Teorema Limit Pusat dan Limit Distribusi
|
|
- Glenna Darmali
- 7 tahun lalu
- Tontonan:
Transkripsi
1 pendekatan dengan kasus Andi Kresna Jaya Jurusan Matematika September 22, 2014
2 Outline 1 Review 2 Teorema Limit Pusat 3 Teorema Limit Distribusi Back
3 Outline 1 Review 2 Teorema Limit Pusat 3 Teorema Limit Distribusi Back
4 Outline 1 Review 2 Teorema Limit Pusat 3 Teorema Limit Distribusi Back
5 Sasaran pembelajaran: Kemampuan mahasiswa menjelaskan konsep limit distribusi 1 Kemampuan memahami teorema limit pusat 2 Ketepatan dalam penjelasan limit distribusi untuk penaksir Metode: Kuliah dan Diskusi Text book: Hogg dan Craig, Introduction to Mathematical Statistics; Casella dan Berger, Statistical Inference
6 Opening It is a capital mistake to theorize before one has data. Insensibly one begins to twist facts to suit theories, instead of theories to suit facts. - Sherlock Holmes, A Scandal in Bohemia Sir Arthur Conan Doyle Planning a statistical analysis after you ve collected the data is like developing plans for a structure after you ve purchased the materials.
7 Opening It is a capital mistake to theorize before one has data. Insensibly one begins to twist facts to suit theories, instead of theories to suit facts. - Sherlock Holmes, A Scandal in Bohemia Sir Arthur Conan Doyle Planning a statistical analysis after you ve collected the data is like developing plans for a structure after you ve purchased the materials.
8 Ada dua teorema penting dalam Teori Peluang, yang pertama adalah Teorema Limit Pusat dan yang kedua adalah Hukum Bilangan Besar. (Hukum bilangan besar akan dipelajari pada mata kuliah tingkat lanjut) Teorema limit pusat menyatakan bahwa Distribusi dari jumlah (atau rata-rata) variabel yang distribusinya saling bebas dan identik adalah berdistribusi (hampiran) normal. Untuk memahami ini akan diberikan tinjauan untuk kasus sederhana. Misalkan X adalah peubah acak dengan fmp { 0, 45 x = 1 f (x) = 0, 55 x = 2 dan nol untuk yang lain. Jika diambil sampel acak berukuran n dari distribusi
9 Ada dua teorema penting dalam Teori Peluang, yang pertama adalah Teorema Limit Pusat dan yang kedua adalah Hukum Bilangan Besar. (Hukum bilangan besar akan dipelajari pada mata kuliah tingkat lanjut) Teorema limit pusat menyatakan bahwa Distribusi dari jumlah (atau rata-rata) variabel yang distribusinya saling bebas dan identik adalah berdistribusi (hampiran) normal. Untuk memahami ini akan diberikan tinjauan untuk kasus sederhana. Misalkan X adalah peubah acak dengan fmp { 0, 45 x = 1 f (x) = 0, 55 x = 2 dan nol untuk yang lain. Jika diambil sampel acak berukuran n dari distribusi
10 Ada dua teorema penting dalam Teori Peluang, yang pertama adalah Teorema Limit Pusat dan yang kedua adalah Hukum Bilangan Besar. (Hukum bilangan besar akan dipelajari pada mata kuliah tingkat lanjut) Teorema limit pusat menyatakan bahwa Distribusi dari jumlah (atau rata-rata) variabel yang distribusinya saling bebas dan identik adalah berdistribusi (hampiran) normal. Untuk memahami ini akan diberikan tinjauan untuk kasus sederhana. Misalkan X adalah peubah acak dengan fmp { 0, 45 x = 1 f (x) = 0, 55 x = 2 dan nol untuk yang lain. Jika diambil sampel acak berukuran n dari distribusi
11 Ada dua teorema penting dalam Teori Peluang, yang pertama adalah Teorema Limit Pusat dan yang kedua adalah Hukum Bilangan Besar. (Hukum bilangan besar akan dipelajari pada mata kuliah tingkat lanjut) Teorema limit pusat menyatakan bahwa Distribusi dari jumlah (atau rata-rata) variabel yang distribusinya saling bebas dan identik adalah berdistribusi (hampiran) normal. Untuk memahami ini akan diberikan tinjauan untuk kasus sederhana. Misalkan X adalah peubah acak dengan fmp { 0, 45 x = 1 f (x) = 0, 55 x = 2 dan nol untuk yang lain. Jika diambil sampel acak berukuran n dari distribusi
12 Ada dua teorema penting dalam Teori Peluang, yang pertama adalah Teorema Limit Pusat dan yang kedua adalah Hukum Bilangan Besar. (Hukum bilangan besar akan dipelajari pada mata kuliah tingkat lanjut) Teorema limit pusat menyatakan bahwa Distribusi dari jumlah (atau rata-rata) variabel yang distribusinya saling bebas dan identik adalah berdistribusi (hampiran) normal. Untuk memahami ini akan diberikan tinjauan untuk kasus sederhana. Misalkan X adalah peubah acak dengan fmp { 0, 45 x = 1 f (x) = 0, 55 x = 2 dan nol untuk yang lain. Jika diambil sampel acak berukuran n dari distribusi
13 Untuk n = 2, 3, 4, bentuk grafik fmp untuk X adalah:
14 Untuk n = 40, bentuk grafik fmp untuk X adalah: Bentuk kurva menyerupai kurva normal.
15 Pada materi distribusi untuk X, mean sampel distribusi N(µ, θ 2 ), bentuk peubah acak n( X µ) Z = σ untuk sembarang bilangan bulat positif n, akan berdistribusi N(0, 1). Jika n maka Z p Z 0, dimana Z 0 N(0, 1) Walaupun kondisi X bukan dari distribusi Normal, bentuk n( X µ) Y = σ akan mempunyai distribusi hampiran normal dengan mean 0 dan variansi 1.
16 Pada materi distribusi untuk X, mean sampel distribusi N(µ, θ 2 ), bentuk peubah acak n( X µ) Z = σ untuk sembarang bilangan bulat positif n, akan berdistribusi N(0, 1). Jika n maka Z p Z 0, dimana Z 0 N(0, 1) Walaupun kondisi X bukan dari distribusi Normal, bentuk n( X µ) Y = σ akan mempunyai distribusi hampiran normal dengan mean 0 dan variansi 1.
17 Pada materi distribusi untuk X, mean sampel distribusi N(µ, θ 2 ), bentuk peubah acak n( X µ) Z = σ untuk sembarang bilangan bulat positif n, akan berdistribusi N(0, 1). Jika n maka Z p Z 0, dimana Z 0 N(0, 1) Walaupun kondisi X bukan dari distribusi Normal, bentuk n( X µ) Y = σ akan mempunyai distribusi hampiran normal dengan mean 0 dan variansi 1.
18 teorema limit pusat Teorema 1 Misalkan X 1, X 2,, X n adalah sampel acak dari sebuah distribusi peluang yang meannya µ dan variansinya σ 2 > 0. Maka peubah acak Y n = ( X i nµ)/ nσ = n( X µ)/σ konvergen dalam distribusi ke peubah acak yang berdistribusi N(0, 1). Misalkan X adalah mean sampel acak yang berukuran n = 75 dari distribusi dengan fkp { 1 0 < x < 1 f (x) = 0 yang lain Aproksimasi nilai P(0.45 < X < 0.55)
19 teorema limit pusat Teorema 1 Misalkan X 1, X 2,, X n adalah sampel acak dari sebuah distribusi peluang yang meannya µ dan variansinya σ 2 > 0. Maka peubah acak Y n = ( X i nµ)/ nσ = n( X µ)/σ konvergen dalam distribusi ke peubah acak yang berdistribusi N(0, 1). Misalkan X adalah mean sampel acak yang berukuran n = 75 dari distribusi dengan fkp { 1 0 < x < 1 f (x) = 0 yang lain Aproksimasi nilai P(0.45 < X < 0.55)
20 contoh 1 Diketahui f (x) = 1, 0 < x < 1 dan nol untuk yang lain. maka µ = σ 2 = xdx = 1 2 (x 1/2) 2 dx = 1 12 Maka aproksimasi nilai P(0.45 < X < 0.55) adalah P(0.45 < X < 0.55) = P ( n( X µ) a < σ = P( 1.5 < Z < 1.5) = ) < b catatan a = n(0.45 µ) σ dan b = n(0.55 µ) σ
21 contoh 1 Diketahui f (x) = 1, 0 < x < 1 dan nol untuk yang lain. maka µ = σ 2 = xdx = 1 2 (x 1/2) 2 dx = 1 12 Maka aproksimasi nilai P(0.45 < X < 0.55) adalah P(0.45 < X < 0.55) = P ( n( X µ) a < σ = P( 1.5 < Z < 1.5) = ) < b catatan a = n(0.45 µ) σ dan b = n(0.55 µ) σ
22 contoh 1 Diketahui f (x) = 1, 0 < x < 1 dan nol untuk yang lain. maka µ = σ 2 = xdx = 1 2 (x 1/2) 2 dx = 1 12 Maka aproksimasi nilai P(0.45 < X < 0.55) adalah P(0.45 < X < 0.55) = P ( n( X µ) a < σ = P( 1.5 < Z < 1.5) = ) < b catatan a = n(0.45 µ) σ dan b = n(0.55 µ) σ
23 Misalkan X 1, X 2,, X n menyatakan sampel acak dari distribusi b(1, p). Misalkan Y n = X 1 + X X n, maka Y n b(n, p). Untuk menghitung peluang Y n akan lebih sederhana menggunakan fakta bahwa (Y n np) np(1 p) N(0, 1) dibandingkan dengan melakukan hampiran peluang dari pendekatan Poisson. Kerap kali, para statiskawan percaya bahwa Y n mempunyai distribusi hampiran normal dengan mean np dan variansi np(1 p). Perhatikan untuk n = 10 (ini cukup kecil untuk menyatakan bahwa peluang untuk Y n dapat diaproksimasi dengan distribusi Poisson) dan p = 0.5. Perbandingan b(10, 1/2) dengan N(5, 5/2) mempunyai luasan yang (nyaris) sama.
24 Misalkan X 1, X 2,, X n menyatakan sampel acak dari distribusi b(1, p). Misalkan Y n = X 1 + X X n, maka Y n b(n, p). Untuk menghitung peluang Y n akan lebih sederhana menggunakan fakta bahwa (Y n np) np(1 p) N(0, 1) dibandingkan dengan melakukan hampiran peluang dari pendekatan Poisson. Kerap kali, para statiskawan percaya bahwa Y n mempunyai distribusi hampiran normal dengan mean np dan variansi np(1 p). Perhatikan untuk n = 10 (ini cukup kecil untuk menyatakan bahwa peluang untuk Y n dapat diaproksimasi dengan distribusi Poisson) dan p = 0.5. Perbandingan b(10, 1/2) dengan N(5, 5/2) mempunyai luasan yang (nyaris) sama.
25 Misalkan X 1, X 2,, X n menyatakan sampel acak dari distribusi b(1, p). Misalkan Y n = X 1 + X X n, maka Y n b(n, p). Untuk menghitung peluang Y n akan lebih sederhana menggunakan fakta bahwa (Y n np) np(1 p) N(0, 1) dibandingkan dengan melakukan hampiran peluang dari pendekatan Poisson. Kerap kali, para statiskawan percaya bahwa Y n mempunyai distribusi hampiran normal dengan mean np dan variansi np(1 p). Perhatikan untuk n = 10 (ini cukup kecil untuk menyatakan bahwa peluang untuk Y n dapat diaproksimasi dengan distribusi Poisson) dan p = 0.5. Perbandingan b(10, 1/2) dengan N(5, 5/2) mempunyai luasan yang (nyaris) sama.
26 Grafik fmp b(10, 1/2) dengan fkp N(5, 5/2)
27 contoh 2 Misalkan X 1, X 2,, X n menyatakan sampel acak berukuran n = 100 dari distribusi b(1, 1/2). Misalkan Y = X 1 + X X n, maka Y n b(n, p). Tentukan peluang P(Y = 48, 49, 50, 51, 52) Perhatikan bahwa dalam distribusi binomial untuk Y (Y b(100, 1/2)), maka nilai diskrit {Y = 48, 49, 50, 51, 52} dengan selang (47, 5; 52, 5) pada distribusi N(50, 25) adalah ekuivalen. P(Y = 48, 49, 50, 51, 52) = 52 y=48 P(47, 5 < Y < 52, 5) = 0, 3829 ( 100 ) y (1/2) 100 = 0, 3827 dikerjakan dengan menggunakan distribusi N(0, 1) P(Y = 48, 49, 50, 51, 52) = P(47, 5 < Y < 52, 5) = P( 0.5 < Z < 0.5) =
28 contoh 2 Misalkan X 1, X 2,, X n menyatakan sampel acak berukuran n = 100 dari distribusi b(1, 1/2). Misalkan Y = X 1 + X X n, maka Y n b(n, p). Tentukan peluang P(Y = 48, 49, 50, 51, 52) Perhatikan bahwa dalam distribusi binomial untuk Y (Y b(100, 1/2)), maka nilai diskrit {Y = 48, 49, 50, 51, 52} dengan selang (47, 5; 52, 5) pada distribusi N(50, 25) adalah ekuivalen. P(Y = 48, 49, 50, 51, 52) = 52 y=48 P(47, 5 < Y < 52, 5) = 0, 3829 ( 100 ) y (1/2) 100 = 0, 3827 dikerjakan dengan menggunakan distribusi N(0, 1) P(Y = 48, 49, 50, 51, 52) = P(47, 5 < Y < 52, 5) = P( 0.5 < Z < 0.5) =
29 contoh 2 Misalkan X 1, X 2,, X n menyatakan sampel acak berukuran n = 100 dari distribusi b(1, 1/2). Misalkan Y = X 1 + X X n, maka Y n b(n, p). Tentukan peluang P(Y = 48, 49, 50, 51, 52) Perhatikan bahwa dalam distribusi binomial untuk Y (Y b(100, 1/2)), maka nilai diskrit {Y = 48, 49, 50, 51, 52} dengan selang (47, 5; 52, 5) pada distribusi N(50, 25) adalah ekuivalen. P(Y = 48, 49, 50, 51, 52) = 52 y=48 P(47, 5 < Y < 52, 5) = 0, 3829 ( 100 ) y (1/2) 100 = 0, 3827 dikerjakan dengan menggunakan distribusi N(0, 1) P(Y = 48, 49, 50, 51, 52) = P(47, 5 < Y < 52, 5) = P( 0.5 < Z < 0.5) =
30 contoh 2 Misalkan X 1, X 2,, X n menyatakan sampel acak berukuran n = 100 dari distribusi b(1, 1/2). Misalkan Y = X 1 + X X n, maka Y n b(n, p). Tentukan peluang P(Y = 48, 49, 50, 51, 52) Perhatikan bahwa dalam distribusi binomial untuk Y (Y b(100, 1/2)), maka nilai diskrit {Y = 48, 49, 50, 51, 52} dengan selang (47, 5; 52, 5) pada distribusi N(50, 25) adalah ekuivalen. P(Y = 48, 49, 50, 51, 52) = 52 y=48 P(47, 5 < Y < 52, 5) = 0, 3829 ( 100 ) y (1/2) 100 = 0, 3827 dikerjakan dengan menggunakan distribusi N(0, 1) P(Y = 48, 49, 50, 51, 52) = P(47, 5 < Y < 52, 5) = P( 0.5 < Z < 0.5) =
31 teorema dan bukti Teorema 2 Misalkan F n (u) adalah fungsi distribusi dari peubah acak U n yang p bergantung pada n. Jika U n c, di mana c 0, maka peubah acak U n /c p 1. Untuk sembarang ε > 0 maka ( ) U n P c 1 < ε maka lim P n ( ) 1 = P c U n c < ε = P ( U n c < c ε) ( ) U n c 1 < ε = lim P ( U n c < c ε). n
32 teorema dan bukti Teorema 2 Misalkan F n (u) adalah fungsi distribusi dari peubah acak U n yang p bergantung pada n. Jika U n c, di mana c 0, maka peubah acak U n /c p 1. Untuk sembarang ε > 0 maka ( ) U n P c 1 < ε maka lim P n ( ) 1 = P c U n c < ε = P ( U n c < c ε) ( ) U n c 1 < ε = lim P ( U n c < c ε). n
33 teorema dan bukti Teorema 2 Misalkan F n (u) adalah fungsi distribusi dari peubah acak U n yang p bergantung pada n. Jika U n c, di mana c 0, maka peubah acak U n /c p 1. Untuk sembarang ε > 0 maka ( ) U n P c 1 < ε maka lim P n ( ) 1 = P c U n c < ε = P ( U n c < c ε) ( ) U n c 1 < ε = lim P ( U n c < c ε). n
34 Karena untuk sembarang ɛ > 0, maka lim n P ( U n c < ɛ) = 1, maka ( ) lim P U n n c 1 < ε = 1. U n c p 1.
35 Karena untuk sembarang ɛ > 0, maka lim n P ( U n c < ɛ) = 1, maka ( ) lim P U n n c 1 < ε = 1. U n c p 1.
36 Teorema 3 Misalkan F n (u) adalah fungsi distribusi dari peubah acak U n yang p bergantung pada n. Jika U n c, di mana c 0 dan P(U n < 0) = 0 n, maka peubah acak p U n c. Perhatikan bahwa bentuk lim n P( U n c ɛ) = 0, dan (U n c) = ( U n c)( U n + c). maka P( U n c ɛ) = P( ( U n c)( U n + c) ɛ) ( = P U n ) ɛ c ( U n + c) ( P U n c ɛ ) (. c)
37 Perhatikan bahwa P n berlaku 0 lim n P Sehingga Un c ( U n ) c ɛ ( 0. Untuk c) ( U n c ɛ ( c) p 1. ) lim n P( U n c ɛ) = 0.
38 Teorema 4 Misalkan F n (u) adalah fungsi distribusi dari peubah acak U n yang bergantung pada n. Jika limit distribusi U n adalah F (u) dan p misalkan terdapat peubah acak V n 1,maka limit distribusi dari peubah acak W n = U n /V n adalah F (w). Berikut adalah sebuah penerapan 4 teorema di atas, untuk X 1, X 2,, X n sampel acak dari distribusi Bernoulli, b(1, π) dan Y n = X i. Misalkan Y n b(n, π) untuk 0 < π < 1, maka dengan teorema 1 diperoleh U n = Y n nπ N(0, 1). nπ(1 π) Perhatikan pula bahwa Y n /n p π dan (1 Y n /n) p (1 π), maka ( ) ( Yn 1 Y ) n p π(1 π). n n
39 Teorema 4 Misalkan F n (u) adalah fungsi distribusi dari peubah acak U n yang bergantung pada n. Jika limit distribusi U n adalah F (u) dan p misalkan terdapat peubah acak V n 1,maka limit distribusi dari peubah acak W n = U n /V n adalah F (w). Berikut adalah sebuah penerapan 4 teorema di atas, untuk X 1, X 2,, X n sampel acak dari distribusi Bernoulli, b(1, π) dan Y n = X i. Misalkan Y n b(n, π) untuk 0 < π < 1, maka dengan teorema 1 diperoleh U n = Y n nπ N(0, 1). nπ(1 π) Perhatikan pula bahwa Y n /n p π dan (1 Y n /n) p (1 π), maka ( ) ( Yn 1 Y ) n p π(1 π). n n
40 Teorema 4 Misalkan F n (u) adalah fungsi distribusi dari peubah acak U n yang bergantung pada n. Jika limit distribusi U n adalah F (u) dan p misalkan terdapat peubah acak V n 1,maka limit distribusi dari peubah acak W n = U n /V n adalah F (w). Berikut adalah sebuah penerapan 4 teorema di atas, untuk X 1, X 2,, X n sampel acak dari distribusi Bernoulli, b(1, π) dan Y n = X i. Misalkan Y n b(n, π) untuk 0 < π < 1, maka dengan teorema 1 diperoleh U n = Y n nπ N(0, 1). nπ(1 π) Perhatikan pula bahwa Y n /n p π dan (1 Y n /n) p (1 π), maka ( ) ( Yn 1 Y ) n p π(1 π). n n
41 Maka dengan teorema 2 diperoleh (Y n /n)(1 Y n /n) π(1 π) p 1. Selanjutnya dengan memakai teorema 2, misalkan V n p 1. ( (Yn /n)(1 Y n /n) V n = π(1 π) ) 1/2 Jika peubah acak W n = U n /V n, maka dengan teorema 4, diperoleh bahwa W n N(0, 1).
42 Maka dengan teorema 2 diperoleh (Y n /n)(1 Y n /n) π(1 π) p 1. Selanjutnya dengan memakai teorema 2, misalkan V n p 1. ( (Yn /n)(1 Y n /n) V n = π(1 π) ) 1/2 Jika peubah acak W n = U n /V n, maka dengan teorema 4, diperoleh bahwa W n N(0, 1).
43 Maka dengan teorema 2 diperoleh (Y n /n)(1 Y n /n) π(1 π) p 1. Selanjutnya dengan memakai teorema 2, misalkan V n p 1. ( (Yn /n)(1 Y n /n) V n = π(1 π) ) 1/2 Jika peubah acak W n = U n /V n, maka dengan teorema 4, diperoleh bahwa W n N(0, 1).
44 Maka dengan teorema 2 diperoleh (Y n /n)(1 Y n /n) π(1 π) p 1. Selanjutnya dengan memakai teorema 2, misalkan V n p 1. ( (Yn /n)(1 Y n /n) V n = π(1 π) ) 1/2 Jika peubah acak W n = U n /V n, maka dengan teorema 4, diperoleh bahwa W n N(0, 1).
45 contoh 3 Misalkan Y b(n, p) Tentukan nilai peluang bahwa n Y n Y np ( 1 Y n terletak di selang ( 2, 1), jika n. Untuk menjawab ini dapat dimanfaatkan bentuk W n = U n /V n = Sehingga untuk n maka n Y n Y np ( 1 Y n n Y n ) Y np ( 1 Y n ) N(0, 1), ).
46 contoh 3 Misalkan Y b(n, p) Tentukan nilai peluang bahwa n Y n Y np ( 1 Y n terletak di selang ( 2, 1), jika n. Untuk menjawab ini dapat dimanfaatkan bentuk W n = U n /V n = Sehingga untuk n maka n Y n Y np ( 1 Y n n Y n ) Y np ( 1 Y n ) N(0, 1), ).
47 contoh 3 Misalkan Y b(n, p) Tentukan nilai peluang bahwa n Y n Y np ( 1 Y n terletak di selang ( 2, 1), jika n. Untuk menjawab ini dapat dimanfaatkan bentuk W n = U n /V n = Sehingga untuk n maka n Y n Y np ( 1 Y n n Y n ) Y np ( 1 Y n ) N(0, 1), ).
48 P 2 < n Y n Y np ( 1 Y n ) < 1 = P( 2 < Z < 1) = Φ(1) Φ( 2) = Φ(1) + Φ(2) 1 = 0, , = 0, 8186.
49 Closing Statistics really is like rocket science; it isn t easy, even to us who have studied it for a long time. Anybody who think it s easy surely lacks a deep enough knowledge to understand why it isn t! If your scientific integrity matters, and statistics is a mystery to you, then you need expert help. Find a statistician in your company or at a nearby university, and talk to her face-to-face if possible. It may well cost money. It s worth it. Russ Lenth
Teorema Newman Pearson
pengujian terbaik Andi Kresna Jaya andikresna@yahoo.com Jurusan Matematika October 6, 2014 Outline 1 Review 2 Uji dua sisi untuk mean 3 Teorema Neyman-Pearson Back Outline 1 Review 2 Uji dua sisi untuk
Lebih terperinciModel Poisson. Inferensi likelihood. Andi Kresna Jaya November 19, Jurusan Matematika
Review Poisson dengan overdispersi Inferensi likelihood Andi Kresna Jaya andikresna@yahoo.com Jurusan Matematika November 19, 2014 Review Poisson dengan overdispersi Outline 1 Review 2 3 Poisson dengan
Lebih terperinciMINGGU KE-11 HUKUM BILANGAN BESAR LEMAH DAN KUAT
MINGGU KE-11 HUKUM BILANGAN BESAR LEMAH DAN KUAT HUKUM BILANGAN BESAR LEMAH DAN KUAT Misalkan X 1, X 2, X 3... barisan variabel random. Kita tulis S n = n X i. Dalam subbab ini kita akan menjawab pertanyaan
Lebih 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 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 terperinciPengantar Statistika Matematika II
Bab 6: Statistika FMIPA Universitas Islam Indonesia Inferensi Statistik Pendahuluan Inferensi Statistik Inferensi statistik adalah metode untuk menarik kesimpulan mengenai suatu populasi. Inferensi statistik
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 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 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 terperinciDISTRIBUSI DISKRIT KHUSUS
DISTRIBUSI DISKRIT KHUSUS UNIFORM (SERAGAM) BERNOULLI BINOMIAL POISSON MULTINOMIAL HIPERGEOMETRIK GEOMETRIK BINOMIAL NEGATIF MA3181 Teori Peluang 27 Oktober 2014 Utriweni Mukhaiyar DISTRIBUSI UNIFORM (SERAGAM)
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 terperinciREVIEW: DISTRIBUSI PELUANG KHUSUS & UJI HIPOTESIS. Utriweni Mukhaiyar MA2281 Statistika Nonparametrik Kamis, 21 Januari 2016
REVIEW: DISTRIBUSI PELUANG KHUSUS & UJI HIPOTESIS Utriweni Mukhaiyar MA81 Statistika Nonparametrik Kamis, 1 Januari 016 PEUBAH ACAK Peubah acak, yaitu pemetaan X: S R Ruang Sampel, S X x Himpunan Bil.Riil,
Lebih terperinciPengantar Statistika Matematika II
Pengantar a Matematika II Atina Ahdika, S.Si., M.Si. Prodi a FMIPA Universitas Islam Indonesia March 20, 2017 atinaahdika.com t F Parameter adalah karakteristik dari populasi (misal θ) adalah karakteristik
Lebih terperinciMINGGU KE-8 HARGA HARAPAN DAN BEBERAPA KETAKSAMAAN DALA
MINGGU KE-8 HARGA HARAPAN DAN BEBERAPA KETAKSAMAAN DALAM STATISTIKA HARGA HARAPAN Definisi Misalkan X variabel random. Bila X variabel random kontinu dengan f.k.p. f (x) dan maka harga harapan X adalah
Lebih terperinciMA3081 STATISTIKA MATEMATIK(A) Bab 2: Distribusi Samp
MA3081 STATISTIKA MATEMATIK(A) Bab 2: We love Statistics Pengantar Parameter adalah... ...suatu karakteristik dari populasi. Statistik adalah... ...suatu karakteristik dari sampel. Statistik adalah fungsi
Lebih terperinciKARAKTERISASI SEBARAN BINOMIAL NEGATIF
Jurnal Matematika UNAND Vol. 5 No. 2 Hal. 65 70 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND KARAKTERISASI SEBARAN BINOMIAL NEGATIF DEBY HANDAYANI Program Studi Magister Matematika, Fakultas Matematika
Lebih terperinciLearning Outcomes Sebaran Kontinu Nilai Harapan dan Ragam Beberapa Sebaran Kontinu. Peubah Acak Kontinu. Julio Adisantoso.
Beberapa 27 April 2014 Beberapa Learning Outcome Outline Mahasiswa dapat mengerti dan menentukan peubah acak diskret Mahasiswa dapat memahami dan menghitung nilai harapan Mahasiswa dapat memahami dan menghitung
Lebih terperinciPengantar Statistika Matematika II
Pengantar a Matematika II - Estimator Atina Ahdika, S.Si., M.Si. Prodi a FMIPA Universitas Islam Indonesia April 17, 2017 atinaahdika.com Dalam kondisi real, kita tidak mengetahui parameter dari populasi
Lebih terperinciDISTRIBUSI DISKRIT KHUSUS
DISTRIBUSI DISKRIT KHUSUS U N I F O R M ( S E R A G A M ) B E R N O U L L I B I N O M I A L P O I S S O N MA 4085 Pengantar Statistika 26 Februari 2013 Utriweni Mukhaiyar M U L T I N O M I A L H I P E
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 terperinciUji Hipotesis dan Aturan Keputusan
Uji Hipotesis dan Aturan Keputusan oleh: Khreshna Syuhada, PhD. 1. Pendahuluan Pada perkuliahan tingkat 2, telah dikenalkan masalah uji hipotesis sebagai berikut: Seorang peneliti memberikan klaim bahwa
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 terperinciBAHAN AJAR STATISTIKA DASAR Matematika STKIP Tuanku Tambusai Bangkinang 4. BEBERAPA DISTRIBUSI PELUANG DISKRET
Pertemuan 7. BAHAN AJAR STATISTIKA DASAR Matematika STKIP Tuanku Tambusai Bangkinang 4. BEBERAPA DISTRIBUSI PELUANG DISKRET 4. Pendahuluan 4.2 Distribusi seragam diskret 4.3 Distribusi binomial dan multinomial
Lebih terperinciPENGANTAR PROBABILITAS STATISTIKA UNIPA SBY
PENGANTAR PROBABILITAS GANGGA ANURAGA POKOK BAHASAN Konsep dasar probabilitas Teori himpunan Permutasi Kombinasi Koefisien binomial Koefisien multinomial Probabilitas Aksioma probabilitas Probabilitas
Lebih terperinciDistribusi Probabilitas : Gamma & Eksponensial
Distribusi Probabilitas : Gamma & Eksponensial 11 Debrina Puspita Andriani E-mail : debrina.ub@gmail.com / debrina@ub.ac.id 2 Outline Distribusi Gamma Distribusi Eksponensial 3 Distribusi Gamma Tidak selamanya
Lebih 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 terperinciPercobaan terdiri dari 1 usaha. Peluang sukses p Peluang gagal 1-p Misalkan. 1, jika terjadi sukses X jika terjadi tidak sukses (gagal)
Percobaan Bernoulli 5 Percobaan terdiri dari 1 usaha Sukses Usaha Gagal Peluang sukses p Peluang gagal 1-p Misalkan 1, jika terjadi sukses X 0, jika terjadi tidak sukses (gagal) Distribusi Bernoulli 6
Lebih terperinciPengantar Statistika Matematika II
Bab 2: Sifat-Sifat Estimator Statistika FMIPA Universitas Islam Indonesia Statistik Cukup Dalam kondisi real, kita tidak mengetahui parameter dari populasi data yang akan kita teliti Informasi dalam sampel
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 terperinciDISTRIBUSI DISKRIT KHUSUS
DISTRIBUSI DISKRIT KHUSUS Uniform U (seragam) MultinomialM l i i l Bernoulli Hipergeometrik Binomial Geometrik Poisson Binomial Negatif MA 2081 Statistika Dasar Utriweni Mukhaiyar 27 September 2012 2 Distribusi
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 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 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 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 terperinciMA3081 STATISTIKA MATEMATIKA We love Statistics
Catatan Kuliah MA3081 STATISTIKA MATEMATIKA We love Statistics disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2013 Daftar Isi 1 Peubah Acak
Lebih terperinciMINGGU KE-6 VARIABEL RANDOM DAN DISTRIBUSINYA
MINGGU KE-6 VARIABEL RANDOM DAN DISTRIBUSINYA VARIABEL RANDOM Misalkan (Ω, A, P) ruang probabilitas dan R = {x < x < } dan B : Borel field pada R. Andaikan X : Ω R dan untuk setiap A R, kita definisikan
Lebih terperinciPeubah Acak dan Distribusi
BAB 1 Peubah Acak dan Distribusi 1.1 ILUSTRASI (Ilustrasi 1) B dan G secara bersamaan menembak sasaran tertentu. Peluang tembakan B mengenai sasaran adalah 0.7 sedangkan peluang tembakan G (bebas dari
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 terperinciPengantar Statistika Matematika II
Bab 1: a FMIPA Universitas Islam Indonesia Parameter adalah karakteristik dari populasi (misal θ) adalah karakteristik dari sampel Akan dibahas konsep statistik dan distribusi sampling Parameter Misalkan
Lebih terperinciANALISIS GRAFIK KENDALI np YANG DISTANDARISASI UNTUK PENGENDALIAN KUALITAS DALAM PROSES PENDEK
ANALISIS GRAFIK KENDALI np YANG DISTANDARISASI UNTUK PENGENDALIAN KUALITAS DALAM PROSES PENDEK Yayuk Nurkotimah dan Fachrur Rozi Jurusan Matematika UIN Maulana Malik Ibrahim Malang e-mail: ocy_cute9@yahoo.com
Lebih terperinciAyundyah Kesumawati. April 29, Prodi Statistika FMIPA-UII. Deret Tak Terhingga. Ayundyah. Barisan Tak Hingga. Deret Tak Terhingga
Kesumawati Prodi Statistika FMIPA-UII April 29, 2015 Akar Barisan a 1, a 2, a 3, a 4,... adalah susunan bilangan-bilangan real yang teratur, satu untuk setiap bilangan bulat positif. adalah fungsi yang
Lebih terperinciPenentuan Daerah Kritis Terbaik dengan Teorema Neyman- Pearson
Vol. 6, No.1, 44-48, Juli 2009 Penentuan Daerah Kritis Terbaik dengan Teorema Neyman- Pearson Georgina M. Tinungki Abstrak Terdapat beberapa metode untuk membangun uji statistik yang baik, diantaranya
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 terperinciDISTRIBUSI DISKRIT KHUSUS
DISTRIBUSI DISKRIT KHUSUS Uniform Bernoulli Binomial Poisson Distribusi Lainnya: Multinomial Hipergeometrik Geometrik Binomial Negatif BI5106 Analisis Biostatistika 27 September 2012 Distribusi uniform
Lebih terperinciMA5283 STATISTIKA Bab 3 Inferensi Untuk Mean
MA5283 STATISTIKA Bab 3 Inferensi Untuk Mean Orang Cerdas Belajar Statistika Silabus Silabus dan Tujuan Peubah acak kontinu, distribusi dan Tabel normal, penaksiran titik dan selang, uji hipotesis untuk
Lebih 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 ERLANG DAN PENERAPANNYA. Rini Kurniasih 1, Getut Pramesti 2 Mahasiswi Pendidikan Matematika FKIP UNS, Dosen Pendidikan Matematika FKIP UNS
DISTRIBUSI ERLANG DAN PENERAPANNYA Rini Kurniasih 1, Getut Pramesti 2 Mahasiswi Pendidikan Matematika FKIP UNS, Dosen Pendidikan Matematika FKIP UNS nia.rini.purita2316@gmail.com, getut.uns@gmail.com ABSTRAK
Lebih terperinciBeberapa Distribusi Peluang Diskrit
Beberapa Distribusi Peluang Diskrit Departemen Teknik Informatika Institut Teknologi Bandung Page 1 Isi : Distribusi Seragam Distribusi Binomial Distribusi Multinomial Page 2 Distribusi
Lebih terperinciUNIFORM (SERAGAM) BERNOULLI BINOMIAL POISSON BEBERAPA DISTRIBUSI LAINNYA : MULTINOMIAL, HIPERGEOMETRIK, MA 2081 Statistika Dasar.
DISTRIBUSI DISKRIT UNIFORM (SERAGAM) BERNOULLI BINOMIAL POISSON BEBERAPA DISTRIBUSI LAINNYA : MULTINOMIAL, HIPERGEOMETRIK, GEOMETRIK, BINOMIAL NEGATIF MA 2081 Statistika Dasar Utriweni Mukhaiyar 7 Maret
Lebih terperinciKonsep Dasar Statistik dan Probabilitas
Konsep Dasar Statistik dan Probabilitas Pengendalian Kualitas Statistika Ayundyah Kesumawati Prodi Statistika FMIPA-UII September 30, 2015 Ayundyah (UII) Konsep Dasar Statistik dan Probabilitas September
Lebih terperinciPengantar Statistika Matematik(a)
Catatan Kuliah Pengantar Statistika Matematik(a) Statistika Lebih Dari Sekadar Matematika disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2014
Lebih terperinciPEUBAH ACAK DAN DISTRIBUSINYA
PEUBAH ACAK DAN DISTRIBUSINYA MA3181 Teori Peluang 8 September 2014 Utriweni Mukhaiyar 1 Pemetaan (Fungsi) O Suatu pemetaan / fungsi O Kategori fungsi: 1. Fungsi titik 2. Fungsi himpunan A A B B 2 Peubah
Lebih terperinciMA4183 MODEL RISIKO Bab 5 Teori Kebangkrutan
MA4183 MODEL RISIKO Bab 5 Teori Kebangkrutan Control your risk! Konsep Surplus 1 Perusahaan asuransi memiliki modal awal atau initial surplus 2 Perusahaan menerima premi dan membayarkan klaim 3 Premi bersifat
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 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 terperinciKEKUATAN KONVERGENSI DALAM PROBABILITAS DAN KONVERGENSI ALMOST SURELY
KEKUATAN KONVERGENSI DALAM PROBABILITAS DAN KONVERGENSI ALMOST SURELY Joko Sungkono* Abstrak : Tujuan yang ingin dicapai pada tulisan ini adalah mengetahui kekuatan konvergensi dalam probabilitas dan konvergensi
Lebih 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 terperinciCatatan Kuliah MA3081 STATISTIKA MATEMATIKA Statistika Mengalahkan Matematika. disusun oleh Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah MA3081 STATISTIKA MATEMATIKA Statistika Mengalahkan Matematika disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2011 Daftar Isi
Lebih terperinciDengan demikian, untuk sembarang B = [a, b], maka persamaan (5.1) menjadi
Bab 5 Peubah Acak Kontinu 5.1 Pendahuluan Definisi 5.1. Peubah acak adalah suatu fungsi dari ruang contoh S ke R (himpunan bilangan nyata) Peubah acak X bersifat diskret jika F (x) adalah fungsi tangga.
Lebih terperinciTugas Kelompok. Mata Kuliah Metodologi Penelitian Kuantitatif. Judul Makalah Revisi DISTRIBUSI PELUANG
Tugas Kelompok Mata Kuliah Metodologi Penelitian Kuantitatif Judul Makalah Revisi DISTRIBUSI PELUANG Kajian Buku Pengantar Statistika Pengarang Nana Sudjana Tugas dibuat untuk memenuhi tugas mata kuliah
Lebih terperinciKONVOLUSI DISTRIBUSI EKSPONENSIAL DENGAN PARAMETER BERBEDA
Jurnal Matematika UNAND Vol. No. 4 Hal. 9 ISSN : 33 9 c Jurusan Matematika FMIPA UNAND KONVOLUSI DISTRIBUSI EKSPONENSIAL DENGAN PARAMETER BERBEDA MARNISYAH ANAS Program Studi Magister Matematika, Fakultas
Lebih terperinciBarisan dan Deret Agus Yodi Gunawan
Barisan dan Deret Agus Yodi Gunawan Barisan. Definisi. Barisan tak hingga adalah suatu fungsi dengan daerah asalnya himpunan bilangan bulat positif dan daerah kawannya himpunan bilangan real. Notasi untuk
Lebih terperinciLampiran 1. Beberapa Definisi dan Lema Teknis
Lampiran 1. Beberapa Definisi dan Lema Teknis Ruang Contoh, Kejadian dan Peluang Suatu percobaan yang dapat diulang dalam kondisi yang sama, yang hasilnya tidak dapat diprediksi dengan tepat tetapi kita
Lebih terperinciDISTRIBUSI DISKRIT. MA 2081 Statistika Dasar Utriweni Mukhaiyar
DISTRIBUSI DISKRIT Uniform (seragam) Bernoulli Binomial Poisson Beberapa distribusi lainnya : MULTINOMIAL, HIPERGEOMETRIK, GEOMETRIK, BINOMIAL NEGATIF MA 081 Statistika Dasar Utriweni Mukhaiyar 5 Maret
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 terperinciDASAR-DASAR ANALISIS MATEMATIKA
(Bekal untuk Para Sarjana dan Magister Matematika) Dosen FMIPA - ITB E-mail: hgunawan@math.itb.ac.id. December 1, 2007 Diberikan sebuah fungsi yang terdefinisi pada interval (a, b) kecuali mungkin di
Lebih terperinciAyundyah Kesumawati. April 29, Prodi Statistika FMIPA-UII. Uji Deret Positif. Ayundyah. Uji Integral. Uji Komparasi. Uji Rasio.
Uji Uji Deret Kesumawati Prodi Statistika FMIPA-UII April 29, 2015 Uji Deret Uji Deret yang mempunyai suku-suku positif menjadi bahasan pada uji integral ini. Uji integral ini menggunakan ide dimana suatu
Lebih terperinciCNH2B4 / KOMPUTASI NUMERIK
CNH2B4 / KOMPUTASI NUMERIK TIM DOSEN KK MODELING AND COMPUTATIONAL EXPERIMENT 1 REVIEW KALKULUS & KONSEP ERROR Fungsi Misalkan A adalah himpunan bilangan. Fungsi f dengan domain A adalah sebuah aturan
Lebih terperinciDaftar Isi 5. DERET ANALISIS REAL. (Semester I Tahun ) Hendra Gunawan. Dosen FMIPA - ITB September 26, 2011
(Semester I Tahun 2011-2012) Dosen FMIPA - ITB E-mail: hgunawan@math.itb.ac.id. September 26, 2011 Diberikan sejumlah terhingga bilangan a 1,..., a N, kita dapat menghitung jumlah a 1 + + a N. Namun,
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 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 terperinciSRI REDJEKI KALKULUS I
SRI REDJEKI KALKULUS I KLASIFIKASI BILANGAN RIIL n Bilangan yang paling sederhana adalah bilangan asli : n 1, 2, 3, 4, 5,. n n Bilangan asli membentuk himpunan bagian dari klas himpunan bilangan yang lebih
Lebih terperinciBAB 2 TINJAUAN TEORITIS. Menurut Open Darnius (2006, hal: 53) simulasi dapat diartikan sebagai suatu
xiv BAB 2 TINJAUAN TEORITIS 2.1 Pendahuluan Menurut Open Darnius (2006, hal: 53) simulasi dapat diartikan sebagai suatu rekayasa dari suatu model secara logika ilmiah merupakan suatu metode alternatif
Lebih terperinciDISTRIBUSI NORMAL. Pertemuan 3. Distribusi Normal_M. Jainuri, M.Pd 1
DISTRIBUSI NORMAL Pertemuan 3 1 Distribusi Normal Pertama kali diperkenalkan oleh Abraham de Moivre (1733). De Moivre menemukan persamaan matematika untuk kurva normal yang menjadi dasar dalam banyak teori
Lebih terperinciDISTRIBUSI POISSON. Nevi Narendrati, M.Pd. Teori Peluang 1
DISTRIBUSI POISSON Percobaan yang menghasilkan peubah acak X yang bernilai numerik, yaitu banyaknya sukses selama selang waktu tertentu atau dalam daerah tertentu, disebut percobaan Poisson. Panjang selang
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA Asap atau polutan yang dibuang melalui cerobong asap pabrik akan menyebar atau berdispersi di udara, kemudian bergerak terbawa angin sampai mengenai pemukiman penduduk yang berada
Lebih terperinciII. TINJAUAN PUSTAKA. Dalam bab ini akan dijelaskan mengenai teori-teori yang mendukung dalam
4 II. TINJAUAN PUSTAKA Dalam bab ini akan dijelaskan mengenai teori-teori yang mendukung dalam menentukan momen, kumulan, dan fungsi karakteristik dari distribusi log-logistik (α,β). 2.1 Distribusi Log-Logistik
Lebih terperinciLANDASAN TEORI. Dalam proses penelitian pendekatan distribusi generalized t(,,, ), ), melalui distribusi generalized beta 2
5 II. LANDASAN TEORI Dalam proses penelitian pendekatan distribusi generalized t terhadap distribusi gamma dan melalui distribusi generalized beta 2 distribusi generalized diperlukan gamma beberapa konsep
Lebih terperinciMA3231 Analisis Real
MA3231 Analisis Real Hendra Gunawan* *http://hgunawan82.wordpress.com Analysis and Geometry Group Bandung Institute of Technology Bandung, INDONESIA Program Studi S1 Matematika ITB, Semester II 2016/2017
Lebih terperinciII. TINJAUAN PUSTAKA
II. TINJAUAN PUSTAKA Dalam proses penelitian untuk mengkaji karakteristik penduga distribusi generalized gamma dengan metode generalized moment ini, penulis menggunakan definisi, teorema dan konsep dasar
Lebih terperinciDISTRIBUSI PROBABILITAS
DISTRIBUSI PROBABILITAS DISTRIBUSI PROBABILITAS Peluang terjadinya nilai variabel random X yang meliputi semua nilai ditentukan melalui distribusi peluang. Distribusi peluang suatu variabel random X adalah
Lebih terperinciMinggu 1 Review Peubah Acak; Karakteristik Time Series. Minggu 4-6 Model Moving Average (MA), Autoregressive (AR)
CNH4S3 Analisis Time Series [Dosen] Aniq A Rohmawati, M.Si [Jadwal] Need to reschedule? [About] The purpose of time series analysis is generally twofold: to understand or model the stochastic mechanism
Lebih terperinciProbabilitas dan Statistika Distribusi Peluang Diskrit 2. Adam Hendra Brata
Probabilitas dan Statistika Distribusi Peluang Diskrit 2 Adam Hendra Brata Distribusi Hipergeometrik Distribusi Hipergeometrik Jika sampling dilakukan tanpa pengembalian dari kejadian sampling yang diambil
Lebih terperinciBarisan Deret ANALISIS REAL (BARISAN DAN DERET) Kus Prihantoso Krisnawan. August 30, Yogyakarta. Krisnawan Pertemuan 1, 2, & 3
ANALISIS REAL (BARISAN DAN DERET) Kus Prihantoso Krisnawan August 30, 0 Yogyakarta Limit Monoton Pada bagian ini kita akan mencoba menebak bentuk umum dari suatu barisan. Limit Monoton Pada bagian ini
Lebih terperinciURAIAN POKOK-POKOK PERKULIAHAN
Pertemuan ke-: 10, 11, dan 12 Penyusun : Kosim Rukmana Materi: Barisan Bilangan Real 7. Barisan dan Limit Barisan 6. Teorema Limit Barisan 7. Barisan Monoton URAIAN POKOK-POKOK PERKULIAHAN 7. Barisan dan
Lebih terperinciSTK 203 TEORI STATISTIKA I
STK 203 TEORI STATISTIKA I II. PEUBAH ACAK DISKRET II. Peubah Acak Diskret 1 PEUBAH ACAK DISKRET Definisi 2.1. (Peubah Acak) : Peubah Acak Y adalah suatu fungsi yang memetakan seluruh anggota ruang contoh
Lebih terperinciHendra Gunawan. 26 Februari 2014
MA1201 MATEMATIKA 2A Hendra Gunawan Semester II, 2013/2014 26 Februari 2014 9.6 Deret Pangkat Kuliah yang Lalu Menentukan selang kekonvergenan deret pangkat 9.7 Operasi pada Deret Pangkat Mlkk Melakukan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Berikut ini adalah beberapa definisi dan teorema yang menjadi landasan dalam penentuan harga premi, fungsi permintaan, dan kesetimbangannya pada portfolio heterogen. 2.1 Percobaan
Lebih terperinciDistribusi Peluang. Kuliah 6
Distribusi Peluang Kuliah 6 1. Diskrit 1. Bernoulli 2. Binomial 3. Poisson Distribution 2. Kontinu 1. Normal (Gaussian) 2. t 3. F 4. Chi Kuadrat Distribusi Peluang 1.1. Distribusi Bernoulli Distribusi
Lebih 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 terperinciPembahsan Tugas 9 Probabilitas dan Statistika Distribusi Peluang Diskrit dan Distribusi Peluang Kontinyu
Pembahsan Tugas 9 Probabilitas dan Statistika Distribusi Peluang Diskrit dan Distribusi Peluang Kontinyu Distribusi Peluang Diskrit 1. Hitunglah P( < 10) dengan distribusi binomial untuk n = 15, p = 0,4!
Lebih terperinciII. LANDASAN TEORI. sєs (S ruang sampel) dengan sebuah bilangan real. Salah satu peubah acak adalah
II. LANDASAN TEORI Peubah acak X(s) merupakan sebuah fungsi X yang menetapkan setiap anggota sєs (S ruang sampel) dengan sebuah bilangan real. Salah satu peubah acak adalah peubah acak diskrit, yaitu banyaknya
Lebih terperinciDISTRIBUSI KONTINU. Uniform Normal Gamma & Eksponensial. MA3181 Teori Peluang 3 November 2014 Utriweni Mukhaiyar
DISTRIBUSI KONTINU Uniform Normal Gamma & Eksponensial MA3181 Teori Peluang 3 November 2014 Utriweni Mukhaiyar Distribusi Uniform 2 Distribusi kontinu yang paling sederhana Notasi: X ~ U (a,b) f.k.p: f(x)
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 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 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 terperinciMA3081 STATISTIKA MATEMATIKA Statistika Mengalahkan Matematika
Catatan Kuliah MA3081 STATISTIKA MATEMATIKA Statistika Mengalahkan Matematika disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2011 Daftar Isi
Lebih terperinciBab 7 Ekspektasi dan Fungsi Pembangkit Momen: Cintailah Mean
MA38 Teori Peluang - Khreshna Syuhada Bab 7 Bab 7 Ekspektasi dan Fungsi Pembangkit Momen: Cintailah Mean Ilustrasi 7. Seorang peserta kuis diberi dua buah pertanyaan (P-, P-2), yang harus dijawab dengan
Lebih terperinciPenaksiran Parameter Regresi Linier Logistik dengan Metode Maksimum Likelihood Lokal pada Resiko Kanker Payudara di Makassar
Vol.14, No. 2, 159-165, Januari 2018 Penaksiran Parameter Regresi Linier Logistik dengan Metode Maksimum Likelihood Lokal pada Resiko Kanker Payudara di Makassar Sutrianah Burhan 1, Andi Kresna Jaya 1
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 terperinci