(T.8) SEBARAN ATIMTOTIK FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN FUNGSI PANGKAT
|
|
- Glenna Widjaja
- 6 tahun lalu
- Tontonan:
Transkripsi
1 (T.8) SEBARAN ATIMTOTIK FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN FUNGSI PANGKAT Ro fah Nur Rachmawati Universitas Bina Nusantara Jl. K.H. Syahdan No. 9 Palmerah Jakarta Barat rrachmawati@binus.edu Abstrak Model stokastik merupakan suatu bentuk penyederhanaan dari fenomena dalam dunia nyata yang melibatkan konsep peluang dan dinilai lebih representatif karena lebih dinamis dalam menangkap indikasi alam yang melibatkan konsep ruang dan waktu. Salah satu bentuk khusus dari proses stokastik dengan waktu kontinu adalah proses Poisson periodik yaitu proses Poisson dengan fungsi intensitas berupa fungsi periodik. Jika laju proses tersebut meningkat berdasarkan suatu fungsi pangkat terhadap waktu maka model yang lebih tepat untuk digunakan adalah proses Poisson periodik dengan suatu komponen tren berbentuk fungsi pangkat. Sebagai contoh, jika diketahui fungsi intensitas dari banyaknya pelanggan yang datang pada suatu pusat servis meningkat, maka kinerja pelayanan juga dapat ditingkatkan dengan menambah server yang memungkinkan sehingga tidak terjadi antrian yang panjang. Begitu pula sebaliknya, jika diketahui fungsi intensitas menurun sistem dapat melakukan efisiensi kinerja. Sehingga pada tulisan ini dipelajari perumusan penduga tipe kernel dari fungsi intensitas suatu proses Poisson periodik dengan suatu komponen tren berbentuk fungsi pangkat, beserta sebaran asimtotik dari penduga yang diperoleh. Kata kunci: Proses Stokastik, Proses Poisson, Kernel, Fungsi Intensitas, Tren pangkat 1. PENDAHULUAN Misalkan N adalah proses Poisson nonhomogen pada interval [0, ) dengan fungsi intensitas λ yang tidak diketahui. Fungsi ini diasumsikan terintegralkan lokal dan terdiri atas dua komponen, yaitu suatu komponen periodik (siklik) dengan periode τ > 0 dan suatu komponen tren yang berbentuk fungsi pangkat. Dengan kata lain untuk sembarang titik s [0, ) dapat ditulis fungsi intensitas λ sebagai berikut λ(s) = λ (s) + as (1) a > 0 dan 0 < b < 1, dengan λ (s) adalah fungsi periodik dengan periode τ dan a adalah kemiringan dari tren, serta diasumsikan bahwa nilai a, b dan τ adalah diketahui. Dalam bahasan ini tidak diasumsikan suatu bentuk parametrik dari λ, kecuali bahwa λ adalah periodik dengan persamaan: λ (s) = λ (s + kτ) (2) berlaku untuk setiap s [0, ) dan k Z dengan Z adalah himpunan bilangan bulat (Mangku, 2006). 75
2 Misalkan untuk suatu ω Ω, hanya terdapat sebuah realisasi N(ω) dari proses Poisson N yang terdefinisi pada suatu ruang peluang (Ω, F, P) dengan fungsi intensitas seperti pada (1) yang diamati pada interval terbatas [0, n] [0, ). Karena λ adalah fungsi periodik dengan periode τ, maka masalah menduga λ pada titik s dengan s R dapat direduksi menjadi masalah menduga λ pada titik s dengan s [0, τ) (Mangku, 2006). 2. HASIL Penduga tipe kernel bagi λ untuk pada s [0, τ) adalah: λ,, (s) = 1 1 L, h k x (s + kτ) K h N(dx) a L, dengan n adalah panjang interval pengamatan, n =, L, = (s + kτ) k, K adalah suatu kernel, h adalah barisan bilangan real positif yang konvergen menuju nol, yaitu h 0 untuk n. Diperoleh bahwa penduga λ,, (s) menyebar normal asimtotik. Jika n h / 0 maka n h λ,, (s) λ (s) Normal(0, σ ) untuk n, dengan σ = a(1 b)τ K (z)dz. Jika n h / 1 maka untuk n, dengan μ = "() n h λ,, (s) λ (s) Normal(μ, σ ) z K(z)dz dan σ = a(1 b)τ K (z)dz. 3. PEMBAHASAN Misalkan h adalah barisan dari bilangan real positif yang konvergen menuju nol, yaitu h 0 (3) untuk n (Mangku, 2006), dan misalkan K: R R adalah suatu fungsi bernilai real, disebut kernel, jika memenuhi sifat-sifat berikut: (K.1) K merupakan fungsi kepekatan peluang, (K.2) K terbatas, (K.3) K memiliki daerah definisi pada [ 1,1]. Ide di balik penyusunan penduga tipe kernel λ,, dari λ dapat dijelaskan seperti berikut: Dari (1) dan (2), untuk setiap titik s dan k Z maka λ (s) = λ (s + kτ) = λ(s + kτ) a(s + kτ). (4) 76
3 Dengan menggunakan pemisalan L, = 1 k dan n = (5) maka (4) dapat dituliskan λ (s) = 1 1 a (s + kτ) λ(s + kτ) L, k L, k. (6) Nilai fungsi λ(s + kτ) di titik s dapat didekati dengan nilai rataan dari banyaknya kejadian di sekitar s, yaitu pada interval [s + kτ h, s + kτ + h ] serta dengan menggunakan (3) maka (6) dapat ditulis λ,, (s) 1 1 L, k EN([s + kτ h, s + kτ + h ]) 2h a L, (s + kτ) k. (7) Dengan mengganti EN([s + kτ h, s + kτ + h ]) dengan padanan stokastiknya yaitu N([s + kτ h, s + kτ + h ]) maka (7) dapat ditulis λ,, (s) = 1 1 L, h k K x (s + kτ) a (s + kτ) N(dx) L, k, (8) h dimana K = I [,]. Agar penduga yang diperoleh lebih umum maka digunakan fungsii kernel umum K. Teorema 1 (Aproksimasi Asimtotik bagi Nilai Harapan Penduga) Misalkan fungsi intensitas λ seperti (1) dan terintegralkan lokal. Jika kernel K adalah simetrik dan memenuhi kondisi (K.1), (K.2), (K.3), h 0, n h untuk n maka Eλ,, (s) = λ (s) + "() h z K(z)dz + oh (9) untuk n, asalkan s adalah titik Lebesgue dari λ (Farida, 2008). 77
4 Teorema 2 (Aproksimasi Asimtotik bagi Ragam Penduga) Misalkan fungsi intensitas λ seperti (1) dan terintegralkan lokal. Jika kernel K memenuhi kondisi (K.1), (K.2), (K.3), h 0, n h untuk n, serta λ terbatas di sekitar s, maka (/) () Var λ,, (s) = untuk n (Farida, 2008). K (z)dz + o (10) Teorema 3 (Sebaran Normal Asimtotik λ c,n,k (s)) Misalkan fungsi intensitas λ seperti (1) dan terintegralkan lokal. Jika kernel K memenuhi kondisi (K.1), (K.2), (K.3), λ terbatas di sekitar s, n h, h 0 untuk n dan λ memiliki turunan ke dua yang terbatas di sekitar s. (i) Jika n h / 0 maka n h / λ,, (s) λ (s) Normal(0, σ ) (11) untuk n, dengan σ = a(1 b)τ K (z)dz. (ii) Jika n h / 1 maka n h / λ,, (s) λ (s) Normal(μ, σ ) (12) untuk n, dengan μ = "(). z K(z)dz dan σ = a(1 b)τ K (z)dz Bukti: Terlebih dahulu dapat ditulis ruas kiri (11) dan (12) sebagai berikut: n h / λ,, (s) λ (s) = n h / λ,, (s) Eλ,, (s) + n h / Eλ,, (s) λ (s). Sehingga untuk membuktikan Teorema 3, cukup dibuktikan n h / λ,, (s) Eλ,, (s) Normal(0, σ ) (13) untuk n, dan jika n h / 0 maka n h / Eλ,, (s) λ (s) 0 (14) untuk n, jika n h / 1 maka n h / Eλ,, (s) λ (s) "() z K(z)dz. (15) 78
5 ditulis untuk n. Pertama dibuktikan bentuk (13) di atas. Dapat diperhatikan bahwa ruas kiri (13) dapat n h Var λ,, (s),, ()E,, (). (16) Var,, () Untuk membuktikan bentuk (16) konvergen ke ruas kanan (13) dapat diterapkan Teorema Limit Pusat (CLT). Misalkan: X () () (). () Untuk sembarang nilai k dan karena suku kedua dari X adalah deterministik, diperoleh nilai harapan peubah acak X adalah E X = K () λ(x)dx (). (18) Dengan penggantian peubah, misalkan: y = x (s + kτ), dy = dx, fungsi intensitas λ memenuhi (1) dan karena K memenuhi (K.2), suku pertama (19) dapat ditulis K λ (y + s) λ (s)dy + () K dy (19) Karena s adalah titik Lebesgue dari λ, dengan penggantian peubah, misal: z =, dz = dan karena K memenuhi (K.1) dan λ terbatas di sekitar s maka persamaan di atas menjadi O untuk n. Selanjutnya dapat diperhatikan suku kedua ruas kanan (19). Dengan menggunakan ekspansi deret Taylor, dengan penggantian peubah, misal: z =, dz = maka diperoleh dan karena K memenuhi (K.1) dan h 0 untuk n, ruas kanan persamaan (19) menjadi (18) diperoleh = O () +. (20) Dengan menyubstitusikan ruas kanan persamaan (20) ke suku pertama ruas kanan untuk n. E X = O 1 a(s + kτ) a(s + kτ) k + k k = O 1 k 79
6 Ragam peubah acak X dapat diperoleh sebagai berikut. Dengan pemisalan X seperti pada (17) dan karena suku kedua X adalah deterministik maka Var X = Var 1 x (s + kτ) k K N(dx). h Untuk nilai n yang besar dan k j, interval [s + kτ h, s + kτ + h ] dan [s + jτ h, s + jτ + h ] tidak overlap sehingga untuk semua k j, K () N(dx) dan K () N(dx) adalah bebas. Karena N adalah proses Poisson, maka Var (N) = E (N), dengan penggantian peubah, misal: y = x (s + kτ), dy = dx dan karena fungsi intensitas λ memenuhi (1) maka diperoleh h = + K λ (y + s)dy K (y + s + kτ) dy. (21) Dapat diperhatikan suku pertama ruas kanan persamaan (22). Karena λ terbatas di sekitar s, dengan penggantian peubah, misal: z =, dz = dan karena K memenuhi (K.3) maka persamaan di atas menjadi O untuk n. Selanjutnya dapat diperhatikan suku kedua ruas kanan (21). Dengan menggunakan ekspansi deret Taylor, dengan penggantian peubah, misal: z =, dz = dan karena K memenuhi (K.3) diperoleh nilai dari ruas kanan persamaan (21) yang merupakan nilai dari Var X yaitu Var X = Misalkan B = K (z)dz () I(zh + s + kτ [0, n]) + O. (22) Var X, dan dengan pemisalan X seperti pada (17) diperoleh: E(X EX ) = 1 x (s + kτ) k K EN(dx) h Dapat diperhatikan bahwa h + 1 x (s + kτ) k K EN(dx). (23) h h E(X EX ) = ob. Dengan demikian barisan X merupakan barisan peubah acak bebas dengan nilai harapan dan ragam yang nilainya terhingga dan tidak nol untuk sembarang k. Sehingga 80
7 penduga λ,, (s) merupakan jumlah dari peubah acak bebas yang dikalikan suatu konstanta yaitu λ,, (s) = 1 X L, yang menyebar normal asimtotik dengan nilai harapan EX dan ragam Var X, maka diperoleh λ,, (s) Eλ,, (s) Normal(0,1) Var λ,, (s) untuk n. Sehingga untuk membuktikan (13) tinggal membuktikan n h / Var λ,, (s) a(1 b)τ K (z)dz. (24) untuk n. Dengan menyubstitusikan (10) ke ruas kiri (24) diperoleh n h / Var λ,, (s) = a(1 b)τ K (z)dz + o(1). (25) untuk n. Misalkan u = a(1 b)τ K (z)dz + o(1) dan f(u) = u, dengan menggunakan deret Taylor diperoleh n h / Var λ,, (s) a(1 b)τ K (z)dz untuk n. Dengan demikian (13) terbukti. Untuk membuktikan (14) dan (15) dapat digunakan Teorema 1 sehingga diperoleh n h / Eλ,, (s) λ (s) = n h "() z K(z)dz + o(1). (26) Karena n h / 0 untuk n, persamaan (26) menjadi o(1) untuk n sehingga (14) terbukti. Karena n h / 1 untuk n, persamaan (26) menjadi "() terbukti. z K(z)dz + o(1) untuk n sehingga (15) terbukti. Dengan demikian Teorema 3 4. KESIMPULAN Dari hasil pengkajian yang dilakukan diperoleh bahwa λ,, (s) adalah penduga tak bias asimtotik bagi λ dan ragam dari penduga konvergen menuju nol, serta λ,, (s) menyebar normal asimtotik seperti pada Teorema 3. 81
8 5. DAFTAR PUSTAKA Mangku, I. W. (2006). Asymptotic Normality of a Kernel-Type Estimator for the Intensity of a Periodic Poisson Process. Journal of Mathematics and Its Applications. 5 (2) Farida, T. (2008). Pendugaan Komponen Periodik dari Fungsi Intensitas Proses Poisson Periodik dengan Tren Fungsi Pangkat. Thesis, Institut Pertanian Bogor, Bogor. 82
BAB 3 REVIEW SIFAT-SIFAT STATISTIK PENDUGA KOMPONEN PERIODIK
BAB 3 REVIEW SIFAT-SIFAT STATISTIK PENDUGA KOMPONEN PERIODIK 3. Perumusan Penduga Misalkan N adalah proses Poisson non-homogen pada interval 0, dengan fungsi intensitas yang tidak diketahui. Fungsi intensitas
Lebih terperinciKEKONVERGENAN MSE PENDUGA KERNEL SERAGAM FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN FUNGSI PANGKAT
KEKONVERGENAN MSE PENDUGA KERNEL SERAGAM FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN FUNGSI PANGKAT Ro fah Nur Rachmawati Mathematics & Statistics Department, School of Computer Science, Binus
Lebih terperinciIII. HASIL DAN PEMBAHASAN
III. HASIL DAN PEMBAHASAN 3.1 Perumusan Masalah Misalkan adalah proses Poisson nonhomogen pada interval dengan fungsi intensitas yang tidak diketahui. Fungsi intensitas diasumsikan terintegralkan lokal
Lebih terperinciBAB 3 REVIEW PENDUGAAN FUNGSI INTENSITAS LOKAL DAN GLOBAL DARI PROSES POISSON PERIODIK DENGAN TREN FUNGSI PANGKAT
9 BAB 3 REVIEW PENDUGAAN FUNGSI INTENSITAS LOKAL DAN GLOBAL DARI PROSES POISSON PERIODIK DENGAN TREN FUNGSI PANGKAT Misalkan adalah proses Poisson nonhomogen pada interval dengan fungsi intensitas yang
Lebih terperinciBAB 4 SEBARAN ASIMTOTIK PENDUGA KOMPONEN PERIODIK
BAB 4 SEBARAN ASIMTOTIK PENDUGA KOMPONEN PERIODIK 4. Sebaran Asimtotik,, Teorema 4. (Sebaran Normal Asimtotik,, ) Misalkan fungsi intensitas seperti (3.2) dan terintegralkan lokal. Jika kernel K adalah
Lebih terperinciBAB 4 KEKONSISTENAN PENDUGA DARI FUNGSI SEBARAN DAN FUNGSI KEPEKATAN WAKTU TUNGGU DARI PROSES POISSON PERIODIK DENGAN TREN FUNGSI PANGKAT
29 BAB 4 KEKONSISTENAN PENDUGA DARI FUNGSI SEBARAN DAN FUNGSI KEPEKATAN WAKTU TUNGGU DARI PROSES POISSON PERIODIK DENGAN TREN FUNGSI PANGKAT 4.1 Perumusan Penduga Misalkan adalah proses Poisson nonhomogen
Lebih terperinciPENDUGAAN FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN FUNGSI PANGKAT MENGGUNAKAN METODE TIPE KERNEL
PENDUGAAN FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN FUNGSI PANGKAT MENGGUNAKAN METODE TIPE KERNEL Ro fah Nur Rachmawati Jurusan Matematika, Fakultas Sains dan Teknologi, Binus University Jl.
Lebih terperinciSEBARAN ASIMTOTIK PENDUGA KOMPONEN PERIODIK FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN FUNGSI PANGKAT RO FAH NUR RACHMAWATI
SEBARAN ASIMTOTIK PENDUGA KOMPONEN PERIODIK FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN FUNGSI PANGKAT RO FAH NUR RACHMAWATI SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2010 PERNYATAAN
Lebih terperinciBAB IV SEBARAN ASIMTOTIK PENDUGA TURUNAN PERTAMA DAN KEDUA DARI KOMPONEN PERIODIK FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN LINEAR
3 BAB IV SEBARAN ASIMTOTIK PENDUGA TURUNAN PERTAMA DAN KEDUA DARI KOMPONEN PERIODIK FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN LINEAR 4.. Sebaran asimtotik dari,, Teorema 4. ( Normalitas Asimtotik
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Proses Poisson Periodik Definisi 2.1 (Proses stokastik) Proses stokastik X = {X(t), t T } adalah suatu himpunan dari peubah acak yang memetakan suatu ruang contoh Ω ke suatu
Lebih terperinciBAB IV REDUKSI BIAS PADA PENDUGAAN
BAB IV REDUKSI BIAS PADA PENDUGAAN 4.1. Asimtotik Orde-2 Berdasarkan hasil simulasi pada Helmers dan Mangku (2007) kasus kernel seragam, aproksimasi asimtotik orde pertama pada ragam dan bias, gagal memprediksikan
Lebih terperinciABSTRACT JOKO DWI SURAWU. Keywords:
ABSTRACT JOKO DWI SURAWU. Asymptotic Distribution of an Estimator for Periodic Component of Intensity Function of a Periodic Poisson Process in the Presence of Linear Trend. Supervised by I WAYAN MANGKU
Lebih terperinciII LANDASAN TEORI. 2.1 Ruang Contoh, Kejadian dan Peluang. 2.2 Peubah Acak dan Fungsi Sebaran
II LANDASAN TEORI 2.1 Ruang Contoh, Kejadian dan Peluang Dalam suatu percobaan sering kali diperlukan pengulangan yang dilakukan dalam kondisi yang sama. Semua kemungkinan hasil yang akan muncul akan diketahui
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
3 BAB 2 TINJAUAN PUSTAKA 2.1 Proses Poisson Periodik Definisi 2.1 (Proses stokastik) Proses stokastik adalah suatu himpunan dari peubah acak yang memetakan suatu ruang contoh ke suatu ruang state. Jika
Lebih terperinciSEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR
SEBARAN ASIMTOTIK PENDUGA KOMPONEN PERIODIK FUNGSI INTENSITAS BERBENTUK PERKALIAN FUNGSI PERIODIK DENGAN TREN LINEAR DARI SUATU PROSES POISSON NON-HOMOGEN LIA YULIAWATI SEKOLAH PASCASARJANA INSTITUT PERTANIAN
Lebih terperinciPENDAHULUAN LANDASAN TEORI
1 PENDAHULUAN Latar Belakang Dalam kehidupan sehari-hari, banyak permasalahan yang dapat dimodelkan dengan proses stokastik. Proses stokastik dapat dibedakan menjadi dua yaitu proses stokastik dengan waktu
Lebih terperinciBAB II TINJAUAN PUSTAKA
3 BAB II TINJAUAN PUSTAKA 2.1 Proses Poisson Periodik Definisi 2.1 (Proses stokastik) Proses stokastik X = {X(t), t T} adalah suatu himpunan dari peubah acak yang memetakan suatu ruang contoh ke suatu
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Proses Poisson Periodik Definisi 2.1 (Proses stokastik) Proses stokastik, adalah suatu himpunan dari peubah acak yang memetakan suatu ruang contoh Ω ke suatu ruang states. Jadi,
Lebih terperinciII. LANDASAN TEORI. 2. P bersifat aditif tak hingga, yaitu jika dengan. 2.1 Ruang Contoh, Kejadian dan Peluang
II. LANDASAN TEORI 2.1 Ruang Contoh, Kejadian dan Peluang Dalam suatu percobaan sering kali diperlukan pengulangan yang dilakukan dalam kondisi yang sama. Semua kemungkinan hasil yang akan muncul akan
Lebih terperinciSEBARAN ASIMTOTIK PENDUGA TURUNAN N PERTAMA DAN KEDUA DARI KOMPONEN PERIODIK FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN LINEAR
SEBARAN ASIMTOTIK PENDUGA TURUNANN PERTAMA DAN KEDUA DARI KOMPONE EN PERIODIK FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN LINEAR SALIWATI SEKOLAH PASCASARJANAA INSTITUT PERTANIAN BOGOR BOGOR
Lebih terperinciLampiran 1. Beberapa Definisi dan Lema Teknis
Lampiran 1. Beberapa Definisi dan Lema Teknis Ruang Contoh, Kejadian dan Peluang Suatu percobaan yang dapat diulang dalam kondisi yang sama, yang hasilnya tidak dapat diprediksi dengan tepat tetapi kita
Lebih terperinciLampiran A. Beberapa Definisi dan Lema Teknis
LAMPIRAN 33 Lampiran A. Beberapa Definisi dan Lema Teknis Ruang Contoh, Kejadian dan Peluang Definisi A.1 (Ruang contoh dan kejadian) Suatu percobaan yang dapat diulang dalam kondisi yang sama, yang hasilnya
Lebih terperinciKEKONSISTENAN PENDUGA FUNGSI SEBARAN DAN FUNGSI KEPEKATAN PELUANG WAKTU TUNGGU PROSES POISSON PERIODIK DENGAN TREN LINEAR TITA ROBIAH AL ADAWIYAH
KEKONSISTENAN PENDUGA FUNGSI SEBARAN DAN FUNGSI KEPEKATAN PELUANG WAKTU TUNGGU PROSES POISSON PERIODIK DENGAN TREN LINEAR TITA ROBIAH AL ADAWIYAH DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciKAJIAN BANDWIDTH OPTIMAL PADA PENDUGAAN FUNGSI INTENSITAS LOKAL PROSES POISSON PERIODIK SURASNO
KAJIAN BANDWIDTH OPTIMAL PADA PENDUGAAN FUNGSI INTENSITAS LOKAL PROSES POISSON PERIODIK SURASNO SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2009 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI Dengan
Lebih terperinciSIFAT-SIFAT STATISTIKA TIKA ORDE-2 FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN LINEAR DAN MODIFIKASINYA NENENG MILA MARLIANA
SIFAT-SIFAT STATISTIKA TIKA ORDE-2 PENDUGA TIPE KERNEL L BAGI K KOMPONEN PERIODIK FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN LINEAR DAN MODIFIKASINYA NENENG MILA MARLIANA SEKOLAH PASCASARJANASARJANA
Lebih terperinciPENDUGAAN FUNGSI INTENSITAS BERBENTUK EKSPONENSIAL DARI FUNGSI PERIODIK DITAMBAH TREN LINEAR PADA PROSES POISSON NON-HOMOGEN SALMUN K.
PENDUGAAN FUNGSI INTENSITAS BERBENTUK EKSPONENSIAL DARI FUNGSI PERIODIK DITAMBAH TREN LINEAR PADA PROSES POISSON NON-HOMOGEN SALMUN K. NASIB SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2014 PERNYATAAN
Lebih terperinciPENDUGAAN KOMPONEN PERIODIK FUNGSI INTENSITAS BERBENTUK FUNGSI PERIODIK KALI TREN FUNGSI PANGKAT PROSES POISSON NON-HOMOGEN WINDIANI ERLIANA
PENDUGAAN KOMPONEN PERIODIK FUNGSI INTENSITAS BERBENTUK FUNGSI PERIODIK KALI TREN FUNGSI PANGKAT PROSES POISSON NON-HOMOGEN WINDIANI ERLIANA DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciBAB IV SIMULASI PEMBANDINGAN PERILAKU PENDUGA FUNGSI INTENSITAS LOKAL PROSES POISSON PERIODIK DENGAN BANDWIDTH OPTIMAL DAN BANDWIDTH OPTIMAL ASIMTOTIK
BAB IV SIMULASI PEMBANDINGAN PERILAKU PENDUGA FUNGSI INTENSITAS LOKAL PROSES POISSON PERIODIK DENGAN BANDWIDTH OPTIMAL DAN BANDWIDTH OPTIMAL ASIMTOTIK Pada bagian ini dilakukan simulasi untuk membandingkan
Lebih terperincipada Definisi 2.28 ada dan nilainya sama dengan ( ) ( ) Untuk memperoleh hasil di atas, ruas kiri persamaan (25) ditulis sebagai berikut ( )
LAMPIRAN 21 Lampiran 1 (Pembuktian Lema 2.1 Lema 2.1 (Eksistensi Fungsi Intensitas global Jika ([ ] adalah proses Poisson periodik dengan fungsi intensitas, maka ([ ] pada Definisi 2.28 ada dan nilainya
Lebih terperinciUJI KONVERGENSI. Januari Tim Dosen Kalkulus 2 TPB ITK
UJI KONVERGENSI Januari 208 Tim Dosen Kalkulus 2 TPB ITK Uji Integral Teorema 3 Jika + k= u k adalah deret dengan suku-suku tak negatif, dan jika ada suatu konstanta M sedemikian hingga s n = u + u 2 +
Lebih terperincimatematika PEMINATAN Kelas X PERSAMAAN DAN PERTIDAKSAMAAN EKSPONEN K13 A. PERSAMAAN EKSPONEN BERBASIS KONSTANTA
K1 Kelas X matematika PEMINATAN PERSAMAAN DAN PERTIDAKSAMAAN EKSPONEN TUJUAN PEMBELAJARAN Setelah mempelajari materi ini, kamu diharapkan memiliki kemampuan berikut. 1. Memahami bentuk-bentuk persamaan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Berikut ini adalah beberapa definisi dan teorema yang menjadi landasan dalam penentuan harga premi, fungsi permintaan, dan kesetimbangannya pada portfolio heterogen. 2.1 Percobaan
Lebih terperinciAyundyah Kesumawati. April 29, Prodi Statistika FMIPA-UII. Deret Tak Terhingga. Ayundyah. Barisan Tak Hingga. Deret Tak Terhingga
Kesumawati Prodi Statistika FMIPA-UII April 29, 2015 Akar Barisan a 1, a 2, a 3, a 4,... adalah susunan bilangan-bilangan real yang teratur, satu untuk setiap bilangan bulat positif. adalah fungsi yang
Lebih terperinciPr { +h =1 = } lim. Suatu fungsi dikatakan h apabila lim =0. Dapat dilihat bahwa besarnya. probabilitas independen dari.
6.. Proses Kelahiran Murni Dalam bab ini, akan dibahas beberapa contoh penting dari waktu kontinu, state diskrit, proses Markov. Khususnya, dengan kumpulan dari variabel acak {;0 } di mana nilai yang mungkin
Lebih terperinciSIFAT-SIFAT STATISTIK PENDUGA FUNGSI NILAI HARAPAN PADA PROSES POISSON PERIODIK MAJEMUK DENGAN TREN FUNGSI PANGKAT INTAN FITRIA SARI
SIFAT-SIFAT STATISTIK PENDUGA FUNGSI NILAI HARAPAN PADA PROSES POISSON PERIODIK MAJEMUK DENGAN TREN FUNGSI PANGKAT INTAN FITRIA SARI SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2016 PERNYATAAN
Lebih terperinciLampiran 1. Beberapa Definisi dan Lema Teknis
DAFTAR PUSTAKA Browder, A. 1996. Mathematical Analysis : An Introduction. Springer. New York. Dudley, R.M. 1989. Real Analysis and Probability. Wadsworth & Brooks. California. Durret, R. 1996. Probability
Lebih terperinciPENDUGAAN TURUNAN PERTAMA DAN TURUNAN KEDUA DARI FUNGSI INTENSITAS SUATU PROSES POISSON PERIODIK SYAMSURI
PENDUGAAN TURUNAN PERTAMA DAN TURUNAN KEDUA DARI FUNGSI INTENSITAS SUATU PROSES POISSON PERIODIK SYAMSURI SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2007 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI
Lebih terperinciKEKONSISTENAN PENDUGA FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN LINEAR. Oleh: LIA NURLIANA
KEKONSISTENAN PENDUGA FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN LINEAR Oleh: LIA NURLIANA PROGRAM STUDI MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR
Lebih terperinciBAB II TINJAUAN PUSTAKA
5 BAB II TINJAUAN PUSTAKA Dalam bab ini dijelaskan beberapa definisi dan teorema yang digunakan dalam pembahasan berikutnya. 2.1 Teori Peluang Definisi 2.1.1 (Percobaan Acak) (Ross 2000) Suatu percobaan
Lebih terperinci( s) PENDAHULUAN tersebut, fungsi intensitas (lokal) LANDASAN TEORI Ruang Contoh, Kejadian dan Peluang
Latar Belaang Terdapat banya permasalahan atau ejadian dalam ehidupan sehari hari yang dapat dimodelan dengan suatu proses stoasti Proses stoasti merupaan permasalahan yang beraitan dengan suatu aturan-aturan
Lebih terperinciPENDUGAAN FUNGSI SEBARAN DAN FUNGSI KEPEKATAN PELUANG WAKTU TUNGGU PROSES POISSON PERIODIK NADIROH
PENDUGAAN FUNGSI SEBARAN DAN FUNGSI KEPEKATAN PELUANG WAKTU TUNGGU PROSES POISSON PERIODIK NADIROH DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2011
Lebih terperinciDaftar Isi 5. DERET ANALISIS REAL. (Semester I Tahun ) Hendra Gunawan. Dosen FMIPA - ITB September 26, 2011
(Semester I Tahun 2011-2012) Dosen FMIPA - ITB E-mail: hgunawan@math.itb.ac.id. September 26, 2011 Diberikan sejumlah terhingga bilangan a 1,..., a N, kita dapat menghitung jumlah a 1 + + a N. Namun,
Lebih terperinciEdisi Agustus 2014 Volume VIII No. 2 ISSN APLIKASI PROSES POISSON PERIODIK (STUDI KASUS: ANTRIAN NASABAH BANK BRI)
Edisi Agustus 204 Volume VIII No 2 ISSN 979-89 APLIKASI PROSES POISSON PERIODIK (STUDI KASUS: ANTRIAN NASABAH BANK BRI) Rini Cahyandari, Agus Tinus Setianto Jurusan Matematika, Fakultas Sains dan Teknologi,
Lebih terperinciMemahami definisi barisan tak hingga dan deret tak hingga, dan juga dapat menentukan
4 BARISAN TAK HINGGA DAN DERET TAK HINGGA JUMLAH PERTEMUAN : 5 PERTEMUAN TUJUAN INSTRUKSIONAL KHUSUS : Memahami definisi barisan tak hingga dan deret tak hingga, dan juga dapat menentukan kekonvergenan
Lebih terperinciMemahami konsep dasar turunan fungsi dan menggunakan turunan fungsi pada
5 TURUNAN JUMLAH PERTEMUAN : 4 PERTEMUAN TUJUAN INSTRUKSIONAL KHUSUS : Memahami konsep dasar turunan fungsi dan menggunakan turunan fungsi pada permasalahan yang ada Materi : 5.1 Pendahuluan Ide awal adanya
Lebih terperinci( x) LANDASAN TEORI. ω Ω ke satu dan hanya satu bilangan real X( ω ) disebut peubah acak. Ρ = Ρ. Ruang Contoh, Kejadian dan Peluang
LANDASAN TEORI Ruang Contoh Kejadian dan Peluang Suatu percobaan yang dapat diulang dalam ondisi yang sama yang hasilnya tida dapat dipredisi secara tepat tetapi ita dapat mengetahui semua emunginan hasil
Lebih terperinciLAMPIRAN. Kajadian adalah suatu himpunan bagian dari ruang contoh Ω. (Grimmett dan Stirzaker, 2001) Definisi A.3 (Medan-σ)
LAMPIRAN 55 56 LAMPIRAN Lampiran 1. Beberapa Definisi dan Lema Teknis Ruang Contoh, Kejadian, dan Peluang Berbagai macam kejadian diperoleh melalui pengamatan dari serangkaian percobaan yang dilakukan
Lebih terperinciPENDUGAAN KOMPONEN PERIODIK FUNGSI INTENSITAS BERBENTUK FUNGSI PERIODIK KALI TREN LINEAR SUATU PROSES POISSON NON-HOMOGEN WENTI ISMAYULIA
PENDUGAAN KOMPONEN PERIODIK FUNGSI INTENSITAS BERBENTUK FUNGSI PERIODIK KALI TREN LINEAR SUATU PROSES POISSON NON-HOMOGEN WENTI ISMAYULIA DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciDeret Binomial. Ayundyah Kesumawati. June 25, Prodi Statistika FMIPA-UII. Ayundyah (UII) Deret Binomial June 25, / 14
Deret Binomial Ayundyah Kesumawati Prodi Statistika FMIPA-UII June 25, 2015 Ayundyah (UII) Deret Binomial June 25, 2015 1 / 14 Pendahuluan Deret Binomial Kita telah mengenal Rumus Binomial. Untuk bilangan
Lebih terperinciPertemuan ke-10: UJI PERBANDINGAN, DERET BERGANTI TANDA, KEKONVERGENAN MUTLAK, UJI RASIO, DAN UJI AKAR
Pertemuan ke-0: UJI PERBANDINGAN, DERET BERGANTI TANDA, KEKONVERGENAN MUTLAK, UJI RASIO, DAN UJI AKAR Departemen Matematika FMIPA IPB Bogor, 205 (Departemen Matematika FMIPA IPB) Kalkulus II Bogor, 205
Lebih terperinciBAB IV DERET FOURIER
BAB IV DERET FOURIER 4.1 Fungsi Periodik Fungsi f(x) dikatakan periodik dengan perioda P, jika untuk semua harga x berlaku: f (x + P) = f (x) ; P adalah konstanta positif. Harga terkecil dari P > 0 disebut
Lebih terperinciII. TINJAUAN PUSTAKA
II. TINJAUAN PUSTAKA Dalam proses penelitian untuk mengkaji karakteristik penduga distribusi generalized gamma dengan metode generalized moment ini, penulis menggunakan definisi, teorema dan konsep dasar
Lebih terperinciMemahami konsep dasar turunan fungsi dan mengaplikasikan turunan fungsi pada
5 TURUNAN JUMLAH PERTEMUAN : 4 PERTEMUAN TUJUAN INSTRUKSIONAL KHUSUS : Memahami konsep dasar turunan fungsi dan mengaplikasikan turunan fungsi pada permasalahan yang ada Materi : 5.1 Pendahuluan Ide awal
Lebih terperinciDERET TAK HINGGA. Contoh deret tak hingga :,,, atau. Barisan jumlah parsial, dengan. Definisi Deret tak hingga,
DERET TAK HINGGA Contoh deret tak hingga :,,, atau. Barisan jumlah parsial, dengan Definisi Deret tak hingga,, konvergen dan mempunyai jumlah S, apabila barisan jumlah jumlah parsial konvergen menuju S.
Lebih terperinciPENDUGAAN FUNGSI NILAI HARAPAN PADA PROSES POISSON PERIODIK MAJEMUK DENGAN TREN FUNGSI PANGKAT INTAN FITRIA SARI
PENDUGAAN FUNGSI NILAI HARAPAN PADA PROSES POISSON PERIODIK MAJEMUK DENGAN TREN FUNGSI PANGKAT INTAN FITRIA SARI DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih terperinciBAB III PERUMUSAN PENDUGA DAN SIFAT SIFAT STATISTIKNYA
BAB III PERUMUSAN PENDUGA DAN SIFAT SIFAT STATISTIKNYA 3. Perumusa Peduga Misalka N adala proses Poisso o omoge pada iterval [, dega fugsi itesitas yag tidak diketaui. Fugsi ii diasumsika teritegralka
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 terperinciPENGGUNAAN METODE DEKOMPOSISI ADOMIAN UNTUK MENYELESAIKAN PERMASALAHAN PADA KALKULUS VARIASI ABSTRACT
PENGGUNAAN METODE DEKOMPOSISI ADOMIAN UNTUK MENYELESAIKAN PERMASALAHAN PADA KALKULUS VARIASI Febrian Lisnan, Asmara Karma 2 Mahasiswa Program Studi S Matematika 2 Dosen Jurusan Matematika Fakultas Matematika
Lebih terperinciLANDASAN TEORI. Model ini memiliki nilai kesetimbangan positif pada saat koordinat berada di titik
LANDASAN TEORI Model Mangsa Pemangsa Lotka Volterra Bagian ini membahas model mangsa pemangsa klasik Lotka Volterra. Model Lotka Volterra menggambarkan laju perubahan populasi dua spesies yang saling berinteraksi.
Lebih terperinciTINJAUAN SINGKAT KALKULUS
A TINJAUAN SINGKAT KALKULUS Salah satu syarat yang diperlukan untuk mempelajari komputasi numerik adalah pengetahuan dasar tentang kalkulus, termasuk pengenalan beberapa notasi dalam kalkulus, sifat-sifat
Lebih terperinciDwi Lestari, M.Sc: Konvergensi Deret 1. KONVERGENSI DERET
1. KONVERGENSI DERET Suatu barisan disebut konvergen jika terdapat bilangan Z yang setiap lingkungannya memuat semua. Jika bilangan Z itu ada maka dapat ditulis: lim sehingga dapat dikatakan bahwa barisan
Lebih terperinciLIMIT KED. Perhatikan fungsi di bawah ini:
LIMIT Perhatikan fungsi di bawah ini: f x = x2 1 x 1 Perhatikan gambar di samping, untuk nilai x = 1 nilai f x tidak ada. Tetapi jikakita coba dekati nilai x = 1 dari sebelah kiri dan kanan maka dapat
Lebih terperinci11. Konvolusi. Misalkan f dan g fungsi yang terdefinisi pada R. Konvolusi dari f dan g adalah fungsi f g yang didefinisikan sebagai.
11. Konvolusi Operasi konvolusi yang akan kita bahas di sini sebetulnya pernah kita jumpai pada pembahasan deret Fourier (ketika membuktikan kekonvergenan jumlah parsialnya). Operasi konvolusi merupakan
Lebih terperinciBAB V KEKONVERGENAN BARISAN PADA DAN KETERKAITAN DENGAN. Pada subbab 4.1 telah dibahas beberapa sifat dasar yang berlaku pada koleksi
BAB V KEKONVERGENAN BARISAN PADA DAN KETERKAITAN DENGAN Pada subbab 4.1 telah dibahas beberapa sifat dasar yang berlaku pada koleksi semua fungsi yang terintegralkan Lebesgue, 1. Sebagaimana telah dirumuskan
Lebih terperinciKALKULUS MULTIVARIABEL II
Pada Bidang Bentuk Vektor dari KALKULUS MULTIVARIABEL II (Minggu ke-9) Andradi Jurusan Matematika FMIPA UGM Yogyakarta, Indonesia Pada Bidang Bentuk Vektor dari 1 Definisi Daerah Sederhana x 2 Pada Bidang
Lebih terperinciBAB III MODEL HIDDEN MARKOV KONTINU DENGAN PROSES OBSERVASI ZERO DELAY
BAB III MODEL HIDDEN MARKOV KONTINU DENGAN PROSES OBSERVASI ZERO DELAY 3.1 State dan Proses Observasi Semua proses didefinisikan pada ruang peluang Ω,,. Misalkan ; adalah rantai Markov dengan state berhingga
Lebih terperinciBAB II LANDASAN TEORI
4 BAB II LANDASAN TEORI Teori yang ditulis dalam bab ini merupakan beberapa landasan yang digunakan untuk menganalisis sebaran besarnya klaim yang berekor kurus (thin tailed) dan yang berekor gemuk (fat
Lebih terperinciPENDUGAAN FUNGSI NILAI HARAPAN PADA PROSES POISSON PERIODIK MAJEMUK DENGAN TREN LINEAR BONNO ANDRI WIBOWO
PENDUGAAN FUNGSI NILAI HARAPAN PADA PROSES POISSON PERIODIK MAJEMUK DENGAN TREN LINEAR BONNO ANDRI WIBOWO DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2014
Lebih terperinciPENGANTAR ANALISIS REAL
Seri Analisis dan Geometri No. 1 (2009), -15 158 (173 hlm.) PENGANTAR ANALISIS REAL Oleh Hendra Gunawan Edisi Pertama Bandung, Januari 2009 2000 Dewey Classification: 515-xx. Kata Kunci: Analisis matematika,
Lebih terperinciMA1201 KALKULUS 2A Do maths and you see the world
Catatan Kuliah MA20 KALKULUS 2A Do maths and you see the world disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 203 Catatan kuliah ini ditulis
Lebih terperinciBAB I PENDAHULUAN. Integral Lebesgue merupakan suatu perluasan dari integral Riemann.
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Integral Lebesgue merupakan suatu perluasan dari integral Riemann. Sebagaimana telah diketahui, pengkonstruksian integral Riemann dilakukan dengan cara pemartisian
Lebih terperinciMA5031 Analisis Real Lanjut Semester I, Tahun 2015/2016. Hendra Gunawan
MA5031 Analisis Real Lanjut Semester I, Tahun 2015/2016 Hendra Gunawan 3.3 Himpunan Kompak Himpunan tak terhingga lebih sulit ditangani daripada himpunan terhingga. Namun ada himpunan tak terhingga yang
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Pada bab ini dibahas mengenai tinjauan pustaka yang digunakan dalam penelitian ini, khususnya yang diperlukan dalam Bab 3. Teori yang dibahas adalah teori yang mendukung pembentukan
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Deret Taylor Deret Taylor dinamai berdasarkan seorang matematikawan Inggris, Brook Taylor (1685-1731) dan deret Maclaurin dinamai berdasarkan matematikawan Skotlandia, Colin
Lebih terperinci5.1 Fungsi periodik, fungsi genap, fungsi ganjil
Bab 5 DERET FOURIER Pada Bab sebelumnya kita telah membahas deret Taylor. Syarat fungsi agar dapat diekspansi ke dalam deret Taylor adalah fungsi tersebut harus terdiferensial pada setiap tingkat. Untuk
Lebih terperinciBAB III INTEGRAL LEBESGUE. Pada bab sebelumnya telah disebutkan bahwa ruang dibangun oleh
BAB III INTEGRAL LEBESGUE Pada bab sebelumnya telah disebutkan bahwa ruang dibangun oleh fungsi-fungsi terukur dan memenuhi sifat yang berkaitan dengan integral Lebesgue. Kajian mengenai keterukuran suatu
Lebih terperinciFungsi dan Limit Fungsi 23. Contoh 5. lim. Buktikan, jika c 0, maka
Contoh 5 Buktikan jika c 0 maka c c Analisis Pendahuluan Akan dicari bilangan 0 sedemikian sehingga apabila c untuk setiap 0. 0 c berlaku Perhatikan: c ( c)( c) c c c c Dapat dipilih c Bukti: c c c Ambil
Lebih terperinciLEMBAR AKTIVITAS SISWA INDUKSI MATEMATIKA
Nama Siswa Kelas : : LEMBAR AKTIVITAS SISWA INDUKSI MATEMATIKA Latihan 1 1. A. NOTASI SIGMA 1. Pengertian Notasi Sigma Misalkan jumlah n suku pertama deret aritmatika adalah S n = U 1 + U 2 + U 3 + + U
Lebih terperinciPersamaan dan Pertidaksamaan Linear
MATERI POKOK Persamaan dan Pertidaksamaan Linear MATERI BAHASAN : A. Persamaan Linear B. Pertidaksamaan Linear Modul.MTK X 0 Kalimat terbuka adalah kalimat matematika yang belum dapat ditentukan nilai
Lebih terperinciII. TINJAUAN PUSTAKA
II. TINJAUAN PUSTAKA 2.1 Distribusi Logistik Distribusi logistik merupakan distribusi yang memiliki fungsi kepekatan peluang kontinu. Bentuk kurva distribusi logistik adalah simetris dan uni modal. Bentuk
Lebih terperinciBAB II LANDASAN TEORI. dalam penulisan skripsi ini. Teori-teori yang digunakan berupa definisi-definisi serta
BAB II LANDASAN TEORI Pada bab ini akan diuraikan beberapa teori-teori yang digunakan sebagai acuan dalam penulisan skripsi ini. Teori-teori yang digunakan berupa definisi-definisi serta teorema-teorema
Lebih terperinciII. TINJAUAN PUSTAKA. Dalam proses penelitian untuk mengkaji karakteristik penduga GMM pada data
5 II. TINJAUAN PUSTAKA Dalam proses penelitian untuk mengkaji karakteristik penduga GMM pada data panel ini, penulis menggunakan definisi, teorema dan konsep dasar yang berkaitan dengan pendugaan parameter,
Lebih terperinciMINGGU KE-11 HUKUM BILANGAN BESAR LEMAH DAN KUAT
MINGGU KE-11 HUKUM BILANGAN BESAR LEMAH DAN KUAT HUKUM BILANGAN BESAR LEMAH DAN KUAT Misalkan X 1, X 2, X 3... barisan variabel random. Kita tulis S n = n X i. Dalam subbab ini kita akan menjawab pertanyaan
Lebih terperinciLANDASAN TEORI. Secara umum, himpunan kejadian A i ; i I dikatakan saling bebas jika: Ruang Contoh, Kejadian, dan Peluang
2 LANDASAN TEORI Ruag Cotoh, Kejadia, da Peluag Percobaa acak adalah suatu percobaa yag dapat diulag dalam kodisi yag sama, yag hasilya tidak dapat diprediksi secara tepat tetapi dapat diketahui semua
Lebih terperinciRingkasan Kalkulus 2, Untuk dipakai di ITB 1
Ringkasan Kalkulus 2, Untuk dipakai di ITB Deret Tak Hingga Pada bagian ini akan dibicarakan penjumlahan berbentuk a +a 2 + +a n + dengan a n R Sebelumnya akan dibahas terlebih dahulu pengertian barisan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Ruang Contoh, Kejadian dan Peluang Dalam suatu percobaan seringkali dilakukan pengulangan yang biasanya dilakukan dalam kondisi yang sama. Semua kemungkinan hasil yang akan muncul
Lebih terperinciDefenisi 15 (Kejadian) Kejadian adalah suatu himpunan bagian dari Nang contoh a. (Grimmett dan Stirzaker 2001)
Lampiran: Beberapa Definisi dan Lema Teknis Ruang contoh, kejadian dan peluang Berbagai macam pengamatan diperoleh melalui penggulangan percobaan yang dilakukan dalam kondisi yang sama. Dalarn banyak kasus,
Lebih terperinci11. FUNGSI MONOTON (DAN FUNGSI KONVEKS)
11. FUNGSI MONOTON (DAN FUNGSI KONVEKS) 11.1 Definisi dan Limit Fungsi Monoton Misalkan f terdefinisi pada suatu himpunan H. Kita katakan bahwa f naik pada H apabila untuk setiap x, y H dengan x < y berlaku
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 terperinciDASAR-DASAR TEORI PELUANG
DASAR-DASAR TEORI PELUANG Herry P. Suryawan 1 Ruang Peluang Definisi 1.1 Diberikan himpunan tak kosong Ω. Aljabar-σ (σ-algebra pada Ω adalah koleksi subhimpunan A dari Ω dengan sifat (i, Ω A (ii jika A
Lebih 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 terperinciAyundyah Kesumawati. April 29, Prodi Statistika FMIPA-UII. Uji Deret Positif. Ayundyah. Uji Integral. Uji Komparasi. Uji Rasio.
Uji Uji Deret Kesumawati Prodi Statistika FMIPA-UII April 29, 2015 Uji Deret Uji Deret yang mempunyai suku-suku positif menjadi bahasan pada uji integral ini. Uji integral ini menggunakan ide dimana suatu
Lebih terperinciI PENDAHULUAN 1.1 Latar Belakang dan Perumusan Masalah
I PENDAHULUAN 1.1 Latar Belakang dan Perumusan Masalah Penelusuran tentang fenomena belalang merupakan bahasan yang baik untuk dipelajari karena belalang dikenal suka berkelompok dan berpindah. Dalam kelompok,
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 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 terperinciMAKALAH. Bantuan dalam Penghitungan Integral Tentu KALKULUS LANJUT Dosen Pengampu: Sugeng Riyadi S.Si M.Pd DISUSUN OLEH: Kelompok V
MAKALAH Bantuan dalam Penghitungan Integral Tentu KALKULUS LANJUT Dosen Pengampu: Sugeng Riyadi S.Si M.Pd DISUSUN OLEH: Kelompok V 1. NURVITA 2. ROSI LUSIANA 3. PUJI ASTUTI 4. SURTA MD PANGGABEAN 5. SUTRISNO
Lebih terperinciTINJAUAN PUSTAKA. Distribusi Weibull adalah distribusi yang paling banyak digunakan untuk waktu
II. TINJAUAN PUSTAKA. Distribusi Weibull Distribusi Weibull adalah distribusi yang paling banyak digunakan untuk waktu hidup dalam tekhnik ketahanan. Distribusi ini adalah distribusi serbaguna yang dapat
Lebih terperinci-LIMIT- -KONTINUITAS- -BARISAN- Agustina Pradjaningsih, M.Si. Jurusan Matematika FMIPA UNEJ
-LIMIT- -KONTINUITAS- -BARISAN- Agustina Pradjaningsih, M.Si. Jurusan Matematika FMIPA UNEJ agustina.mipa@unej.ac.id Konsep Limit Fungsi mendasari pembentukan kalkulus dierensial dan integral. Konsep ini
Lebih terperinciBAB II LANDASAN TEORI. eigen dan vektor eigen, persamaan diferensial, sistem persamaan diferensial, titik
BAB II LANDASAN TEORI Pada bab ini, akan dijelaskan landasan teori yang akan digunakan dalam bab selanjutnya sebagai bahan acuan yang mendukung dan memperkuat tujuan penelitian. Landasan teori yang dimaksud
Lebih terperinciKONSISTENSI ESTIMATOR
KONSISTENSI ESTIMATOR TUGAS STATISTIKA MATEMATIKA II Oleh 1. Wahyu Nikmatus S. (121810101010) 2. Vivie Aisyafi F. (121810101050) 3. Rere Figurani A. (121810101052) 4. Dwindah Setiari W. (121810101054)
Lebih terperinci