PENGURAIAN PENDAPATAN GABUNGAN DUA PRODUK DARI SUATU PERUSAHAAN

Ukuran: px
Mulai penontonan dengan halaman:

Download "PENGURAIAN PENDAPATAN GABUNGAN DUA PRODUK DARI SUATU PERUSAHAAN"

Transkripsi

1 PENGURAIAN PENDAPATAN GABUNGAN DUA PRODUK DARI SUATU PERUSAHAAN Thomas J. Kakia Fakultas Ilmu Komputer Universitas Gunadarma Jl. Margonda 100 Pondok Cina Depok ABSTRAK Penguraian pendapatan atau pendapatan dalam usaha kehidupan sehari-hari dari suatu perusahaan sangat tergantung juga pada model optimasi ang terbaik untuk digunakan. Distribusi marginal dapat digunakan untuk memodelkan dan menguraikan pendapatan gabungan. Distribusi probabilitas marginal dapat menjelaskan beberapa variabel acak untuk menentukan satu nilai angka tertentu dari distribusi marginal tersebut. Gabungan pendapatan dua produk A dan B dari suatu perusahaan dapat diuraikan melalui fungsi gabungan probabilitas bivariat pada semua nilai ang dapat diperhitungkan. Pendapatan dari masing-masing produk dengan demikian dapat diperhitungkan dengan cara oenguraian melalui distribusi gabungan pada fungsi densitas masingmasing. Penguraian distribusi marginal gabungan pendapatan dari kedua produk selanjutna akan bermanfaat dalam penentuan nilai rata-rata (ekspektasi) dan internal kepercaaan dari gabungan pendapatan kedua produk tersebut. Kata Kunci : Gabungan Pendapatan, Distribusi Marginal PENDAHULUAN Dalam kehidupan sehari-hari perusahaan besar maupun kecil akan selalu membahas dan meneliti pendapatan dari hasil jerih paah ang sudah dapat dilaksanakan. Pendapatan ang dihasilkan perusahaan dari produk-produkna dapat juga dikaitkan dan diuraikan melalui suatu distribusi probabilitas marginal ang dapat menguraikan banakna variabel acak untuk menentukan satu nilai angka tertentu dari distribusi marginal tersebut. Sebagai variabel acak diskret, dan dapat diuraikan melalui gabungan dari fungsi probabilitas bivariat pada semua nilai ang dimungkinkan dan akan dapat dijabarkan seperti variabel random ang dihasilkan dari probabilitas univariat fung-si. Demikian juga apabila dan adalah variabel random kontinu, maka proses kumulatif dengan integralna melalui fungsi probabilitas 156 JURNAL EKONOMI & BISNIS NO. 1, Jilid 9, Tahun 2004

2 densitas bivariat ang diperoleh dari semua nilai ang mungkin dapat dihasilkan dari univariat probabilitas densitas fungsi. PEMBAHASAN Penguraian fungsi distribusi probabilitas densitas bivariate merupakan gabungan dari dua distribusi densitas sebagai variabel random dan. Variabel random dan ini merupakan produk 1 dan 2. Beberapa definisi akan diperlukan sebelum melakukan penguraian. 1. Definisi I Diberikan dan adalah dua variabel random diskret dengan fungsi gabungan probabilitas: p (,, maka fungsi probabilitas marginal dari dan akan dirumuskan dengan : p X () = p Y ( = p (, p (, (1) 2. Definisi II Diberikan X dan Y adalah dua variabel random kontinu dengan fungsi gabungan probabilitas densitas f(,, maka fungsi probabilitas densitas marginal dari X dan Y dirumuskan dengan : f () = f ( = f (, d f (, d (2) Dengan demikian akan dapat disusun variabel random gabungan kontinu ang menunjukan fungsi distribusi kumulatif [F(,]. F (, disebut juga dengan distribusi kumulatif marginal dari dan. Fungsi distribusi kumulatif ini dapat diuraikan sebagai berikut: p(x ) = F () = f ( t, d dt 157 JURNAL EKONOMI & BISNIS NO. 1, Jilid 9, Tahun 2004

3 p(y = F ( = F () = f ( t) dt (3) = F(, ) f (, t) d dt F ( = f ( t) dt (4) = F(, Distribusi kumulatif marginal dari dapat diuraikan dengan menatakan sebagai batas atas dan di dalam fungsi distribusi gabungan dari dan. Demikian juga dapat dilakukan untuk variabel random dalam fungsi distribusi marginal. Dalam kejadian statistikal independen apabila kedua variabel random dan bergabung dalam probabilitas gabungan distribusi adalah sama dengan hasil dari probabilitas marginal kedua distribusi tersebut, dan juga harus dapat dinatakan sebagai dua variabel random ang independen. Dengan demikian perlu juga konsistensi dalam pengertian untuk statistikal independen dari variabel random dengan Joint Probabilitas P(a < < b, c < < d) adalah sama dengan hasilna dari probabilitas individual aitu : P(a < < b) dan P(c < < d) sebagai pengertian lainna. 3. Definisi III Diberikan dan adalah dua variabel random ang mempunai distribusi gabungan dapat dikatakan sebagai bebas secara statistik bila dan hana bila : p(, = p X(). p Y( untuk dan Diskret f(, = f X(). f Y( untuk dan Kontinu Untuk semua dan, dimana p(, dan f(, secara berturutturut adalah probabilitas bivariate dan fungsi densitas dinatakan bahwa p (), p (, f () dan f Y( adalah probabiltas marginal ataupun fungsi-fungsi densitas ang sebenarna. Selanjutna bila diberikan variabel random kontinu dengan fungsi gabungan probabilitas densitasna f(,, maka untuk nilai ekspektasi dari suatu fungsi linear dari dan dapat dirumuskan dengan: KAKIAY, PENGURAIAN PENDAPATAN 158

4 E(a + b = ( a + b. f (, d d = f (, d d + b a f (, d d = ae() + be( (5) Rumus (5) menunjukkan bahwa variabel dan mempunai nilai a dan b ang konstan. Varians dari fungsi linear dan adalah : Var(a + b = E(a + b 2 [E(a + b] 2 = E(a ab + b 2 2 ) [ae() + be(] 2 = a 2 E( 2 ) + 2abE (, + b 2 E( 2 ) a 2 E( 2 ) - 2abE () E( - b 2 [E(] 2 = a 2 var () + b 2 var ( + 2a.b Cov(, = 0 Proses perumusan ini akan menghasilkan 2 a.b Cov(, = 0, karena kedua variabel random dan adalah bebas secara statistik ang dapat dirumuskan menjadi : Var(a + b = a 2 Var() + b 2 Var( (6) Ekspektasi dari dua variabel random gabungan distribusi probabilitas. Varians dari dua variabel random gabungan distribusi probabilitas. Rumus (5) digunakan untuk menghitung ekspektasi dua variabel random gabungan distribusi probabilitas. Persamaan (6) digunakan untuk menghitung varians dua variabel random gabungan distribusi probabilitas. ILUSTRASI Penggabungan distribusi probabilitas marginal ini telah digunakan untuk menghitung pendapatan dari 2 produk ang dihasilkan oleh suatu perusahaan. Kedua produk disimbolkan sebagai A dan B. Berdasarkan pengalaman beberapa bulan sebelumna volume penjualan produk A tidak mempunai pengaruh sama sekali pada volume penjualan produk B. Pendapatan bulanan dari produk A sebesar 10% dalam bentuk dolar, dan 15% dalam bentuk dolar dari produk B. Selanjutna diketahui ratarata penjualan produk A sebesar $ per bulan, dengan standar deviasina $ dan demikian juga rata-rata penjualan dari produk B sebesar $ per bulan dengan standar deviasi sebesar $ Data ini akan digunakan untuk menentukan rata-rata gabungan distri- 159 JURNAL EKONOMI & BISNIS NO. 1, Jilid 9, Tahun 2004

5 busi marjinal penjualan produk A dan B, varians dam standar deviasi, serta selang kepercaaan untuk = 5%. Penentuan rata-rata gabungan pendapatan dilakukan menggunakan persamaan (5). Data ekspektasi pendapatan per unit produk A dan B telah diketahui dan diringkaskan sebagai berikut: E() = ; E( = S.D () = ; S.D ( = a = 0,10 ; b = 0,15 Nilai rata-rata fungsi linearna adalah: E(a + b = ae() + be( = 0,10(10.000) + 0,15(8.000) = 1.000) = Perhitungan ini menunjukkan bahwa rata-rata gabungan pendapatan produk A dan B perusahaan tersebut adalah US$ Standar deviasi pendapatan gabungan produk A dan B dihitung menggunakan rumus (6). Var(a + b = a 2 Var() + b 2 Var( = (0,10) 2 (2.000) 2 + (0,15) 2 (1.000) 2 = (0,01) ( ) + (0,0225) ( ) = = Varians pendapatan gabungan adalah US$ Sedangkan standar deviasi adalah 250 Selang kepercaaan rata-rata gabungan pendapatan dihitung menggunakan rumus di bawah. Rumus itu daoat digunakan dengan asumsi data ang diperoleh berdistribusi normal. Data ang dikumpulkan cukup banak (n 30), dengan demikian asumsi kenormalan dipenuhi. C.I. = X ± ( σ Z) C.I. = ± (250 0,96) C.I. = ± 240 Selang kepercaaan bagi rata-rata gabungan pendapatan kedua produk adalah US$ US$ PENUTUP Pendapatan gabungan dua produk dapat dihitung menggunakan prinsip fungsi distribusi probabilitas densitas bivariaat. Fungsi distribusi probabilitas densitas bivariat dibentuk dari fungsi probabilitas marjinal dan fungsi probabilitas densitas marjinal. DAFTAR PUSTAKA George C. Canavos Applied Probabilit and Statistical Methods. Little, Brown and Compan. Copright and Printed Boston, USA. Lawrence L. Lapin Statistic For Modern Business Decisions. Harcourt Brace. Jovanovich Inc. New York, USA. Lman Ott, An Introduction to Statistical Methods and Data Analsis. Second Edition. Du- KAKIAY, PENGURAIAN PENDAPATAN 160

6 burr Press. PWS Publishers. 20 Park Plaza. Boston. USA. Meers Introduction Probabilit and Statistical Application. Second Edition. Additional Wesle Publishing Compan, Inc. Copright Washington. USA Mosteller. F., R.E.K. Rourke, and. G.B. Thomas Jr Probabilit With Statistical Applications. Second Edition. Addision Wasle Publishing Compan. Massachusetts. USA. 161 JURNAL EKONOMI & BISNIS NO. 1, Jilid 9, Tahun 2004

Disusun oleh: 1. Diah Sani Susilawati ( / 7B) 2. Farid Hidayat ( / 7B) 3. Rico Nurcahyo ( / 7B)

Disusun oleh: 1. Diah Sani Susilawati ( / 7B) 2. Farid Hidayat ( / 7B) 3. Rico Nurcahyo ( / 7B) DISTRIBUSI MARGINAL DAN DISTRIBUSI GABUNGAN Disusun guna memenuhi tugas mata kuliah Statistika Matematika Dosen Pengampu: Supandi, M.Si Disusun oleh:. Diah Sani Susilawati (8355/ 7B). Farid Hidaat (836/

Lebih terperinci

BAB 2 MOMEN DAN ENTROPI

BAB 2 MOMEN DAN ENTROPI BAB MOMEN DAN ENTROPI. Satu Peubah Acak (Univariat) Misalkan diketahui suatu peubah acak X. Didefinisikan ekspektasi dari peubah acak X adalah sebagai berikut E [ X ] - P X =, X diskrit = f d, X kontinu

Lebih terperinci

Probabilitas dan Statistika Fungsi Distribusi Peluang Kontinyu Lanjut. Adam Hendra Brata

Probabilitas dan Statistika Fungsi Distribusi Peluang Kontinyu Lanjut. Adam Hendra Brata Probabilitas dan Statistika Fungsi Lanjut Adam Hendra Brata Gabungan Gabungan Fungsi Acak Fungsi Rapat Kumulatif Gabungan Untuk variabel random kontinu, analog dengan kasus diskrit, fungsi rapat probabilitas

Lebih terperinci

EKSPEKTASI DUA PEUBAH ACAK

EKSPEKTASI DUA PEUBAH ACAK 0 EKSPEKTASI DUA PEUBAH ACAK Dalam hal ini akan dibahas beberapa macam ukuran ang dihitung berdasarkan ekspektasi dari dua peubah acak, baik diskrit maupun kontinu, aitu nilai ekspektasi gabungan, ekspektasi

Lebih terperinci

Transformasi Dua atau Lebih Peubah Acak. Dr. Kusman Sadik, M.Si Departemen Statistika IPB, 2016

Transformasi Dua atau Lebih Peubah Acak. Dr. Kusman Sadik, M.Si Departemen Statistika IPB, 2016 Transormasi Dua atau Lebih Peubah Acak Dr. Kusman Sadik M.Si Departemen Statistika IPB 06 Transormasi Dua atau Lebih Peubah Acak Misalkan diketahui kp bersama bagi p.a. X dan X adalah X X x ). Jika kemudian

Lebih terperinci

BAB II DISTRIBUSI PEUBAH ACAK

BAB II DISTRIBUSI PEUBAH ACAK H. Maman Suherman,Drs.,M.Si BAB II DISTIBUSI PEUBAH ACAK. Peubah Acak Variable andom Pada bab anda telah mengenal ruang peluang S, Ω, P dimana S adalah ruang sampel dari eksperimen acak, Ω adalah lapangan

Lebih terperinci

KAJIAN MODEL EPIDEMIK SIR DETERMINISTIK DAN STOKASTIK PADA WAKTU DISKRIT. Oleh: Arisma Yuni Hardiningsih

KAJIAN MODEL EPIDEMIK SIR DETERMINISTIK DAN STOKASTIK PADA WAKTU DISKRIT. Oleh: Arisma Yuni Hardiningsih KAJIAN MODEL EPIDEMIK SIR DETERMINISTIK DAN STOKASTIK PADA WAKTU DISKRIT Oleh: Arisma Yuni Hardiningsih 126 1 5 Dosen Pembimbing: Dra. Laksmi Prita Wardhani, M.Si Jurusan Matematika Fakultas Matematika

Lebih terperinci

Penaksiran Mean Stratum pada Sampling Acak Stratifikasi dengan Menggunakan Metode Empirical Bayes

Penaksiran Mean Stratum pada Sampling Acak Stratifikasi dengan Menggunakan Metode Empirical Bayes Penaksiran Mean Stratum pada Sampling Acak Stratifikasi dengan Menggunakan Metode Empirical Baes Sisca Agnessia Departemen Matematika, FMIPA UI, Kampus UI Depok 6 sisca.agnessia@ahoo.com Abstrak Dalam

Lebih terperinci

Kumpulan 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=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 terperinci

STATISTIK PERTEMUAN VI

STATISTIK 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 terperinci

RANCANGAN KURIKULUM PROGRAM MAGISTER STATISTIKA TERAPAN DALAM KERANGKA KUALIFIKASI NASIONAL INDONESIA (KKNI)

RANCANGAN KURIKULUM PROGRAM MAGISTER STATISTIKA TERAPAN DALAM KERANGKA KUALIFIKASI NASIONAL INDONESIA (KKNI) RANCANGAN KURIKULUM PROGRAM MAGISTER STATISTIKA TERAPAN DALAM KERANGKA KUALIFIKASI NASIONAL INDONESIA (KKNI) PROGRAM MAGISTER STATISTIKA TERAPAN DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN IPA 2 0 1

Lebih terperinci

RANCANGAN KURIKULUM PROGRAM MASTER STATISTIKA TERAPAN DALAM KERANGKA KUALIFIKASI NASIONAL INDONESIA (KKNI)

RANCANGAN KURIKULUM PROGRAM MASTER STATISTIKA TERAPAN DALAM KERANGKA KUALIFIKASI NASIONAL INDONESIA (KKNI) RANCANGAN KURIKULUM PROGRAM MASTER STATISTIKA TERAPAN DALAM KERANGKA KUALIFIKASI NASIONAL INDONESIA (KKNI) PROGRAM MASTER STATISTIKA TERAPAN DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN IPA 2 0 1 2 I.

Lebih terperinci

MA5283 STATISTIKA Bab 3 Inferensi Untuk Mean

MA5283 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 terperinci

BAB III METODE PENELITIAN. hal terutama berkenaan dengan pengontrolan variabel, kemungkinan sukar sekali

BAB III METODE PENELITIAN. hal terutama berkenaan dengan pengontrolan variabel, kemungkinan sukar sekali BAB III METODE PENELITIAN 3.1. Desain dan Metode Penelitian Penelitian ini menggunakan metode Quas Experiment karena berbagai hal terutama berkenaan dengan pengontrolan variabel, kemungkinan sukar sekali

Lebih terperinci

Rancangan Acak Lengkap. Created by : Ika Damayanti, S.Si, M.Si

Rancangan Acak Lengkap. Created by : Ika Damayanti, S.Si, M.Si Rancangan Acak Lengkap Created b : Ika Damaanti, S.Si, M.Si RAL (Rancangan Acak Lengkap) Desain dimana perlakuan dikenakan sepenuhna secara acak kepada unit- unit eksperimen. Desain ini dapat digunakan

Lebih terperinci

STATISTIKA UNIPA SURABAYA

STATISTIKA 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 terperinci

Persamaan Diferensial Orde Satu

Persamaan Diferensial Orde Satu Modul Persamaan Diferensial Orde Satu P PENDAHULUAN Prof. SM. Nababan, Ph. ersamaan Diferensial (PD) adalah salah satu cabang matematika ang banak digunakan untuk menjelaskan masalah-masalah fisis. Masalahmasalah

Lebih terperinci

DISTRIBUSI DUA PEUBAH ACAK

DISTRIBUSI DUA PEUBAH ACAK 0 DISTRIBUSI DUA PEUBAH ACAK Dala hal ini akan dibahas aca-aca fungsi peluang atau fungsi densitas ang berkaitan dengan dua peubah acak, aitu distribusi gabungan, distribusi arginal, distribusi bersarat,

Lebih terperinci

THEORY. By: Hanung N. Prasetyo PEUBAH ACAK TELKOM POLYTECHNIC/HANUNGNP

THEORY. 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 terperinci

3. Gabungan Fungsi Linier

3. Gabungan Fungsi Linier 3. Gabungan Fungsi Linier Sudaratno Sudirham Fungsi-fungsi linier banak digunakan untuk membuat model dari perubahanperubahan besaran fisis. Perubahan besaran fisis mungkin merupakan fungsi waktu, temperatur,

Lebih terperinci

1 PROBABILITAS. Pengertian

1 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

BAB III METODOLOGI PENELITIAN A. Tempat dan Waktu Penelitian 1. Tempat Penelitian Penelitian ini dilaksanakan di dua tempat yaitu: lapangan atletik

BAB III METODOLOGI PENELITIAN A. Tempat dan Waktu Penelitian 1. Tempat Penelitian Penelitian ini dilaksanakan di dua tempat yaitu: lapangan atletik BAB III METODOLOGI PENELITIAN A. Tempat dan Waktu Penelitian 1. Tempat Penelitian Penelitian ini dilaksanakan di dua tempat aitu: lapangan atletik Brangbiji Sumbawa dan di SMA Negeri 3 Sumbawa Besar..

Lebih terperinci

DISTRIBUSI 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 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 terperinci

SYARAT PERLU DAN SYARAT CUKUP MATRIKS CLEAN PADA M 2 (Z) ABSTRACT

SYARAT PERLU DAN SYARAT CUKUP MATRIKS CLEAN PADA M 2 (Z) ABSTRACT SYARAT PERLU DAN SYARAT CUKUP MATRIKS CLEAN PADA M 2 (Z) Miftakhul Rohmah 1, Sri Gemawati 2, Asli Sirait 2 1 Mahasiswa Program Studi S1 Matematika 2 Dosen Jurusan Matematika Fakultas Matematika dan Ilmu

Lebih terperinci

Misalkan peluang seorang calon mahasiswa IT Telkom memilih prodi TI adalah sebesar 0.6. Berapa peluang bahwa ;

Misalkan peluang seorang calon mahasiswa IT Telkom memilih prodi TI adalah sebesar 0.6. Berapa peluang bahwa ; Responsi SOAL 1: Misalkan peluang seorang calon mahasiswa IT Telkom memilih prodi TI adalah sebesar 0.6. Berapa peluang bahwa ; Orang keenam yang mendaftar seleksi adalah orang keempat yang memilih TI

Lebih terperinci

BAB IV EKSPEKTASI MATEMATIK

BAB IV EKSPEKTASI MATEMATIK BAB IV EKSPEKTASI MATEMATIK.1. Rata-rata variabel acak Bila dua koin dilemparkan sebanyak 16 kali dan X adalah jumlah depan (atas) yang muncul setiap kali pelemparan. Sehinga nilai X adalah 0,1, atau.

Lebih terperinci

Achmad Samsudin, M.Pd. Jurdik Fisika FPMIPA Universitas Pendidikan Indonesia

Achmad Samsudin, M.Pd. Jurdik Fisika FPMIPA Universitas Pendidikan Indonesia Achmad Samsudin, M.Pd. Jurdik Fisika FPMIPA Universitas Pendidikan Indonesia VARIABEL ACAK VARIABEL ACAK : suatu fungsi yang nilainya berupa bilangan nyata yang ditentukan oleh setiap unsur dalam ruang

Lebih terperinci

DISTRIBUSI PROBABILITAS

DISTRIBUSI PROBABILITAS DISTRIBUSI PROBABILITAS DISTRIBUSI PROBABILITAS DISKRIT Distribusi binomial Distribusi binomial - Distribusi peluang diskrit Distribusi geometrik Distribusi hipergeometrik Distribusi poison BERNOULLI TRIAL

Lebih terperinci

BAB 5 FUNDAMENTAL DISTRIBUSI PELUANG MUHAMMAD NUR AIDI

BAB 5 FUNDAMENTAL DISTRIBUSI PELUANG MUHAMMAD NUR AIDI BAB 5 FUNDAMENTAL DISTRIBUSI PELUANG MUHAMMAD NUR AIDI 5.1. Pendahuluan Untuk mendeteksi bagaimana konfigurasi titik dalam ruang apakah bersifat acak atau random, regular, ataupun cluster (kelompok); pertama-tama

Lebih terperinci

MAKSUD PRAKTIKUM FISIKA

MAKSUD PRAKTIKUM FISIKA Fisika merupakan disiplin ilmu ang mempelajari fenomena alam semesta, hukum-hukumna, dan interaksina. Setiap gejala apa saja pasti terkait dengan hukum Fisika. Benda diam maupun bergerak, seorang ang duduk,

Lebih terperinci

BAB 1 PENDAHULUAN. Universitas Sumatera Utara

BAB 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 terperinci

Kematian wanita saat melahirkan dan saat 42 hari setelah melahirkan bukan dikarenakan kecelakaan

Kematian wanita saat melahirkan dan saat 42 hari setelah melahirkan bukan dikarenakan kecelakaan VIF Distribusi Poisson Regresi Poisson Kematian Bayi Kematian Ibu Kematian wanita saat melahirkan dan saat 42 hari setelah melahirkan bukan dikarenakan kecelakaan 1 Pendaharan terberat pada masa nifas

Lebih terperinci

BAB II TINJAUAN PUSTAKA. return, mean, standard deviation, skewness, kurtosis, ACF, korelasi, GPD, copula,

BAB II TINJAUAN PUSTAKA. return, mean, standard deviation, skewness, kurtosis, ACF, korelasi, GPD, copula, BAB II TINJAUAN PUSTAKA Pada bab ini akan dibahas semua konsep yang mendasari penelitian ini yaitu return, mean, standard deviation, skewness, kurtosis, ACF, korelasi, GPD, copula, VaR, estimasi VaR dengan

Lebih terperinci

BAB 7 DISTRIBUSI-COMPOUND DAN GENERALIZED SPASIAL MUHAMMAD NUR AIDI

BAB 7 DISTRIBUSI-COMPOUND DAN GENERALIZED SPASIAL MUHAMMAD NUR AIDI 7.1. Pendahuluan BAB 7 DISTRIBUSI-COMPOUND DAN GENERALIZED SPASIAL MUHAMMAD NUR AIDI Pada bab sebelumnya, penyebaran spatial (konfigurasi spasial) dimana ditunjukan sebagai ragam sampel quadran. Bab ini

Lebih terperinci

Bagian 2. Probabilitas. Struktur Probabilitas. Probabilitas Subyektif. Metode Frekuensi Relatif Kejadian untuk Menentukan Probabilitas

Bagian 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 terperinci

Fungsi F disebut anti turunan (integral tak tentu) dari fungsi f pada himpunan D jika. F (x) = f(x) dx dan f (x) dinamakan integran.

Fungsi F disebut anti turunan (integral tak tentu) dari fungsi f pada himpunan D jika. F (x) = f(x) dx dan f (x) dinamakan integran. 4 INTEGRAL Definisi 4.0. Fungsi F disebut anti turunan (integral tak tentu) dari fungsi f pada himpunan D jika untuk setiap D. F () f() Fungsi integral tak tentu f dinotasikan dengan f ( ) d dan f () dinamakan

Lebih terperinci

Pr { +h =1 = } lim. Suatu fungsi dikatakan h apabila lim =0. Dapat dilihat bahwa besarnya. probabilitas independen dari.

Pr { +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 terperinci

AK5161 Matematika Keuangan Aktuaria

AK5161 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 terperinci

2 Akar Persamaan NonLinear

2 Akar Persamaan NonLinear 2 Akar Persamaan NonLinear Beberapa metoda untuk mencari akar ang telah dikenal adalah dengan memfaktorkan atau dengan cara Horner Sebagai contoh, untuk mencari akar dari persamaan 2 6 = 0 ruas kiri difaktorkan

Lebih terperinci

Pengujian Overdispersi pada Model Regresi Poisson (Studi Kasus: Laka Lantas Mobil Penumpang di Provinsi Jawa Barat)

Pengujian Overdispersi pada Model Regresi Poisson (Studi Kasus: Laka Lantas Mobil Penumpang di Provinsi Jawa Barat) Statistika, Vol. 14 No. 2, 69 76 November 2014 Pengujian Overdispersi pada Model Regresi Poisson (Studi Kasus: Laka Lantas Mobil Penumpang di Provinsi Jawa Barat) Jurusan Matematika, Fakultas Sains dan

Lebih terperinci

BAB 1 PERSAMAAN DIFERENSIAL ORDER SATU

BAB 1 PERSAMAAN DIFERENSIAL ORDER SATU BAB PERSAAA DIFERESIAL ORDER SATU PEDAHULUA Persamaan Diferensial adalah salah satu cabang ilmu matematika ang banak digunakan dalam memahami permasalahan-permasalahan di bidang fisika dan teknik Persamaan

Lebih terperinci

Studi Perbandingan Ekpektasi Biaya Total Antara Kasus Bakcorder dan Lost Sales pada Model Persediaan Probabilistik

Studi Perbandingan Ekpektasi Biaya Total Antara Kasus Bakcorder dan Lost Sales pada Model Persediaan Probabilistik J. Math. and Its Appl. ISSN: 1829-65X Vol. 3, No. 2, Nov 26, 19 117 Studi Perbandingan Ekpektasi iaya Total Antara Kasus akcorder dan Lost Sales pada Model Persediaan Probabilistik Valeriana Lukitosari

Lebih terperinci

Var X y x E X y. g x y dx. dan varians bersyarat dari Y diberikan X = x dirumuskan sebagai berikut: Var Y x y E Y x. h y x dy

Var X y x E X y. g x y dx. dan varians bersyarat dari Y diberikan X = x dirumuskan sebagai berikut: Var Y x y E Y x. h y x dy 0 VARIANS BERSYARAT Penenuan varians bersara dari sebuah peubah acak diberikan peubah acak lainna, baik diskri maupun koninu dijelaskan dalam Definisi 7.. Definisi 7.: VARIANS BERSYARAT UMUM Jika X dan

Lebih terperinci

MINGGU KE-6 VARIABEL RANDOM DAN DISTRIBUSINYA

MINGGU 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 terperinci

STATISTICS. WEEK 5 Hanung N. Prasetyo TELKOM POLTECH/HANUNG NP

STATISTICS. WEEK 5 Hanung N. Prasetyo TELKOM POLTECH/HANUNG NP STATISTICS WEEK 5 Hanung N. Prasetyo Kompetensi 1. Mahasiswa memahamikonsep dasar distribusi peluang kontinu khusus seperti uniform dan eksponensial 2. Mahasiswamampumelakukanoperasi hitungyang berkaitan

Lebih terperinci

Fungsi Peubah Banyak. Modul 1 PENDAHULUAN

Fungsi Peubah Banyak. Modul 1 PENDAHULUAN Modul 1 Fungsi Peubah Banak Prof. Dr. Bambang Soedijono PENDAHULUAN D alam modul ini dibahas masalah Fungsi Peubah Banak. Dengan sendirina para pengguna modul ini dituntut telah menguasai pengertian mengenai

Lebih terperinci

BAB II LANDASAN TEORI. landasan pembahasan pada bab selanjutnya. Pengertian-pengertian dasar yang di

BAB 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

Pengantar Proses Stokastik

Pengantar 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 terperinci

Transformasi Satu Peubah Acak (Lanjutan) Dr. Kusman Sadik, M.Si Departemen Statistika IPB, 2016

Transformasi Satu Peubah Acak (Lanjutan) Dr. Kusman Sadik, M.Si Departemen Statistika IPB, 2016 Transformasi Satu Pubah Acak (Lanjutan) Dr. Kusman Sadik, M.Si Dpartmn Statistika IPB, 06 Transformasi Pubah Acak (Lanjutan) B. Mtod Pnggantian Pubah Mtod ini mrupakan pngmbangan dari mtod fungsi sbaran.

Lebih terperinci

Fungsi dan Grafik Diferensial dan Integral

Fungsi dan Grafik Diferensial dan Integral Sudaratno Sudirham Studi Mandiri Fungsi dan Grafik Diferensial dan Integral Darpublic ii BAB 3 Gabungan Fungsi Linier Fungsi-fungsi linier banak digunakan untuk membuat model dari perubahan-perubahan besaran

Lebih terperinci

BAB III PEMODELAN DISPERSI POLUTAN

BAB III PEMODELAN DISPERSI POLUTAN BAB III PEMODELAN DISPERSI POLUTAN Salah satu faktor utama ang mempengaruhi dispersi polutan adalah kecenderungan molekul-molekul polutan untuk berdifusi. Pada Bab II telah dijelaskan bahwa proses difusi

Lebih terperinci

Transformasi Satu Peubah Acak (Bagian II) Dr. Kusman Sadik, M.Si Departemen Statistika IPB, 2017

Transformasi Satu Peubah Acak (Bagian II) Dr. Kusman Sadik, M.Si Departemen Statistika IPB, 2017 Transformasi Satu Pubah Acak Bagian II) Dr. Kusman Sadik, M.Si Dpartmn Statistika IPB, 07 Transformasi Pubah Acak Lanjutan) B. Mtod Pnggantian Pubah Mtod ini mrupakan pngmbangan dari mtod fungsi sbaran.

Lebih terperinci

DISTRIBUSI PROBABILITAS

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 terperinci

Tata Tertib. 1. Kehadiran

Tata Tertib. 1. Kehadiran Pengantar Alhamdulillah, karena taufiq Allah Ta'aala semata sehingga kami dapat menerbitkan pedoman praktikum fisika edisi revisi ini. Pedoman ini bersumber dari buku petunjuk praktikum fisika dasar edisi

Lebih terperinci

UJI STATISTIK NON PARAMETRIK. Widha Kusumaningdyah,, ST., MT

UJI 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 terperinci

AK5161 Matematika Keuangan Aktuaria

AK5161 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 terperinci

Fungsi dan Grafik Diferensial dan Integral

Fungsi dan Grafik Diferensial dan Integral Sudaratno Sudirham Studi Mandiri Fungsi dan Grafik Diferensial dan Integral i Darpublic Hak cipta pada penulis, 010 SUDIRHAM, SUDARYATNO Fungsi dan Grafik, Diferensial dan Integral Oleh: Sudaratmo Sudirham

Lebih terperinci

Catatan 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. 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 terperinci

ANALISIS PENDUDUK BEKERJA BERDASARKAN SEKTOR PEKERJAAN DAN JAM KERJA MENGGUNAKAN REGRESI PROBIT BIVARIAT DI PROVINSI ACEH

ANALISIS PENDUDUK BEKERJA BERDASARKAN SEKTOR PEKERJAAN DAN JAM KERJA MENGGUNAKAN REGRESI PROBIT BIVARIAT DI PROVINSI ACEH ANALISIS PENDUDUK BEKERJA BERDASARKAN SEKTOR PEKERJAAN DAN JAM KERJA MENGGUNAKAN REGRESI PROBIT BIVARIAT DI PROVINSI ACEH Rizal Rahmad 1, Toni Toharudin 2, Anna Chadijah 3 Prodi Master Statistika Terapan,

Lebih terperinci

Pendugaan Selang Kepercayaan Persentil Bootstrap Nonparametrik untuk Parameter Regresi

Pendugaan Selang Kepercayaan Persentil Bootstrap Nonparametrik untuk Parameter Regresi Statistika, Vol. No., Mei Pendugaan Selang Kepercayaan Persentil Bootstrap Nonparametrik untuk Parameter Regresi MARZUKI, HIZIR SOFYAN, ASEP RUSYANA Jurusan Matematika FMIPA Universitas Syiah Kuala Jl.

Lebih terperinci

Distribusi Peluang Kontinu. Bahan Kuliah II2092 Probabilitas dan Statistik Oleh: Rinaldi Munir Sekolah Teknik Elektro dan Informatika ITB

Distribusi Peluang Kontinu. Bahan Kuliah II2092 Probabilitas dan Statistik Oleh: Rinaldi Munir Sekolah Teknik Elektro dan Informatika ITB Distribusi Peluang Kontinu Bahan Kuliah II9 Probabilitas dan Statistik Oleh: Rinaldi Munir Sekolah Teknik Elektro dan Informatika ITB 1 Fungsi Padat Peluang Untuk peubah acak kontinu, fungsi peluangnya

Lebih terperinci

4 SIFAT-SIFAT STATISTIK DARI REGRESI KONTINUM

4 SIFAT-SIFAT STATISTIK DARI REGRESI KONTINUM 4 SIFA-SIFA SAISIK DAI EGESI KONINUM Abstrak Matriks pembobot W pada egresi Kontinum diperole dengan memaksimumkan fungsi kriteria umum ternata menimbulkan masala dari aspek statistika. Prinsip dari fungsi

Lebih terperinci

Pengantar Proses Stokastik

Pengantar 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 terperinci

DISTRIBUSI SATU PEUBAH ACAK

DISTRIBUSI SATU PEUBAH ACAK 0 DISTRIBUSI SATU PEUBAH ACAK Dalam hal ini akan dibahas macam-macam peubah acak, distribusi peluang, fungsi densitas, dan fungsi distribusi. Pada pembahasan selanjutnya, fungsi peluang untuk peubah acak

Lebih terperinci

PENARIKAN SAMPEL & PENDUGAAN PARAMETER

PENARIKAN SAMPEL & PENDUGAAN PARAMETER PENARIKAN SAMPEL & PENDUGAAN PARAMETER Arti Penarikan Sampel Populasi ( Universe) adalah totalitas dari semua objek atau individu yang memiliki karakteristik tertentu, jelas dan lengkap yang akan diteliti

Lebih terperinci

SILABUS. 5. Evaluasi a. Kehadiran = 10% b. Tugas = 20% c. UTS = 30% d. UAS = 40%

SILABUS. 5. Evaluasi a. Kehadiran = 10% b. Tugas = 20% c. UTS = 30% d. UAS = 40% 0 SILABUS 1. Identitas Mata Kuliah Nama Mata Kuliah : Statistika Matematik 1 Kode Mata Kuliah : MT 404 Jumlah SKS : 3 Semester : 6 Kelompok Mata Kuliah : Mata Kuliah Keahlian (MKK) Program Studi Jurusan/Program

Lebih terperinci

Haryoso Wicaksono, S.Si., M.M., M.Kom. 26

Haryoso Wicaksono, S.Si., M.M., M.Kom. 26 Distribusi probabilita kontinu, yaitu apabila random variabel yang digunakan kontinu. Probabilita dihitung untuk nilai dalam suatu interval tertentu. Probabilita di suatu titik = 0. Probabilita untuk random

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI Pada bab ini diberikan beberapa konsep dasar seperti teorema dan beberapa definisi sebagai landasan dalam penelitian ini. Konsep dasar ini berkaitan dengan masalah yang dibahas dalam

Lebih terperinci

Pertemuan ke Nilai Harapan (Mean atau Rata rata) dan Varians Distribusi Kontinu

Pertemuan ke Nilai Harapan (Mean atau Rata rata) dan Varians Distribusi Kontinu Pertemuan ke 5 4.1 Nilai Harapan (Mean atau Rata rata) dan Varians Distribusi Kontinu Fungsi Probabilitas dengan variabel kontinu terdiri dari : 1. Distribusi Normal 2. Distribusi T 3. Distribusi Chi Kuadrat

Lebih terperinci

Pengantar Proses Stokastik

Pengantar 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 terperinci

BAB IV PENUTUP. berkorelasi secara contemporaneous. Korelasi galat contemporaneous terjadi

BAB IV PENUTUP. berkorelasi secara contemporaneous. Korelasi galat contemporaneous terjadi 76 BAB IV PENUTUP A. Kesimpulan Model Seemingly Unrelated Regression (SUR) merupakan perluasan dari analisis regresi linear yang berupa sistem persamaan yang terdiri dari beberapa persamaam regresi yang

Lebih terperinci

Modul ke: MATEMATIKA 1 DERIVATIF PARSIAL. Fakultas TEKNIK IMELDA ULI VISTALINA SIMANJUNTAK,S.T.,M.T. Program Studi TEKNIK ELEKTRO

Modul ke: MATEMATIKA 1 DERIVATIF PARSIAL. Fakultas TEKNIK IMELDA ULI VISTALINA SIMANJUNTAK,S.T.,M.T. Program Studi TEKNIK ELEKTRO Modul ke: MATEMATIKA 1 DERIVATIF PARSIAL Fakultas TEKNIK IMELDA ULI VISTALINA SIMANJUNTAK,S.T.,M.T. Program Studi TEKNIK ELEKTRO Derivatif Parsial 1. Derivatif fungsi dua perubah. Derivatif parsial tingkat

Lebih terperinci

Prosiding Statistika ISSN:

Prosiding Statistika ISSN: Prosiding Statistika ISSN: 2460-6456 Penaksiran Besar Klaim Optimal Menggunakan Metode Linear Empirical Bayesian yang Diaplikasikan untuk Perhitungan Premi Asuransi Kendaraan Bermotor di Indonesia 1 Hilda

Lebih terperinci

SILABUS. Mahasiswa S2 mampu memahami berbagai konsep dasar statistik dan analisisnya serta dapat mengaplikasikannya dalam penelitian

SILABUS. Mahasiswa S2 mampu memahami berbagai konsep dasar statistik dan analisisnya serta dapat mengaplikasikannya dalam penelitian 1 SILABUS I. IDENTITAS MATA KULIAH Nama Mata Kuliah : Statistik Kode Mata Kuliah : PAS 303 SKS : 3 SKS Dosen : Dr. Farida Agus Setiawati,M.Si II. STANDAR KOMPETENSI. Mahasiswa S2 mampu memahami berbagai

Lebih terperinci

oleh: Tri Budi Santoso Signal Processing Group Electronic Engineering Polytechnic Institute of Surabaya-ITS

oleh: 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 terperinci

Unit 2 KONSEP DASAR ALJABAR. Clara Ika Sari Pendahuluan

Unit 2 KONSEP DASAR ALJABAR. Clara Ika Sari Pendahuluan Unit KONSEP DASAR ALJABAR Clara Ika Sari Pendahuluan P ada unit ini kita akan mempelajari beberapa konsep dasar dalam aljabar seperti persamaan dan pertidaksamaan ang berbentuk linear dan kuadrat, serta

Lebih terperinci

ESTIMASI INTERVAL KEPERCAYAAN (CONFIDENCE INTERVAL) PARAMETER MODEL PROSES GEOMETRIK WEIBULL PADA ANALISIS UJI HIDUP UNTUK DATA TERSENSOR TIPE II

ESTIMASI INTERVAL KEPERCAYAAN (CONFIDENCE INTERVAL) PARAMETER MODEL PROSES GEOMETRIK WEIBULL PADA ANALISIS UJI HIDUP UNTUK DATA TERSENSOR TIPE II ESTIMASI INTERVAL KEPERCAYAAN (CONFIDENCE INTERVAL) PARAMETER MODEL PROSES GEOMETRIK WEIBULL PADA ANALISIS UJI HIDUP UNTUK DATA TERSENSOR TIPE II Asep Solih A 1* Rini Cahyandari 2 Tarkinih 3 123 Program

Lebih terperinci

MODUL MATEMATIKA II. Oleh: Dr. Eng. LILYA SUSANTI

MODUL MATEMATIKA II. Oleh: Dr. Eng. LILYA SUSANTI MODUL MATEMATIKA II Oleh: Dr. Eng. LILYA SUSANTI DEPARTEMEN RISET TEKNOLOGI DAN PENDIDIKAN TINGGI UNIVERSITAS BRAWIJAYA FAKULTAS TEKNIK JURUSAN TEKNIK SIPIL KATA PENGANTAR Puji sukur kehadirat Allah SWT

Lebih terperinci

5. Fungsi dari Peubah Acak

5. Fungsi dari Peubah Acak 5. Fungsi dari Peubah Acak EL00-Probabilitas dan Statistik Dosen: Andrian B. Suksmono Isi. Transformasi Peubah Acak. Fungsi Pembangkit Momen 3. Pencuplikan Acak 4. Teori Pencuplikan 5. Pencuplikan Sebaran

Lebih terperinci

Matematika Teknik 1, Bab 3 BAB III LIMIT. (Pertemuan ke 4)

Matematika Teknik 1, Bab 3 BAB III LIMIT. (Pertemuan ke 4) BAB III LIMIT (Pertemuan ke 4) PENDAHULUAN Diskripsi singkat Pada bab ini dibahas tentang limit, antara lain mengenai pengertian limit secara intuisi/tak formal, pengertian persis tentang limit, pengkajian

Lebih terperinci

Institut Teknologi Sepuluh Nopember Surabaya. Keteramatan (Observability)

Institut Teknologi Sepuluh Nopember Surabaya. Keteramatan (Observability) Institut Teknologi Sepuluh Nopember Surabaa Keteramatan (Observabilit) Contoh Soal Ringkasan Latihan Contoh Soal Ringkasan Konsep Keteramatan Keteramatan Sistem Kontinu Sarat Keteramatan Sempurna pada

Lebih terperinci

Distribusi Peluang. Maka peubah acak X dinyatakan dengan banyaknya kemunculan angka. angka sama sekali. angka.

Distribusi Peluang. Maka peubah acak X dinyatakan dengan banyaknya kemunculan angka. angka sama sekali. angka. Distribusi Peluang Definisi peubah acak: Misalkan E adalah sebuah percobaan dengan ruang sampel T. Sebuah fungsi X yang memetakan setiap anggota t T dengan sebuah bilangan real X(t) dinamakan peubah acak.

Lebih terperinci

Pengantar Proses Stokastik

Pengantar 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 terperinci

PEMODELAN PERTUKARAN NILAI MATA UANG MAKSIMUM RINGGIT TERHADAP YEN TUGAS AKHIR

PEMODELAN PERTUKARAN NILAI MATA UANG MAKSIMUM RINGGIT TERHADAP YEN TUGAS AKHIR PEMODELAN PERTUKARAN NILAI MATA UANG MAKSIMUM RINGGIT TERHADAP YEN TUGAS AKHIR Diajukan sebagai Salah Satu Sarat untuk Memperoleh Gelar Sarjana Sains pada Jurusan Matematika Oleh AGUNG PRIMADI 0654004465

Lebih terperinci

Catatan 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. 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 terperinci

METODE KAJIAN Pengumpulan Data

METODE KAJIAN Pengumpulan Data 35 III. METODE KAJIAN 3.1. Pengumpulan Data 3.1.1. Lokasi dan Waktu Lokasi pelaksanaan penelitian tugas akhir ini dilaksanakan pada empat klinik kesehatan sebagaimana terlihat pada Tabel. Waktu penelitian

Lebih terperinci

Bab 2 DISTRIBUSI PELUANG

Bab 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 terperinci

SISTEM PENGOLAHAN ISYARAT. Kuliah 2 Sinyal Acak

SISTEM 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 terperinci

MATEMATIKA BISNIS BAB 2 FUNGSI LINIER

MATEMATIKA BISNIS BAB 2 FUNGSI LINIER MATEMATIKA BISNIS BAB FUNGSI LINIER Hikmah Agustin, S.P.,MM DEFINISI FUNGSI Fungsi adalah hubungan matematis antara suatu variabel dengan variabel lainna. Unsur-unsur pembentukan fungsi : 1. Variabel Variabel

Lebih terperinci

Statistik Non Parametrik-2

Statistik Non Parametrik-2 Statistik Non Parametrik-2 UJI RUN 2 Uji Run Disebut juga uji random Bertujuan untuk menentukan apakah urutan yang dipilih atau sampel yang diambil diperoleh secara random atau tidak Didasarkan atas banyaknya

Lebih terperinci

Darpublic Nopember 2013

Darpublic Nopember 2013 Darpublic Nopember 213 www.darpublic.com 7. Gabungan Fungsi Sinus 7.1. Fungsi Sinus Dan Cosinus Banak peristiwa terjadi secara siklis sinusoidal, seperti misalna gelombang cahaa, gelombang radio pembawa,

Lebih terperinci

Pemodelan Data Curah Hujan Menggunakan Proses Shot Noise Modeling Rainfall Data Using a Shot Noise Process

Pemodelan Data Curah Hujan Menggunakan Proses Shot Noise Modeling Rainfall Data Using a Shot Noise Process Prosiding Statistika ISSN: 2460-6456 Pemodelan Data Menggunakan Proses Shot Noise Modeling Rainfall Data Using a Shot Noise Process 1 Novi Tri Wahyuni, 2 Sutawatir Darwis, 3 Teti Sofia Yanti 1,2,3 Prodi

Lebih terperinci

Fungsi dan Grafik Diferensial dan Integral

Fungsi dan Grafik Diferensial dan Integral Sudaratno Sudirham Studi Mandiri Fungsi dan Grafik Diferensial dan Integral ii Darpublic BAB Fungsi Linier.. Fungsi Tetapan Fungsi tetapan bernilai tetap untuk rentang nilai x dari sampai +. Kita tuliskan

Lebih terperinci

KONSISTENSI ESTIMATOR

KONSISTENSI 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 terperinci

Nilai 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

Nilai 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 terperinci

BAB 2 LANDASAN TEORI. yang kaya akan karbohidrat seperti gandum dan padi. Selain sebagai karbohidrat jagung

BAB 2 LANDASAN TEORI. yang kaya akan karbohidrat seperti gandum dan padi. Selain sebagai karbohidrat jagung BAB 2 LANDASAN TEORI 2.1. Jagung Menurut Wikipedia Indonesia Jagung adalah salah satu bahan makanan pokok ang kaa akan karbohidrat seperti gandum dan padi. Selain sebagai karbohidrat jagung dapat dijadikan

Lebih terperinci

PENDAHULUAN KALKULUS

PENDAHULUAN KALKULUS . BILANGAN REAL PENDAHULUAN KALKULUS Ada beberapa jenis bilangan ang telah kita kenal ketika di bangku sekolah. Bilangan-bilangan tersebut adalah bilangan asli, bulat, cacah, rasional, irrasional. Tahu

Lebih terperinci

Penentuan Distribusi Suhu pada Permukaan Geometri Tak Tentu Menggunakan Metode Random Walk Balduyanus Yosep Godja a), Andi Ihwan a)*, Apriansyah b)

Penentuan Distribusi Suhu pada Permukaan Geometri Tak Tentu Menggunakan Metode Random Walk Balduyanus Yosep Godja a), Andi Ihwan a)*, Apriansyah b) POSITRON, Vol. VI, No. 1 (1), Hal. 17 - ISSN : 1-9 Penentuan Distribusi Suhu pada Permukaan Geometri Tak Tentu Menggunakan Metode Random Walk Balduanus Yosep Godja a), Andi Ihwan a)*, Apriansah b) a Jurusan

Lebih terperinci

Statistika (MMS-1001)

Statistika (MMS-1001) Statistika (MMS-1001) Dr. Danardono, MPH danardono@ugm.ac.id Program Studi Statistika Jurusan Matematika FMIPA UGM Materi dan Jadual Tatap Muka Pokok Bahasan Sub Pokok Bahasan 1. Statistika Deskriptif

Lebih terperinci

Peubah Acak. Peubah Acak Diskrit dan Distribusi Peluang. Peubah Acak. Peubah Acak

Peubah 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 terperinci