Silabus. Proses Stokastik (MMM 5403) Proses Stokastik. Contoh
|
|
- Devi Hermanto
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Silabus Proses Stokastik (MMM 5403) Status: Wajib Minat Statistika Rantai Markov, klasifikasi rantai Markov. Limit rantai Markov dan aplikasinya. Rantai Markov kontinu, contoh-contoh klasik. Proses renewal, variasi dan generalisasinya. Stokastik (stochastic) Proses Stokastik Berasal dari bahasa Yunani stokhastikos ( ) : able to guess stokhos: target Studi tentang fenomena random atau proses random Contoh 1. Banyaknya kecelakaan kendaraan bermotor di suatu kota di suatu waktu tertentu 2. Lama antrian pada suatu tempat pelayanan (kasir di mall, check indi bandara, counterdi bank, dst) 3. Nilai stock(saham) pada saat tertentu 4. Kecepatan angin pada lokasi tertentu, ketinggian tertentu dan saat tertentu 5. Contoh lain...
2 Definisi Suatu proses stokastik adalah kumpulan variabel random berindeks { : }pada ruang probabilitas {Ω, F, } yang bernilai. Himpunan sering disebut sebagai state space;adalah himpunan indeks (index set) Himpunan indeks dapat berupa bilangan bulat Z atau bilangan real R. Dalam banyak aplikasi himpunan indeks adalah waktu ={ 0} Klasifikasi menurut Berindeks diskrit (waktu diskrit) bila = Z Contoh # adalah nilai stock(saham) harian, $, %,, indeksnya ' Z ( Berindeks kontinu (waktu kontinu) bila = R Contoh ) adalah banyaknya kecelakaan dalam suatu waktu tertentu { ) : 0} multidimensi Contoh: Klasifikasi menurut Kecepatan angin pada suatu lokasi * di bumi { + :* R, } dengan lokasi ditentukan oleh lintang, bujur dan ketinggian Catatan terkait Urutan dari indeks menunjukkan perkembangan, proses atau evolusi dari fenomena random yang menjadi perhatian Urutan menjadi hilang atau lebih sulit ditentukan untuk indeks yang multidimensi. Proses seperti ini sering dinamakan random fields
3 Variabel random dan dapat berupa bilangan random diskrit atau kontinu Realisasi proses stokastik { }adalah - Ω, disebut juga sebagai sample paths Karakteristik Proses Stokastik State space (status), yang merupakan kumpulan nilai-nilai yang mungkin dari proses stokastik ) Himpunan indeks, yang sering disebut time parameter Distribusi bersama variabel random ) Memodelkan Proses Stokastik Sample Path Untuk sekumpulan pengamatan %,.,, #, distribusi bersama ) adalah ( )0 x % ; )4 x. ; ; )5 x 6 ) # (-) '
4 Sample Path Random Walk # ) (-) # # # = $ +9 : :;% : adalah v.r. Bernoulli bernilai +1 atau ' Random Walk 1. Homogen secara spasial (spatially homogeneous), # => $ =? = # =>+@ $ =?+@ 2. Homogen menurut waktu (temporally homogeneous) # => $ =? = A(# => A =? 3. Mempunyai sifat Markov A(# => $, %,, A = A(# => A, ' 0 Independent Increments Proses stokastik {, }dikatakan memiliki penambahan independen (independent increments) bila untuk semua % <. < < #, berlaku variabel random. %,,. # #E% yang independen Untuk proses stokastik waktu diskrit = 0,1,2,, : =G 1, : = :E%, H : = : :E%,G =1,2, dan H $ = $
5 Latihan 1. Amatilah suatu proses di sekitar saudara, jelaskan proses tersebut, klasifikasikan, dan distribusi ) (sesuai asumsi) 2. Tunjukkan bahwa proses dengan penambahan independen(independent increment process) selalu merupakan proses Markov Definisi Rantai Markov Proses stokastik waktu diskrit # adalah suatu Rantai Markov (Markov Chain) bila memenuhi # =I $ =J $, % =J %,, #E% =J #E% =( # =I #E% =J #E% ) Untuk semua ' 1dan semua I,J $,J %,,J #E% Definisi Rantai Homogen Rantai dikatakan homogen bila #(% => # =G = % => $ =G, untuk semua ',G,> Contoh: Rantai Markov yang Homogen Tunjukkan bahwa barisan variabel random independen yang mempunyai nilai berhingga adalah suatu Rantai Markov. Dalam kondisi apa rantai tersebut homogen? Jawab: Diketahui $, %,, # variabel random independen. # =J # $ =J $,, #E% =J #E% =( # =J #, $ =J $,, #E% =J #E% )/( $ =J $,, #E% =J #E% ) karena independen, = # =J # (juga untuk ( # #E% ) =( # =J # )) Homogen bila : berdistribusi identik (kondisi yg diberikan)
6 Matriks Transisi Matriks transisi M={N :O }adalah matriks bujursangkar N :O = #(% => # =G M suatu matriks stokastik, bila (a) Mempunyai elemen non-negatif, N :O 0, untuk semua G,> (b)mempunyai jumlah baris 1, O N :O =1, untuk semua G Matriks Transisi Matriks transisi n langkah M S,S+' =N :O (S,S+') dengan N :O S,S+' = A(# => A =G Dengan asumsi homegenitas M S,S+1 =M Contoh 1: Matriks Transisi Diberikan { # ;' >0}adalah rantai Markov dengan status 0,1,2 dan matriks transisi 3/4 1/4 0 1/4 1/2 1/4 0 3/4 1/4 dan distribusi awal $ =G = %,G =0,1,2., Contoh 1: Matriks Transisi (lanjutan) Hitung 1. N.% 2. N %. 3.. =2, % =1 $ =2 4. (. =2, % =1, $ =2) 5. (, =1,. =2, % =1, $ =2)
7 Persamaan Chapman-Kolmogorov Teorema N :O S,S+'+Y Bukti: =9N :+ S,S+' N +O (S+',S+'+Y) +...(di papan tulis) Persamaan Chapman-Kolmogorov Sehingga M S,S+'+Y =M S,S+' M(S+',S+'+Y) Dan M S,S+' =M # Karena M S,S+' = M(0,'), M S,S+' sering ditulis M #, dan N :O ' =N :O (S,S+') Persamaan Chapman-Kolmogorov Fungsi prob # Z : (#) =(# =G) Contoh: Transisi 2 Langkah Matriks transisi 2 langkah dari proses { # ;' > 0}contoh di depan [ (#) = Z : (#) :G Lemma [ (A(#) =[ (A) M # ;untuk S =0[ (#) =[ ($) M # Proses random dari rantai Markov ditentukan oleh matriks transisi Mdan nilai probabilitas awal [ ($) (Bukti menggunakan Teorema Chapman-Kolmogorov) 3/4 1/4 0 1/4 1/2 1/4 0 3/4 1/4 3/4 1/4 0 1/4 1/2 1/4 0 3/4 1/4 5/8 5/16 1/16 5/16 1/2 3/16 3/16 9/16 1/4 =
8 Latihan 1 1. Suatu dadu dilempar berkali-kali. Yang mana dari pernyataan di bawah ini merupakan Rantai Markov? 1) Bilangan (mata dadu) terbesar # yang muncul pada lemparan ke-' 2) Bilangan _ # bernilai 6dalam 'lemparan 3) Pada saat Y, waktu `a sejak kemunculan 6terakhir 4) Pada saat Y, waktu b a sampai muncul 6berikutnya 2. Diberikan { # :' 0}adalah simple random walk dengan $ =0, tunjukkan bahwa # = # adalah rantai Markov dan tuliskan probabilitas transisi dari rantai ini. Latihan 2 Suatu sistem komunikasi melakukan transmisi digit 0 dan 1 melalui beberapa tahap. Diberikan { # ;' 1}adalah proses digit melewati tahap ke-'dan $ adalah digit awal. Probabilitas digit tidak berubah ketika melewati suatu tahap adalah c, dan Njika digit berubah, N+c =1. a. Tuliskan matriks transisi untuk proses ini. b. Tunjukkan bahwa 1 A = c N A c N A c N A c N A persistent (recurrent) transient null dan non-null periodic, aperiodic ergodik Klasifikasi Status Definisi Persistent dan Transient Status G disebut persistent(recurrent) bila # =G untuk beberapa ' 1 $ =G =1 Probabilitas kembali ke status G, untuk suatu proses yang dimulai dari G, adalah 1. Jika probabilitas kurang dari 1 disebut transient
9 First Passage Time Probabilitas kunjungan pertama ke status >diawali dari status G, dalam ' langkah q :O ' = % >,. >,, #E% >, # => $ =G Probabilitas bahwa rantai pernah mengunjungi >, dimulai dari G s q :O = 9q :O (') #;% Status > persistent jhjq OO =1 (jhj: iff) Mean recurrent time Mean recurrent time t : suatu status G t : =u v : $ =G =w 9'q ::(') # jika G persistent jika G transient Definisi Null dan Non-Null Status G yang persistent disebut Nullbila t : = Status G yang persistent disebut Non-Null (positif) bila t : < Definisi Periode Periode suatu status { G =gcd ':N :: ' >0 Status G Neriodicjika { G >1 Status G?periodicjika { G =1 Status G }rgodic jika persistent, non-nulldan aperiodic (gcd=greatest common divisor => f p b)
10 Klasifikasi Rantai Communicates (terhubung) Gterhubung dengan >, ditulis G >jika rantai pernah berada di >dengan probabilitas bukan nol, atau N :O S > 0,untuk S 0 Intercommunicate (saling terhubung) Gdan >saling terhubung bila G >dan > G atau ditulis G > Himpunan status ` Klasifikasi Rantai Closed, bila N :O =0untuk semua G `,> ` Tidak ada state di luar ` yang dapat dicapai dari ` Jika hanya terdiri atas satu state dinamakan absorbing G absorbing jhj N :: =1 dan N :O =0 Irreducible, bila G >untuk semua G,> ` Semua status dapat dicapai dari status yang lain Contoh: Klasifikasi Diketahui matriks transisi suatu Rantai = 1/2 0 1/ irreducible, Contoh: Klasifikasi (lanjutan) Secara umum.# =. ;.#(% = Periodik 2 N :: 2' >0; N :: 2'+1 =0untuk setiap G. = 1/2 0 1/ /2 0 1/2, =
11 Distribusi Stasioner Definisi Vektor [dikatakan distribusi stasioner suatu Rantai bila [=(Z O :> )sedemikian sehingga 1. Z O 0untuk semua >, dan OZ O =1 2. [=[M, yaitu Z O = : Z : N :O, untuk semua > Dikatakan stasioner karena [M = [M M=[M=[, jadi [M =[untuk semua ' 0 Teorema Persistensi Kunjungan Jika status >persistent, maka untuk setiap status * yang dapat dikunjungi dari status >, q O+ =1 Bukti... Distribusi Stasioner sebagai suatu Limit Teorema Untuk suatu rantai yang irreducible dan ergodic, limit Z O = lim # s N :O (') ada dan independen terhadap status awal >. Bukti:... Menghitung Menggunakan [=[Matau [(M ƒ)=0...(1) dan ketentuan bahwa O Z O =1...(2) Dapat dicari [=(Z O :> )yang memenuhi (1) dan (2) Matriks (M ƒ)mempunyai rank 1, bersama dengan O Z O =1, Z O dapat dicari penyele saiannya
12 Contoh: distribusi stasioner Diketahui matriks transisi suatu Rantai sbb.: 0 2/3 1/3 = 1/2 0 1/2 1/2 1/2 0 Hitung.,,, untuk '? Contoh: distribusi stasioner Dapat disusun sistem persamaan linear [(M ƒ)=0dan Z O =1 O Diperoleh Z % Z Z, =0 2 3 Z % Z Z, =0 Z % +Z. +Z, =1 Z % =1/3, Z. =10/27, Z, =8/27 Contoh: distribusi stasioner (2) Diberikan Rantai Markov = 0<?,@<1 Hitung distribusi stasioner rantai di atas! Inferensi untuk Rantai Markov Diberikan Rantai Markov dengan Sstatus dan matriks transisi M= N :O,dan' :O,yaitu transisi empiris (data) dari status G ke >, dengan total banyaknya observasi (_+1) A O;% ' :O =' : A dan :;%' :O =' O G,>=1,2,,S Dengan estimasi Maximum Likelihood (distribusi multinomial) diperoleh N :O = ' :O ' :
13 Uji Hipotesis Menguji apakah data mengikuti model rantai Markov dengan probabilitas transisi M $ :M=M $ Digunakan statistik A A Š=99 '. : N :O N $:O, G,>=1,2,,S :;% O;% N $:O Untuk _besar, Š akan berdistribusi. dengan derajad bebas m(s 1) Contoh: Uji Hipotesis Diperoleh data empiris curah hujan dengan status 0=hari kering ; 1=hari hujan sebagai berikut 0 1 total total Apakah data tersebut mengikuti model rantai Markov 1/2 1/2 dengan matriks transisi 1/2 1/2? Contoh: Uji Hipotesis Diperoleh A A 99 ' : N :O N $:O. :;% O;% N $:O =86,875 Dengan derajad bebas 2. Diperoleh p-value yang sangat kecil, sehingga $ ditolak. Latihan 1 Tiga anak bermain bola dalam formasi lingkaran, tiap anak diberi nama 1,2,3.Setiap anak memiliki peluang yang sama untuk melempar ke dua anak yang lain. Carilah matriks transisi untuk proses Markov ini. Hitung. =1 $ =1,. =2 $ =3,. =3 $ =2
14 Latihan 2 Diketahui matriks transisi suatu Rantai sbb.: = N % N. N, dengan N O =1. Hitung distribusi limit [. Latihan 3 Misalkan menurut ahli sosiologi dalam suatu komunitas atau populasi diasumsikan bahwa kelas sosial seseorang dipengaruhi oleh orang tuanya saja dan bukan olehkakek/neneknya dengan matriks probabilitas transisi: Dalam jangka panjang, berapa persentase orang yang akan berada di kelas menengah? Latihan 3 (lanjutan) Apabila diperoleh data frekuensi empiris dari populasi tersebut sebagai berikut apakah data empiris mengikuti model yang diajukan oleh ahli sosiologi tersebut? ( = 0,05)
II. TINJAUAN PUSTAKA. real. T dinamakan himpunan indeks dari proses atau ruang parameter yang
II. TINJAUAN PUSTAKA 2.1 Proses Stokastik Stokastik proses = { ( ), } adalah kumpulan dari variabel acak yang didefinisikan pada ruang peluang (Ω, ς, P) yang nilai-nilainya pada bilangan real. T dinamakan
Lebih terperinciRANTAI MARKOV ( MARKOV CHAIN )
RANTAI MARKOV ( MARKOV CHAIN ) 2.1 Tujuan Praktikum Rantai markov (Markov Chain ) merupakan salah satu materi yang akan dipelajari dalam praktikum stokastik. Berikut ini terdapat beberapa tujuan yang akan
Lebih terperinciPenelitian Operasional II Rantai Markov RANTAI MARKOV
Penelitian Operasional II Rantai Markov 49 4. RANTAI MARKOV 4. PENDAHULUAN Dalam masalah pengambilan suatu keputusan, seringkali kita diperhadapkan dengan suatu ketidakpastian. Permasalahan ini dapat dimodelkan
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 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengantar Pada bab ini akan diuraikan beberapa landasan teori untuk menunjang penulisan skripsi ini. Uraian ini terdiri dari beberapa bagian yang akan dipaparkan secara terperinci
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Teori Peluang Definisi 2.1.1 Percobaan Acak (Ross 2000) Suatu percobaan yang dapat diulang dalam kondisi yang sama dan semua kemungkinan hasil yang muncul dapat diketahui tetapi
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA Dalam bab ini dijelaskan beberapa definisi dan teorema yang digunakan dalam pembahasan selanjutnya. 2.1 Teori Peluang Definisi 2.1.1 (Percobaan Acak) (Ross 2000) Suatu percobaan
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 II TINJAUAN PUSTAKA. komoditas, model pergerakan harga komoditas, rantai Markov, simulasi Standard
BAB II TINJAUAN PUSTAKA Pada bab ini akan dibahas beberapa tinjauan mengenai teori yang diperlukan dalam pembahasan bab-bab selanjutnya antara lain tentang kontrak berjangka komoditas, model pergerakan
Lebih terperinciStochastic process. Stochastic process. Stochastic process. Stochastic process 08/05/2015 STOCHASTIC PROCESS OPERATIONAL RESEARCH II
OPERATIONAL RESEARCH II Agustina Eunike, ST., MT., MBA. Industrial Engineering University of Brawijaya STOCHASTIC PROCESS Sample space (ruang sample): all possible outcome Random variable: Fungsi nilai
Lebih terperinciBAB III PROSES POISSON MAJEMUK
BAB III PROSES POISSON MAJEMUK Pada bab ini membahas tentang proses stokastik, proses Poisson dan proses Poisson majemuk yang akan diaplikasikan pada bab selanjutnya. 3.1 Proses Stokastik Koleksi atau
Lebih terperinciBab 2 LANDASAN TEORI. 2.1 Pengantar Proses Stokastik
Bab 2 LANDASAN TEORI Pada bab ini akan diberikan penjelasan singkat mengenai pengantar proses stokastik dan rantai Markov, yang akan digunakan untuk analisis pada bab-bab selanjutnya. 2.1 Pengantar Proses
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 MODEL HIDDEN MARKOV KONTINU DENGAN PROSES OBSERVASI ZERO DELAY
BAB III MODEL HIDDEN MARKOV KONTINU DENGAN PROSES OBSERVASI ZERO DELAY 3.1 State dan Proses Observasi Semua proses didefinisikan pada ruang peluang Ω,,. Misalkan ; adalah rantai Markov dengan state berhingga
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Bidang statistika berhubungan dengan cara atau metode pengumpulan data, pengolahan, penyajian, dan analisisnya serta pengambilan kesimpulan berdasarkan data dan analisis
Lebih terperinciPENDAHULUAN LANDASAN TEORI
1 PENDAHULUAN Latar Belakang Dalam kehidupan sehari-hari, banyak permasalahan yang dapat dimodelkan dengan proses stokastik. Proses stokastik dapat dibedakan menjadi dua yaitu proses stokastik dengan waktu
Lebih terperinciPengantar Proses Stokastik
Bab 3: Rantai Markov Diskrit Atina Ahdika, S.Si, M.Si Statistika FMIPA Universitas Islam Indonesia Rantai Markov Rantai Markov Rantai Markov Misalkan sebuah proses stokastik {X t } dengan t = 0, 1, 2,....
Lebih terperinciPENENTUAN KLASIFIKASI STATE PADA RANTAI MARKOV DENGAN MENGGUNAKAN NILAI EIGEN DARI MATRIKS PELUANG TRANSISI
PENENTUAN KLASIFIKASI STATE PADA RANTAI MARKOV DENGAN MENGGUNAKAN NILAI EIGEN DARI MATRIKS PELUANG TRANSISI Yohanes A.R. Langi 1) 1) Program Studi Matematika FMIPA Universitas Sam Ratulangi, Manado 95115
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Ruang Contoh, Kejadian dan Peluang Dalam suatu percobaan seringkali dilakukan pengulangan yang biasanya dilakukan dalam kondisi yang sama. Semua kemungkinan hasil yang akan muncul
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 terperinci6.6 Rantai Markov Kontinu pada State Berhingga
6.6 Rantai Markov Kontinu pada State Berhingga Markov chain kontinu 0 adalah proses markov pada state 0, 1, 2,.... Diasumsikan bahwa probabilitas transisi adalah stasioner, pada persamaan, (6.53) Pada
Lebih terperinciKAJIAN MODEL MARKOV WAKTU DISKRIT UNTUK PENYEBARAN PENYAKIT MENULAR PADA MODEL EPIDEMIK SIR. Oleh: RAFIQATUL HASANAH NRP.
TUGAS AKHIR KAJIAN MODEL MARKOV WAKTU DISKRIT UNTUK PENYEBARAN PENYAKIT MENULAR PADA MODEL EPIDEMIK SIR Oleh: RAFIQATUL HASANAH NRP. 1208 100 021 Dosen Pembimbing: Dra. Laksmi Prita Wardhani, M.Si. Drs.
Lebih terperinciRantai Markov Diskrit (Discrete Markov Chain)
#10 Rantai Markov Diskrit (Discrete Markov Chain) 10.1. Pendahuluan Berbagai teknik analitis untuk mengevaluasi reliability dari suatu sistem telah diuraikan pada bab terdahulu. Teknik analitis ini mengasumsikan
Lebih terperinciBAB II TINJAUAN PUSTAKA. X(t) disebut ruang keadaan (state space). Satu nilai t dari T disebut indeks atau
BAB II TINJAUAN PUSTAKA 2.1 Proses Stokastik Menurut Gross (2008), proses stokastik adalah himpunan variabel acak Semua kemungkinan nilai yang dapat terjadi pada variabel acak X(t) disebut ruang keadaan
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 terperinciBAB 1. Rantai Markov 1.1 ILUSTRASI
BAB 1 Rantai Markov 1.1 ILUSTRASI (Ilustrasi 1) Akhir-akhir ini, hujan dan panas (baca: tidak hujan) datang silih berganti tanpa bisa diduga. Kalau hari ini hujan, besok mungkin hujan mungkin juga panas.
Lebih terperinciPengantar Proses Stokastik
Bab 6: Rantai Markov Waktu Kontinu Atina Ahdika, S.Si, M.Si Statistika FMIPA Universitas Islam Indonesia 2015 Pendahuluan Rantai Markov Waktu Kontinu Pendahuluan Pada bab ini, kita akan belajar mengenai
Lebih terperinciRENCANA PEMBELAJARAN SEMESTER (RPS) PROGRAM STUDI STATISTIKA
RENCANA PEMBELAJARAN SEMESTER (RPS) PROGRAM STUDI STATISTIKA A. MATA KULIAH Nama Mata Kuliah : Proses Stokastik Kode/sks : MAS 4113 /3 Semester : III Status (Wajib/Pilihan) : Pilihan (P) Prasyarat : MAS
Lebih terperinciBAB II TINJAUAN PUSTAKA
3 BAB II TINJAUAN PUSTAKA 2.1 Proses Poisson Periodik Definisi 2.1 (Proses stokastik) Proses stokastik X = {X(t), t T} adalah suatu himpunan dari peubah acak yang memetakan suatu ruang contoh ke suatu
Lebih terperinciII LANDASAN TEORI. 2.1 Ruang Contoh, Kejadian dan Peluang. 2.2 Peubah Acak dan Fungsi Sebaran
II LANDASAN TEORI 2.1 Ruang Contoh, Kejadian dan Peluang Dalam suatu percobaan sering kali diperlukan pengulangan yang dilakukan dalam kondisi yang sama. Semua kemungkinan hasil yang akan muncul akan diketahui
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 terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Bab ini terdiri dari 3 bagian. Pada bagian pertama diberikan tinjauan pustaka dari penelitian-penelitian sebelumnya. Pada bagian kedua diberikan teori penunjang untuk mencapai tujuan
Lebih terperinciReliabilitas Suatu Mesin Menggunakan Rantai Markov (Studi Kasus: Mesin Proofer Di Pabrik Roti Super Jam Banten)
Jurnal Matematika Integratif ISSN 42-684 Volume 3 No, April 27, pp 4-47 Reliabilitas Suatu Mesin Menggunakan Rantai Markov (Studi Kasus: Mesin Proofer Di Pabrik Roti Super Jam Banten) Mega Novia Andriani,
Lebih terperinciBAB I PENDAHULUAN. Dalam kehidupan sehari-hari, sering dijumpai peristiwa-peristiwa yang terjadi
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Dalam kehidupan sehari-hari, sering dijumpai peristiwa-peristiwa yang terjadi secara beruntun dan dengan kemungkinan yang berbeda-beda. Sebagai contoh sekarang
Lebih terperinciII. TINJAUAN PUSTAKA. Dalam proses penelitian untuk mengkaji karakteristik penduga GMM pada data
5 II. TINJAUAN PUSTAKA Dalam proses penelitian untuk mengkaji karakteristik penduga GMM pada data panel ini, penulis menggunakan definisi, teorema dan konsep dasar yang berkaitan dengan pendugaan parameter,
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Proses Poisson Periodik Definisi 2.1 (Proses stokastik) Proses stokastik, adalah suatu himpunan dari peubah acak yang memetakan suatu ruang contoh Ω ke suatu ruang states. Jadi,
Lebih terperinciII. LANDASAN TEORI. 2. P bersifat aditif tak hingga, yaitu jika dengan. 2.1 Ruang Contoh, Kejadian dan Peluang
II. LANDASAN TEORI 2.1 Ruang Contoh, Kejadian dan Peluang Dalam suatu percobaan sering kali diperlukan pengulangan yang dilakukan dalam kondisi yang sama. Semua kemungkinan hasil yang akan muncul akan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Teori Pemeliharaan Untuk menjamin kontinuitas kegiatan operasional suatu sistem, keandalan setiap komponen peralatan sangat dijaga agar peralatan tersebut tidak mengalami kegagalan
Lebih terperinciBAB III MODEL ANTRIAN MULTISERVER DENGAN VACATION
BAB III MODEL ANTRIAN MULTISERVER DENGAN VACATION Dalam sebuah sistem antrian akan terdapat individu yang datang untuk mendapatkan pelayanan yang disebut dengan customer, juga individu yang akan memberikan
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analisis regresi adalah suatu metode yang digunakan untuk menganalisa hubungan antara variabel respon dan variabel prediktor. Pada umumnya analisis regresi
Lebih terperinciBAB IV MODEL HIDDEN MARKOV
BAB IV MODEL HIDDEN MARKOV 4.1 State dan Proses Observasi Semua proses didefinisikan pada ruang peluang (Ω, F, P). Misalnya X = {X : k N} adalah rantai Markov dengan state berhingga yang bersifat homogen
Lebih terperinciDISTRIBUSI STASIONER RANTAI MARKOV UNTUK PREDIKSI CURAH HUJAN DI WILAYAH JAWA BARAT
DISTRIBUSI STASIONER RANTAI MARKOV UNTUK PREDIKSI CURAH HUJAN DI WILAYAH JAWA BARAT Firdaniza, Nurul Gusriani, Emah Suryamah Departemen Matematika Universitas Padjadjaran firdaniza@unpad.ac.id Abstrak:
Lebih terperinciKONSEP DASAR TERKAIT METODE BAYES
KONSEP DASAR TERKAIT METODE BAYES 2.3. Peubah Acak dan Distribusi Peluang Pada statistika kita melakukan percobaan dimana percobaan tersebut akan menghasilkan suatu peluang. Ruang sampel pada percobaan
Lebih terperinciSTATISTIKA MATEMATIKA Probabilitas, Distribusi, dan Asimtosis dalam Statistika
STATISTIKA MATEMATIKA Probabilitas, Distribusi, dan Asimtosis dalam Statistika Penulis: Prof. Drs. Subanar, Ph.D Edisi Pertama Cetakan Pertama, 2013 Hak Cipta 2013 pada penulis, Hak Cipta dilindungi undang-undang.
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Dalam kehidupan nyata, hampir seluruh fenomena alam mengandung ketidakpastian atau bersifat probabilistik, misalnya pergerakan lempengan bumi yang menyebabkan gempa,
Lebih terperinciBAB II LANDASAN TEORI. ilmiah. Pencacahan atau pengukuran karakteristik suatu objek kajian yang
BAB II LANDASAN TEORI 2.1 Konsep Dasar Peluang Pada dasarnya statistika berkaitan dengan penyajian dan penafsiran hasil yang berkemungkinan (hasil yang belum dapat ditentukan sebelumnya) yang muncul dalam
Lebih terperinciBAB 1. Rantai Markov 1.1 ILUSTRASI
BAB 1 Rantai Markov 1.1 ILUSTRASI (Ilustrasi 1) Akhir-akhir ini, hujan dan panas (baca: tidak hujan) datang silih berganti tanpa bisa diduga. Kalau hari ini hujan, besok mungkin hujan mungkin juga panas.
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 terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2. Pengertian Distribusi Eksponensial Distribusi eksponensial adalah distribusi yang paling penting dan paling sederhana kegagalan mesin penghitung otomatis dan kegagalan komponen
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 terperinciTINJAUAN PUSTAKA. Kriptografi
TINJAUAN PUSTAKA Kriptografi Kriptografi adalah studi teknik matematika yang berhubungan dengan aspek-aspek pengamanan informasi seperti kerahasiaan, integritas data, autentikasi entitas, dan autentikasi
Lebih terperinciPENENTUAN PROBABILITAS ABSORPSI DAN EKSPEKTASI DURASI PADA MASALAH KEBANGKRUTAN PENJUDI
PENENTUAN PROBABILITAS ABSORPSI DAN EKSPEKTASI DURASI PADA MASALAH KEBANGKRUTAN PENJUDI Aditya Candra Laksmana, Respatiwulan, dan Ririn Setiyowati Program Studi Matematika Fakultas Matematika dan Ilmu
Lebih terperinciPENDUGAAN FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN FUNGSI PANGKAT MENGGUNAKAN METODE TIPE KERNEL
PENDUGAAN FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN FUNGSI PANGKAT MENGGUNAKAN METODE TIPE KERNEL Ro fah Nur Rachmawati Jurusan Matematika, Fakultas Sains dan Teknologi, Binus University Jl.
Lebih terperinci2-RP. rate, 10).Model Antrian. Deskripsi. sistem finansial, sistem komunikasi. Semester : V Hal: 1 dari 7. Dosen : SPW, NI, HY No.
RP S1 SP 06 A. CAPAIAN PEMAN : 1. CP 1.1 : Mampu menerapkan Metode Statistika dalam manajemen. 2. CP 2.2 : Mampu memodelkan & menginterpretasikan fenomena ekonomi 3. CP 8.1 : Mampu memformulasikan masalah
Lebih terperinciRENCANA PEMBELAJARAN SEMESTER (RPS)
RENCANA PEMBELAJARAN SEMESTER (RPS) IKG3F3 PEMODELAN STOKASTIK Disusun oleh: Sri Suryani P, S.Si., M.Si. PROGRAM STUDI ILMU KOMPUTASI FAKULTAS INFORMATIKA TELKOM UNIVERSITY 2015 LEMBAR PENGESAHAN Rencana
Lebih terperinciCatatan Kuliah MA4181 Pengantar Proses Stokastik Precise and Stochastic. Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah MA4181 Pengantar Proses Stokastik Precise and Stochastic Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2015 Tentang MA4181 (Pengantar)
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 terperinciPENDEKATAN PERSAMAAN CHAPMAN-KOLMOGOROV UNTUK MENGUKUR RISIKO KREDIT. Chairunisah
PENDEKATAN PERSAMAAN CHAPMAN-KOLMOGOROV UNTUK MENGUKUR RISIKO KREDIT Chairunisah denisa0105@yahoo.com Abstrak Banyak permasalahan yang dapat dimodelkan dengan menggunakan program matematika yang bertujuan
Lebih terperinciHidup penuh dengan ketidakpastian
BAB 2 Probabilitas Hidup penuh dengan ketidakpastian Tidak mungkin bagi kita untuk dapat mengatakan dengan pasti apa yang akan terjadi dalam 1 menit ke depan tapi Probabilitas akan memprediksikan masa
Lebih terperinciKEKONVERGENAN MSE PENDUGA KERNEL SERAGAM FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN FUNGSI PANGKAT
KEKONVERGENAN MSE PENDUGA KERNEL SERAGAM FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN FUNGSI PANGKAT Ro fah Nur Rachmawati Mathematics & Statistics Department, School of Computer Science, Binus
Lebih terperinciCatatan Kuliah. MA4181 PENGANTAR PROSES STOKASTIK Smart and Stochastic. disusun oleh Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah MA4181 PENGANTAR PROSES STOKASTIK Smart and Stochastic disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2014 Tentang MA4181 (Pengantar)
Lebih terperinciBAB 3 REVIEW SIFAT-SIFAT STATISTIK PENDUGA KOMPONEN PERIODIK
BAB 3 REVIEW SIFAT-SIFAT STATISTIK PENDUGA KOMPONEN PERIODIK 3. Perumusan Penduga Misalkan N adalah proses Poisson non-homogen pada interval 0, dengan fungsi intensitas yang tidak diketahui. Fungsi intensitas
Lebih terperinciKlasifikasi Keadaan dalam Rantai Markov Menggunakan Algoritma Graf Classification of States of Markov Chains Using Graph Algorithms
Prosiding Statistika ISSN: 460-6456 Klasifikasi Keadaan dalam Rantai Markov Menggunakan Algoritma Graf Classification of States of Markov Chains Using Graph Algorithms 1 Yussy Anistia Nurislamiyati, Suwanda,
Lebih terperinciII. TINJAUAN PUSTAKA. Ruang sampel S adalah himpunan semua hasil dari suatu percobaan. Kejadian E
5 II. TINJAUAN PUSTAKA 2.1 Konsep Dasar Peluang Ruang sampel S adalah himpunan semua hasil dari suatu percobaan. Kejadian E adalah himpunan bagian dari ruang sampel. Peluang suatu kejadian P(E) adalah
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Analisis survival adalah analisis data yang memanfaatkan informasi kronologis dari suatu kejadian atau peristiwa (event). Respon yang diperhatikan adalah waktu sampai
Lebih terperinciModel Hibrida ARIMA dan Fuzzy Time Series Markov Chain
SEMINAR MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2017 Model Hibrida ARIMA dan Fuzzy Time Series Markov Chain Dennis Frisca Ayudya, Dewi Retno Sari Saputro Program Studi Matematika Universitas Sebelas Maret
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 terperinciPemodelan Sistem Antrian Satu Server Dengan Vacation Queueing Model Pada Pola Kedatangan Berkelompok
SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2015 Pemodelan Sistem Antrian Satu Server Dengan Vacation Queueing Model Pada Pola Kedatangan Berkelompok Sucia Mentari, Retno Subekti, Nikenasih
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 terperinciTTG3B3 - Sistem Komunikasi 2 Random Process
TTG3B3 - Sistem Komunikasi 2 Random Process S1 Teknik Telekomunikasi Fakultas Teknik Elektro Universitas Telkom Oleh: Linda Meylani Agus D. Prasetyo Tujuan Pembelajaran Memahami arti random process Mengetahui
Lebih terperinciANALISA SIFAT-SIFAT ANTRIAN M/M/1 DENGAN WORKING VACATION
ANALISA SIFAT-SIFAT ANTRIAN M/M/1 DENGAN WORKING VACATION Oleh: Desi Nur Faizah 1209 1000 17 JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA
Lebih terperinciMagister Pengelolaan Air dan Air Limbah Universitas Gadjah Mada. 18-Aug-17. Statistika Teknik PROBABILITAS
Magister Pengelolaan Air dan Air Limbah Universitas Gadjah Mada Statistika Teknik PROBABILITAS 1 Probabilitas Peluang Kemungkinan Mengapa probabilitas? Orang tidak dapat memastikan nilai suatu proses (misal
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Proses Poisson Periodik Definisi 2.1 (Proses stokastik) Proses stokastik X = {X(t), t T } adalah suatu himpunan dari peubah acak yang memetakan suatu ruang contoh Ω ke suatu
Lebih terperinciLANDASAN TEORI. menyatakan hubungan antara variabel respon Y dengan variabel-variabel
5 II. LANDASAN TEORI 2.1 Model Regresi Poisson Analisis regresi merupakan metode statistika yang populer digunakan untuk menyatakan hubungan antara variabel respon Y dengan variabel-variabel prediktor
Lebih terperinciPOISSON PROSES NON-HOMOGEN. Abdurrahman Valid Fuady, Hasih Pratiwi, dan Supriyadi Wibowo Program Studi Matematika FMIPA UNS
POISSON PROSES NON-HOMOGEN Abdurrahman Valid Fuady, Hasih Pratiwi, dan Supriyadi Wibowo Program Studi Matematika FMIPA UNS ABSTRAK. Proses Poisson merupakan proses stokastik sederhana dan dapat digunakan
Lebih terperinciUniversitas Gadjah Mada Fakultas Teknik Departemen Teknik Sipil dan Lingkungan PROBABILITAS. Statistika dan Probabilitas
Universitas Gadjah Mada Fakultas Teknik Departemen Teknik Sipil dan Lingkungan PROBABILITAS Statistika dan Probabilitas 2 Peluang (Probabilitas) Peluang/Probabilitas/Risiko Peluang Risiko Probabilitas
Lebih terperinciBAB III MODEL STATE-SPACE. dalam teori kontrol modern. Model state space dapat mengatasi keterbatasan dari
BAB III MODEL STATE-SPACE 3.1 Representasi Model State-Space Representasi state space dari suatu sistem merupakan suatu konsep dasar dalam teori kontrol modern. Model state space dapat mengatasi keterbatasan
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 terperinciBab 3 Pengantar teori Peluang
Bab 3 Pengantar teori Peluang Istilah peluang atau kemungkinan, sering kali diucapkan atau didengar. Sebagai contoh ketika manajer dari sebuah klub sepak bola ditanya wartawan tentang hasil pertandingan
Lebih terperinciBAB I PENDAHULUAN Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Keputusan yang nyata biasanya dibuat dalam keadaan ketidakpastian. Untuk memodelkan ketidakpastian, selama ini digunakan teori probabilitas yang ditemukan
Lebih terperinciMODEL STOKASTIK.
11 12. MODEL STOKASTIK alsen.medikano@gmail.com 1 PENDAHULUAN Model Stokastik adalah model matematika dimana gejala-gejala dapat diukur dengan derajat kepastian yang tidak stabil. Pada Model Stokastik
Lebih terperinciuntuk setiap x sehingga f g
Jadi ( f ( f ) bernilai nol untuk setiap x, sehingga ( f ( f ) fungsi nol atau ( f ( f ) Aksioma 5 Ambil f, g F, R, ( f g )( f g ( g( g( ( f g)( Karena ( f g )( ( f g)( untuk setiap x sehingga f g Aksioma
Lebih terperinciKAJIAN MODEL HIDDEN MARKOV KONTINU DAN APLIKASINYA PADA HARGA BERAS MUSAFA
KAJIAN MODEL HIDDEN MARKOV KONTINU DAN APLIKASINYA PADA HARGA BERAS MUSAFA SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2010 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI Dengan ini saya menyatakan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Model Markov Dalam teori probabilitas, model Markov adalah model stokastik yang digunakan untuk memodelkan sistem yang berubah-ubah secara random di mana diasumsikan bahwa kondisi
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 terperinciANALISIS ESTIMASI PERUBAHAN MINAT MAHASISWA UNIVERSITAS SUMATERA UTARA TERHADAP TUJUH OPERATOR GSM
Saintia Matematika Vol., No. 2 (2), pp. 9 9. ANALISIS ESTIMASI PERUBAHAN MINAT MAHASISWA UNIVERSITAS SUMATERA UTARA TERHADAP TUJUH OPERATOR GSM Hasoloan M Nababan, Open Darnius Sembiring, Ujian Sinulingga
Lebih terperinciRANCANGAN PEMBELAJARAN
RANCANGAN PEMBELAJARAN Mata Kuliah : dan Proses Stokastik Semester : Jurusan : Dosen : TIU : respon sistem linear dengan input menggunakan konsep probabilitas dan proses stokastik (C4) No.. Mahasiswa mampu
Lebih terperinciANALISA SIFAT-SIFAT ANTRIAN M/M/1 DENGAN WORKING VACATION
JURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2014) 2337-3520 (2301-928X Print) 1 ANALISA SIFAT-SIFAT ANTRIAN M/M/1 DENGAN WORKING VACATION Desi Nur Faizah, Laksmi Prita Wardhani. Jurusan Matematika, Fakultas
Lebih terperinciBAB 1. Rantai Markov 1.1 ILUSTRASI
BAB 1 Rantai Markov 1.1 ILUSTRASI (Ilustrasi 1) Akhir-akhir ini, hujan dan panas (baca: tidak hujan) datang silih berganti tanpa bisa diduga. Kalau hari ini hujan, besok mungkin hujan mungkin juga panas.
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2. Pengertian Pemeliharaan Menurut Agus Ahyari (99) pemeliharaan merupakan suatu kegiatan mutlak yang diperlukan dalam perusahaan yang saling berkaitan dengan proses produksi, sehingga
Lebih terperinciBAB I PENDAHULUAN. Perkembangan ilmu pengetahuan dan teknologi yang sangat pesat,
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Perkembangan ilmu pengetahuan dan teknologi yang sangat pesat, menjadikan statistika memegang peranan penting dalam kehidupan. Hampir semua fenomena yang terjadi
Lebih terperinciBAB III MARKOV SWITCHING AUTOREGRESSIVE (MSAR)
25 BAB III (MSAR) 3.1 Model Markov Switching Autoregressive Model runtun waktu Markov Switching Autoregressive adalah salah satu model runtun waktu yang merupakan perluasan dari model Autoregressive (AR).Ide
Lebih terperinciBab 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
Bab 1 PENDAHULUAN 1.1 Latar Belakang Masalah Sebagian besar mahasiswa ITB mengambil mata kuliah MA1122 Kalkulus I pada tahun pertama perkuliahannya. Mata kuliah ini merupakan salah satu mata kuliah yang
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Analisis regresi digunakan untuk mengetahui bentuk hubungan antara variabel respon dengan satu atau lebih variabel prediktor. Umumnya analisis regresi yang digunakan
Lebih terperinciKAJIAN MODEL HIDDEN MARKOV KONTINU DENGAN PROSES OBSERVASI ZERO DELAY DAN APLIKASINYA PADA HARGA GABAH KERING PANEN T A M U R I H
KAJIAN MODEL HIDDEN MARKOV KONTINU DENGAN PROSES OBSERVASI ZERO DELAY DAN APLIKASINYA PADA HARGA GABAH KERING PANEN T A M U R I H SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2009 PERNYATAAN MENGENAI
Lebih terperinciCatatan Kuliah. MA4181 Pengantar Proses Stokastik Stochastics: Precise and Prospective. Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah MA4181 Pengantar Proses Stokastik Stochastics: Precise and Prospective Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2017 1 Tentang
Lebih terperinciREKAYASA TRAFIK ARRIVAL PROCESS.
REKAYASA TRAFIK ARRIVAL PROCESS ekofajarcahyadi@st3telkom.ac.id OVERVIEW Point Process Fungsi Distribusi Point Process Karakteristik Point Process Teorema Little Distribusi Point Process PREVIEW Proses
Lebih terperinciArisma Yuni Hardiningsih. Dra. Laksmi Prita Wardhani, M.Si. Jurusan Matematika. Surabaya
ANALISIS KESTABILAN DAN MEAN DISTRIBUSI MODEL EPIDEMIK SIR PADA WAKTU DISKRIT Arisma Yuni Hardiningsih 1206 100 050 Dosen Pembimbing : Dra. Laksmi Prita Wardhani, M.Si Jurusan Matematika Institut Teknologi
Lebih terperinciCATATAN KULIAH PENGANTAR PROSES STOKASTIK
CATATAN KULIAH PENGANTAR PROSES STOKASTIK Oleh Atina Ahdika, S.Si, M.Si PROGRAM STUDI STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS ISLAM INDONESIA 2016 Daftar Isi Daftar Isi iv
Lebih terperinciPenentuan Probabilitas Absorpsi dan Ekspektasi Durasi pada Masalah Kebangkrutan Penjudi
Penentuan Probabilitas Absorpsi dan Ekspektasi Durasi pada Masalah Kebangkrutan Penjudi Aditya Candra Laksmana 1*, Respatiwulan 2, dan Ririn Setiyowati 3 1, 3 Program Studi Matematika Fakultas MIPA, Universitas
Lebih terperinci