Catatan Kuliah. MA4181 PENGANTAR PROSES STOKASTIK Smart and Stochastic. disusun oleh Khreshna I.A. Syuhada, MSc. PhD.
|
|
- Veronika Cahyadi
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Catatan Kuliah MA4181 PENGANTAR PROSES STOKASTIK Smart and Stochastic disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2014
2 Tentang MA4181 (Pengantar) Proses Stokastik A. Jadwal kuliah: Selasa; 11-; R.9138 Kamis; 9-; R.9224 B. Silabus: Peubah acak dan distribusi Peluang bersyarat dan ekspektasi bersyarat Rantai Markov Distribusi eksponensial dan proses Poisson Topik khusus: Model AR, ARCH, dan INAR C. Buku teks: Sheldon Ross, 2010, Introduction to Probability Models, 10th ed. Karlin dan Taylor, 1998, An Introduction to Stochastic Modelling, 3rd ed. D. Penilaian: Ujian 1,2,3: 30 September 2014 (30%) 28 Oktober 2014 (30%) 2 Desember 2014 (30%) Kuis (10%) MA4181 Pros.Stok. i K. Syuhada, PhD.
3 Daftar Isi 1 Peluang dan Peubah Acak Pendahuluan Ruang Sampel dan Peluang Peubah Acak dan Fungsi Distribusi Distribusi Diskrit Distribusi Kontinu Peluang dan Ekspektasi Bersyarat Fungsi Peluang Bersama Ekspektasi Ekspektasi Bersyarat ii
4 BAB 1 Peluang dan Peubah Acak Silabus: Konsep peubah acak, fungsi peluang (probability density function), fungsi distribusi (cumulative ddistribution function), distribusi diskrit (binomial, Poisson, geometrik), distribusi kontinu (normal, seragam/uniform, eksponensial). Tujuan: 1. Memahami definisi dan menentukan peubah acak (p.a) 2. Menghitung fungsi peluang (f.p) dan fungsi distribusi (f.d); f.p ke f.d; f.d ke f.p 3. Menghitung peluang suatu p.a dari distribusi diskrit atau kontinu 1.1 Pendahuluan Apa Proses Stokastik? Proses? Stokastik? Proses = runtunan perubahan (peristiwa) dl perkembangan sesuatu, rangkaian tindakan, pembuatan, atau pengolahan yg menghasilkan produk (KBBI, 2008) Stokastik = mempunyai unsur peluang atau kebolehjadian (KBBI, 2008) Definisi: Proses stokastik {Y t } adalah koleksi peubah acak dengan t menyatakan indeks waktu 1
5 (Contoh 1) Di perusahaan asuransi digunakan sistem Bonus Malus untuk menentukan besar premi. Setiap pemegang polis berada dalam suatu keadaan (state) dan premi tahunan merupakan fungsi dari keadaan ini. Keadaan pemegang polis berubah dari tahun ke tahun dengan memperhatikan banyak klaim yang telah dilakukan. Pemegang polis biasanya akan menurunkan status keadaan jika dia tidak memiliki klaim pada tahun sebelumnya dan akan menaikkan status keadaan jika memiliki setidaknya satu klaim. Untuk sistem Bonus Malus, misalkan s i (k) menyatakan keadaan pemegang polis berikut dari sebelumnya berada di keadaan i dan telah mengajukan k klaim. Jika banyak klaim yang dibuat adalah peubah acak berdistribusi Poisson dengan parameter θ, maka keadaan pemegang polis akan membentuk Rantai Markov dengan peluang transisi P ij. Berikut adalah contoh Sistem Bonus Malus dengan 4 keadaan: Keadaan apabila... Keadaan 0 klaim 1 klaim 2 klaim 3 klaim (Contoh 2) Dua orang pasien, A dan B, membutuhkan ginjal. Jika dia tidak mendapatkan ginjal baru, maka A akan meninggal setelah suatu waktu yang berdistribusi exponensial dengan parameter µ A. Begitu juga dengan B, akan meninggal setelah suatu waktu yang berdistribusi eksponensial dengan parameter µ B. Ginjal akan tersedia menurut proses Poisson dengan parameter λ. Telah ditentukan bahwa ginjal pertama yang datang diberikan ke pasien A (atau ke pasien B jika B masih hidup dan A meninggal saat itu) lalu ke pasien B (jika masih hidup). Berapa peluang B mendapat ginjal baru? (Contoh 3a) Model Autoregressive atau AR orde satu: Y t = α Y t 1 + ε t dimana ε t diasumsikan saling bebas dan berdistribusi identik. Model AR(1) dapat digunakan untuk memodelkan jumlah produksi, harga aset dsb. Perhatikan bahwa memprediksi Y n+1 merupakan salah satu bagian penting dari pemodelan stokastik/deret waktu. Prediksi terbaik untuk Y n+1 adalah E(Y n+1 Y n, α) MA4181 Pros.Stok. 2 K. Syuhada, PhD.
6 (Contoh 3b) Model Autoregressive Conditional Heteroscedastic atau ARCH dan Model Stochacti Volatility atau SV: dimana atau Y t = σ t + ε t σ t = α 0 + α 1 Y 2 t 1, ln σ t = γ + δ ln σ t 1 + η t, Model ARCH dan/atau SV sangat tepat untuk memodelkan imbal hasil (return) saham. (Contoh 4) Model Integer-Valued Autoregressive atau INAR orde satu: dimana Y t = α Y t 1 + ε t, α Y t 1 = W W Yt 1, dengan W i Bin(1, α), dan ε t P OI(λ). Model INAR(1) menggambarkan bahwa banyaknya pasien yang berada di IGD pada waktu t merupakan jumlah dari banyaknya pasien yang bertahan hidup dengan peluang α ditambah banyaknya pasien yang datang pada waktu (t 1, t] 1.2 Ruang Sampel dan Peluang Ilustrasi 1. Seorang agen asuransi menawarkan asuransi kesehatan kepada calon nasabah. Nasabah dapat memilih tepat 2 jenis asuransi dari pilihan A, B, C atau tidak memilih sama sekali. Proporsi nasabah memilih jenis asuransi A, B dan C, berturut-turut, adalah 1/4, 1/3 dan 5/12. Hitung peluang seorang nasabah memilih untuk tidak memilih jenis asuransi. 2. Catatan dalam perusahaan asuransi otomotif memberikan informasi bahwa (i) setiap pelanggan mengasuransikan setidaknya satu mobil (ii) 70% pelanggan mengasuransikan lebih dari satu mobil, dan (iii) 20% mengasuransikan jenis sports car. Dari pelanggan yang mengasuransikan lebih dari satu mobil, 15% mengasuransikan sports car. Hitung peluang bahwa MA4181 Pros.Stok. 3 K. Syuhada, PhD.
7 seorang pelanggan yang terpilih secara acak mengasuransikan tepat satu mobil dan ini bukan sports car. Ruang sampel dan Kejadian Percobaan adalah kegiatan yang menghasilkan keluaran/hasil yang mungkin secara acak. Ruang sampel S adalah himpunan dari semua hasil yang mungkin dari suatu percobaan. Anggota dari S disebut kejadian elementer. Kejadian adalah himpunan bagian dari ruang sampel atau koleksi dari kejadian-kejadian elementer. Peluang Peluang kejadian A adalah P (A) = lim n n(a) n Misalkan S adalah ruang sampel, A adalah kejadian. Peluang kejadian A adalah P (A) = n(a) n(s) Peluang atau ukuran peluang P pada lap-σ A adalah suatu pemetaan dari A terhadap selang [0, 1] yang memenuhi tiga aksioma berikut: 1. 0 P (A) 1, untuk setiap A A 2. P (S) = 1 3. Untuk himpunan terhitung kejadian-kejadian saling asing A 1, A 2,..., ( P i=1 A i ) = P (A i ) i=1 Teorema 1. P (A c ) = 1 P (A) 2. Jika A B maka P (A) P (B) 3. P (A B) = P (A) + P (B) P (A B) MA4181 Pros.Stok. 4 K. Syuhada, PhD.
8 1.3 Peubah Acak dan Fungsi Distribusi Ilustrasi 1. Maskapai penerbangan Serigala Air mengetahui bahwa lima persen pemesan tiket tidak akan datang untuk membeli tiketnya. Dengan alasan ini, maskapai tidak ragu untuk menjual 52 tiket penerbangan pada pesawat dengan kapasitas duduk 50 orang. Berapa peluang akan ada kursi yang tersedia untuk setiap pemesan tiket yang datang? 2. Misalkan X peubah acak berdistribusi Poisson dengan mean λ. Parameter λ berdistribusi eksponensial dengan mean 1. Tunjukkan bahwa P (X = n) = (1/2) n+1 Peubah Acak Peubah acak tidaklah acak dan bukanlah peubah Peubah acak adalah fungsi yang memetakan anggota S ke bilangan real R Peubah Acak Diskrit Peubah acak X dikatakan diskrit jika terdapat barisan terhitung dari bilangan {a i, i = 1, 2,... } sedemikian hingga P ( {X = a i } ) = P (X = a i ) = 1 i i Catatan: Sebuah peubah acak diskrit tidak selalu berasal ruang sampel diskrit. F X disebut fungsi distribusi (diskrit) dari X jika terdapat barisan terhitung {a i, i = 1, 2,... } dari bilangan real dan barisan {p i, i = 1, 2,... } dari bilangan positif yang bersesuaian sedemikian hingga p i = 1 dan i F X (x) = a i x p i MA4181 Pros.Stok. 5 K. Syuhada, PhD.
9 Jika diberikan himpunan terhitung {a i, i = 1, 2,... } dan bilangan positif {p i, i = 1, 2,... } sdh i p i = 1, fungsi peluang p X (x) adalah p X (x) = p i = P (X = a i ), dengan x = a i Fungsi distribusi (kumulatif): Sifat-sifat: F (x) = P (X x) (a) F fungsi tidak turun (b) lim x F (x) = 1 (c) lim x F (x) = 0 (d) F fungsi kontinu kanan Catatan: P (a < X b) = F (b) F (a) P (X b) P (X < b) P (X < b) = P ( { 1 }) lim X b n n = lim P ( X b 1 ) n n = lim F ( b 1 ) n n Peubah Acak Kontinu Misalkan X peubah acak dan fungsi distribusinya F X dapat diturunkan. Fungsi peluang f X adalah turunan dari fungsi distribusi, f X (x) = d dx F X(x) atau dengan kata lain F X (x) = x f X (t) dt Definisi: Jika X adalah peubah acak sedemikian hingga fungsi peluangnya ada (turunan dari fungsi distribusi) maka X dikatakan sebagai peubah acak MA4181 Pros.Stok. 6 K. Syuhada, PhD.
10 kontinu. Catatan: 1 = F X ( ) = P (a X b) = F X (b) F X (a) = P (X = a) = a a f X (t) dt = 0 f X (t) dt b a f X (t) dt Latihan: 1. Tentukan fungsi peluang dari fungsi distribusi berikut: 0, x < 3.1 3/5, 3.1 x < 0 F (x) = 7/10, 0 x < 1 1, 1 x 2. Tentukan fungsi peluang dari fungsi distribusi berikut: 0, x < x, 0 x < F (x) =, 1 x < , 2 x < 3 1, x 3 3. Diketahui fungsi peluang sebagai berikut: p, x = , x = , x = 20p f(x) = p, x = 3 4p, x = 4 0, yang lain Hitung P ( 1.9 X 3), F (2), F (F (3.1)) 1.4 Distribusi Diskrit (Ilustrasi B-1) Pasien di IGD adalah orang-orang yang dianggap dekat dengan kematian. Kesembuhan dari penyakit yang dideritanya bagi mereka adalah seperti mimpi. Untuk bisa bertahan hidup dari hari ke hari sudahlah merupakan mukjizat. Asumsikan bahwa setiap orang memiliki peluang untuk dapat MA4181 Pros.Stok. 7 K. Syuhada, PhD.
11 bertahan hidup sampai hari esok sebesar α i, dengan i menyatakan orang kei, i = 1, 2,.... Jika jumlah pasien IGD pada suatu hari adalah 5 orang, berapa peluang besok hanya akan ada 2 orang saja yang masih hidup? (Ilustrasi B-2) Misalkan sebuah mesin dari pesawat akan rusak (saat terbang) dengan peluang 1-p, saling bebas antara mesin satu dan yang lain. Misalkan sebuah pesawat akan melakukan penerbangang sukses jika setidaknya 50% mesin bekerja dengan baik (tidak rusak). Untuk p berapa, sebuah pesawat dengan 4 mesin akan lebih disukai (terbang lebih baik) dibandingkan dengan pesawat dengan 2 mesin? Misalkan X menyatakan banyak mesin baik (tidak rusak). bermesin 4: Untuk pesawat P (X 2) = P (X = 2) + P (X = 3) + P (X = 4) = 6p 2 (1 p) 2 + 4p 3 (1 p) + p 4 sedangkan untuk pesawat bermesin 2: P (X 1) = 1 P (X = 0) = 1 (1 p) 2 Syarat: * lebih besar dari **. Diperoleh p > 2/3. Distribusi Binomial Misalkan S = {sukses, gagal} adalah ruang sampel yang menotasikan sukses atau gagal dari suatu percobaan. Definisikan X(sukses) = 1 dan X(gagal) = 0 dan p X (1) = P (X = 1) = p p X (0) = P (X = 0) = 1 p dimana 0 p 1 adalah peluang diperoleh sukses. X dikatakan peubah acak Bernoulli dengan parameter p. Jika dilakukan n percobaan independen dan jika X menyatakan banyaknya sukses yang diperoleh maka X dikatakan sebagai peubah acak Binomial dengan parameter (n, p), dimana p X (k) = B(k; n, p) = C n k p k (1 p) n k (Ilustrasi P-1) Banyaknya kecelakaan yang terjadi di tol setiap hari berdistribusi Poisson dengan parameter λ = 3. Berapa peluang tidak ada kecelakaan pada hari ini? Misalkan X menyatakan banyak kecelakaan. P (X = 0) = exp( 3) MA4181 Pros.Stok. 8 K. Syuhada, PhD.
12 (Ilustrasi P-2) Misalkan X peubah acak Poisson dengan parameter λ. Tunjukkan bahwa P (X = i) naik secara monoton sebelum kemudian turun secara monoton untuk i semakin besar. Distribusi Poisson Misalkan X peubah acak dengan fungsi peluang λ λi p X (i) = e i! untuk i = 0, 1, 2,... dan λ > 0. parameter λ. X disebut peubah acak Poisson dengan (Ilustrasi G-1) Ini kisah masa lalu Nurul yang sempat diceritakan sesaat sebelum Nurul menikah. Katanya Ayahku meninggal waktu usiaku tiga tahun. Lalu Ibu kawin lagi. Dengan ayah tiriku, Ibu mendapat dua orang anak tiri dan melahirkan tiga orang anak. Ketika usiaku lima belas tahun, Ibu pun meninggal. Ayah tiriku kawin lagi dengan seorang janda yang sudah beranak dua. Ia melahirkan dua orang anak pula dengan ayah tiriku. Pertanyaan yang mungkin adalah... Berapa peluang bahwa orang yang dinikahi Nurul tidak memiliki hubungan darah? Jika Nurul tidak ingin menikah dengan saudara sedarah, berapa peluang bahwa Nurul akhirnya menikahi orang yang bukan saudara sedarah? (Ilustrasi G-2) Tiga remaja makan disuatu restoran. Untuk menentukan siapa yang akan membayar, mereka sepakat untuk mengundi dengan melantunkan koin. Seseorang dengan hasil lantunan yang berbeda dengan yang lain wajib membayar makanan yang telah dipesan. Jika X menyatakan banyaknya lantunan koin yang harus dilakukan, tentukan (i) P (X = 3) (ii) P (X > 4) Peluang sukses (ada yang lantunannya berbeda alias ada yang bayar) adalah 3/4. Dengan demikian X Geo(3/4). P (X = 3) = (1/4) 2 (3/4) = 3/64 P (X > 4) = 1 P (X 4) = 1/256 Distribusi Geometrik Misalkan percobaan-percobaan dilakukan hingga diperoleh sukses yang pertama. Percobaan-percobaan tersebut saling bebas dan memiliki peluang sukses p. Misalkan X menyatakan banyaknya percobaan yang dilakukan untuk MA4181 Pros.Stok. 9 K. Syuhada, PhD.
13 mendapatkan sukses pertama tersebut, maka X dikatakan peubah acak Geometrik dengan parameter p. Fungsi peluangnya adalah p(n) = P (X = n) = (1 p) n 1 p, untuk n = 1, 2,... dan p > Distribusi Kontinu (silakan belajar sendiri) MA4181 Pros.Stok. 10 K. Syuhada, PhD.
14 BAB 2 Peluang dan Ekspektasi Bersyarat Silabus: Fungsi peluang bersama, fungsi peluang marginal, peluang bersyarat, ekspektasi, ekspektasi bersyarat, kovariansi, korelasi. Tujuan: 1. Menentukan fungsi peluang bersama dan fungsi peluang marginal 2. Menghitung peluang bersyarat dan menghitung ekspektasi bersyarat 3. Memahami dan menghitung ekspektasi melalui ekspektasi bersyarat 4. Memahami konsep kovariansi dan korelasi 2.1 Fungsi Peluang Bersama Ilustrasi. Sebuah perusahaan asuransi menduga bahwa setiap orang akan mengalami dan memiliki parameter kecelakaan. Banyaknya kecelakaan pada seseorang setiap tahun berdistribusi Poisson dengan parameter λ. Perusahaan juga menduga bahwa pemegang polis baru akan memiliki parameter kecelakaan yang nilainya adalah peubah acak gamma dengan parameter s dan α. Jika seorang pemegang polis baru mengalami n kecelakan di tahun pertama, kita dapat menentukan peluang bersyarat (yang artinya juga menentukan peluang bersama) dari parameter kecelakaannya. Selain itu, kita juga dapat menentukan banyak kecelakaan (yang diharapkan) pada tahun berikutnya. Misalkan X dan Y ada peubah acak-peubah acak diskrit yang terdefinisi di ruang sampel yang sama. Fungsi peluang bersama dari X dan Y adalah p X,Y (x, y) = P (X = x, Y = y) 1
15 Catatan: 1. Kondisi bahwa X dan Y terdefinisi pada ruang sampel yang sama berarti dua peubah acak tsb memberikan informasi secara bersamaan terhadap keluaran (outcome) dari percobaan yang sama 2. {X = x, Y = y} adalah irisan kejadian {X = x} dan {Y = y}; kejadian dimana X bernilai x dan Y bernilai y Fungsi peluang bersama p X,Y memenuhi sifat-sifat berikut: 1. p X,Y (x, y) 0, (x, y) 2. (x, y) R 2 : p X,Y (x, y) 0 terhitung 3. x,y p X,Y (x, y) = 1 Misalkan X dan Y peubah acak-peubah acak diskrit yang didefinisikan pada ruang sampel yang sama. Maka, p X (x) = y p X,Y (x, y), x R dan p Y (y) = x p X,Y (x, y), y R adalah fungsi peluang marginal dari X dan fungsi peluang marginal dari Y. Latihan: 1. Diberikan data ttg jumlah kamar tidur dan kamar mandi dari 50 rumah yang akan dijual sbb (X kamar tidur, Y kamar mandi): X\Y Total Total a. Hitung p X,Y (3, 2) b. Tentukan fungsi peluang bersama dari X dan Y 2. Misalkan kita punyai 2 komponen elektronik yang identik. Misalkan juga X dan Y adalah waktu hidup (jam, diskrit). Asumsikan fungsi peluang bersama dari X dan Y adalah p X,Y (x, y) = p 2 (1 p) x+y 2, x, y N dimana 0 < p < 1. Tentukan dan identifikasikan fungsi peluang marginal dari X dan Y. MA4181 Pros.Stok. 2 K. Syuhada, PhD.
16 3. Pandang keadaan pada soal 2. Tentukan peluang bahwa (a) kedua komponen elektronik tsb bertahan lebih dari 4 jam? (b) salah satu komponen bertahan setidaknya 2 kali dari komponen yang lain? Misalkan X dan Y adalah peubah acak-peubah acak yang terdefinisi di ruang sampel yang sama. Fungsi distribusi bersama dari X dan Y, F X,Y adalah F X,Y (x, y) = P (X x, Y y), x, y R Misalkan X dan Y peubah acak-peubah acak terdefinisi di ruang sampel yang sama. Untuk semua bilangan riil a, b, c, d dimana a < b dan c < d, atau P (a < X b, c < Y d) = F X,Y (b, d) F X,Y (b, c) F X,Y (a, d)+f X,Y (a, c) P (a X b, c Y d) = dengan b a d c f X,Y (x, y) dxdy f X,Y (x, y) = 2 x y F X,Y (x, y) = 2 y x F X,Y (x, y). Suatu fungsi peluang bersama f X,Y (x, y) dari peubah acak X dan Y memenuhi 2 sifat berikut 1. f X,Y (x, y) 0 untuk semua (x, y) R 2 2. f X,Y (x, y) dxdy = 1 Latihan: 1. Misalkan X dan Y memiliki fungsi peluang bersama f(x, y) = c (y 2 x 2 ) e y, y x y, 0 < y < a. Tentukan c b. Tentukan fungsi peluang marginal X dan Y c. Hitung P (Y > 2X) d. Apakah X dan Y saling bebas? 2. Pandang 2 komponen elektronik A dan B dengan masa hidup X dan Y. Fungsi peluang bersama dari X dan Y adalah f X,Y (x, y) = λ µ exp( λx + µy), x, y > 0 MA4181 Pros.Stok. 3 K. Syuhada, PhD.
17 dimana λ > 0, µ > 0 a. Tentukan peluang bahwa kedua komponen berfungsi pada saat t b. Tentukan peluang bahwa komponen A adalah komponen yang pertama kali rusak c. Tentukan peluang bahwa komponen B adalah komponen yang pertama kali rusak 3. Ketika kebakaran terjadi dan dilaporkan ke perusahaan asuransi, perusahaan asuransi tersebut segera membuat perkiraan awal X yaitu besar nilai klaim yang akan diberikan. Setelah klaim dihitung secara lengkap, perusahaan harus melunasi pembayaran klaim sebesar Y. Perusahaan menentukan bahwa X dan Y memiliki fungsi peluang bersama f X,Y (x, y) = 2 x 2 (x 1) y (2x 1)/(x 1), x > 1, y > 1 a. Tentukan f X (x) b. Jika besar klaim awal yang diberikan adalah 2, tentukan peluang bahwa klaim yang diterima berikutnya adalah antara 1 dan 3. Fungsi Peluang Bersyarat Misalkan X dan Y adalah peubah acak-peubah acak diskrit. Jika p X (x) > 0 maka fungsi peluang bersyarat dari Y diberikan X = x (notasi: p Y X (y x)), adalah p Y X (y x) = p X,Y (x, y), y R p X (x) Jika p X (x) = 0, kita definiskan p Y X (y x) = 0 namun tidak dikatakan sebagai fungsi peluang bersyarat. Catatan: Fungsi peluang bersyarat adalah fungsi peluang! Misalkan X dan Y adalah peubah acak-peubah acak diskrit. Kedua peubah acak ini dikatakan saling bebas (independen) jika dan hanya jika p X,Y (x, y) = p X (x) p Y (y) x, y R Latihan: 1. Sebuah perusahaan asuransi menduga bahwa setiap orang akan mengalami dan memiliki parameter kecelakaan. Banyaknya kecelakaan pada seseorang setiap tahun berdistribusi Poisson dengan parameter λ. Perusahaan juga menduga bahwa pemegang polis baru akan memiliki parameter kecelakaan yang nilainya adalah peubah acak gamma dengan MA4181 Pros.Stok. 4 K. Syuhada, PhD.
18 parameter s dan α. Jika seorang pemegang polis baru mengalami n kecelakan di tahun pertama, tentukan peluang bersyarat dari parameter kecelakaannya. Tentukan banyak kecelakaan (yang diharapkan) pada tahun berikutnya. 2. Banyaknya orang Z yang datang ke ruang UGD selama sejam memiliki distribusi Poisson dengan parameter λ. Peluang orang yang datang adalah laki-laki adalah p dan peluang perempuan datang adalah q. Misalkan X dan Y berturut-turut adalah banyaknya laki-laki dan perempuan yang datang ke UGD selama sejam. a. Tunjukan bahwa X P OI(pλ) dan Y P OI(qλ) b. Apakah X dan Y saling bebas? 2.2 Ekspektasi Nilai harapan/ekspektasi (expected value/expectation) atau ekspektasi dari peubah acak diskrit/kontinu X adalah E(X) = x x p X (x) dan E(X) = x f X (x) dx dimana p X dan f X adalah fungsi peluang dari X. Catatan: 1. Ekspektasi adalah rata-rata tertimbang (weighted average) dari nilai yang mungkin dari X 2. Ekspektasi = mean = momen pertama 3. Ekspektasi suatu peubah acak adalah nilai rata-rata (long-run average value) dari percobaan bebas yang berulang 3. Apakah ekspektasi harus berhingga? (Diskusi!) Sifat-sifat ekspektasi: 1. E(g(X)) = g(x) f X(x) dx 2. E(a X + b Y ) = a E(X) + b E(Y ) 3. E(XY ) = E(X) E(Y ), jika X dan Y saling bebas. 4. E(X) = 0 P (X > x) dx, untuk X > 0 (*) MA4181 Pros.Stok. 5 K. Syuhada, PhD.
19 5. E(X r ) = xr f X (x) dx (momen ke-r) 6. E((X µ X ) r ) = (x µ X) r f X (x) dx (momen pusat ke-r) 7. E((X µ X ) 2 ) = V ar(x) = E(X 2 ) (E(X)) 2 Deviasi standar dari X adalah akar kuadrat Variansi dari X. 8. E(e tx ) = etx f X (x) dx = M X (t) (fungsi pembangkit momen) 9. M X (0) = E(X), M X (0) = E(X2 ) Latihan: 1. Misalkan Y menunjukkan banyaknya gol yang diciptakan oleh seorang pemain sepak bola di suatu pertandingan yang terpilih acak: y p(y) Misalkan W adalah banyaknya pertandingan dimana seorang pemain sepak bola menciptakan 3 atau lebih gol dalam 4 pertandingan terpilih acak. Berapa nilai harapan banyak pertandingan dimana pemain menciptakan 3 atau lebih gol? 2. Misalkan X peubah acak dengan M X (t) sebagai fungsi pembangkit momen. Didefinisikan f(t) = ln M X (t). Tunjukkan bahwa f (0) = V ar(x) 3. Diketahui: f(x) = 1 Γ(r) (λ x)r 1 λ exp( λ x) Tentukan E(X k ), k = 2, 3 4. Misalkan X peubah acak berdistribusi Poisson dengan parameter θ. Tunjukkan bahwa: E ( X n) = θ E ( (X + 1) n 1) MA4181 Pros.Stok. 6 K. Syuhada, PhD.
20 5. Misalkan X peubah acak dengan fungsi distribusi F (x) = 0, x < 2 0.2, 2 x < 0 0.5, 0 x < , 2.2. x < q, 3 x < q, 4 x < 5.5 1, x 5.5 dan diketahui P (X > 3.3) = a. Tentukan fungsi pembangkit momen dari X atau M X (t) b. Gunakan M X (t) untuk menentukan E(X). 2.3 Ekspektasi Bersyarat Ilustrasi 1. Misalkan banyaknya kecelakaan kerja rata-rata per minggu di suatu pabrik adalah empat. Misalkan banyaknya buruh yang terluka/cedera setiap kecelakaan adalah peubah acak yang saling bebas dengan mean dua. Asumsikan bahwa banyaknya buruh yang terluka di setiap kecelakaan saling bebas dengan banyaknya kecelakaan yang terjadi. Berapa banyak orang terluka rata-rata per minggu? Ilustrasi 2. Seorang narapidana terjebak dalam suatu sel penjara yang memiliki tiga pintu. Pintu pertama akan membawanya ke sebuah terowongan dan kembali ke sel dalam waktu dua hari. Pintu kedua dan ketiga akan membawanya ke terowongan yang kembali ke sel dalam tempo masing-masing empat dan satu hari. Asumsikan bahwa sang napi selalu memilih pintu 1, 2, dan 3 dengan peluang 0.5, 0.3 dan 0.2, berapa lama waktu rata-rata (expected number of days) yang dibutuhkan untuk dia agar selamat? Misalkan X dan Y adalah peubah acak-peubah acak kontinu dengan fungsi peluang bersama f X,Y (x, y). Jika f X (x) > 0 maka ekspektasi bersyarat dari Y diberikan X = x adalah ekspektasi dari Y relatif terhadap distribusi bersyarat Y diberikan X = x, E(Y X = x) = y f X,Y (x, y) f X (x) dy = y f Y X (y x) dy MA4181 Pros.Stok. 7 K. Syuhada, PhD.
21 Misalkan X dan Y adalah peubah acak-peubah acak kontinu dengan fungsi peluang bersama f X,Y (x, y). Misalkan ekspektasi dari Y hingga. Maka atau E(Y ) = E(Y X = x) f X (x) dx E(Y ) = E(E(Y X = x)) Misalkan X dan Y adalah peubah acak-peubah acak kontinu dengan fungsi peluang bersama f X,Y (x, y). Jika f X (x) > 0 maka variansi bersyarat dari Y diberikan X = x adalah variansi dari Y relatif terhadap distribusi bersyarat Y diberikan X = x, ( (Y ) ) 2 X V ar(y X = x) = E E(Y X = x) = x Misalkan X dan Y adalah peubah acak-peubah acak kontinu dengan fungsi peluang bersama f X,Y (x, y). Misalkan variansi dari Y hingga. Maka V ar(y ) = E(V ar(y X = x)) + V ar(e(y X)) Latihan: 1. Misalkan X dan Y peubah acak kontinu dengan fungsi peluang bersama f(x, y) = e x(y+1), 0 x, 0 y e 1 a. Tentukan f Y (y) b. Hitung P (X > 1 Y = 1 2 ) c. Hitung E(X Y = 1 2 ) 2. K meninggalkan kantor setiap hari kerja antara pukul 6-7 malam. Jika dia pergi t menit setelah pukul 6 maka waktu untuk mencapai rumah adalah peubah acak berdistribusi Seragam pada selang (20, 20 + (2t)/3). Misalkan Y adalah banyak menit setelah pukul 6 dan X banya menit untuk mencapai rumah, berapa lama waktu mencapai rumah? 3. Jika X i Bin(n i, p), tentukan E(X 1 + X 2 X 1 ) 4. Jika X dan Y peubah acak-peubah acak Poisson saling bebas dengan parameter λ x dan λ y, tentukan E(X X + Y = n). Bagaimana jika X dan Y berdistribusi Geometrik identik dengan parameter p? MA4181 Pros.Stok. 8 K. Syuhada, PhD.
22 Kita ketahui bahwa jika X dan Y saling bebas maka Akibatnya, f X,Y (x, y) = f X (x) g Y (y), E(XY ) = E(X) E(Y ) Konsekuensi ini juga berlaku untuk setiap fungsi g dan h, E ( g(x)h(y ) ) = E ( g(x) ) E ( h(y ) ) Kovariansi antara peubah acak X dan Y, dinotasikan Cov(X, Y ), adalah ( (X ) ( ) ) Cov(X, Y ) = E E(X) Y E(Y ) Catatan: Jika X dan Y saling bebas maka Cov(X, Y ) = 0 (implikasi). Sifat-sifat kovariansi Cov(X, Y ) = Cov(Y, X) Cov(X, X) = V ar(x) Cov(a X, Y ) = a Cov(X, Y ) ( n Cov i=1 X i, ) m j=1 Y j = n m i=1 j=1 Cov(X i, Y j ) Perhatikan bahwa: ( n ) ( n ) n V ar X i = Cov X i, X j i=1 i=1 j=1 n n = Cov(X i, X j ) = i=1 i=1 j=1 n V ar(x i ) + Cov(X i, X j ) i j Korelasi antara peubah acak X dan Y, dinotasikan ρ(x, Y ), didefinisikan sebagai ρ(x, Y ) = Cov(X, Y V ar(x) V ar(y ), MA4181 Pros.Stok. 9 K. Syuhada, PhD.
23 asalkan V ar(x) dan V ar(y ) bernilai positif. Dapat ditunjukkan pula bahwa 1 ρ(x, Y ) 1 Koefisien korelasi adalah ukuran dari derajat kelinieran antara X dan Y. Nilai ρ(x, Y ) yang dekat dengan +1 atau 1 menunjukkan derajat kelinieran yang tinggi. Nilai positif korelasi mengindikasikan nilai Y yang cenderung membesar apabila X membesar. Jika ρ(x, Y ) = 0 maka dikatakan X dan Y tidak berkorelasi. Latihan: 1. Tunjukkan bahwa Cov(X, E(Y X)) = Cov(X, Y ) 2. Misalkan X peubah acak normal standar dan I (bebas dari X) sdh P (I = 1) = P (I = 0) = 1/2. Didefinisikan Y = X, jika I = 1; Y = X, jika I = 0 Tunjukkan bahwa Cov(X, Y ) = 0 MA4181 Pros.Stok. 10 K. Syuhada, PhD.
Catatan Kuliah. MA4181 PENGANTAR PROSES STOKASTIK Smart and Stochastic. disusun oleh Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah MA4181 PENGANTAR PROSES STOKASTIK Smart and Stochastic disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2014 Tentang MA4181 (Pengantar)
Lebih terperinciCatatan Kuliah MA4181 Pengantar Proses Stokastik Precise and Stochastic. Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah MA4181 Pengantar Proses Stokastik Precise and Stochastic Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2015 Tentang MA4181 (Pengantar)
Lebih terperinciCatatan Kuliah. MA4181 Pengantar Proses Stokastik Stochastics: Precise and Prospective. Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah MA4181 Pengantar Proses Stokastik Stochastics: Precise and Prospective Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2017 1 Tentang
Lebih terperinciDefinisi: Nilai harapan/ekspektasi (expected value/expectation) atau ekspektasi dari peubah acak diskrit/kontinu X adalah
BAB 1 Peluang dan Ekspektasi Bersyarat 1.1 EKSPEKTASI Definisi: Nilai harapan/ekspektasi (expected value/expectation) atau ekspektasi dari peubah acak diskrit/kontinu X adalah E(X) x x p X (x) dan E(X)
Lebih terperinciCatatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest! Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest! Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2014 1 Tentang AK5161 Matematika
Lebih terperinciCatatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest! Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest! Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2014 1 Tentang AK5161 Matematika
Lebih terperinciAK5161 Matematika Keuangan Aktuaria
Catatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2015 1 Tentang AK5161 Matematika
Lebih terperinciCatatan Kuliah AK5161 MATEMATIKA KEUANGAN AKTUARIA. Insure and Invest! Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah AK5161 MATEMATIKA KEUANGAN AKTUARIA Insure and Invest! disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2014 Tentang AK5161 MatKeu
Lebih terperinciAK5161 Matematika Keuangan Aktuaria
Catatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2015 1 Tentang AK5161 Matematika
Lebih terperinciBab 9 Peluang dan Ekspektasi Bersyarat: Harapan Tanpa Syarat
MA38 Teori Peluang - Khreshna Syuhada Bab 9 Bab 9 Peluang dan Ekspektasi Bersyarat: Harapan Tanpa Syarat Ilustrasi 9. Misalkan banyaknya kecelakaan kerja rata-rata per minggu di suatu pabrik adalah empat.
Lebih terperinciMA5181 PROSES STOKASTIK
Catatan Kuliah MA5181 PROSES STOKASTIK disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2013 Tentang MA5181 Proses Stokastik A. Jadwal kuliah:
Lebih terperinciPeubah Acak dan Distribusi
BAB 1 Peubah Acak dan Distribusi 1.1 ILUSTRASI (Ilustrasi 1) B dan G secara bersamaan menembak sasaran tertentu. Peluang tembakan B mengenai sasaran adalah 0.7 sedangkan peluang tembakan G (bebas dari
Lebih terperinciCatatan Kuliah. MA4181 PENGANTAR PROSES STOKASTIK Smart and Stochastic. disusun oleh Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah MA4181 PENGANTAR PROSES STOKASTIK Smart and Stochastic disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2014 Tentang MA4181 (Pengantar)
Lebih 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 terperinciMA4081 PENGANTAR PROSES STOKASTIK Cerdas dan Stokastik
Catatan Kuliah MA4081 PENGANTAR PROSES STOKASTIK Cerdas dan Stokastik disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2011 Tentang MA4081 (Pengantar)
Lebih terperinciCatatan Kuliah. MA4181 Pengantar Proses Stokastik Stochastics: Precise and Prospective. Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah MA4181 Pengantar Proses Stokastik Stochastics: Precise and Prospective Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2017 1 Tentang
Lebih terperinciPengantar Proses Stokastik
Bab 1: Dasar-Dasar Probabilitas Statistika FMIPA Universitas Islam Indonesia Peluang Percobaan adalah kegiatan yang menghasilkan keluaran/hasil yang mungkin secara acak. Contoh: pelemparan sebuah dadu.
Lebih terperinciBab 7 Ekspektasi dan Fungsi Pembangkit Momen: Cintailah Mean
MA38 Teori Peluang - Khreshna Syuhada Bab 7 Bab 7 Ekspektasi dan Fungsi Pembangkit Momen: Cintailah Mean Ilustrasi 7. Seorang peserta kuis diberi dua buah pertanyaan (P-, P-2), yang harus dijawab dengan
Lebih terperinciMA5181 PROSES STOKASTIK
Catatan Kuliah MA5181 PROSES STOKASTIK We do love uncertainty disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2013 Tentang MA5181 Proses Stokastik
Lebih terperinciCatatan Kuliah MA4181 Pengantar Proses Stokastik Precise and Stochastic. Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah MA4181 Pengantar Proses Stokastik Precise and Stochastic Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2015 Tentang MA4181 (Pengantar)
Lebih terperinciPengantar Proses Stokastik
Bab 1: Dasar-Dasar Probabilitas Atina Ahdika, S.Si, M.Si Statistika FMIPA Universitas Islam Indonesia Ruang Sampel dan Kejadian Ruang Sampel dan Kejadian Ruang Sampel dan Kejadian Percobaan adalah kegiatan
Lebih terperinciCatatan Kuliah MA4181 Pengantar Proses Stokastik Precise and Stochastic. Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah MA4181 Pengantar Proses Stokastik Precise and Stochastic Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2015 Tentang MA4181 (Pengantar)
Lebih terperinciPengantar Proses Stokastik
Bab 1: Dasar-Dasar Probabilitas Statistika FMIPA Universitas Islam Indonesia 2015 Percobaan adalah kegiatan yang menghasilkan keluaran/hasil yang mungkin secara acak. Contoh: pelemparan sebuah dadu. Ruang
Lebih 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 terperinciCatatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest! Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest! Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2014 1 Tentang AK5161 Matematika
Lebih 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 terperinciCatatan Kuliah. MA5181 Proses Stokastik
Catatan Kuliah MA5181 Proses Stokastik Precise. Prospective. Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2016 1 Tentang MA5181 Proses Stokastik
Lebih terperinciCatatan Kuliah. MA5181 Proses Stokastik
Catatan Kuliah MA5181 Proses Stokastik Precise. Prospective. Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2016 1 Tentang MA5181 Proses Stokastik
Lebih terperinciMA4081 PENGANTAR PROSES STOKASTIK Cerdas dan Stokastik
Catatan Kuliah MA4081 PENGANTAR PROSES STOKASTIK Cerdas dan Stokastik disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2011 Tentang MA4081 (Pengantar)
Lebih terperinciMA4081 PENGANTAR PROSES STOKASTIK
Catatan Kuliah MA4081 PENGANTAR PROSES STOKASTIK Orang Pintar Belajar Stokastik disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2012 Tentang
Lebih terperinciMA4081 PENGANTAR PROSES STOKASTIK Cerdas dan Stokastik
Catatan Kuliah MA4081 PENGANTAR PROSES STOKASTIK Cerdas dan Stokastik disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2011 Tentang MA4081 (Pengantar)
Lebih terperinciCatatan Kuliah. MA4181 Pengantar Proses Stokastik Stochastics: Precise and Prospective. Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah MA4181 Pengantar Proses Stokastik Stochastics: Precise and Prospective Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2017 1 Tentang
Lebih terperinciBab 8 Fungsi Peluang Bersama: Bersama Kita Berpisah
MA3181 Teori Peluang - Khreshna Syuhada Bab 8 1 Bab 8 Fungsi Peluang Bersama: Bersama Kita Berpisah Ilustrasi 8.1 Sebuah perusahaan asuransi menduga bahwa setiap orang akan mengalami dan memiliki parameter
Lebih terperinciKuis 1 MA5181 Proses Stokastik Precise. Prospective. Tanggal 24 Agustus 2016, Waktu: suka-suka menit Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Kuis Selamat Datang MA5181 Proses Stokastik Precise. Prospective. Tanggal 23 Agustus 2016, Waktu: suka-suka menit 1. Mahasiswa yang datang ke ruang kuliah mengikuti suatu proses dengan laju kedatangan
Lebih terperinciCatatan Kuliah MA4081 PENGANTAR PROSES STOKASTIK Orang Pintar Belajar Stokastik. disusun oleh Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah MA4081 PENGANTAR PROSES STOKASTIK Orang Pintar Belajar Stokastik disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2011 Daftar
Lebih terperinciMA3081 STATISTIKA MATEMATIKA We love Statistics
Catatan Kuliah MA3081 STATISTIKA MATEMATIKA We love Statistics disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2013 Daftar Isi 1 Peubah Acak
Lebih terperinciMA4081 PENGANTAR PROSES STOKASTIK
Catatan Kuliah MA4081 PENGANTAR PROSES STOKASTIK Orang Pintar Belajar Stokastik disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2012 Tentang
Lebih terperinciPengantar Statistika Matematik(a)
Catatan Kuliah Pengantar Statistika Matematik(a) Statistika Lebih Dari Sekadar Matematika disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2014
Lebih terperinciCatatan Kuliah. MA4181 Pengantar Proses Stokastik Stochastics: Precise and Prospective. Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah MA4181 Pengantar Proses Stokastik Stochastics: Precise and Prospective Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2017 1 Tentang
Lebih terperinciMinggu 4-5 Analisis Model MA, AR, ARMA. Minggu 6-7 Model Diagnostik dan Forecasting. Minggu 8-9 Analisi Model ARI, IMA, ARIMA
CNH4S3 Analisis Time Series Dosen: Aniq A Rohmawati, M.Si [Jadwal]: [Materi Analsis Time Series] Kuliah Pemodelan dan Simulasi berisi tentang dasar pemodelan time series seperti kestasioneran, identifikasi
Lebih terperinciMinggu 4-5 Analisis Model MA, AR, ARMA. Minggu 6-7 Model Diagnostik dan Forecasting. Minggu 8-9 Analisi Model ARI, IMA, ARIMA
CNH4S3 Analisis Time Series Dosen: Aniq A Rohmawati, M.Si [Jadwal]: [Materi Analsis Time Series] Kuliah Pemodelan dan Simulasi berisi tentang dasar pemodelan time series seperti kestasioneran, identifikasi
Lebih terperinci/ /16 =
Kuis Selamat Datang MA4181 Pengantar Proses Stokastik Stochastics: Precise and Prospective Tanggal 22 Agustus 2017, Waktu: suka-suka menit Dosen: Khreshna I.A. Syuhada, MSc. PhD. 1. Widya (akan) memenangkan
Lebih terperinciMA5181 PROSES STOKASTIK
Catatan Kuliah MA5181 PROSES STOKASTIK (not just) Always Listening, Always Understanding disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2012
Lebih terperinciPeubah Acak dan Distribusi Kontinu
BAB 1 Peubah Acak dan Distribusi Kontinu 1.1 Fungsi distribusi Definisi: Misalkan X peubah acak. Fungsi distribusi (kumulatif) dari X adalah F X (x) = P (X x) Contoh: 1. Misalkan X Bin(3, 0.5), maka fungsi
Lebih terperinciAK5161 Matematika Keuangan Aktuaria
Catatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2015 1 Tentang AK5161 Matematika
Lebih terperinciMA5181 PROSES STOKASTIK
Catatan Kuliah MA5181 PROSES STOKASTIK We do love uncertainty disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2013 Tentang MA5181 Proses Stokastik
Lebih terperinciCatatan Kuliah. MA5181 Proses Stokastik
Catatan Kuliah MA5181 Proses Stokastik Precise. Prospective. Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2016 1 Tentang MA5181 Proses Stokastik
Lebih terperinciMA4081 PENGANTAR PROSES STOKASTIK
Catatan Kuliah MA4081 PENGANTAR PROSES STOKASTIK Orang Pintar Belajar Stokastik disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2012 Tentang
Lebih terperinciMA5181 PROSES STOKASTIK
Catatan Kuliah MA5181 PROSES STOKASTIK We do love uncertainty disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2013 Tentang MA5181 Proses Stokastik
Lebih terperinciCatatan Kuliah. MA4183 Model Risiko Forecast, assess, and control your risk. Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah MA4183 Model Risiko Forecast, assess, and control your risk Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2016 1 Tentang MA4183
Lebih terperinciCatatan Kuliah. AK5161 Matematika Keuangan Aktuaria Insure and Invest. Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2016 1 Tentang AK5161 Matematika
Lebih terperinciPengantar Statistika Matematik(a)
Catatan Kuliah Pengantar Statistika Matematik(a) Statistika Lebih Dari Sekadar Matematika disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2014
Lebih terperinciCatatan Kuliah. AK5161 Matematika Keuangan Aktuaria Insure and Invest. Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2017 1 Tentang AK5161 Matematika
Lebih terperinciCatatan Kuliah. AK5161 Matematika Keuangan Aktuaria Insure and Invest. Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2017 1 Tentang AK5161 Matematika
Lebih terperinciMA5181 PROSES STOKASTIK
Catatan Kuliah MA5181 PROSES STOKASTIK (not just) Always Listening, Always Understanding disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2012
Lebih terperinciPengantar Proses Stokastik
: Dasar-dasar Probabilitas Statistika FMIPA Universitas Islam Indonesia Diskusi 1. Misalkan sebuah koin yang mempunyai peluang muncul muka sebesar.7, dilantunkan tiga kali. Misalkan X menyatakan banyaknya
Lebih terperinciMA5181 PROSES STOKASTIK
Catatan Kuliah MA5181 PROSES STOKASTIK We do love uncertainty disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2013 Tentang MA5181 Proses Stokastik
Lebih terperinciMA4181 MODEL RISIKO Risk is managed, not avoided
Catatan Kuliah MA4181 MODEL RISIKO Risk is managed, not avoided disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2013 Tentang MA4181 Model Risiko
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 terperinciP (A c B c ) = P [(A B) c ] = 1 P (A B) = 1 P (A) P (B) + P (AB)
Diskusi 1 Tanggal 29 Januari 2014, Waktu: suka-suka menit Peluang suatu kejadian; sifat-sifat peluang (termasuk kejadian-kejadian saling asing dan saling bebas); peluang bersyarat; peluang total; 1. Buktikan
Lebih terperinciMinggu 1 Review Peubah Acak dan Fungsi Distribusi. Minggu 4-5 Analisis Model MA, AR, ARMA. Minggu 6-7 Model Diagnostik dan Forecasting
IKG4Q3 Ekonometrik Dosen: Aniq A Rohmawati, M.Si [Kelas Ekonometrik] CS-36-02 [Jadwal] Senin 10.30-12.30 R.A208A; Selasa 10.30-12.30 R.E302 [Materi Ekonometrik] Kuliah Pemodelan dan Simulasi berisi tentang
Lebih terperinciMinggu 1 Review Peubah Acak; Karakteristik Time Series. Minggu 4-6 Model Moving Average (MA), Autoregressive (AR)
CNH4S3 Analisis Time Series [Dosen] Aniq A Rohmawati, M.Si [Jadwal] Need to reschedule? [About] The purpose of time series analysis is generally twofold: to understand or model the stochastic mechanism
Lebih terperinciCatatan Kuliah. MA4183 Model Risiko Risk: Quantify and Control. Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah MA4183 Model Risiko Risk: Quantify and Control Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2017 1 Tentang MA4183 Model Risiko
Lebih terperinciMA4181 MODEL RISIKO Enjoy the Risks
Catatan Kuliah MA48 MODEL RISIKO Enjoy the Risks disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2 Tentang MA48 Model Risiko A. Jadwal kuliah:
Lebih terperinciCATATAN KULIAH PENGANTAR PROSES STOKASTIK
CATATAN KULIAH PENGANTAR PROSES STOKASTIK Oleh Atina Ahdika, S.Si, M.Si PROGRAM STUDI STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS ISLAM INDONESIA 2016 Daftar Isi Daftar Isi iv
Lebih terperinciMA4181 MODEL RISIKO Risk is managed, not avoided
Catatan Kuliah MA4181 MODEL RISIKO Risk is managed, not avoided disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2013 Tentang MA4181 Model Risiko
Lebih terperinciMA4183 MODEL RISIKO Control your Risk!
Catatan Kuliah MA4183 MODEL RISIKO Control your Risk! disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2014 Tentang MA4183 Model Risiko A. Jadwal
Lebih terperinciMA4081 PENGANTAR PROSES STOKASTIK
Catatan Kuliah MA4081 PENGANTAR PROSES STOKASTIK Orang Pintar Belajar Stokastik disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2012 Tentang
Lebih terperinciMA4183 MODEL RISIKO Control your Risk!
Catatan Kuliah MA4183 MODEL RISIKO Control your Risk! disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2014 Tentang MA4183 Model Risiko A. Jadwal
Lebih terperinciMA4181 MODEL RISIKO Risk is managed, not avoided
Catatan Kuliah MA4181 MODEL RISIKO Risk is managed, not avoided disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2013 Tentang MA4181 Model Risiko
Lebih terperinciCatatan Kuliah. MA4183 Model Risiko
Catatan Kuliah MA4183 Model Risiko Forecast and control your risk Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2015 1 Tentang MA4183 Model Risiko
Lebih terperinciMA4181 MODEL RISIKO Enjoy the Risks
Catatan Kuliah MA4181 MODEL RISIKO Enjoy the Risks disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2011 Tentang MA4181 Model Risiko A. Jadwal
Lebih terperinciCatatan Kuliah. MA4183 Model Risiko
Catatan Kuliah MA4183 Model Risiko Forecast and control your risk Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2015 1 Tentang MA4183 Model Risiko
Lebih terperinciPengantar Proses Stokastik
Diskusi 1: Dasar-dasar Probabilitas Statistika FMIPA Universitas Islam Indonesia 215 Latihan 1 Dasar-dasar Probabilitas Latihan 1 1. Diketahui Tentukan: a. P ( ) X > 1 4 b. Tentukan F (x) 2. Diketahui
Lebih terperinciP (A c B c ) = P [(A B) c ] = 1 P (A B) = 1 P (A) P (B) + P (AB)
Diskusi 1 Tanggal 29 Januari 2014, Waktu: suka-suka menit Peluang suatu kejadian; sifat-sifat peluang (termasuk kejadian-kejadian saling asing dan saling bebas); peluang bersyarat; peluang total; 1. Buktikan
Lebih terperinciMA4183 MODEL RISIKO Control your Risk!
Catatan Kuliah MA4183 MODEL RISIKO Control your Risk! disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2014 Tentang MA4183 Model Risiko A. Jadwal
Lebih terperinciMA4181 PENGANTAR PROSES STOKASTIK Bab 5 Proses Poisson
MA4181 PENGANTAR PROSES STOKASTIK Bab 5 Proses Poisson SMART AND STOCHASTIC MA4181 PENGANTAR PROSES STOKASTIK Bab 5 Proses Poisson SMART AND STOCHASTIC Pengantar Seperti sudah disampaikan sebelumnya, analog
Lebih terperinciMA2081 Statistika Dasar
Catatan Kuliah MA2081 Statistika Dasar Orang Cerdas Belajar Statistika Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2015 1 Tentang MAK6281 Topik
Lebih terperinciPengantar Proses Stokastik
Bab 4: Distribusi Eksponensial Atina Ahdika, S.Si, M.Si Statistika FMIPA Universitas Islam Indonesia 2015 Pendahuluan Distribusi Eksponensial Pendahuluan Distribusi eksponensial dapat dipandang sebagai
Lebih terperinciPengantar Proses Stokastik
: Dasar-dasar Probabilitas, Peluang dan Ekspektasi Bersyarat Statistika FMIPA Universitas Islam Indonesia April 13, 2017 1. Misalkan sebuah koin yang mempunyai peluang muncul muka sebesar 0.7, dilantunkan
Lebih terperinciPengantar Proses Stokastik
Bab 4: Distribusi Eksponensial Atina Ahdika, S.Si, M.Si Statistika FMIPA Universitas Islam Indonesia 2015 Pendahuluan Distribusi Eksponensial Pendahuluan Distribusi eksponensial dapat dipandang sebagai
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 terperinciMA2082 BIOSTATISTIKA Orang Biologi Tidak Anti Statistika
Catatan Kuliah MA2082 BIOSTATISTIKA Orang Biologi Tidak Anti Statistika disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2011 Tentang MA2082
Lebih terperinciCatatan Kuliah. Analisis Data. Orang Cerdas Belajar Statistika. disusun oleh. Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah Analisis Data Orang Cerdas Belajar Statistika disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2013 Tentang Analisis Data A.
Lebih terperinciMA2081 Statistika Dasar
Catatan Kuliah MA2081 Statistika Dasar Orang Cerdas Belajar Statistika Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2015 1 Tentang MAK6281 Topik
Lebih terperinciMA4081 PENGANTAR PROSES STOKASTIK Bab 4 Proses Po
MA4081 PENGANTAR PROSES STOKASTIK Bab 4 Proses Poisson: Suatu Pengantar Orang Pintar Belajar Stokastik Tentang Kuliah Proses Stokastik Bab 1 : Tentang Peluang Bab 2 : Peluang dan Ekspektasi Bersyarat*
Lebih terperinciDengan demikian, untuk sembarang B = [a, b], maka persamaan (5.1) menjadi
Bab 5 Peubah Acak Kontinu 5.1 Pendahuluan Definisi 5.1. Peubah acak adalah suatu fungsi dari ruang contoh S ke R (himpunan bilangan nyata) Peubah acak X bersifat diskret jika F (x) adalah fungsi tangga.
Lebih terperinciCatatan Kuliah. MA4183 Model Risiko
Catatan Kuliah MA4183 Model Risiko Forecast and control your risk Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2015 1 Tentang MA4183 Model Risiko
Lebih terperinciCatatan Kuliah. MA4183 Model Risiko Forecast, assess, and control your risk. Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah MA4183 Model Risiko Forecast, assess, and control your risk Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2016 1 Tentang MA4183
Lebih terperinciMA3081 STATISTIKA MATEMATIKA We love Statistics
Catatan Kuliah MA3081 STATISTIKA MATEMATIKA We love Statistics disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2013 Daftar Isi 1 Peubah Acak
Lebih terperinciCatatan Kuliah. AK5161 Matematika Keuangan Aktuaria Insure and Invest. Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2016 1 Tentang AK5161 Matematika
Lebih terperinciPeubah acak adalah suatu fungsi dari ruang contoh ke bilangan nyata, f : S R
Bab Peubah Acak. Konsep Dasar Peubah Acak Peubah acak adalah suatu fungsi dari ruang contoh ke bilangan nyata, f : S R Contoh peubah acak: Jika X adalah peubah acak banyaknya sisi muka yang muncul pada
Lebih terperinciCatatan Kuliah MA3081 STATISTIKA MATEMATIKA Statistika Mengalahkan Matematika. disusun oleh Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah MA3081 STATISTIKA MATEMATIKA Statistika Mengalahkan Matematika disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2011 Daftar Isi
Lebih terperinciPengantar Statistika Matematika II
Pengantar a Matematika II Atina Ahdika, S.Si., M.Si. Prodi a FMIPA Universitas Islam Indonesia March 20, 2017 atinaahdika.com t F Parameter adalah karakteristik dari populasi (misal θ) adalah karakteristik
Lebih terperinciMA2082 BIOSTATISTIKA Orang Biologi Tidak Anti Statistika
Catatan Kuliah MA2082 BIOSTATISTIKA Orang Biologi Tidak Anti Statistika disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2011 Tentang MA2082
Lebih terperinciBAB 1. Rantai Markov 1.1 ILUSTRASI
BAB 1 Rantai Markov 1.1 ILUSTRASI (Ilustrasi 1) Akhir-akhir ini, hujan dan panas (baca: tidak hujan) datang silih berganti tanpa bisa diduga. Kalau hari ini hujan, besok mungkin hujan mungkin juga panas.
Lebih terperinciCatatan Kuliah. MA4283 Teori Risiko dan Kredibilitas Forecasting Risk: Precise and Prospective. Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah MA4283 Teori Risiko dan Kredibilitas Forecasting Risk: Precise and Prospective Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2018
Lebih terperinciCatatan Kuliah. AK5161 Matematika Keuangan Aktuaria Insure and Invest. Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 017 1 Tentang AK5161 Matematika
Lebih terperinciMA2081 Statistika Dasar
Catatan Kuliah MA2081 Statistika Dasar Orang Cerdas Belajar Statistika Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2015 1 Tentang MA2081 Statistika
Lebih terperinciMA6281 PREDIKSI DERET WAKTU DAN COPULA. Forger The Past(?), Do Forecasting
Catatan Kuliah MA6281 PREDIKSI DERET WAKTU DAN COPULA Forger The Past(?), Do Forecasting disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2014
Lebih terperinci