak Diskrit dan Distribusi Peluang. Peubah Acak. Peubah Acak
Peubah Acak Peubah Acak Diskrit dan Distribusi Peluang Peubah Acak (Random Variable): Sebuah keluaran numerik yang merupakan hasil dari percobaan (eksperimen) Untuk setiap anggota dari ruang sampel percobaan,
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 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 terperinciSTATISTIKA EKONOMI I Chapter 4 Distribusi Probabilitas Normal dan Binomial Chapter 5 Teori Sampling
STATISTIKA EKONOMI I Chapter 4 Distribusi Probabilitas Normal dan Binomial Chapter 5 Teori Sampling Rengganis Banitya Rachmat rengganis.rachmat@gmail.com 4. Distribusi Probabilitas Normal dan Binomial
Lebih terperinciSISTEM PENGOLAHAN ISYARAT. Kuliah 2 Sinyal Acak
TK 403 SISTM PNGOLAHAN ISYARAT Kuliah Sinyal Acak Indah Susilawati, S.T., M.ng. Program Studi Teknik lektro Fakultas Teknik dan Ilmu Komputer Universitas Mercu Buana Yogyakarta 009 KULIAH SISTM PNGOLAHAN
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 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 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 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Distribusi eksponensial tergenaralisir (Generalized Eponential Distribution) pertama kali diperkenalkan oleh Gupta dan Kundu pada tahun 1999. Distribusi ini diambil
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 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 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 terperinciPengantar Proses Stokastik
Bab 1: Dasar-Dasar Probabilitas Atina Ahdika, S.Si, M.Si Statistika FMIPA Universitas Islam Indonesia Ruang Sampel dan Kejadian Ruang Sampel dan Kejadian Ruang Sampel dan Kejadian Percobaan adalah kegiatan
Lebih terperinciBAB II LANDASAN TEORI. landasan pembahasan pada bab selanjutnya. Pengertian-pengertian dasar yang di
5 BAB II LANDASAN TEORI Bab ini membahas pengertian-pengertian dasar yang digunakan sebagai landasan pembahasan pada bab selanjutnya. Pengertian-pengertian dasar yang di bahas adalah sebagai berikut: A.
Lebih terperinciDistribusi Probabilitas Diskrit: Binomial, Multinomial, & Binomial Negatif
Distribusi Probabilitas Diskrit: Binomial, Multinomial, & Binomial Negatif 6 Debrina Puspita Andriani E-mail : debrina.ub@gmail.com / debrina@ub.ac.id 2 Outline Distribusi Variabel Acak Diskrit Distribusi
Lebih terperinciPengantar Proses Stokastik
Bab 1: Dasar-Dasar Probabilitas Statistika FMIPA Universitas Islam Indonesia 2015 Percobaan adalah kegiatan yang menghasilkan keluaran/hasil yang mungkin secara acak. Contoh: pelemparan sebuah dadu. Ruang
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 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 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 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 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 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 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 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 terperinciPengantar Proses Stokastik
Bab 1: Dasar-Dasar Probabilitas Statistika FMIPA Universitas Islam Indonesia Peluang Percobaan adalah kegiatan yang menghasilkan keluaran/hasil yang mungkin secara acak. Contoh: pelemparan sebuah dadu.
Lebih terperinciPEMBAHASAN UTS 2015/2016 STATISTIKA 1
PEMBAHASAN UTS 2015/2016 STATISTIKA 1 1. pernyataan berikut ini menjelaskan definisi dan cakupan statistika deskriptif, KECUALI : a. statistika deskriptif mendeskripsikan data yang telah dikumpulkan (Organizing)
Lebih terperinciBAB I PENDAHULUAN. penerbangan, kedokteran, teknik mesin, software komputer, bahkan militer
BAB I PENDAHULUAN A. Latar Belakang Statistika merupakan salah satu ilmu matematika yang terus berkembang dari waktu ke waktu. Di dalamnya mencakup berbagai sub pokok-sub pokok materi yang sangat bermanfaat
Lebih terperinciPengantar Proses Stokastik
Bab 1: Dasar-Dasar Probabilitas Statistika FMIPA Universitas Islam Indonesia Peluang Percobaan adalah kegiatan yang menghasilkan keluaran/hasil yang mungkin secara acak. Contoh: pelemparan sebuah dadu.
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 terperinciUJI STATISTIK NON PARAMETRIK. Widha Kusumaningdyah,, ST., MT
UJI STATISTIK NON PARAMETRIK Widha Kusumaningdyah,, ST., MT UJI KERANDOMAN (RANDOMNESS TEST / RUN TEST) Uji KERANDOMAN Untuk menguji apakah data sampel yang diambil merupakan data yang acak / random Prosedur
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 terperinciCatatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest! Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest! Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2014 1 Tentang AK5161 Matematika
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 terperinciPENDUGAAN PARAMETER STATISTIK INDUSTRI 1
PENDUGAAN PARAMETER STATISTIK INDUSTRI 1 Agustina Eunike, ST., MT., MBA Mengetahui populasi dan membuat pernyataan peluang mengenai elemen yang diambil dari populasi tersebut Tidak mengetahui distribusi
Lebih terperinciBAB II TINJAUAN PUSTAKA. (b) Variabel independen yang biasanya dinyatakan dengan simbol
BAB II TINJAUAN PUSTAKA A. Regresi Regresi adalah suatu studi statistik untuk menjelaskan hubungan dua variabel atau lebih yang dinyatakan dalam bentuk persamaan. Salah satu variabel merupakan variabel
Lebih terperinciCatatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest! Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest! Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2014 1 Tentang AK5161 Matematika
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 terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Pada bab ini akan dibahas tinjauan pustaka yang akan digunakan untuk tesis ini, yang selanjutnya akan diperlukan pada bab 3. Yang akan dibahas dalam bab ini adalah metode bootstrap
Lebih terperinciStudi dan Implementasi Integrasi Monte Carlo
Studi dan Implementasi Integrasi Monte Carlo Firdi Mulia - 13507045 1 Program Studi Teknik Informatika Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung, Jl. Ganesha 10 Bandung 40132, Indonesia
Lebih terperinciESTIMASI. Arna Fariza PENDAHULUAN
ESTIMASI Arna Fariza PENDAHULUAN MATERI LALU Karena adanya berbagai alasan seperti banyaknya individu dalam populasi amatan, maka penelitian keseluruhan terhadap populasi tersebut tidaklah ekonomis, baik
Lebih terperinciBab 2 LANDASAN TEORI
Bab 2 LANDASAN TEORI 2.1. Penaksiran Parameter Jika adalah nilai parameter populasi yang belum diketahui harganya, maka dapat ditaksir oleh nilai statistik, dan disebut sebagai penaksir atau fungsi keputusan.
Lebih terperinciHANDOUT PERKULIAHAN. Pertemuan Ke : 3 : Distribusi Satu Peubah Acak dan Ekspektasi Satu Peubah Acak
HANDOUT PERKULIAHAN Pertemuan Ke : 3 Pokok Bahasan : Distribusi Satu Peubah Acak dan Ekspektasi Satu Peubah Acak URAIAN POKOK PERKULIAHAN A. Peubah Acak Definisi 1 : Peubah Acak Misalkan E adalah suatu
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 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 terperinciSESI 13 STATISTIK BISNIS
Modul ke: SESI 13 STATISTIK BISNIS Sesi 13 ini bertujuan agar Mahasiswa dapat mengetahui teori Analisis Regresi dan Korelasi Linier yang berguna sebagai alat analisis data Ekonomi dan Bisnis. Fakultas
Lebih terperinciAK5161 Matematika Keuangan Aktuaria
Catatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2015 1 Tentang AK5161 Matematika
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 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 terperinciBAB II LANDASAN TEORI. Data merupakan bentuk jamak dari datum. Data merupakan sekumpulan
BAB II LANDASAN TEORI 2.1 Data Data merupakan bentuk jamak dari datum. Data merupakan sekumpulan datum yang berisi fakta-fakta serta gambaran suatu fenomena yang dikumpulkan, dirangkum, dianalisis, dan
Lebih terperinciDISTRIBUSI PROBABILITAS
BAB 7 DISTRIBUSI PROBABILITAS Kompetensi Menjelaskan distribusi probabilitas Indikator 1. Menjelaskan distribusi hipergeometris 2. Menjelaskan distribusi binomial 3. Menjelaskan distribusi multinomial
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 terperinciSumbu X (horizontal) memiliki range (rentang) dari minus takhingga. ( ) hingga positif takhingga (+ ). Kurva normal memiliki puncak pada X
Sumbu X (horizontal) memiliki range (rentang) dari minus takhingga ( ) hingga positif takhingga (+ ). Kurva normal memiliki puncak pada X = 0. Perlu diketahui bahwa luas kurva normal adalah satu (sebagaimana
Lebih terperinciPembahasan Soal. Tjipto Juwono, Ph.D. May 14, TJ (SU) Pembahasan Soal May / 43
Pembahasan Soal Tjipto Juwono, Ph.D. May 14, 2016 TJ (SU) Pembahasan Soal May 2016 1 / 43 Warming Up 1 Berikan contoh untuk skala rasio, skala interval, skala ordinal, skala nominal. 2 Dapatkah kita melakukan
Lebih terperincioleh: Tri Budi Santoso Signal Processing Group Electronic Engineering Polytechnic Institute of Surabaya-ITS
Dasar Statistik untuk Pemodelan dan Simulasi oleh: Tri Budi Santoso Signal Processing Group Electronic Engineering Polytechnic Institute of Surabaya-ITS . Probabilitas Probabilitas=Peluang, bisa diartikan
Lebih terperinciDistribusi Probabilitas Diskrit: Binomial & Multinomial
Distribusi Probabilitas Diskrit: Binomial & Multinomial 6 Debrina Puspita Andriani E-mail : debrina.ub@gmail.com / debrina@ub.ac.id 2 Outline Distribusi Variabel Acak Diskrit Distribusi Binomial Distribusi
Lebih terperinciSampling dengan Simulasi Komputer
Modul Sampling dengan Simulasi Komputer PENDAHULUAN Sutawanir Darwis M etode statistika merupakan alat untuk menyelesaikan masalah apabila solusi analitik tidak mungkin diperoleh. Dengan metode statistika
Lebih terperinciDISTRIBUSI VARIABEL RANDOM
DISTRIBUSI VARIABEL RANDM Distribusi Variabel Diskrit Distribusi variabel diskrit adalah salah satu variabel acak yang diasumsikan memiliki bilangan terbatas dari nilai-nilai yang berbeda. Contoh : Waktu
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 terperinciDISTRIBUSI TEORITIS. P(M) = p = probabilitas untuk mendapat bola merah (sukses) 30
DISTRIBUSI TEORITIS Distribusi teoritis merupakan alat bagi kita untuk menentukan apa yang dapat kita harapkan, apabila asumsi-asumsi yang kita buat benar. Distribusi teoritis memungkinkan para pembuat
Lebih terperinciStatistik Non Parametrik
Statistik Non Parametrik UJI FRIEDMAN (UJI X ) r X r UJI Friedman (uji ) Untuk k sampel berpasangan (k>) dengan data setidaknya data skala ordinal Sebagai alternatif dari analisis variansi dua arah bila
Lebih terperinciESTIMASI PARAMETER µ DAN σ 2 PADA DISTRIBUSI EKSPONENSIAL TERGENERALISIR DUA VARIABEL MENGGUNAKAN FUNGSI PEMBANGKIT MOMEN SKRIPSI
ESTIMASI PARAMETER µ DAN σ 2 PADA DISTRIBUSI EKSPONENSIAL TERGENERALISIR DUA VARIABEL MENGGUNAKAN FUNGSI PEMBANGKIT MOMEN SKRIPSI GHAZALI WARDHONO 090823040 DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN
Lebih terperinciProbabilitas dan Statistika Fungsi Distribusi Peluang Kontinyu. Adam Hendra Brata
Probabilitas dan Statistika Adam Hendra Brata Himpunan nilai-nilai yang mungkin dari peubah acak X merupakan himpunan tak terhitung yaitu tidak dapat dinyatakan sebagai {,, 3,., n } atau {,, 3,.} tetapi
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 terperinci25/09/2013. Konsep Peubah Acak. Metode Statistika (STK211) Peubah Acak Diskret. Kuis. Tipe Peubah Acak
Konsep Peubah Acak Metode Statistika (STK11) Pertemuan V Konsep Peubah Acak dan Sebaran Peluang (Random Variable Concept and Probability Distribution) Peubah acak merupakan suatu fungsi yang memetakan
Lebih terperinciMODUL II DISTRIBUSI PELUANG DISKRIT DAN KONTINU
DISTRIBUSI PELUANG DISKRIT DAN KONTINU A. TUJUAN PRAKTIKUM Melalui praktikum Modul II ini diharapkan praktikan dapat: 1. Mengenal jenis dan karakteristik dari beberapa distribusi peluang. 2. Menguji dan
Lebih terperinciMetode Statistika (STK211)
Metode Statistika (STK211) Peubah Acak dan Sebaran Peluang (Random Variable and Probability Distribution) Dr. Ir. Kusman Sadik, M.Si Dept. Statistika IPB, 2015 1 Konsep Peubah Acak (Random Variable) Peubah
Lebih terperinciAnalisis Korelasi & Regresi
Analisis Korelasi & Regresi Oleh: Ki Hariyadi,, S.Si., M.PH Nuryadi, S.Pd.Si UIN JOGJAKARTA 1 Pokok Bahasan Analisis Korelasi Uji Kemaknaan terhadap ρ (rho) Analisis Regresi Linier Analisis Kemaknaan terhadap
Lebih terperinciStatistik Dasar. 1. Pendahuluan Persamaan Statistika Dalam Penelitian. 2. Penyusunan Data Dan Penyajian Data
Statistik Dasar 1. Pendahuluan Persamaan Statistika Dalam Penelitian 2. Penyusunan Data Dan Penyajian Data 3. Ukuran Tendensi Sentral, Ukuran Penyimpangan 4. Momen Kemiringan 5. Distribusi Normal t Dan
Lebih terperinciKONSEP DASAR PROBABILITAS DAN DISTRIBUSI PROBABILITAS LELY RIAWATI, ST, MT.
KONSEP DASAR PROBABILITAS DAN DISTRIBUSI PROBABILITAS LELY RIAWATI, ST, MT. EKSPERIMEN suatu percobaan yang dapat diulang-ulang dengan kondisi yang sama CONTOH : Eksperimen : melempar dadu 1 kali Hasilnya
Lebih terperinciMODUL TEORI ESTIMASI ATAU MENAKSIR TEORI ESTIMASI ATAU MENAKSIR
TEORI ESTIMASI ATAU MENAKSIR MODUL 9 TEORI ESTIMASI ATAU MENAKSIR. Pendahuluan Untuk menginginkan mengumpulkan populasi kita lakukan dengan statistik berdasarkan data yang diambil secara sampling yang
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 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 terperinciBAB III METODE PENELITIAN. di peroleh dari Website Bank Muamlat dalam bentuk Time series tahun 2009
17 BAB III METODE PENELITIAN 3.1. Jenis dan Sumber Data Jenis data yang digunakan dalam penelitian ini adalah data sekunder yang di peroleh dari Website Bank Muamlat dalam bentuk Time series tahun 2009
Lebih terperinciCatatan Kuliah AK5161 MATEMATIKA KEUANGAN AKTUARIA. Insure and Invest! Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah AK5161 MATEMATIKA KEUANGAN AKTUARIA Insure and Invest! disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2014 Tentang AK5161 MatKeu
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 terperinciBAB I PENDAHULUAN. dapat dianggap mendekati normal dengan mean μ = μ dan variansi
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Matematika merupakan salah satu cabang ilmu pengetahuan yang melambangkan kemajuan zaman. Oleh karena itu matematika banyak digunakan oleh cabang ilmu lain
Lebih terperinciBAB III ANALISIS SPEKTRAL PADA RUNTUN WAKTU MODEL ARIMA. Analisis spektral adalah metode yang menggambarkan kecendrungan osilasi
BAB III ANALISIS SPEKTRAL PADA RUNTUN WAKTU MODEL ARIMA Analisis spektral adalah metode yang menggambarkan kecendrungan osilasi atau getaran dari sebuah data pada frekuensi tertentu. Analisis spektral
Lebih terperinciMetode Statistika (STK 211) Pertemuan ke-5
Metode Statistika (STK 211) Pertemuan ke-5 rrahmaanisa@apps.ipb.ac.id Memahami definisi dan aplikasi peubah acak (peubah acak sebagai fungsi, peubah acak diskrit dan kontinu) Memahami sebaran peubah acak
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 PENDAHULUAN 1.1 Latar Belakang Dalam teori probabilitas dan statistika, distribusi binomial adalah distribusi probabilitas diskret jumlah keberhasilan dalam n percobaan ya/tidak (berhasil/gagal)
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 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 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 terperinciLAB MANAJEMEN DASAR MODUL STATISTIKA 1
LAB MANAJEMEN DASAR MODUL STATISTIKA 1 Nama : NPM/Kelas : Fakultas/Jurusan : Hari dan Shift Praktikum : Fakultas Ekonomi Universitas Gunadarma Kelapa dua E531 1 UKURAN STATISTIK Pendahuluan Ukuran statistik
Lebih terperinciBAB III METODE PENELITIAN
33 BAB III METODE PENELITIAN 3.1 Jenis dan Sumber Data Penelitian ini dilakukan berdasarkan data series bulan yang dipublikasikan oleh Bank Indonesia (BI) dan Badan Pusat Statistik (BPS), diantaranya adalah
Lebih terperinciAK5161 Matematika Keuangan Aktuaria
Catatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2015 1 Tentang AK5161 Matematika
Lebih terperinciPENDUGAAN PARAMETER STATISTIK INDUSTRI 1
PENDUGAAN PARAMETER STATISTIK INDUSTRI 1 Agustina Eunike, ST., MT., MBA Mengetahui populasi dan membuat pernyataan peluang mengenai elemen yang diambil dari populasi tersebut Tidak mengetahui distribusi
Lebih terperinciTEORI PROBABILITAS (KEMUNGKINAN) Saptawati Bardosono
TEORI PROBABILITAS (KEMUNGKINAN) Saptawati Bardosono Teori Kemungkinan (probabilitas) Untuk komunikasi informasi medis di antara para ahli dan antara seorang ahli dengan pasiennya dan untuk mencegah terjadinya
Lebih terperinciINFERENSI STATISTIK DISTRIBUSI BINOMIAL DENGAN METODE BAYES MENGGUNAKAN PRIOR KONJUGAT. Oleh : ADE CANDRA SISKA NIM: J2E SKRIPSI
INFERENSI STATISTIK DISTRIBUSI BINOMIAL DENGAN METODE BAYES MENGGUNAKAN PRIOR KONJUGAT Oleh : ADE CANDRA SISKA NIM: J2E 006 002 SKRIPSI Sebagai Salah Satu Syarat untuk Memperoleh Gelar Sarjana Sains Pada
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 terperinciTHEORY. By: Hanung N. Prasetyo PEUBAH ACAK TELKOM POLYTECHNIC/HANUNGNP
THEORY By: Hanung N. Prasetyo PEUBAH ACAK Variabel acak adalah suatu variabel yang nilainya bisa berapa saja Variabel acak merupakan deskripsi numerik dari outcome beberapa percobaan / eksperimen VARIABEL
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Peluang Peluang mempunyai banyak persamaan arti, seperti kemungkinan, kesempatan dan kecenderungan. Peluang menunjukkan kemungkinan terjadinya suatu kejadian yang bersifat acak.
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA A. Keberhasilan Belajar 1. Pengertian Keberhasilan Belajar Dalam kamus besar bahasa Indonesia, keberhasilan itu sendiri adalah hasil yang telah dicapai (dilakukan, dikerjakan dan
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 terperinciBAB IV KESIMPULAN DAFTAR PUSTAKA LAMPIRAN... 64
DAFTAR ISI Halaman HALAMAN JUDUL... ii HALAMAN PENGESAHAN... iii KATA PENGANTAR... v ABSTRAK... vii ABSTACT... viii DAFTAR ISI... ix DAFTAR SIMBOL... xii DAFTAR TABEL... xiv DAFTAR GAMBAR... xv DAFTAR
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 terperinci1 PROBABILITAS. Pengertian
PROBABILITAS Pengertian Pada awal perkuliahan, sebelum menjelaskan probabilitas, dibahas sepintas sebagai pengantar tentang eksperimen, titik sampel, ruang sampel, dan peristiwa, serta variabel random
Lebih terperinci