Markov o C ha h in i s
|
|
- Yuliana Susanto
- 6 tahun lalu
- Tontonan:
Transkripsi
1 MCMC
2 Markov Chains.
3 Menaksir Parameter The basic paradigm: Model Parameters: Θ Data set MLE / bayesian approach Input data: terdapat t observasi sbb :X 1, X 2 X t -dengan asumsi i.i.d (independent identical distributed) Heads - P(H) Tails - 1-P(H).
4 Markov Process Markov Property: Keadaan sistem pada waktu t +1 hanya bergantung pada keadaan sistem pada waktu t Pr [ X x X L X = x Lx ] = [ X = x X x ] t + 1 = t+ 1 1 t 1 t Pr t+ 1 t+ 1 t = t X 1 X 2 X 3 X 4 X 5 Stationary Assumption: Probabilitas transisi adalah independen dari waktu (t) [ ] Pr X = t 1 b X = + t a = pab 4
5 Markov Process Cuaca: Hujan hari ini 40% hujan besok 60% tidak hujan besok Tdk hujan hari ini 20% hujan besok 80% tdk hujan besok Stochastic FSM: hujan Tdk hujan 0.2 5
6 Markov Process Cuaca: Hujan hari ini 40% hujan besok 60% tidak hujan besok Tdk hujan hari ini 20% hujan besok 80% tdk hujan besok The transition matrix: P = Stochastic matrix: Jumlah dari element baris= 1 Double stochastic matrix: Jumlah dari element baris & kolom = 1 6
7 Markov Process Coke vs. Pepsi Jika seseoramg membeli minuman cola terakhirnya adalah adalah Coke, ada kemungkinan 90% bahwa pembelian cola berikutnya juga akan Coke. Jika seseoramg membeli minuman terakhirnya adalah adalah pepsi, ada kemungkinan 80% bahwa pembelian cola berikutnya juga akan pepsi. transition matrix: P = coke 0.2 pepsi 7
8 Markov Process Coke vs. Pepsi Example (cont) Andaikan bahwa seseorang saat ini pembeli Pepsi, berapa probabilitas bahwa ia akan membeli Coke dua pembelian dari sekarang? Pr[ Pepsi?Coke ] = Pr[ PepsiCokeCoke ] + Pr[ Pepsi Pepsi Coke ] = 0.2 * * 0.2 = 0.34 P 2 = 0.9 = = Pepsi?? Coke 8
9 Markov Process Coke vs. Pepsi Example (cont) Andaikan bahwa seseorang saat ini pembeli Coke, berapa probabilitas bahwa ia akan membeli Pepsi tiga pembelian dari sekarang? 3 P = =
10 Markov Process Coke vs. Pepsi Example (cont) Asumsikan setiap orang membuat satu pembelian cola per minggu Misalkan 60% dari semua orang sekarang minum Coke sisanya pepsi Berapa persentasi dari semua org yang minum Coke tiga minggu dari skrg? P = P = Pr[X 3 =Coke] = 0.6 * * = Q i - the distribution in week i Q 0 =(0.6,0.4) - initial distribution Q 3 = Q 0 * P 3 =(0.6438,0.3562) 10
11 Markov Process Coke vs. Pepsi Example (cont) Simulation: 2/3 Pr[X i = Cok ke] [ 2 1 ] = [ 2 1 ] stationary distribution coke pepsi week - i 11
12 Pengenalan Markov Chain Monte Carlo
13 Monte Carlo principle Untuk menghitung nilai ekspektasi dapat dilakukan dengan mengambil sejumlah sampel dari suatu dist yang IID E N 1 ( f ) = E f ( x) p( x) N ( i) f ( x ) ( f ) = N N i= = 1 x
14 Contoh 14
15 Markov chain Monte Carlo p(x) X
16 Markov chains Markov chain pada ruang X dengan matriks transisi T adalah proses acak(infinite sequence dari variabel acak) (x (0), x (1), x (t), ) pada X yang memenuhi p( x x,..., x ) = T( x, x ( t) ( t 1) (1) ( t 1) ( t) Peluang keadaan tertentu pada waktu t tergantung hanya pada keadaan saat t-1 Jika transition probabilities adalah fixed untuk semua t, maka rantai disebut homogeneous 0.4 ) T= x x 1 x 3
17 Markov Chains for sampling Agar Markov chain menghasilkan dist p(x), diperlukan nilai awal x (1) t p ) ( x) p( ) ( ( 1) x x t
18 Stationary distribution Andaikan Markov chain sbb: T= The stationary distribution adalah x x 1 x x =
19 Ergodicity Claim: Untuk memastikan bahwa rantai konvergen ke distribusi stasioner maka syarat cukupnya: Irreducibility: dapat berpindah ke state mana saja dari mana saja p ) x ( t ( y) > Aperiodicity: tidak terjebak dalam siklus 0 gcd{ t : p ( t) x ( y) > 0} = 1
20 Contoh 20
21 Markov Chains for sampling detailed balance (reversibility) condition: p( x ) T ( x, y) = p( y) T ( y, x) Bukti = [p T]( y) p( x) T ( x, y) = p( y) T ( y, x) = p( y) T ( y, x) = p( y) x x x
22 DB p( x ) T ( x, y) = p( y) T ( y, x) 22
23 Non DB 23
24 Metropolis intuition r=π(x )/π(x t ) r=1.0 x* x t x*
25 MH ALgorithm 25
26 Mengapa Metropolis algorithm Bayesian komputasi Bayesian posterior P(M D) P(D M)P(M) Code
27 27
28 #Simulate data Y<-rbinom(10,1,0.3) n<-10 # #Prior distribution prior<-function(th) { 2*cos(4*pi*th)^2 } #Posterior distribution up to constant posterior<-function(th) { ifelse((th>=0)&(th<=1),th^sum(y)*(1-th)^(n-sum(y))*cos(4*pi*th)^2,0) } #Posterior distribution (exact) fullposterior<-function(th) { const<-0 for (x in seq(0,1,0.0001)) { const<-const+posterior(x)* } ifelse((th>=0)&(th<=1),posterior(th)/const,0) } # 28
29 #Simulation program #N length of Markov chain #eps standard error of normal proposol distribution # run<-function(n=10000,eps=0.02) { p<-rep(0,n) rej<-0 acc<-0 par(mfrow=c(1,2)) th<-runif(1) post<-fullposterior(seq(0,1,0.01)) for (i in (1:N)) { #normal proposal new<-th+rnorm(1,0,eps) #this would be an independence sampler: #new<-runif(1) #acceptance probability a<-min(1,posterior(new)/posterior(th)) if (runif(1)<a) th<-new p[i]<-th if (th==new) { acc<-acc+1 } else { rej<-rej+1 } #Plot chain and histogram only every 100 steps if (i%%100==0) { plot(p[1:i],type="l",lwd=2) hist(p[1:i],breaks=seq(0,1,0.02),0.2,lwd=2) lines(seq(0,1,0.01),post*i*0.02,col=2) } } return(list(p=p,accept=acc,reject=rej)) } r<-run(10000,0.01) 29
30 X~N(0,1) Candidate dist Ratio Generate Normal 30
31 Bentuk Simple 31
32 MCMC.norm = function(n,a,x0) { Xs=rep(NA, N) accepts=0 X=X0 for(i in 1:N) { Y=X+runif(1,-a,a) if(log(runif(1,0,1))<(x^2-y^2)/2){ X=Y accepts=accepts + 1 } Xs[i]=X } cat("acceptance Rate = ", accepts/n, "\n") } MCMC.norm(1000,a=2,X0=0) code 32
33 Latihan code 33
BAB II TINJAUAN PUSTAKA. komoditas, model pergerakan harga komoditas, rantai Markov, simulasi Standard
BAB II TINJAUAN PUSTAKA Pada bab ini akan dibahas beberapa tinjauan mengenai teori yang diperlukan dalam pembahasan bab-bab selanjutnya antara lain tentang kontrak berjangka komoditas, model pergerakan
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analisis regresi adalah suatu metode yang digunakan untuk menganalisa hubungan antara variabel respon dan variabel prediktor. Pada umumnya analisis regresi
Lebih terperinciBAB I PENDAHULUAN. Dalam kehidupan sehari-hari, sering dijumpai peristiwa-peristiwa yang terjadi
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Dalam kehidupan sehari-hari, sering dijumpai peristiwa-peristiwa yang terjadi secara beruntun dan dengan kemungkinan yang berbeda-beda. Sebagai contoh sekarang
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 terperinciEkspektasi variabel random Variansi variabel random Skewness dan kurtosis variabel random
DAFTAR ISI HALAMAN JUDUL... i HALAMAN PENGESAHAN...ii HALAMAN PERNYATAAN...iii HALAMAN PERSEMBAHAN... iv KATA PENGANTAR... v DAFTAR ISI...viii DAFTAR GAMBAR... xi DAFTAR TABEL... xii DAFTAR LAMPIRAN...xiii
Lebih terperinciBAB III METODE PENELITIAN
18 BAB III METODE PENELITIAN Pada bab ini akan dikemukakan metode-metode yang akan digunakan pada bab selanjutnya. Metode-metode pada bab ini yaitu metode Value at Risk dengan pendekatan distribusi normal
Lebih terperinciStochastic process. Stochastic process. Stochastic process. Stochastic process 08/05/2015 STOCHASTIC PROCESS OPERATIONAL RESEARCH II
OPERATIONAL RESEARCH II Agustina Eunike, ST., MT., MBA. Industrial Engineering University of Brawijaya STOCHASTIC PROCESS Sample space (ruang sample): all possible outcome Random variable: Fungsi nilai
Lebih terperinciESTIMASI PARAMETER DALAM MODEL RETURN STOKASTIK DENGAN LOMPATAN MENGGUNAKAN METODE MARKOV CHAIN MONTE CARLO
ESTIMASI PARAMETER DALAM MODEL RETURN STOKASTIK DENGAN LOMPATAN MENGGUNAKAN METODE MARKOV CHAIN MONTE CARLO Yessy Okvita 1), Bambang Susanto 2), dan Hanna Arini Parhusip 3) 1) Mahasiswa Program Studi Matematika
Lebih terperinciESTIMASI VOLATILITY (σ) DARI MODEL AR(p) MENGGUNAKAN METODE MARKOV CHAIN MONTE CARLO (MCMC)
ESTIMASI VOLATILITY (σ) DARI MODEL AR(p) MENGGUNAKAN METODE MARKOV CHAIN MONTE CARLO (MCMC) Radite Astana Murti 1), Bambang Susanto 2), dan Hanna Arini Parhusip 3) 1) Mahasiswa Program Studi Matematika
Lebih terperinciBAB III HIDDEN MARKOV MODELS. Rantai Markov bermanfaat untuk menghitung probabilitas urutan keadaan
BAB III HIDDEN MARKOV MODELS Rantai Markov bermanfaat untuk menghitung probabilitas urutan keadaan yang dapat diamati. Tetapi terkadang ada urutan dari suatu keadaan yang ingin diketahui tetapi tidak dapat
Lebih terperinciBAB III. Hidden Markov Models (HMM) Namun pada beberapa situasi tertentu yang ditemukan di kehidupan nyata,
BAB III Hidden Markov Models (HMM) 3.1 Pendahuluan Rantai Markov mempunyai state yang dapat diobservasi secara langsung. Namun pada beberapa situasi tertentu yang ditemukan di kehidupan nyata, beberapa
Lebih terperinciIMPLEMENTASI METODE MARKOV CHAIN MONTE CARLO DALAM PENENTUAN HARGA KONTRAK BERJANGKA KOMODITAS KOMPETENSI TERAPAN SKRIPSI PUTU AMANDA SETIAWANI
IMPLEMENTASI METODE MARKOV CHAIN MONTE CARLO DALAM PENENTUAN HARGA KONTRAK BERJANGKA KOMODITAS KOMPETENSI TERAPAN SKRIPSI PUTU AMANDA SETIAWANI 1108405014 JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2. Pengertian Distribusi Eksponensial Distribusi eksponensial adalah distribusi yang paling penting dan paling sederhana kegagalan mesin penghitung otomatis dan kegagalan komponen
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 terperinciSIMULASI: Deterministik dan Monte Carlo
SIMULASI: Deterministik dan Monte Carlo Tjipto Juwono, Ph.D. April 2017 TJ (SU) SIMULASI: Deterministik dan Monte Carlo April 2017 1 / 14 Apa itu yang dimaksud dengan simulasi? Apabila semua data diperoleh
Lebih terperinci6.6 Rantai Markov Kontinu pada State Berhingga
6.6 Rantai Markov Kontinu pada State Berhingga Markov chain kontinu 0 adalah proses markov pada state 0, 1, 2,.... Diasumsikan bahwa probabilitas transisi adalah stasioner, pada persamaan, (6.53) Pada
Lebih terperinciIMPLEMENTASI METODE MARKOV CHAIN MONTE CARLO DALAM PENENTUAN HARGA KONTRAK BERJANGKA KOMODITAS
E-Jurnal Matematika Vol. 4 (3), Agustus 2015, pp. 122-126 ISSN: 2303-1751 IMPLEMENTASI METODE MARKOV CHAIN MONTE CARLO DALAM PENENTUAN HARGA KONTRAK BERJANGKA KOMODITAS Putu Amanda Setiawani 1, Komang
Lebih terperinciRantai Markov Diskrit (Discrete Markov Chain)
#10 Rantai Markov Diskrit (Discrete Markov Chain) 10.1. Pendahuluan Berbagai teknik analitis untuk mengevaluasi reliability dari suatu sistem telah diuraikan pada bab terdahulu. Teknik analitis ini mengasumsikan
Lebih terperinciMETODE MARKOV DAN PENERAPANNYA Markov Model and Its Applications. Noor Cholis Basjaruddin POLBAN
METODE MARKOV DAN PENERAPANNYA Markov Model and Its Applications Noor Cholis Basjaruddin Politeknik Negeri Bandung 2016 Daftar Isi 1 Abstrak... 3 2 Abstract... 3 3 Pendahuluan... 3 4 Model Markov... 4
Lebih terperinciPENDUGAAN DATA HILANG DENGAN MENGGUNAKAN DATA AUGMENTATION. Abstract
Pendugaan Data Hilang Mesra Nova) PENDUGAAN DATA HILANG DENGAN MENGGUNAKAN DATA AUGMENTATION Mesra Nova 1, Moch. Abdul Mukid 2 1 Alumni Program Studi Statistika UNDIP 2 Staf Pengajar Program Studi Statistika
Lebih terperinciPENERAPAN MODEL REGRESI LINIER BAYESIAN UNTUK MENGESTIMASI PARAMETER DAN INTERVAL KREDIBEL
PENERAPAN MODEL REGRESI LINIER BAYESIAN UNTUK MENGESTIMASI PARAMETER DAN INTERVAL KREDIBEL Vania Mutiarani 1, Adi Setiawan, Hanna Arini Parhusip 3 1 Mahasiswa Program Studi Matematika FSM UKSW, 3 Dosen
Lebih terperinciPenelitian Operasional II Rantai Markov RANTAI MARKOV
Penelitian Operasional II Rantai Markov 49 4. RANTAI MARKOV 4. PENDAHULUAN Dalam masalah pengambilan suatu keputusan, seringkali kita diperhadapkan dengan suatu ketidakpastian. Permasalahan ini dapat dimodelkan
Lebih terperinciESTIMASI MODEL PERSAMAAN STRUKTURAL MELALUI PENDEKATAN BAYESIAN (Studi Kasus: Data Kinerja Pegawai Universitas Bina Darma Palembang)
BIAStatistics (215) Vol. 9, No. 2, hal. 1-6 ESTIMASI MODEL PERSAMAAN STRUKTURAL MELALUI PENDEKATAN BAYESIAN (Studi Kasus: Data Kinerja Pegawai Universitas Bina Darma Palembang) 1 Didin Astriani P, 2 Jadi
Lebih terperincioleh YUANITA KUSUMA WARDANI M
ESTIMASI PARAMETER MODEL REGRESI PROBIT SPASIAL MENGGUNAKAN SOFTWARE R DENGAN ALGORITME GIBBS SAMPLING oleh YUANITA KUSUMA WARDANI M0111083 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan
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 terperinciESTIMASI PARAMETER MODEL REGRESI ZERO-INFLATED POISSON (ZIP) MENGGUNAKAN METODE BAYESIAN
ESTIMASI PARAMETER MODEL REGRESI ZERO-INFLATED POISSON (ZIP) MENGGUNAKAN METODE BAYESIAN Karima Puspita Sari, Respatiwulan, dan Bowo Winarno Program Studi Matematika FMIPA UNS Abstrak. Model regresi zero-inflated
Lebih terperinciBAB II DASAR TEORI 2.1 Pengertian Tata Guna/Tutupan Lahan
BAB II DASAR TEORI Prediksi perubahan lahan merupakan salah satu informasi penting untuk mendukung perencanaan penggunaan lahan. Untuk itu perlu dibuat suatu model yang mampu mewakili prediksi perubahan
Lebih terperinciESTIMASI PARAMETER DAN INTERVAL KREDIBEL DENGAN MODEL REGRESI LINIER BERGANDA BAYESIAN
ESTIMASI PARAMETER DAN INTERVAL KREDIBEL DENGAN MODEL REGRESI LINIER BERGANDA BAYESIAN Vania Mutiarani a, Adi Setiawan b, Hanna Arini Parhusip c a Program Studi Matematika FSM UKSW Jl. Diponegoro 52-6
Lebih terperinciPertemuan 5 ANALISIS RANTAI MARKOV
Pertemuan 5 ANALISIS RANTAI MARKOV Objektif: 1. Mahasiswa dapat merumuskan masalah dalam analisis rantai markov 2. Mahasiswa dapat mencari penyelesaian masalah dalam prorses perhitungan probabilitas dengan
Lebih terperinciII. TINJAUAN PUSTAKA. real. T dinamakan himpunan indeks dari proses atau ruang parameter yang
II. TINJAUAN PUSTAKA 2.1 Proses Stokastik Stokastik proses = { ( ), } adalah kumpulan dari variabel acak yang didefinisikan pada ruang peluang (Ω, ς, P) yang nilai-nilainya pada bilangan real. T dinamakan
Lebih terperinciSIMULASI PENAKSIRAN PARAMETER DISTRIBUSI WEIBULL CAMPURAN UNTUK DATA SURVIVAL HETEROGEN DENGAN PENDEKATAN BAYESIAN
IndoMS Journal on Statistics Vol. 2, No. 2 (2014), Page 37-46 SIMULASI PENAKSIRAN PARAMETER DISTRIBUSI WEIBULL CAMPURAN UNTUK DATA SURVIVAL HETEROGEN DENGAN PENDEKATAN BAYESIAN Sri Astuti Thamrin 1, Armin
Lebih terperinciADLN- PERPUSTAKAAN UNIVERSITAS AIRLANGGA BAB 1 PENDAHULUAN. metode yang bisaanya digunakan dalam estimasi parameter yakni Ordinary Least
BAB 1 PENDAHULUAN 1.1 Latar Belakang Data populasi dalam suatu penelitian berguna untuk mengetahui karakteristik objek yang akan menghasilkan gambaran akurat mengenai karakteristik objek tersebut. Statistik
Lebih terperinciPengantar Proses Stokastik
Bab 3: Rantai Markov Diskrit Atina Ahdika, S.Si, M.Si Statistika FMIPA Universitas Islam Indonesia Rantai Markov Rantai Markov Rantai Markov Misalkan sebuah proses stokastik {X t } dengan t = 0, 1, 2,....
Lebih terperinciMatematika dan Statistika
ISSN 1411-6669 MAJALAH ILMIAH Matematika dan Statistika DITERBITKAN OLEH: JURUSAN MATEMATIKA FMIPA UNIVERSITAS JEMBER Majalah Ilmiah Matematika dan Statistika PELUANG PENINGKATAN TENAGA KERJA DI INDONESIA
Lebih terperinciMODEL PARTISIPASI PEMILIH MASYARAKAT KABUPATEN DHAMASRAYA PADA PEMILU 2014 DENGAN MENGGUNAKAN METODE REGRESI LOGISTIK BAYESIAN
Jurnal Matematika UNAND Vol. VI No. 1 Hal. 128 133 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND MODEL PARTISIPASI PEMILIH MASYARAKAT KABUPATEN DHAMASRAYA PADA PEMILU 2014 DENGAN MENGGUNAKAN METODE
Lebih terperinciBAB 3 PEMBAHASAN. Contoh 1:
BAB 3 PEMBAHASAN 3.1 Pengolahan Data Seperti yang telah dijelaskan sebelumnya, rantai markov atau proses markov akan digunakan untuk menganalisa data yang diperoleh dalam penelitian ini. Contoh kasus yang
Lebih terperinciHanna Lestari, ST, M.Eng. Lecture 11 : Rantai Markov
Hanna Lestari, ST, M.Eng Lecture 11 : Rantai Markov I. Pendahuluan Model rantai markov dikembangkan oleh A.A Markov tahun 1896. Dalam Analisis markov yang dihasilkan adalah suatu informasi probabilistik
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analisis regresi merupakan teknik statistik untuk investigasi dan pemodelan hubungan antar variabel. Hubungan antara dua variabel dapat dilihat dengan analisis
Lebih terperinciEstimasi MCMC untuk Model GARCH(1,1) Studi Kasus: Kurs beli JPY dan EUR terhadap IDR
SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 25 Estimasi MCMC untuk Model GARCH(,) Studi Kasus: Kurs beli JPY dan EUR terhadap IDR Fransisca Cynthia Salim ), Didit Budi Nugroho 2), Bambang
Lebih terperinciESTIMASI PARAMETER MODEL INAR(1) MENGGUNAKAN METODE BAYES
ESTIMASI PARAMETER MODEL INAR(1) MENGGUNAKAN METODE BAYES oleh NURMALITASARI M0106054 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh gelar Sarjana Sains Matematika JURUSAN
Lebih terperinciJurnal MIPA 39 (1) (2016): Jurnal MIPA.
Jurnal MIPA 39 (1) (16): 78-84 Jurnal MIPA http://journal.unnes.ac.id/nju/index.php/jm MODEL VOLATILITAS ARCH(1) DENGAN RETURN ERROR BERDISTRIBUSI SKEWED STUDENT-T E D Saputri, D B Nugroho, A Setiawan
Lebih terperinciESTIMASI PARAMETER MODEL REGRESI MULTIVARIAT BAYESIAN DENGAN DISTRIBUSI PRIOR INFORMATIF 1. PENDAHULUAN
ESTIMASI PARAMETER MODEL REGRESI MULTIVARIAT BAYESIAN DENGAN DISTRIBUSI PRIOR INFORMATIF Dina Ariek Prasdika, Dewi Retno Sari Saputro, Purnami Widyaningsih Program Studi Matematika Fakultas Matematika
Lebih terperinciAPLIKASI MARKOV RANDOM FIELD PADA MASALAH INDUSTRI
APLIKASI MARKOV RANDOM FIELD PADA MASALAH INDUSTRI Siana Halim Dosen Fakultas Teknologi Industri, Jurusan Teknik Industri Universitas Kristen Petra ABSTRAK Rantai Markov dalam proses stokastik seringkali
Lebih terperinciMarkov Chain. Game Theory. Dasar Simulasi
Markov Chain Game Theory Dasar Simulasi Analisis Perubahan Cuaca Perpindahan merek Operasi dan maintenance mesin Perubahan harga di pasar saham dll Menyusun matriks probabilitas transisi. Menghitung probabilitas
Lebih terperinciSISTEM PENGOLAHAN ISYARAT. Kuliah 2 Sinyal Acak
TK 403 SISTM PNGOLAHAN ISYARAT Kuliah Sinyal Acak Indah Susilawati, S.T., M.ng. Program Studi Teknik lektro Fakultas Teknik dan Ilmu Komputer Universitas Mercu Buana Yogyakarta 009 KULIAH SISTM PNGOLAHAN
Lebih terperinciSilabus. Proses Stokastik (MMM 5403) Proses Stokastik. Contoh
Silabus Proses Stokastik (MMM 5403) Status: Wajib Minat Statistika Rantai Markov, klasifikasi rantai Markov. Limit rantai Markov dan aplikasinya. Rantai Markov kontinu, contoh-contoh klasik. Proses renewal,
Lebih terperinciDISTRIBUSI MARKOV-BINOMIAL NEGATIF
DISTRIBUSI MARKOV-BINOMIAL NEGATIF TESIS Oleh RINA WIDYASARI 107021009/MT FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA UTARA MEDAN 2012 DISTRIBUSI MARKOV-BINOMIAL NEGATIF T E S I
Lebih terperinciPenerapan Hidden Markov Model Pada Harga Saham
Penerapan Hidden Markov Model Pada Harga Saham Sri Wahyuni Mamonto 1, Yohanes A. R. Langi 2, Altien J. Rindengan 3 1 Program Studi Matematika, FMIPA, UNSRAT Manado, mamontosri@gmail.com 2 Program Studi
Lebih terperinciKAJIAN MODEL HIDDEN MARKOV KONTINU DENGAN PROSES OBSERVASI ZERO DELAY DAN APLIKASINYA PADA HARGA GABAH KERING PANEN T A M U R I H
KAJIAN MODEL HIDDEN MARKOV KONTINU DENGAN PROSES OBSERVASI ZERO DELAY DAN APLIKASINYA PADA HARGA GABAH KERING PANEN T A M U R I H SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2009 PERNYATAAN MENGENAI
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Saat ini, proses produksi yang dilakukan pada berbagai industri menggunakan mesin-mesin. Namun, mesin-mesin tersebut tidak selamanya dapat beroperasi. Oleh karena
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 terperinciPengantar Proses Stokastik
Bab 6: Rantai Markov Waktu Kontinu Atina Ahdika, S.Si, M.Si Statistika FMIPA Universitas Islam Indonesia 2015 Pendahuluan Rantai Markov Waktu Kontinu Pendahuluan Pada bab ini, kita akan belajar mengenai
Lebih terperinciPrediksi Indeks Saham Syariah Indonesia Menggunakan Model Hidden Markov
JURNAL SAINS DAN SENI POMITS Vol. 6, No.2, (2017) 2337-3520 (2301-928X Print) A 39 Prediksi Indeks Saham Syariah Indonesia Menggunakan Model Hidden Markov Risa Septi Pratiwi Daryono Budi Utomo Jurusan
Lebih terperinciPrediksi Indeks Saham Syariah Indonesia Menggunakan Model Hidden Markov
A39 Prediksi Indeks Saham Syariah Indonesia Menggunakan Model Hidden Markov Risa Septi Pratiwi dan Daryono Budi Utomo Departemen Matematika, Fakultas Matematka dan Ilmu Pengetahuan Alam, Institut Teknologi
Lebih terperinciESTIMASI MCMC UNTUK RETURN VOLATILITY DALAM MODEL ARCH DENGAN RETURN ERROR BERDISTRIBUSI T-STUDENT
ESTIMASI MCMC UNTUK RETURN VOLATILITY DALAM MODEL ARCH DENGAN RETURN ERROR BERDISTRIBUSI T-STUDENT Imam Malik Safrudin. 1), Didit Budi Nugroho 2) dan Adi Setiawan 2) 1),2), 3) Program Studi Matematika
Lebih terperinciESTIMASI MODEL PERSAMAAN STRUKTURAL MELALUI PENDEKATAN BAYESIAN (Studi Kasus: Data Kinerja Pegawai Universitas Bina Darma Palembang)
ESTIMASI MODEL PERSAMAAN STRUKTURAL MELALUI PENDEKATAN BAYESIAN (Studi Kasus: Data Kinerja Pegawai Universitas Bina Darma Palembang) Didin Astriani P 1, Jadi Suprijadi 2, Zulhanif 3 Program Pendidikan
Lebih terperinciInfrastruktur Jalan Tol Biaya Pemeliharaan Persentase Gerbang Tol Rp 7,596, %
Bab I Pendahuluan Pada Bab ini diuraikan secara rinci mengenai latar belakang penelitian, perumusan masalah, tujuan penelitian, batasan masalah, dan manfaat penelitian. I.1 Latar Belakang Tol Cipularang
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Percobaan Bernoulli merupakan suatu percobaan yang memiliki dua nilai outcome (kemunculan) yang mungkin yakni sukses dan gagal yang masing-masing dinotasikan dengan
Lebih terperinciBAB I PENDAHULUAN. Perkembangan ilmu pengetahuan dan teknologi yang sangat pesat,
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Perkembangan ilmu pengetahuan dan teknologi yang sangat pesat, menjadikan statistika memegang peranan penting dalam kehidupan. Hampir semua fenomena yang terjadi
Lebih terperinciPENDEKATAN HIERARCHICAL BAYES SMALL AREA ESTIMATION (HB SAE) DALAM MENGESTIMASI ANGKA MELEK HURUF KECAMATAN DI KABUPATEN INDRAMAYU
PENDEKATAN HIERARCHICAL BAYES SMALL AREA ESTIMATION (HB SAE) DALAM MENGESTIMASI ANGKA MELEK HURUF KECAMATAN DI KABUPATEN INDRAMAYU Ari Shobri B 1), Septiadi Padmadisastra 2), Sri Winarni 3) 1) Mahasiswa
Lebih terperinciBAB 2 LANDASAN TEORI. elemen-elemen citra yang disebut piksel. Kumpulan piksel yang jumlahnya N<
BAB 2 LANDASAN TEORI 2.1 Teori Dasar Citra Digital 2.1.1 Pengertian Citra Digital secara Matematis Suatu citra yang merupakan matriks dua dimensi terdiri dari sekumpulan elemen-elemen citra yang disebut
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 terperinciSIMULASI PADA MASALAH KEBANGKRUTAN PENJUDI
SIMULASI PADA MASALAH KEBANGKRUTAN PENJUDI Dwi Ardian Syah, Respatiwulan, dan Vika Yugi Kurniawan Program Studi Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sebelas Maret ABSTRAK.
Lebih terperinciBAB III PROSES POISSON MAJEMUK
BAB III PROSES POISSON MAJEMUK Pada bab ini membahas tentang proses stokastik, proses Poisson dan proses Poisson majemuk yang akan diaplikasikan pada bab selanjutnya. 3.1 Proses Stokastik Koleksi atau
Lebih terperinciPREDIKSI BENCANA ALAM DI WILAYAH KABUPATEN WONOGIRI DENGAN KONSEP MARKOV CHAINS
E-ISSN 2527-9378 Jurnal Statistika Industri dan Komputasi Volume 3, No. 1, Januari 2018, pp. 63-70 PREDIKSI BENCANA ALAM DI WILAYAH KABUPATEN WONOGIRI DENGAN KONSEP MARKOV CHAINS Petronella Mira Melati
Lebih terperinciOPERASI MATRIKS. a 11 a 12 a 13 a 14 A = a 21 a 22 a 23 a 24 a 31 a 32 a 33 a 34 a 41 a 42 a 43 a 44
OPERASI MATRIKS Topik yang akan dibahas transpose perkalian TRANSPOSE Definisi: a 11 a 12 a 13 a 14 A = a 21 a 22 a 23 a 24 a 31 a 32 a 33 a 34 a 41 a 42 a 43 a 44 a 11 a 21 a 31 a 41 A T = a 12 a 22 a
Lebih terperinciBAB I PENDAHULUAN Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Mortalitas merupakan salah satu sumber yang sangat penting dalam mengetahui resiko dari suatu penyusunan asuransi jiwa. Besarnya faktor resiko penyebab kematian
Lebih terperinciJurnal MIPA 39 (1) (2016): Jurnal MIPA.
Jurnal MIPA 39 (1) (2016): 63-69 Jurnal MIPA http://journal.unnes.ac.id/nju/index.php/jm MODEL VOLATILITAS GARCH(1,1) DENGAN ERROR STUDENT-T UNTUK KURS BELI EUR DAN JPY TERHADAP IDR F C Salim, D B Nugroho,
Lebih terperinciBAB I PENDAHULUAN. negara-negara berkembang seperti Indonesia. Teknologi elektronik digunakan
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Perkembangan teknologi saat ini sedang terjadi di seluruh dunia terutama di negara-negara berkembang seperti Indonesia. Teknologi elektronik digunakan memudahkan
Lebih terperinciIMPLEMENTASI PENERAPAN MARKOV CHAIN PADA DATABASE MARKETING STUDI KASUS PELANGGAN E-COMMERCE
IMPLEMENTASI PENERAPAN MARKOV CHAIN PADA DATABASE MARKETING STUDI KASUS PELANGGAN E-COMMERCE Johanes Fernandes Andry jf_andry@kreavindo.com, jandry@bundamulia.ac.id Sistem Informasi Universitas Bunda Mulia
Lebih terperinciANALISIS REGRESI LOGISTIK DENGAN METODE PENDUGA BAYES UNTUK MENENTUKAN FAKTOR-FAKTOR YANG MEMPENGARUHI KEJADIAN BAYI BERAT BADAN LAHIR RENDAH
Jurnal Matematika UNAND Vol. 4 No. 1 Hal. 53 60 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND ANALISIS REGRESI LOGISTIK DENGAN METODE PENDUGA BAYES UNTUK MENENTUKAN FAKTOR-FAKTOR YANG MEMPENGARUHI
Lebih terperinciBAB III METODE JUKES-CANTOR DAN METODE KIMURA. Pada Bab ini akan dibahas mengenai metode Jukes-Cantor dan
BAB III METODE JUKES-CANTOR DAN METODE KIMURA Pada Bab ini akan dibahas mengenai metode Jukes-Cantor dan metode Kimura dalam membentuk suatu evolutionary model. Pada dasarnya kedua metode menggunakan ide
Lebih terperinciANALISA SIFAT-SIFAT ANTRIAN M/M/1 DENGAN WORKING VACATION
ANALISA SIFAT-SIFAT ANTRIAN M/M/1 DENGAN WORKING VACATION Oleh: Desi Nur Faizah 1209 1000 17 JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA
Lebih terperinciTINJAUAN PUSTAKA. merupakan nilai peubah bebas ke-p pada merupakan nilai koefisien peubah penjelas merupakan galat acak pengamatan ke-i.
TINJAUAN PUSTAKA Model egresi Berganda egresi linier adalah persamaan matematika yang menggambarkan hubungan antara peubah respon y dan peubah bebas X X X2 Xp. Hubungan antara kedua peubah tersebut dinyatakan
Lebih terperinciReliabilitas Suatu Mesin Menggunakan Rantai Markov (Studi Kasus: Mesin Proofer Di Pabrik Roti Super Jam Banten)
Jurnal Matematika Integratif ISSN 42-684 Volume 3 No, April 27, pp 4-47 Reliabilitas Suatu Mesin Menggunakan Rantai Markov (Studi Kasus: Mesin Proofer Di Pabrik Roti Super Jam Banten) Mega Novia Andriani,
Lebih terperinciSimulation. Prepared by Akhid Yulianto, SE, MSC (Log) Based on Anderson, Sweeney, and Williams Thomson ΤΜ /South-Western Slide
Simulation Prepared by Akhid Yulianto, SE, MSC (Log) Based on Anderson, Sweeney, and Williams 1 Simulation Kebaikan dan kelemahan menggunakan simulation Modeling Random Variables and Pseudo-Random Numbers
Lebih terperinciPEMODELAN MARKOV SWITCHING DENGAN TIME-VARYING TRANSITION PROBABILITY
PEMODELAN MARKOV SWITCHING DENGAN TIME-VARYING TRANSITION PROBABILITY SKRIPSI Disusun oleh: ANGGITA PURI SAVITRI 24010212140037 DEPARTEMEN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA UNIVERSITAS DIPONEGORO
Lebih terperinciLABORATORIUM STATISTIK DAN OPTIMASI INDUSTRI FAKULTAS TEKNIK PROGRAM STUDI TEKNIK INDUSTRI UNIVERSITAS PEMBANGUNAN NASIONAL VETERAN JAWA TIMUR
TNR 12 space 1.15 LABORATORIUM STATISTIK DAN OPTIMASI INDUSTRI FAKULTAS TEKNIK PROGRAM STUDI TEKNIK INDUSTRI UNIVERSITAS PEMBANGUNAN NASIONAL VETERAN JAWA TIMUR LAPORAN RESMI MODUL IV TNR 12 Space 2.0
Lebih terperinciPEMODELAN RENCANA PROMOSI DAN KEBIJAKAN PERSEDIAAN UNTUK MENDAPATKAN PROFIT SHARING SUPPLY CHAIN YANG OPTIMAL
PEMODELAN RENCANA PROMOSI DAN KEBIJAKAN PERSEDIAAN UNTUK MENDAPATKAN PROFIT SHARING SUPPLY CHAIN YANG OPTIMAL Wahyu Bagus Anshori 2508100132 Dosen Pembimbing Prof. Ir. I Nyoman Pujawan, M. Eng., Ph. D.,
Lebih terperinci28/09/2012 SAMPLE SPACE, SAMPLE POINTS, EVENTS. ω Ω
SAMPLE SPACE, SAMPLE POINTS, EVENTS Sample space,ω, Ω adalah sekumpulan semua sample points,ω, ω yang mungkin; dimana ω Ω Contoh 1. Melemparkan satu buah koin:ω={gambar,angka} Contoh 2. Menggelindingkan
Lebih terperinciPROSES MARKOV KONTINYU (CONTINOUS MARKOV PROCESSES)
#11 PROSES MARKOV KONTINYU (CONTINOUS MARKOV PROCESSES) 11.1. Pendahuluan Masalah keandalan yang berhubungan dengan sistem secara normal adalah space memiliki sifat diskrit yaitu sistem tersebut dapat
Lebih terperinciANALISIS MARKOV Proses Markov Matriks kemungkinan perpindahan keadaan / transisi
ANALISIS MARKOV Analisis Markov adalah suatu teknik matematik untuk peramalan perubahan pada variabelvariabel tertentu berdasarkan pengetahuan dari perubahan sebelumnya Pada analisis ini terlihat suatu
Lebih terperinciKONSTRUKSI SELANG KEPERCAYAAN KURVA . REGRESI NONPARAMETRIK DENGAN PENDEKATAN ESTIMATOR KERNEL. I GustiAyu Made Srinadi
,IilL\TIJfi 65}'l: 1693. 139{ tjitulhil r!h t(\y),yf KONSTRUKSI SELANG KEPERCAYAAN KURVA. REGRESI NONPARAMETRIK DENGAN PENDEKATAN ESTIMATOR KERNEL I GustiAyu Made Srinadi TINGKAT PENGETAHUAN SISWA SMA
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Pada masa sekarang ini, berada di lingkungan bisnis yang kompleks menuntut perusahaan untuk mampu bersaing dengan para kompetitornya. Perubahan-perubahan radikal yang
Lebih terperinciKlasifikasi Keadaan dalam Rantai Markov Menggunakan Algoritma Graf Classification of States of Markov Chains Using Graph Algorithms
Prosiding Statistika ISSN: 460-6456 Klasifikasi Keadaan dalam Rantai Markov Menggunakan Algoritma Graf Classification of States of Markov Chains Using Graph Algorithms 1 Yussy Anistia Nurislamiyati, Suwanda,
Lebih terperinciSKRIPSI MARINTAN NOVALINA N
KAJIAN PELUANG STEADY STATE PADA RANTAI MARKOV SKRIPSI MARINTAN NOVALINA N 050813010 DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA UTARA MEDAN 2007 KAJIAN PELUANG
Lebih terperinciPERENCANAAN JUMLAH TENAGA PERAWAT DI RSUD PAMEKASAN MENGGUNAKAN RANTAI MARKOV
SEMINAR TUGAS AKHIR PERENCANAAN JUMLAH TENAGA PERAWAT DI RSUD PAMEKASAN MENGGUNAKAN RANTAI MARKOV Oleh : Husien Haikal Fasha 1207 100 011 Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam
Lebih terperinciPeramalan Gabungan Rantai Markov dan Model Deret Waktu Pada Kasus Peramalan Kurs Nilai Mata Uang
[Type Artikel here] ini telah dipresentasikan dalam Innovative and Creative Information Technology Conference (ICITech) dengan tema E-Transaction and Power Play yang diselenggarakan oleh Program Studi
Lebih terperinciBAB 3 LANGKAH PEMECAHAN MASALAH
BAB 3 LANGKAH PEMECAHAN MASALAH 3.1 Penetapan Kriteria Optimasi Kriteria optimasi yang digunakan dalam menganalisis tingkat persediaan liner yang optimal dan ekspektasi keuntungan yang didapat PT Indonesia
Lebih terperinciPROSES KEMATIAN MURNI (Pure Death Processes)
PROSES KEMATIAN MURNI (Pure Death Processes) Komplemen dari bertambahnya proses kelahiran murni adalah dengan penurunan proses kematian murni. Hal itu ditunjukkan keberhasilan melewati state,,, 2, dan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Peluang Peluang mempunyai banyak persamaan arti, seperti kemungkinan, kesempatan dan kecenderungan. Peluang menunjukkan kemungkinan terjadinya suatu kejadian yang bersifat acak.
Lebih terperinciMeningkatkan Ketahanan Wilayah Melalui Estimasi Underreported Data Kejahatan Dengan Pendekatan Bayes (Studi Di Kota Ambon, Provinsi Maluku)
Jurnal Ketahanan Nasional, Vol. 23, No 3, Desember 2017: 376-397 JURNAL KETAHANAN NASIONAL Vol.23, No.3, Desember 2017, Hal 376-394 DOI:http://dx.doi.org/ 10.22146/jkn.29197 ISSN:0853-9340(Print), ISSN:2527-9688(Online)
Lebih terperinciMA4081 PENGANTAR PROSES STOKASTIK Topik Khusus: M
MA4081 PENGANTAR PROSES STOKASTIK Topik Khusus: Model AR dan INAR Cerdas dan Stokastik Setelah rantai Markov, distribusi eksponensial, lalu apa? Proses Bernoulli, Proses Poisson, Proses Stokastik lain?
Lebih terperinciKampus Bina Widya J. HR Soebrantas KM 12,5 Pekanbaru, Kode Pos ABSTRACT
SIMULASI DATA CURAH HUJAN HARIAN MENGGUNAKAN STOKASTIK RANTAI MARKOV DENGAN ORDE 3 X 3 (STUDI KASUS : DAERAH ALIRAN SUNGAI KAMPAR) Rahmad Sandi 1), Bambang Sujatmoko 2), Mardani Sebayang 2) 1) Mahasiswa
Lebih terperinciPENGANTAR SIMUTATED ANNEATING DAN APLII(ASINYA
PENGANTAR SIMUTATED ANNEATING DAN APLII(ASINYA PENGANTAR SIMULATED ANNEALING DAN APLIKASINYA Dr. Suparman, M.Si., DEA FST UTY Press Yogyakarta PENGANTAR SIMULATED ANNEALING DAN APLIKASINYA Oleh : Dr. Suparman,
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Inferensi adalah adalah suatu proses untuk menghasilkan informasi dari fakta yang diketahui. Inferensi juga dikatakan suatu konklusi logis atau implikasi berdasarkan
Lebih terperinciDistribusi Normal. Statistika (MAM 4137) Syarifah Hikmah JS
Distribusi Normal Statistika (MAM 4137) Syarifah Hikmah JS Outline Kurva normal Luas daerah di bawah kurva normal Penerapan sebaran normal DISTRIBUSI NORMAL model distribusi kontinyu yang paling penting
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 terperinciBAB I PENDAHULUAN Latar Belakang dan Permasalahan
BAB I PENDAHULUAN 1.1. Latar Belakang dan Permasalahan Di dalam statistika, sebuah estimator adalah hasil perhitungan suatu estimasi terhadap kuantitas tertentu berdasarkan pada data terobservasi atau
Lebih terperinciOPTIMALISASI PORTOFOLIO SAHAM MENGGUNAKAN MODEL MIXTURE OF MIXTURE
OPTIMALISASI PORTOFOLIO SAHAM MENGGUNAKAN MODEL MIXTURE OF MIXTURE oleh FITRI YANA SARI NIM. M0110027 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh gelar Sarjana Sains Matematika
Lebih terperinci