DASAR-DASAR TEORI PELUANG
|
|
- Hadi Gunardi
- 6 tahun lalu
- Tontonan:
Transkripsi
1 PROBABILITAS dan STATISTIKA DASAR-DASAR TEORI PELUANG
2 MK. STATISTIKA Konsep Dasar Probabilitas Teori Probabilitas didasarkan pada konsep dari suatu eksperimen random Random fenomena/eksperimen dimana keluaran individual tidak pasti tetapi ada distribusi yg regular dari keluaran utk jumlah pengulangan yang banyak Probabilitas proporsi berapa kali suatu keluaran spesifik akan muncul dlm suatu serie pengulangan yang panjang dari suatu eksperimen
3 KONSEP DASAR PELUANG = PROBABILITAS Probabilitas dan Teori Keputusan Konsep-Konsep Dasar Probabilitas Distribusi Probabilitas Diskrit Pengertian Probabilitas dan Manfaat Probabilitas Pendekatan Terhadap Probabilitas Hukum Dasar Probabilitas Distribusi Normal Teorema Bayes Teori Keputusan Menggunakan MS Excel Untuk Probabilitas
4 Konsep Dasar Probabilitas Definisi: Probabilitas adalah peluang suatu kejadian Manfaat: Manfaat mengetahui probabilitas adalah membantu pengambilan keputusan yang tepat, karena kehidupan di dunia tidak ada kepastian, dan informasi yang tidak sempurna. Contoh: pembelian harga saham berdasarkan analisis harga saham peluang produk yang diluncurkan perusahaan (sukses atau tidak), dll.
5 Konsep Dasar Probabilitas Probabilitas: Suatu ukuran tentang kemungkinan suatu peristiwa (event) akan terjadi di masa mendatang. Probabilitas dinyatakan antara 0 sampai 1 atau dalam persentase. Percobaan: Pengamatan terhadap beberapa aktivitas atau proses yang memungkinkan timbulnya paling sedikit dua peristiwa tanpa memperhatikan peristiwa mana yang akan terjadi. Hasil (outcome): Suatu hasil dari sebuah percobaan. Peristiwa (event): Kumpulan dari satu atau lebih hasil yang terjadi pada sebuah percobaan atau kegiatan.
6 PENGERTIAN PELUANG Contoh: Percobaan/ Kegiatan Hasil Peristiwa Pertandingan sepak bola Persita VS PSIS di Stadion Tangerang, 5 Maret Persita menang Persita kalah Seri -- Persita tidak kalah dan tidak menang Persita Menang
7 PENDEKATAN PROBABILITAS 1. Pendekatan Klasik 2. Pendekatan Relatif 3. Pendekatan Subjektif
8 PENDEKATAN KLASIK Definisi: Setiap peristiwa mempunyai kesempatan yang sama untuk terjadi. Rumus: Probabilitas = jumlah kemungkinan hasil suatu peristiwa jumlah total kemungkinan hasil 8
9 PENDEKATAN KLASIK Percobaan Hasil Probabilitas Kegiatan melempar uang 1. Muncul gambar 2. Muncul angka 2 ½ Kegiatan perdagangan saham Perubahan harga 1. Menjual saham 2. Membeli saham 1. Inflasi (harga naik) 2. Deflasi (harga turun) 2 ½ 2 ½ Mahasiswa belajar 1. Lulus memuaskan 2. Lulus sangat memuaskan 3. Lulus terpuji 3 1/3
10 PENDEKATAN RELATIF Definisi: Probabilitas suatu kejadian tidak dianggap sama, tergantung dari berapa banyak suatu kejadian terjadi. Rumus: Probabilitas = jumlah peristiwa yang terjadi suatu peristiwa jumlah total percobaan Contoh:
11 PENDEKATAN SUBJEKTIF Definisi: Probabilitas suatu kejadian didasarkan pada penilaian pribadi yang dinyatakan dalam suatu derajat kepercayaan.
12 KONSEP DASAR HUKUM PROBABILITAS A. Hukum Penjumlahan P(A ATAU B) = P(A) + P(B) Contoh : P(A) = 0,35, P(B) 0,40 DAN P (C) 0,25 Maka P(A ATAU C ) = 0,35 + 0,25 = 0,60 Peristiwa atau Kejadian Bersama A AB B P(A ATAU B) = P(A) + P(B) P (AB) Apabila P(AB) = 0,2, maka, P(A ATAU B) = 0,35 + 0, 40 0,2 = 0,55
13 KONSEP DASAR HUKUM PROBABILITAS Peristiwa Saling Lepas P(AB) = 0 Maka P(A ATAU B) = P (A) + P(B) + 0 = P(A) + P(B) A B Hukum Perkalian P( A DAN B) = P(A) X P(B) Apabila P(A) 0,35 DAN P(B) = 0,25 Maka P(A DAN B) = 0,35 X 0,25 = 0,0875 Kejadian Bersyarat P(B A) P(B A) = P(AB)/P(A)
14 KONSEP DASAR HUKUM PROBABILITAS Hukum Perkalian P( A DAN B) = P(A) X P(B) Apabila P(A) 0,35 DAN P(B) = 0,25 Maka P(A DAN B) = 0,35 X 0,25 = 0,0875 Kejadian Bersyarat P(B A) P(B A) = P(AB)/P(A) Peristiwa Pelengkap (Complementary Event) P(A) + P(B) = 1 atau P(A) = 1 P(B)
15 DIAGRAM POHON Keputusan Jual atau Beli Jenis Saham Probabilitas bersama Diagram Pohon Probabilitas Bersyarat BCA 0,35 1 x 0,6 x 0,35 = 0,21 Suatu diagram berbentuk pohon yang membantu mempermudah mengetahui probabilitas suatu peristiwa 1 Jual 0,6 Beli BLP BNI BCA BLP 0,40 0,25 0,35 0,40 1 x 0,6 x 0,40 = 0,24 1 x 0,6 x 0,25 = 0,15 1 x 0,4 x 0,35 = 0,14 1 x 0,4 x 0,40 = 0,16 BNI 0,25 1 x 0,4 x 0,25 = 0,10 Jumlah Harus = 1.0 0,21+0,24+0,15+0,14 +0,16+0,10 =1,0
16 TEOREMA BAYES Merupakan probabilitas bersyarat-suatu kejadian terjadi setelah kejadian lain ada. Rumus: P(Ai B) = P(Ai) X P (B Ai) P(A1) X P(B A1)+P(A2) X P(B A2) + + P(Ai) X P(B AI)
17 BEBERAPA PRINSIP MENGHITUNG Factorial (berapa banyak cara yang mungkin dalam mengatur sesuatu dalam kelompok). Factorial = n! Permutasi (sejumlah kemungkinan susunan jika terdapat satu kelompok objek). Kombinasi ncr = n!/r! (n-r)! Kombinasi (berapa cara sesuatu diambil dari keseluruhan objek tanpa memperhatikan urutannya. Permutasi npr = n!/ (n-r)!
18 Apakah Probabiltas? Frekuensi relatif jangka panjang Jika melempar coin, frekuensi relatif dari head tidak menentu utk 2, 5 atau 10 pelemparan Jika pelemparan suatu coin dilakukan bbrp ribu kali, frekuensi relatif tetap stabil Probabilitas matematis adalah idealisasi dari apa yg terjadi thd frekuensi relatif setelah pengulangan sejumlah tak hingga eksperimen random
19 Probabilitas dari Head Probabilitas didasarkan pd frekuensi relatif jangka panjang
20 Model Probabilitas Sample Space - set dari semua keluaran (outcomes) yg mungkin dari eksperimen random (S) Event suatu keluaran (outcome) atau satu set outcomes dari suatu eksperimen Ukuran Probabilitas adalah suatu bilangan atau fungsi yg memetakan dari events pada sample space ke bilangan real antara 0 dan 1 Probabilitas dari semua outcomes yg mungkin (yaitu sample space) harus sama dg 1
21 Model Probabilitas Contoh: Pelemparan (toss) suatu dadu Sample Space: S ={1,2,3,4,5,6} Event: A = {muncul angka genap}, B = {muncul angka ganjil}, D= {muncul angka 2} Ukuran Probabilitas: P(A) = 0,5; P(B) = 0,5; P(D) = 1/6
22 Aturan-Aturan Probabilitas Probabilitas dari sembarang event P(A) hrs memenuhi 0 < P(A) < 1 Complement Rule = complement dari sembarang event A adalah event A tdk terjadi P(A c ) = 1 - P(A) Contoh: Lempar suatu dadu: S = {1,2,3,4,5,6}; mis A = {2,4}, A c = {1,3,5,6}; P(A) = 1/3; P(A c ) = 1-1/3 = 2/3 Addition Rule = utk dua events A dan B yg terpisah/ disjoint (no common outcomes) P (A or B) = P(A) + P (B) Contoh: Lempar suatu dadu: S = {1,2,3,4,5,6}; mis A = {2}, B = {1,3,5}; P(A or B) = P(A) + P(B) = 1/6 + 1/2 = 2/3
23 Aturan-Aturan Probabilitas Multiplication Rule = dua events A dan B adalah independent, jika diketahui bhw salah satu terjadi/muncul tdk mengubah probabilitas yg lain muncul P (A and B) = P(A)*P(B) Contoh: Lempar sepasang dadu S = {(1,1),(1,2),.(6,6)} 36 kemungkinan outcomes mis A ={dadu pertama 6} = {(6,1),(6,2),(6,3),(6,4),(6,5),(6,6)} mis B = {dadu kedua 1} = {(1,1),(2,1),(3,1),(4,1),(5,1),(6,1)} Maka P(A) = 6/36 = 1/6; P(B) = 6/36 = 1/6 dan P(dadu pertama 6, dadu kedua 1) = P(A and B) = 1/36 = P(A) P(B) menunjukan independence
24 Aturan-Aturan Probabilitas Multiplication Rule Contoh dari kasus Dependent: lempar sepasang dadu S = {(1,1),(1,2),.(6,6)} 36 kemungkinan outcomes mis A ={dadu pertama 6} = {(6,1),(6,2),(6,3),(6,4),(6,5),(6,6)} mis B = {jumlah dadu pertama & kedua =9} = {(3,6),(4,5),(5,4),(6,3)} Maka P(A) = 6/36 = 1/6; P(B) = 4/36 = 1/9 dan P(dadu pertama 6, jumlah = 9) = P(A and B) = 1/36 tdk sama P(A) P(B) = 1/54 menunjukan dependence
25 Aturan-Aturan Probabilitas Contoh: suatu web site memp tiga server A, B, dan C, yg dipilih secara independent dg probabilitas: P(A) = ¼, P(B) = ½, P(C)= ¼. (a) Cari probabilitas A atau B dipilih P(A or B) = ¼ + ½ = 3/4 (b) Cari probabilitas A tdk dipilih P(A c ) = 1 P(A) = ¾ (c) Cari probabilitas server A dipilih dua kali P(AA) = P(A)P(A) = 1/16 (d) Cari probabilitas urutan seleksi server ABCA P(ABCA) = P(A)P(B)P(C)P(A) = (1/4)(1/2)(1/4)(1/4) = 1/128
26 Peluang Bersyarat = Conditional Probability Utk dua event A dan B probabilitas dari event A diberikan bhw event B telah terjadi dinyatakan: P(A B) dan ditentukan dg P (A B) = P(A and B)/P(B) Contoh: Lempar satu dadu S = {1,2,3,4,5,6}. mis A ={2}, B={bil genap} = {2,4,6}, P(A B) = P(A and B)/P(B) = (1/6)/(1/2) = 1/3
27 Bayes Rule Utk dua event A dan B yg mempartisi sample space, yaitu (A atau B) = S dan event ketiga C ditentukan di atas A dan B Contoh: Lempar sepasang dadu S = {(1,1) (1,2),. (6,6)} 36 kemungkinan outcomes. Mis A ={jumlah dadu 9 atau lebih besar}, A = {(6,3),(5,4), (4,5), (3,6), (6,4), (5,5), (4,6), (6,5), (5,6), (6,6)} B = A c = {jumlah dadu 8 atau kurang} = {(1,1), (1,2,).(6,2), (2,6)} --- cat P(A) = 10/36 dan P(B) = 26/36
28 Bayes Rule Mis C event jumlah dari dadu adalah bil genap {2,4,6,8,10,12}, P(C A) =4/10 dan P(C B) = 14/26
29 PEUBAH ACAK Suatu random variable X adalah suatu variable dimana harganya tergantung pd outcome dari suatu eksperimen random didefinisikan pd sample space S Contoh: Mis X, bilangan jumlah dari head pd pelemparan dua coin yg fair. Sample space S dari eksperimen adalah: S ={(t,t),(t,h),(h,t),(h,h)} dimana t menunjukan tail dan h menunjukan head
30 PEUBAH ACAK Suatu random variable X dikarakteristikan oleh salah satu: probability density function (pdf): f(x) cumulative density function (cdf): Contoh: perhatikan random variable X, yg merupakan jumlah head pd pelemparan dua coin f(x) diberikan dg P{X = 0} =.25; P{X=1} =.5 ; P{X=2} =.25 F(x) diberikan dg
31 Probability Density Function Formula matematis Memperlihatkan semua harga, X, & frekuensi, f(x) f(x) adalah probability density function (pdf) Properties Area di bawah kurva = 1 Mean (µ) Standard Deviation ( )
32 Tipe-Tipe Peubah Acak Suatu random variable X adalah suatu variable dimana harganya tergantung pd outcome dari suatu eksperimen random didefinisikan pd sample space S Jika S adalah terbatas (finite) atau dp dihitung (countable) X adalah suatu discrete random variable (mis., jumlah head pd pelemparan dua coin) Jika S adalah kontinyu X adalah suatu random variable kontinyu (mis., waktu antar queries ke suatu server database)
33 Tipe-Tipe Peubah Acak Jika X discrete random variables maka Jika X continuous random variables maka
34 Peubah Acak Diskrit Discrete Random Variables yg umum: Bernoulli, Geometric, Binomial dan Poisson Bernoulli memodelkan eksperimen spt toss suatu coin X adalah suatu indicator function X = 1 sukses; X = 0 gagal Spt coin toss dg probabilitas p mendpkan head, 1-p mendpkan tail
35 Geometric memodelkan jumlah percobaan X sampai sukses pertama pd suatu deretan percobaan Bernoulli trials P{X = x} = f(x) = (1-p) x-1 p; dimana x = 1,2,3, Mean = 1/p Variance = (1-p)/p 2 Peubah Acak Diskrit Sbg contoh, memodelkan jumlah tail yg terlihat sblm head pertama pd suatu deretan coin tosses
36 Peubah Acak Diskrit Binomial memodelkan jumlah sukses X pd n percobaan/trials. Mis p menyatakan probabilitas sukses pd 1 trial, probabilitas dari k sukses diberikan dg Mean = np, Variance = np(1-p) Tabel pd textbook memp macam-macam harga dari P(X = k)
37 Contoh : Peubah Acak Kontinyu Eksperimen Random Variable Harga Yg Mungkin Berat mahasiswa ITB Berat 43.2, 78, Kg Umur hidup battery Jam 900, 875.9, jam Lama panggilan telepon Waktu antar kedatangan paket ke router Lama panggilan Waktu antar kedatangan 3.2, 1,53, menit 0, 1.3, 2.78, det
38 Contoh : Peubah Acak Kontinyu
39 Continuous Random Variable Continuous Random Variables yg umum: Exponential, Uniform, Normal Exponential memodelkan waktu antar kedatangan, lama waktu pelayanan (mis., waktu dari panggilan telepon), mis X suatu exponential random variable dg mean a.
40 Peubah Acak Kontinyu Uniform memodelkan kasus equally likely. Mis. X uniform random variable antara a dan b yaitu X akan mempunyai harga antara a dan b dengan kemungkinan equally likely
41 Peubah Acak Kontinyu Normal Normal random variable memodelkan fenomena random alamiah utk jumlah yg besar. Mis X suatu normal random variable Standard Normal Z adalah kasus dimana: Mean = 0, Variance = 1.
42 Nilai Z & Peluang Normal Distribution Hubungan langsung antara persentase dan probabilitas Persentase dari kurva normal dp di- rephrased sbg problem probabilitas
43 Nilai Z & Peluang Berapakah probabilitas bhw pekerja pabrik yg dipilih random akan melaksanakan test dibawah 81 seconds atau diatas 75 seconds? Suatu konsultan menyelidiki waktu diperlukan pekerja pabrik utk assemble suatu part stlh mereka ditraining Konsultan menentukan bhw waktu dlm detik terdistribusi normal dg mean µ = 75 seconds dan standard deviation = 6 seconds. P(X<x) = P(Z <z) dimana z = (x- µ)/
44 P(75 < X < 81)
45 P(75 < X < 81)
46 Momentum Ekspektasi E[x] atau mean atau first moment dari suatu random variable X di definisikan dg Moment lebih tinggi didp dg mengganti x dg x n
47 Ragam, Mode, Quantil Variance didefiniskan sbg Mode adalah titik dimana f(x) adalah maximum Quantile quantile dari X ditulis x adalah titik pd X dimana F(x ) = Cat. 0,5 quantile disebut median dimana 50% harga pd kedua sisi
48 Aturan-Aturan untuk Peubah Acak Aturan utk Means Suatu transformasi linier dari suatu random variable menghasilkan suatu linear scaling dari mean. Yaitu jika X adalah suatu random variable dg mean µ X dan a dan b adalah konstanta maka jika Y = ax + b mean dari Y diberikan oleh µ Y = aµ X + b Mean dari sum dari suatu set dari random variables adalah sum dari individual mean. Yaitu jikaf X dan Y adalah random variables maka µ X+Y = µ X + µ Y
49 Aturan-Aturan untuk Peubah Acak Aturan utk Variances Suatu transformasi liniear dari suatu random variable menghasilkan suatu squared scaling dari variance. Yaitu jika X adalah suatu random variable dg variance x2 dan a dan b adalah konstanta maka jika Y = ax + b variance dari Y diberikan oleh y2 = a 2 x 2 Variance dari sum dari suatu set dari independent random variables adalah sum dari individual variances. Yaitu jika X dan Y adalah random variables maka x+y2 = x2 + y 2
50 Statistik Inferensial Menggunakan teori probabilitas utk membuat kesimpulan mengenai suatu populasi dari data sampel Tdk dp memperoleh data dari setiap anggota populasi maka menguji suatu sampel random dari populasi dan berdasarkan statistik dari sampel menyimpulkan mengenai parameter dari populasi
51 Statistik Inferensial Statistical Inference: menggunakan statistik dari suatu sampel random utk menyimpulkan mengenai parameter dari suatu populasi Sbg contoh menguji mean x dari sampel utk menyimpulkan mean dari populasi µ Perlu mengerti bagaimana perubahan statistik dengan tiap sampel Sample Distribution: distribusi probabilitas dari suatu statistik (spt mean, standard deviation) dari semua sampel yg mungkin dari ukuran yg sama dari suatu populasi
52 Distribusi Sampel dari Counts dan Proporsi Perhatikan suatu sampel random tetap (fixed) ukuran n dari observasi independen dari suatu populasi. Tiap observasi jatuh kedalam satu dari dua kategori, sukses atau gagal Probabilitas suatu sukses (p) sama utk tiap observasi Probabilitas suatu gagal (1-p) Mis X menyatakan count dari jumlah sukses dalam suatu sampel ukuran n. X memp distribusi Binomial
53 Distribusi Sampel dari Counts dan Proporsi Ingat distribusi Binomial memodelkan jumlah sukses X dlm n percobaan Bernoulli dan memp. Mean = np, Variance = np(1-p) Dg n bertambah besar distribusi dari X mendekati distribusi Normal dg mean dan variance
54 Distribusi Sampel dari Counts dan Proporsi Utk estimasi probabilitas atau proportion dari suatu populasi p kita uji sample proportion: dimana X adalah jumlah dari sukses dlm suatu sampel ukuran n adalah estimasi unbiased dari population proportion p. Jika ukuran sampel n besar, mendekati suatu distribusi Normal dg
55 Sample Distribution of Means Perhatikan suatu sampel random ukuran tetap n dari suatu populasi dg mean µ dan standard deviation. Distribusi dari sample mean x (jika dihasilkan dari repeated random samples) memp. mean = µ dan standard deviation Jika populasi memp. distribusi Normal maka distribusi dari sample mean adalah Normal Dari Central Limit Theorem distribusi dari suatu sum dari random variables mendekati distribusi Normal jika jumlah terms dlm sum menjadi besar
56 Central Limit Theorem
57 Central Limit Theorem Central limit theorem menyatakan bhw dg bertambah besarnya ukuran sampel n, tdk tergantung pd distribusi populasi, distribusi dari sample mean mendekati distribusi Normal utk ukuran sampel yg besar, dg mean = µ dan standard deviation =
58 Tipe-Tipe Statistik Inferensial Confidence Intervals: mengestimasi harga suatu parameter populasi dg suatu harga rentang Berapakah mean IQ dari mahasiswa SIT ITB? Berapakah proporsi dari switches pd suatu network perlu perbaikan? Hypothesis Testing: menilai bukti yg disediakan data menyetujui suatu claim mengenai populasi Apakah mean IQ dari mhs SIT ITB sama dg dg IQ populasi secara umum? Apakah proporsi switches yg memerlukan perbaikan pd jaringan Telkom berbeda dg proporsi pd jaringan Indosat?
59 Titik Estimasi Menyediakan harga tunggal/single value, mis., sample mean, sample proportion Berdasarkan observasi dari 1 sample Tdk memberikan informasi mengenai seberapa dekat harga point estimate thd parameter populasi yg tdk diketahui Contoh: Sample mean X = 22.9 adalah point estimate dari mean populasi yg tdk diketahui µ
60 Selang Estimasi Menyediakan nilai interval (a, b) dimana parameter populasi µ diprediksi berada Interval berdasarkan observasi dari 1 sampel Memberikan informasi mengenai seberapa dekat dari estimasi ke parameter populasi yg tdk diketahui Dp dinyatakan sbg Atau dinyatakan dlm terms probabilitas, (confidence level)
61 Tingkat Kepercayaan Nilai adalah probabilitas bhw parameter tidak berada dalam interval (a,b) 100(1 - ) % adalah confidence level dan adalah kemungkinan bhw parameter populasi yg tdk diketahui jatuh dlm interval (a,b) Nilai tipikal adalah =.1,.05,.01 yg memberikan confidence levels masing-masing 90%, 95%, dan 99% Contoh: Mean populasi yg tdk diketahui terletak antara 50 & 70 dg 95% confidence
62 Element Kunci dari Selang Estimasi
63 Selang Kepercayaan : Proses
64 Selang Kepercayaan untuk Rataan Populasi Asumsi Standard deviation populasi diketahui Ukuran sampel n cukup besar shg hasil central limit theorem dp diaplikasikan dan sample mean distribution dp diperkirakan dg distribusi normal. Aturan umum (Rule of thumb) utk ukuran sampel adalah (n 30) 100(1- ) % confidence interval pd sample mean diberikan oleh
65 Selang Kepercayaan untuk Rataan Populasi Catatan x adalah sample mean. Z (1- /2) adalah nilai standard normal value dimana /2 adalah tail ke sebelah kanan dari nilai Z adalah standard deviation populasi n adalah ukuran sampel
66 Contoh: Confidence Interval utk Population Mean Suatu retailer e-commerce spt Amazon.com, ingin melakukan studi waktu rata-rata (mean time) yg diperlukan utk memproses dan mengapalkan pesanan. Suatu random sample dari waktu utk proses dan mengapalkan 33 pesanan dikumpulkan dan dinyatakan sbg n dlm jam di bawah. Dari data yg lalu standard deviation dari populasi = 9 {23, 33, 14, 15, 42, 28, 33, 45, 23, 34, 39, 21, 36, 23, 34, 36, 25, 9, 11, 19, 35, 24, 31, 29, 16, 23, 34, 24, 38, 15, 13, 35, 28} Tentukan 90% confidence interval dari rata-rata waktu proses dan pengapalan pesanan. sample mean x adalah = , ukuran sampel n = 33 pd 90% confidence level Z (1- /2) = Z.95 = 1.645
67 Contoh: Confidence Interval utk Population Mean Krnnya confidence interval adalah menghasilkan Cat margin of error kadang-kadang diekspresikan sbg persentase dari estimasi. Utk contoh e-commerce: margin of error % = 100 * (2.577 / ) = 9.57% Juga confidence interval dp diekspresikan sbg (24.332, ) yg dp diinterpretasikan sbg P( < µ < ) =.9
68 SELANG KEPERCAYAAN = Confidence Intervals Trade off antara confidence level 100(1- ) % dan margin of error Lebih tinggi confidence lebih tinggi harga Z lebih besar margin of error Contoh proses dan pengiriman pemesanan e-commerce. Suatu 95% confidence interval memp. Z = 1.96 (dimana 90% memp Z = 1.645) dan sbg hasil
69 Selang Kepercayaan Margin of error juga tergantung pd ukuran sampel n, lebih besar n makin kecil margin of error Utk confidence interval pd population mean, margin of error berkurang setengahnya utk tiap pertambahan faktor 4 pd ukuran sampel Utk contoh e-commerce jika utk 90% confidence interval ukuran sample adalah 4 kali lebih besar (yaitu 132) dg mean dan standard deviation yg sama interval akan
70 Selang Kepercayaan Cat utk margin of error yg diinginkan m kita dp tentukan ukuran sampel yg diperlukan n utk mencapai m. Kita mendpkan Utk contoh e-commerce pd 90% confidence level jika diinginkan margin of error 3%, m.x =.03 x = dan selesaikan utk ukuran sampel n Cat perlu = 304 tambahan observasi
71 Selang Kepercayaan untuk Proporsi Populasi Dari aproksimasi Normal pd distribusi Binomial kita dapatkan 100(1- )% confidence interval pd suatu population proportion sbg dimana Z 1- /2 adalah /2 critical point dari standard distribusi Normal
72 Confidence Interval utk Proportion of population Contoh: Perhatikan suatu link komunikasi satelit. Spy dp mengestimasi packet error rate pd link kita transmit 5000 packets dan observasi bhw 23 diterima error. Tentukan 90% confidence interval pd packet error probability. Dari, Z.95 = 1.645, n = 5000, Krnnya 90% confidence interval utk packet error probability diberikan oleh (.0030,.0062)
73 Confidence Interval utk Quantile of population Quantile: Harga x q dimana CDF mempunyai harga q disebut q- quantile atau 100-q-percentile 50-percentile (atau 0.5-quantile) disebut median Posisi dari suatu harga q-quantile value dari suatu sorted order list x 1, x 2, x 3,, x n adalah * dibulatkan ke integer terdekat
74 Confidence Interval utk Quantile of population 100(1- )% confidence interval pd suatu harga populasi q-quantile x q adalah dimana
75 Confidence Interval utk Quantile of population Contoh: 45 titik data (n=45) 6, 6, 7, 8, 8.5, 9, 11, 13, 15, 24, 29, 30, 32, 34, 37, 39, 41, 42, 42, 43, 46, 47, 47.5, 49, 50, 52, 54, 55, 59, 62, 63, 66, 68, 71, 81, 83, 84, 88, 93, 97, 103, 108, 111, 116, 134 Cari 90% c.i. pd 0.5 quantile. Posisi dari 0.5 quantile = (45-1)* = 23 x 0.5 = 47.5 Krnnya, 90% c.i. pd x 0.5 = (41, 59)
76 Tugas (kumpulkan minggu depan) 1. Perhatikan N mobile phones dlm suatu cell. Tiap phone mungkin berusaha utk transmit data pd suatu kanal shared time slot. Tiap transmisi terjadi tepat pd satu slot, dan tdk ada pencegahan collision digunakan serta tiap phone akan transmit dlm suatu slot dg probabilitas p, independen thd phone lainnya. a). Berapakah probabilitas suatu time slot kosong, yaitu tdk ada usaha dari sembarang phone? b). Berapakah probabilitas suatu transmisi sukses, yaitu secara tepat satu phone berusaha transmit. c). Berapakah probabilitas collision pd suatu slot, yaitu dua atau lebih phone berusaha transmit pd slot yg sama?
77 Tugas (cont.) 2. Dlm suatu access switched data network, user bisa request suatu koneksi utk di-set up utk suatu transfer data. Jika suatu call-setup request tiba, suatu access network node akan menentukan apakah menerima permintaan atau menolak berdasarkan ketersediaan resources. Jika permintaan ditolak, user akan mengulang usaha sampai 10 kali sblm menyerah. Asumsikan bhw tiap permintaan call-setup memp. probabilitas 0.02 utk diterima dan usaha permintaan panggilan adalah independent. a). Berapakah probabilitas suatu permintaan panggilan diberikan pd usaha pertama? b). Berapakah probabilitas bhw suatu panggilan pertama diterima adalah usaha yg ke-empat? c). Berapakah probabilitas bhw memerlukan lebih dari lima usaha bagi user utk koneksi? d). Berapakah probabilitas bhw user akhirnya menyerah? e). Berapakah rata-rata jumlah usaha panggilan diperlukan utk koneksi?
78 Tugas (cont.) 3. Perhatikan waktu transaksi pd suatu aplikasi web-based, dari 3000 transaksi terdistribusi normal dg mean 66 sec dan standard deviation 3 sec. jika 80 sampel masing-masing terdiri dari 25 transaksi didapat, a). berapakah mean dan standard deviation yg diharapkan sbg hasil dari mean dari distribusi sampling? b). Dalam berapa banyak sampel kita bisa mengharapkan mean: (i) antara 64.8 dan 66.3 sec dan (ii) kurang dari 64.4 sec?
Probabilitas & Teorema Bayes
1 Probabilitas & Teorema Bayes Nurwahyu Alamsyah, S.Kom wahyualamsyah.wordpress.com wahyu@plat-m.com Statistika D3 Manajemen Informatika Universitas Trunojoyo Madura 2 Terminologi Teori Probabilitas didasarkan
Lebih terperinciKONSEP DASAR PROBABILITAS
KONSEP DASAR PROBABILITAS 1 OUTLINE BAGIAN II Probabilitas dan Teori Keputusan Konsep-Konsep Dasar Probabilitas Distribusi Probabilitas Diskrit Pengertian Probabilitas dan Manfaat Probabilitas Pendekatan
Lebih terperinciALJABAR SET & AKSIOMA PROBABILITAS
ALJABAR SET & AKSIOMA PROBABILITAS Pokok Bahasan Sample Space Event Aljabar Set Prinsip dan Aksioma Probabilitas Equally Likely Event Conditional Probability Independent Event Sample Space dan Event Eksperimen
Lebih terperinciReview Teori Probabilitas
Rekayasa Trafik 1 Review Teori Probabilitas Rekayasa Trafik Outline Arti Probabilitas Counting Method Random Variable Discrete RV Continuous RV Multiple RVs Rekayasa Trafik 2 Arti Probabilitas Rekayasa
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 terperinciSTATISTIK PERTEMUAN III
STATISTIK PERTEMUAN III OUTLINE PERTEMUAN III BAGIAN II Probabilitas dan Teori Keputusan Konsep-Konsep Dasar Probabilitas Distribusi Probabilitas Diskrit Pengertian Probabilitas dan Manfaat Probabilitas
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Teori Probabilitas (Peluang) Probabilitas adalah suatu nilai untuk mengukur tingkat kemungkinan terjadinya suatu peristiwa (event) akan terjadi di masa mendatang yang hasilnya
Lebih terperinciPeubah Acak. 14-Sep-07 TPADF (Kelas Ganjil/ Rahmat) Lecture 2 page 1
Peubah Acak 14-Sep-07 TPADF (Kelas Ganjil/ Rahmat) Lecture 2 page 1 Definisi Peubah Acak Peubah acak adalah peubah yang mengkarakterisasikan setiap elemen dalam ruang sampel dengan suatu bilangan real.
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2. Probabilitas Probabilitas adalah suatu nilai untuk mengukur tingkat kemungkinan terjadinya suatu peristiwa (event) akan terjadi di masa mendatang yang hasilnya tidak pasti (uncertain
Lebih 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 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 terperinciPENS. Probability and Random Process. Topik 5. Beberapa jenis Distribusi Variabel Acak. Prima Kristalina April 2015
Program Pasca Sarjana Terapan Politeknik Elektronika Negeri Surabaya Probability and Random Process Topik 5. Beberapa jenis Distribusi Variabel Acak Prima Kristalina April 215 1 Outline 1. Beberapa macam
Lebih terperinciBagian 2. Probabilitas. Struktur Probabilitas. Probabilitas Subyektif. Metode Frekuensi Relatif Kejadian untuk Menentukan Probabilitas
Probabilitas Bagian Probabilitas A) = peluang (probabilitas) bahwa kejadian A terjadi 0 < A) < 1 A) = 0 artinya A pasti terjadi A) = 1 artinya A tidak mungkin terjadi Penentuan nilai probabilitas: Metode
Lebih terperinci: Distribusi Peluang. : D. Rizal Riadi
MATERI 3 Mata Kuliah Dosen : Distribusi Peluang : Statistik : D. Rizal Riadi Mengingat data kuantitatif dipengaruhi faktor-faktor ketidakpastian dan variasi yang disebabkan akurasi instrumen penelitian
Lebih terperinciKONSEP DASAR PROBABILITAS OLEH : RIANDY SYARIF
KONSEP DASAR PROBABILITAS OLEH : RIANDY SYARIF Definisi Probabilitas adalah suatu ukuran tentang kemungkinan suatu peristiwa (event) akan terjadi dimasa mendatang. Probabilitas dinyatakan antara 0 s/d
Lebih terperinciKONSEP DASAR PROBABILITAS DAN DISTRIBUSI PROBABILITAS LELY RIAWATI, ST, MT.
KONSEP DASAR PROBABILITAS DAN DISTRIBUSI PROBABILITAS LELY RIAWATI, ST, MT. EKSPERIMEN suatu percobaan yang dapat diulang-ulang dengan kondisi yang sama CONTOH : Eksperimen : melempar dadu 1 kali Hasilnya
Lebih terperinciModul ke: STATISTIK Probabilitas atau Peluang. 05Teknik. Fakultas. Bethriza Hanum ST., MT. Program Studi Teknik Mesin
Modul ke: STATISTIK Probabilitas atau Peluang Fakultas 05Teknik Bethriza Hanum ST., MT Program Studi Teknik Mesin Pengertian dan Pendekatan Mempelajari probabilitas kejadian suatu peristiwa sangat bermanfaat
Lebih terperinciDISTRIBUSI PROBABILITAS DISKRIT TEORITIS 2. Distribusi Hipergeometrik
DISTRIBUSI PROBABILITAS DISKRIT TEORITIS 2 TI2131 TEORI PROBABILITAS MINGGU KE-10 Distribusi Hipergeometrik Eksperimen hipergeometrik memiliki karakteristik sebagai berikut: 1. sebuah sampel random berukuran
Lebih terperinciMata Kuliah Pemodelan & Simulasi
Mata Kuliah Pemodelan & Simulasi Riani Lubis Program Studi Teknik Informatika Universitas Komputer Indonesia 1 Pendahuluan (1) Sifat probabilitistik pada sistem nyata mempunyai pola distribusi probabilistik
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 terperinciPENGANTAR MODEL PROBABILITAS
PENGANTAR MODEL PROBABILITAS (PMP, Minggu 1-7) Sri Haryatmi Kartiko Universitas Gadjah Mada Juni 2014 Outline 1 Minggu 1:HIMPUNAN Operasi Himpunan Sifat-Sifat Operasi Himpunan 2 Minggu 2:COUNTING TECHNIQUE
Lebih terperinciDISTRIBUSI PROBABILITAS (PELUANG)
DISTRIBUSI PROBABILITAS (PELUANG) Distribusi Probabilitas (Peluang) Distribusi? Probabilitas? Distribusi Probabilitas? JURUSAN PENDIDIKAN FISIKA FPMIPA UNIVERSITAS PENDIDIKAN INDONESIA Distribusi = sebaran,
Lebih terperinciPertemuan 1 KONSEP DASAR PROBABILITAS
Pertemuan 1 KONSEP DASAR PROBABILITAS Pengantar Banyak kejadian dalam kehidupan sehari-hari yang sulit diketahui dengan pasti, terutama kejadian yang akan datang. Meskipun kejadian-kejadian tersebut tidak
Lebih terperinciKONSEP DASAR PROBABILITAS
KONSEP DASAR PROBABILITAS Definisi: Probabilitas adalah peluang suatu kejadian Manfaat: Manfaat mengetahui probabilitas adalah membantu pengambilan keputusan yang tepat, karena kehidupan di dunia tidak
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 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 terperinciPROBABILITAS (PELUANG) PENGERTIAN PROBABILITAS
PROBABILITAS (PELUANG) PENGERTIAN PROBABILITAS Dalam kehidupan sehari-hari kita sering mendengar dan menggunakan kata probabilitas (peluang). Kata ini mengisyaratkan bahwa kita berhadapan dengan sesuatu
Lebih terperinciSTATISTIK INDUSTRI 1. Random Variable. Distribusi Peluang. Distribusi Peluang Diskrit. Distribusi Peluang Diskrit 30/10/2013 DISKRIT DAN KONTINYU
STATISTIK INDUSTRI 1 Agustina Eunike, ST., MT., MBA Distribusi Peluang DISKRIT DAN KONTINYU Random Variable Random variable / peubah acak: Suatu fungsi yang mengaitkan suatu bilangan real dengan tiap elemen
Lebih terperinciSTATISTIKA II IT
STATISTIKA II IT-011227 Ummu Kalsum UNIVERSITAS GUNADARMA 2017 Keterlambatan : KONTRAK KULIAH MOHON KETERLAMBATAN TIDAK LEBIH 15 MENIT Sanksi atau hukuman, sebagai contoh: Menguraikan pengetahuan tentang
Lebih terperinciPEMBANGKIT RANDOM VARIATE
PEMBANGKIT RANDOM VARIATE Mata Kuliah Pemodelan & Simulasi JurusanTeknik Informatika Universitas Komputer Indonesia 1 Pendahuluan (1) Sifat probalitistik pada sistem nyata mempunyai pola distribusi probabilistik
Lebih terperinci1.1 Konsep Probabilitas
TEORI DASAR PROBABILITAS 1.1 Konsep Probabilitas Probabilitas/peluang secara umum dapat diartikan sebagai ukuran matematis terhadap kecenderungan akan munculnya sebuah kejadian. Secara matematis peluang
Lebih terperinciMetode Statistika (STK211)
Metode Statistika (STK211) Peubah Acak dan Sebaran Peluang (Random Variable and Probability Distribution) Dr. Ir. Kusman Sadik, M.Si Dept. Statistika IPB, 2015 1 Konsep Peubah Acak (Random Variable) Peubah
Lebih 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 terperinciTipe Peubah Acak. Diskret. Kontinu
2 N i 1 x i N 2 Tipe Peubah Acak Diskret Segugus nilai dari suatu peubah acak yang dapat dicacah (countable) Misalkan X = banyaknya tendangan penalti yang berhasil dilakukan oleh pemain A Kontinu Nilai-nilai
Lebih terperinciBab 2 DISTRIBUSI PELUANG
Bab 2 DISTRIBUSI PELUANG PENDAHULUAN Setiap peristiwa akan mempunyai peluangnya masingmasing, dan peluang terjadinya peristiwa itu akan mempunyai penyebaran yang mengikuti suatu pola tertentu yang di sebut
Lebih 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 terperinciPertemuan V Konsep Peubah Acak dan Sebaran Peluang (Random Variable Concept and Probability Distribution)
Pertemuan V Konsep Peubah Acak dan Sebaran Peluang (Random Variable Concept and Probability Distribution) Peubah acak merupakan suatu fungsi yang memetakan ruang kejadian (daerah fungsi) ke ruang bilangan
Lebih terperinci2-1 Probabilitas adalah:
2 Teori Probabilitas Pengertian probabilitas Kejadian, ruang sample dan probabilitas Aturan dasar probabilitas Probabilitas bersyarat Independensi Konsepsi kombinatorial Probabilitas total dan teorema
Lebih terperinciSTATISTIK PERTEMUAN VI
STATISTIK PERTEMUAN VI 1. TEORI PENDUKUNG 1.1 Pendahuluan 1. Variabel acak 1.3 Distribusi variabel acak diskrit 1.4 Distribusi variabel acak kontinu 1.5 Distribusi multivariat 1.1 Pendahuluan Definisi
Lebih terperinciSTATISTIKA 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 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 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 terperinciDistribusi Teoritis Probabilitas
Distribusi Teoritis Probabilitas Topik Distribusi teoritis Binomial Distribusi teoritis Poisson Distribusi teoiritis Normal 2 Distribusi Teoritis Probabilitas Distr. Teoritis Probabilitas Diskrit Kontinyu
Lebih terperinciProbabilitas dan Statistika Distribusi Peluang Kontinyu 1. Adam Hendra Brata
Probabilitas dan Statistika Distribusi Peluang Kontinyu 1 Adam Hendra Brata Variabel Acak Kontinyu - Variabel Acak Kontinyu Suatu variabel yang memiliki nilai pecahan didalam range tertentu Distribusi
Lebih terperinciBAB II TINJAUAN PUSTAKA. (b) Variabel independen yang biasanya dinyatakan dengan simbol
BAB II TINJAUAN PUSTAKA A. Regresi Regresi adalah suatu studi statistik untuk menjelaskan hubungan dua variabel atau lebih yang dinyatakan dalam bentuk persamaan. Salah satu variabel merupakan variabel
Lebih terperinciStatistika. Random Variables Discrete Random Variables Continuous Random Variables. Jurusan Teknik Sipil dan Lingkungan Universitas Gadjah Mada
Jurusan Teknik Sipil dan Lingkungan Universitas Gadjah Mada Statistika Random Variables Discrete Random Variables Continuous Random Variables 1 Pengertian Random variable (variabel acak) Jenis suatu fungsi
Lebih terperinciHaryoso 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 terperinciTeori Antrian Antrian M/M/1. Rijal Fadilah
Teori Antrian Antrian M/M/1 Rijal Fadilah Dasar Antrian Pelanggan (customer) tiba untuk pelayanan, dan jika semua pelayan (server) sibuk, pelanggan diantrikan dan dilayani kemudian Parameter: Kecepatan
Lebih terperinciDistribusi Teoritis Probabilitas. Distribusi Teoritis Probabilitas. Distribusi Binomial. Distribusi Binomial. Distribusi Binomial
Distribusi Teoritis Probabilitas Topik Distribusi teoritis Binomial Distribusi teoritis Poisson Distribusi teoiritis Normal 3 4 Distribusi Teoritis Probabilitas Distr. Teoritis Probabilitas Diskrit Kontinyu
Lebih terperinciPENDAHULUAN Definisi: Contoh Kasus:
DISTRIBUSI PROBABILITAS 1 PENDAHULUAN Definisi: Distribusi probabilitas adalah sebuah susunan distribusi yang mempermudah mengetahui probabilitas sebuah peristiwa. Merupakan hasil dari setiap peluang peristiwa.
Lebih terperinciLAB MANAJEMEN DASAR MODUL STATISTIKA 1
LAB MANAJEMEN DASAR MODUL STATISTIKA 1 Nama : NPM/Kelas : Fakultas/Jurusan : Hari dan Shift Praktikum : Fakultas Ekonomi Universitas Gunadarma Kelapa dua E531 1 UKURAN STATISTIK Pendahuluan Ukuran statistik
Lebih terperinciDistribusi Probabilitas Diskrit: Poisson
Distribusi Probabilitas Diskrit: Poisson 7.2 Debrina Puspita Andriani E-mail : debrina.ub@gmail.com / debrina@ub.ac.id 2 Outline Pendahuluan Pendekatan Binomial Poisson Distribusi Poisson Kapan distribusi
Lebih terperinciSTATISTIK PERTEMUAN V
STATISTIK PERTEMUAN V Variabel Random/ Acak variabel yg nilai-nilainya ditentukan oleh kesempatan/ variabel yang bernilai numerik yg didefinisikan dlm suatu ruang sampel 1. Variabel Random diskrit Variabel
Lebih terperinciNilai harapan suatu variabel acak x ditulis E (x) didefinisikan E (x) = Σ x. f (x) Var (x) = σ x 2 = E [ x E (x) ] 2 = E (x 2 ) { E (x) } 2
Pertemuan ke- 4 BAB III POPULASI, SAMPEL & DISTRIBUSI TEORITIS VARIABEL DISKRIT DAN FUNGSI PROBABILITAS 3.1 Variabel Random atau Variabel Acak Variabel yang nilainya merupakan suatu bilangan yang ditentukan
Lebih terperinciKONSEP PROBABILITAS & DISTRIBUSI PROBABILITAS
KONSEP PROBABILITAS & DISTRIBUSI PROBABILITAS 5 Pengendalian Kualitas Debrina Puspita Andriani Teknik Industri Universitas Brawijaya e- Mail : debrina@ub.ac.id Blog : hbp://debrina.lecture.ub.ac.id/ 2
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 terperinciBinomial Distribution. Dyah Adila
Binomial Distribution Dyah Adila Binomial Distribution adalah bentuk percobaan yang memiliki syarat-syarat sebagai berikut: 1. Percobaan dilakukan sebanyak n kali. 2. Setiap percobaan memiliki dua hasil
Lebih terperinciSebaran (Distribusi) Peluang teoritis Peubah Acak : Statistik Sample, misal Rata-rata dan proporsi sample Hasil semua kemungkinan Sample dg ukuran yg
Sampling Distributions (Distribusi Penarikan Contoh) Sebaran (Distribusi) Peluang teoritis Peubah Acak : Statistik Sample, misal Rata-rata dan proporsi sample Hasil semua kemungkinan Sample dg ukuran yg
Lebih terperinciKonsep Peluang (Probability Concept)
Konsep Peluang (Probability Concept) Percobaan Percobaan: proses acak untuk membangkitkan data. Dalam banyak kasus, hasil dari suatu percobaan tergantung pada faktor kebetulan, dan tidak dapat diramalkan
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 terperinciModel dan Simulasi Universitas Indo Global Mandiri
Model dan Simulasi Universitas Indo Global Mandiri Nomor random >> angka muncul secara acak (random/tidak terurut) dengan probabilitas untuk muncul yang sama. Probabilitas/Peluang merupakan ukuran kecenderungan
Lebih terperinciHAND OUT EK. 354 REKAYASA TRAFIK
HAND OUT EK. 354 REKAYASA TRAFIK Dosen: Ir. Arjuni BP, MT PENDIDIKAN TEKNIK TELEKOMUNIKASI JURUSAN PENDIDIKAN TEKNIK ELEKTRO FAKULTAS PENDIDIKAN TEKNOLOGI DAN KEJURUAN UNIVERSITAS PENDIDIKAN INDONESIA
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 terperinciSTK 511 Analisis statistika. Materi 3 Sebaran Peubah Acak
STK 511 Analisis statistika Materi 3 Sebaran Peubah Acak 1 Konsep Peluang 2 Peluang Peluang dapat diartikan sebagai ukuran kemungkinan terjadinya suatu kejadian Untuk memahami peluang diperlukan pemahaman
Lebih terperinciDistribusi probabilitas dan normal. Statisitik Farmasi 2015
Distribusi probabilitas dan normal Statisitik Farmasi 2015 Part 1. DISTRIBUSI PROBABILITAS Statisitik Farmasi 2015 Tujuan Perkuliahan Setelah menyelesaikan kuliah ini, mahasiswa mampu: Membuat distribusi
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 terperinciKompetens n i s : Mahasiswa mam a pu p menjel enj a el s a ka k n gejala ekonomi dengan meng guna k n a konsep probabil i i l t i as
Kompetensi: Mahasiswa mampu menjelaskan gejala ekonomi dengan menggunakan konsep probabilitas Hal. 9- Penelitian itu Penuh Kemungkinan (tdk pasti) Mengubah Saya tidak yakin Menjadi Saya yakin akan sukses
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 terperinciPeubah Acak. Bab 4. Definisi 4.1 Peubah acak adalah suatu fungsi dari ruang contoh ke bilangan nyata, f : S R
Bab 4 Peubah Acak Definisi 4. Peubah acak adalah suatu fungsi dari ruang contoh ke bilangan nyata, f : S R Contoh 4. Jika Y adalah peubah acak banyaknya sisi muka yang muncul pada pelemparan tiga sisi
Lebih terperinciRENCANA MUTU PEMBELAJARAN. I. Standar Kompetensi : Menyelesaikan masalah probabilitas baik secara teoritik maupun aplikasinya dalam kehidupan.
RENCANA MUTU PEMBELAJARAN Nama Dosen : N. Setyaningsih, MSi. Program Studi : Pendidikan Matematika Kode Mata Kuliah : 306203 Nama Mata Kuliah : Probabilitas Jumlah sks : 3 sks Semester : III Alokasi Waktu
Lebih terperinciStatistik Bisnis 1. Week 9 Discrete Probability
Statistik Bisnis 1 Week 9 Discrete Probability Random Variables Random Variables Discrete Random Variable Continuous Random Variable Wk. 9 Wk. 10 Probability Distributions Probability Distributions Wk.
Lebih terperinciSTATISTIKA LINGKUNGAN
STATISTIKA LINGKUNGAN TEORI PROBABILITAS Probabilitas -pendahuluan Statistika deskriptif : menggambarkan data Statistik inferensi kesimpulan valid dan perkiraan akurat ttg populasi dengan mengobservasi
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 terperinciBAB V PENGANTAR PROBABILITAS
BAB V PENGANTAR PROBABILITAS Istilah probabilitas atau peluang merupakan ukuran untuk terjadi atau tidak terjadinya sesuatu peristiwa. Ukuran ini merupakan acuan dasar dalam teori statistika. 1. Beberapa
Lebih terperinciMK Statistik Bisnis 2 MultiVariate. Haryoso Wicaksono, S.Si., M.M., M.Kom. 1
Haryoso Wicaksono, S.Si., M.M., M.Kom. 1 Descriptive Statistics mengandung metoda dan prosedur yang digunakan untuk pengumpulan, pengorganisasian, presentasi dan memberikan karakteristik terhadap himpunan
Lebih terperinciDistribusi Normal, Skewness dan Qurtosis
Distribusi Normal, Skewness dan Qurtosis Departemen Biostatistika FKM UI 1 2 SAP Statistika 1, minggu ke-4 4 Membekali mahasiswa agar lebih paham dan menguasai teori terkait: menghitung ukuran penyimpangan
Lebih terperinciPeubah Acak (Lanjutan)
Learning Outcomes 13 April 2014 Learning Outcomes Learning Outcome Outline Mahasiswa dapat mengerti dan menentukan peubah acak diskret Mahasiswa dapat memahami dan menghitung nilai harapan Mahasiswa dapat
Lebih terperinciJenis Distribusi. 1. Distribusi Probabilitas 2. Distribusi Binomial (Bernaulli) 3. Distribusi Multinomial 4. Distribusi Normal (Gauss)
Ir Tito Adi Dewanto Jenis Distribusi 1. Distribusi Probabilitas 2. Distribusi Binomial (Bernaulli) 3. Distribusi Multinomial 4. Distribusi Normal (Gauss) Pengantar Kunci aplikasi probabilitas dalam statistik
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 terperinciSampling Theory. Spiegel, M R, Schiller,J. Schaum's outline of probability and statistics.third Edition. United State: McGraw Hill ;2009.
Sampling Theory Spiegel, M R, Schiller,J. Schaum's outline of probability and statistics.third Edition. United State: McGraw Hill ;2009. Pengertian Sampling O Teknik sampling adalah bagian dari metodologi
Lebih terperinciCNH3E3 PROSES STOKASTIK Peubah Acak & Pendukungnya
CNH3E3 PROSES STOKASTIK Peubah Acak & Pendukungnya Dosen: Aniq A Rohmawati, M.Si TELKOM UNIVERSITY JALAN TELEKOMUNIKASI 1, BANDUNG, INDONESIA Ruang Sampel dan Kejadian PEUBAH ACAK (P.A) Fungsi yang memetakan
Lebih terperinciSampling, Estimasi dan Uji Hipotesis
Sampling, Estimasi dan Uji Hipotesis Tujuan Pembelajaran Memahami perlunya suatu sampling (pengambilan sampel) serta keuntungan- keuntungan melakukannya Menjelaskan pengertian sampel acak untuk sampling
Lebih terperinciBAB V TEORI PROBABILITAS
BAB V TEORI PROBABILITAS Probabilitas disebut juga dengan peluang atau kemungkinan. Probabilitas merupakan suatu nilai yang digunakan untuk mengukur tingkat terjadinya suatu kejadian yang acak. Oleh karena
Lebih terperinciPACKET SWITCHING. Rijal Fadilah
PACKET SWITCHING Rijal Fadilah Pendahuluan Packet switching terkait protocol, message dibagi menjadi paket kecil sebelum dikirim. Jaringan packet switch : kumpulan distribusi dari node-node packet switch,
Lebih terperinciMetode Statistika. Konsep Peubah Acak dan Sebaran Peluang (Random Variable Concept and Probability Distribution)
Metode Statistika Konsep Peubah Acak dan Sebaran Peluang (Random Variable Concept and Probability Distribution) Konsep Peubah Acak Peubah acak merupakan suatu fungsi yang memetakan ruang kejadian (daerah
Lebih terperinciJurusan Teknik Sipil dan Lingkungan Universitas Gadjah Mada STATISTIKA. Distribusi Normal. 1-Sep-14
Jurusan Teknik Sipil dan Lingkungan Universitas Gadjah Mada STATISTIKA Distribusi Normal 1-Sep-14 http://istiarto.staff.ugm.ac.id 1 Distribusi Binomial Ingat contoh pemilihan 1 kegiatan (Kegiatan A) dari
Lebih terperinciMenjelaskan pengertian distribusi binomial, mengidentifikasi eksperimen binomial dan menghitung probabilitas binomial, menghitung ukuran pemusatan
Tujuan Pembelajaran Menjelaskan pengertian distribusi binomial, mengidentifikasi eksperimen binomial dan menghitung probabilitas binomial, menghitung ukuran pemusatan dan penyebaran distribusi binomial
Lebih terperinciSistem Komunikasi II (Digital Communication Systems)
Sistem Komunikasi II (Digital Communication Systems) Lecture #1: Stochastic Random Process Topik: 1.1 Pengenalan Sistem Komunikasi Digital. 1.2 Pendahuluan Stochastic Random Process. 1.3 Random Variable
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 terperinciMateri #2 TIN315 Pemeliharaan dan Rekayasa Keandalan Genap 2015/2016
#2 PROBABILITAS 2.1. Pendahuluan Kata probabiliitas sering dipakai jika kehilangan sentuhan dalam mengimplikasikan bahwa suatu kejadian yang mempunyai peluang yang bagus akan terjadi. Dalam hal ini penilaian
Lebih terperinciTEORI KEMUNGKINAN. -PROBABILITAS- Genetika - Suhardi
TEORI KEMUNGKINAN -PROBABILITAS- Genetika - Suhardi Probabilitas atau istilah lainnya kemungkinan, kebolehjadian, peluang dan sebagainya umumnya digunakan untuk menyatakan peristiwa yang belum dapat dipastikan
Lebih terperinciSekoin uang logam mempunyai dua permukaan H dan T dilemparkan berkali kali. Hasil yg diperoleh pada setiap pelemparan apakah H atau T di catat Hasil
Pertemuan 13 &14 Sekoin uang logam mempunyai dua permukaan H dan T dilemparkan berkali kali. Hasil yg diperoleh pada setiap pelemparan apakah H atau T di catat Hasil dari keseluruhan event yang didapat
Lebih terperinciDISTRIBUSI PROBABILITAS VARIABEL RANDOM
Universitas Gadjah Mada Fakultas Teknik Departemen Teknik Sipil dan Lingkungan DISTRIBUSI PROBABILITAS VARIABEL RANDOM Statistika dan Probabilitas 2 Distribusi probabilitas variabel random diskrit Distribusi
Lebih terperinci1. PENGERTIAN. Manfaat Sampling :
1. PENGERTIAN Sampel adalah sebagian dari anggota populasi yang dipilih dengan cara tertentu yang akan diteliti sifat-sifatnya dalam penelitian. Nilai-nilai yang berasal dari data sampel dinamakan dengan
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 terperinciMetode Statistika STK211/ 3(2-3)
Metode Statistika STK211/ 3(2-3) Pertemuan V Peubah Acak dan Sebaran Peubah Acak Septian Rahardiantoro - STK IPB 1 Pertemuan minggu lalu kita sudah belajar mengenai cara untuk membuat daftar kemungkinan-kemungkinan
Lebih terperinciDEPARTEMEN ILMU EKONOMI F A K U L T A S E K O N O M I D A N B I S N I S S I L A B U S STATISTIK I MAS 101 / 3 SKS
S I L A B U S STATISTIK I MAS 101 / 3 SKS Deskripsi Jenis Mata Kuliah Prasyarat : Mata kuliah ini membahas tentang konsep dasar metode statistik, yaitu Statistika Deskriptif dan Statistika Inferensial,
Lebih terperinciSTATISTIKA. Distribusi Binomial. Ingat contoh pemilihan 1 kegiatan (Kegiatan A) dari 4 kegiatan untuk didanai. Distribusi Normal
STATISTIKA Distribusi Normal Distribusi Binomial Ingat contoh pemilihan 1 kegiatan (Kegiatan A) dari 4 kegiatan untuk didanai Distribusi Binomial Histogram Distribusi Probabilitas Sukses Statistika Distribusi
Lebih terperinciSTK 211 Metode statistika. Materi 4 Peubah Acak dan Sebaran Peluang
STK 211 Metode statistika Materi 4 Peubah Acak dan Sebaran Peluang 1 Pendahuluan Soal ujian masuk PT diselenggarakan dengan sistem pilihan berganda. Jika jawaban benar diberi nilai 4, salah dikurangi 1
Lebih terperinciDISTRIBUSI PROBABILITAS DAN TERMINOLOGI KEANDALAN
#7 DISTRIBUSI PROBABILITAS DAN TERMINOLOGI KEANDALAN 7.1. Pendahuluan Pada pembahasan terdahulu, keandalan hanya dievaluasi sebagai suatu sistem rekayasa (engineering) dengan tidak menggunakan distribusi
Lebih terperinci