PERSATUAN AKTUARIS INDONESIA

Ukuran: px
Mulai penontonan dengan halaman:

Download "PERSATUAN AKTUARIS INDONESIA"

Transkripsi

1 PERSATUAN AKTUARIS INDONESIA Komisi Penguji PERSATUAN AKTUARIS INDONESIA UJIAN PROFESI AKTUARIS MATA UJIAN : A70 Pemodelan dan Teori Risiko TANGGAL : 25 Juni 2013 JAM : WIB LAMA UJIAN : 180 Menit SIFAT UJIAN : Tutup Buku 2013

2 PERSATUAN AKTUARIS INDONESIA Komisi Penguji TATA TERTIB UJIAN 1. Setiap Kandidat harus berada di ruang ujian selambat-lambatnya 15 (lima belas) menit sebelum ujian dimulai. 2. Kandidat yang datang 1 (satu) jam setelah berlangsungnya ujian dilarang memasuki ruang ujian dan mengikuti ujian. 3. Kandidat dilarang meninggalkan ruang ujian selama 1 (satu) jam pertama berlangsungnya ujian. 4. Setiap kandidat harus menempati bangku yang telah ditentukan oleh Komisi Penguji. 5. Buku-buku, diktat, dan segala jenis catatan harus diletakkan di tempat yang sudah ditentukan oleh Pengawas, kecuali alat tulis yang diperlukan untuk mengerjakan ujian dan kalkulator. 6. Setiap kandidat hanya berhak memperoleh satu set bahan ujian. Kerusakan lembar jawaban oleh kandidat, tidak akan diganti. Dalam memberikan jawaban, lembar jawaban harus dijaga agar tidak kotor karena coretan. Lembar jawaban pilihan ganda tidak boleh diberi komentar selain pilihan jawaban yang benar. 7. Kandidat dilarang berbicara dengan/atau melihat pekerjaan kandidat lain atau berkomunikasi langsung ataupun tidak langsung dengan kandidat lainnya selama ujian berlangsung. 8. Kandidat dilarang menanyakan makna pertanyaan kepada Pengawas ujian. 9. Kandidat yang terpaksa harus meninggalkan ruang ujian untuk keperluan mendesak (misalnya ke toilet) harus meminta izin kepada Pengawas ujian dan setiap kali izin keluar diberikan hanya untuk 1 (satu) orang. Setiap kandidat yang keluar tanpa izin dari pengawas maka lembar jawaban akan diambil oleh pengawas dan dianggap telah selesai mengerjakan ujian. 10. Alat komunikasi (telepon seluler, pager, dan lain-lain) harus dimatikan selama ujian berlangsung. 11. Pengawas akan mencatat semua jenis pelanggaran atas tata tertib ujian yang akan menjadi pertimbangan diskualifikasi. 12. Kandidat yang telah selesai mengerjakan soal ujian, harus menyerahkan lembar jawaban langsung kepada Pengawas ujian dan tidak meninggalkan lembar jawaban tersebut di meja ujian. 13. Kandidat yang telah menyerahkan lembar jawaban harus meninggalkan ruang ujian. 14. Kandidat dapat mengajukan keberatan terhadap soal ujian yang dinilai tidak benar dengan penjelasan yang memadai kepada komisi penguji selambat-lambatnya 10 (sepuluh) hari setelah akhir periode ujian. Periode Juni 2013 Halaman 2 dari 26

3 PERSATUAN AKTUARIS INDONESIA Komisi Penguji PETUNJUK MENGERJAKAN SOAL Ujian Pilihan Ganda 1. Setiap soal akan mempunyai 5 (lima) pilihan jawaban di mana hanya 1 (satu) jawaban yang benar. 2. Setiap soal mempunyai bobot nilai yang sama dengan tidak ada pengurangan nilai untuk jawaban yang salah. 3. Berilah tanda silang pada jawaban yang Saudara anggap benar di lembar jawaban. Jika Saudara telah menentukan jawaban dan kemudian ingin merubahnya dengan yang lain, maka coretlah jawaban yang salah dan silang jawaban yang benar. 4. Jangan lupa menuliskan nomor ujian Saudara pada tempat yang sediakan dan tanda tangani lembar jawaban tersebut tanpa menuliskan nama Saudara. Ujian Soal Esay 1. Setiap soal dapat mempunyai lebih dari 1 (satu) pertanyaan, Setiap soal mempunyai bobot yang sama kecuali terdapat keterangan pada soal. 2. Tuliskan jawaban Saudara pada Buku Jawaban Soal dengan jelas, rapi dan terstruktur sehingga akan mempermudah pemeriksaan hasil ujian. 3. Saudara bisa mulai dengan soal yang anda anggap mudah dan tuliskan nomor jawaban soal dengan soal dengan jelas. 4. Jangan lupa menuliskan nomor ujian Saudara pada tempat yang disediakan dan tanda tangani Buku Ujian tanpa menuliskan nama Saudara. KETENTUAN DAN PROSEDUR KEBERATAN SOAL UJIAN PAI 1. Peserta dapat memberikan sanggahan soal, jawaban atau keluhan kepada Komisi Ujian dan Kurikulum selambat-lambatnya 10 hari setelah akhir periode ujian. 2. Semua pengajuan keberatan soal dialamatkan ke sanggahan.soal@aktuaris.org. 3. Pengajuan keberatan soal setelah tanggal tersebut (Poin No 1) tidak akan diterima dan ditanggapi. Periode Juni 2013 Halaman 3 dari 26

4 1. Diketahui data klaim sebagai berikut : Kelas A : 3 ; 4 ; 6 ; 10 Kelas B : 4 ; 5 ; 8 Data tersebut cocok (fitted) dengan distribusi invers eksponensial dengan parameter yang tergantung pada kendala : untuk Kelas B adalah lebih besar 2 dari untuk Kelas A Dengan menggunakan maksimum likelihood, maka nilai dari untuk Kelas A sama dengan.. A. 1,87 B. 2,11 C. 3,57 D. 4,24 E. 5,20 2. Dalam polis pertanggungan Cacat Tetap Total, berikut adalah distribusi dari pengamatan waktu kejadian Cacat Tetap Total : Tahun Kejadian Cacat (0,1] (1,2] (2,3] (3, ) Banyaknya Tertanggung Waktu kejadian Cacat Tetap Total berdistribusi uniform dalam setiap tahun Jika nilai waktu kejadian Cacat Tetap Total adalah X, maka nilai dari Var(X 3) sama dengan... A. 0,58 B. 0,68 C. 0,78 D. 0,88 E. 0,98 3. Untuk keluarga estimator Y a, diketahui sebagai berikut : bias(y a ) = 4 a dan Var(Y a ) = a 2 + a + 1 Untuk nilai a yang meminimalkan MSE(Y a ), dimana MSE = Mean Square Error, maka nilai dari MSE(Y a ) sama dengan.. A B C D E. 11 Periode Juni 2013 Halaman 4 dari 26

5 Informasi berikut ini adalah khusus untuk pertanyaan No. 4 dan 5 : Frekuensi klaim berdistribusi binomial dengan parameter m = 3 dan q = 0,2 Besarnya klaim berdistribusi : Besar Klaim Probabilitas ,20 0,50 0,20 0,10 4. Dari informasi di atas, jika diketahui penutupan reasuransinya menggunakan aggregate deductible sebesar 6. Maka expected aggregate amount yang dibayarkan oleh reasuradur sama dengan... A. 3, B. 3, C. 3, D. 3, E. 3, Dari informasi di atas, jika S variabel acak aggregate klaim, maka nilai dari E(S 2,4) sama dengan... A. 6, B. 6, C. 6, D. 6, E. 6, Untuk suatu pertanggungan asuransi, besarnya klaim memiliki fungsi probabilitas densitas sebagai berikut : f x = 30 x 3 θ x < x < θ θ θ x Diketahui 3(tiga) pengalaman klaim sebagai berikut : 90 ; 90 dan 20 Dengan menggunakan maksimum likelihood, maka nilai estimasi sama dengan.. A. 44,88 B. 66,55 C. 111,77 D. 131,66 E. 136,99 Periode Juni 2013 Halaman 5 dari 26

6 7. Hasil pengamatan atas besar klaim sebagai berikut : 100 ; 200 ; 500 ; 800 ; ; ; ; Misalkan p = Pr(X < 1000 X > 500), dimana p diestimasi secara empiris. Maka nilai variansi dari estimator p tersebut sama dengan.. A. 13, B. 31, C. 32, D. 40, E. 48, Terdapat 2 tipe pemegang polis, dengan distribusi besar klaim sebagai berikut : Besar Klaim Probabilitas klaim tipe 1 Probabilitas klaim tipe 2 0,40 0,40 0,40 0 0,20 0,40 0 0,20 Seorang pemegang polis dipilih secara acak dan diperoleh klaim sebesar 10. Nilai harapan untuk klaim berikutnya dari pemegang polis yang terpilih tersebut adalah 5,6. Maka besarnya probabilitas prior bahwa pemegang polis tersebut adalah tipe 1 sama dengan... A. 1/2 B. 5/8 C. 2/3 D. 3/4 E. 4/5 9. Perusahaan Anda baru saja memiliki sistem pricing dan valuasi baru. Anda ingin membuat kode untuk setiap produk-produk perusahaan yang berjumlah 283, kemudian akan diinput ke sistem baru tersebut. Anda menugaskan project ini kepada 3 orang anggota tim Anda. Pada 4 hari pertama, masing-masing anggota tim telah mengkode produk sebanyak : Hari Alan Boni Charles Senin Selasa Rabu Kamis Periode Juni 2013 Halaman 6 dari 26

7 Pada hari Jumat, Anda pulang lebih awal. Anda tahu bahwa Alan mengkode paling sedikit 8 produk, Boni paling sedikit 10 produk dan Charles paling sedikit 6 produk. Diasumsikan setiap hari kerja adalah sama lama durasinya dan semua plan sama tingkat kesulitannya dalam proses pengkodeannya. Jika diberikan salah satu dari anggota tim Anda, mengkode paling sedikit 9 produk pada hari Senin berikutnya, maka banyaknya produk yang diharapkan telah dikode oleh anggota tersebut sama dengan... A B C D E Frekuensi klaim berdistribusi negatif Binomial dengan parameter r = 2 dan = 5. Besarnya klaim berdistribusi invers eksponensial dengan parameter = 10. Misalkan N adalah banyaknya klaim yang besarnya lebih kecil dari 20. Maka nilai coefficient of variation dari N sama dengan.. A. 0,40 B. 0,60 C. 0,64 D. 0,66 E. 0, Frekuensi klaim bulanan dalam suatu pertanggungan asuransi berdistribusi Poisson dengan mean. Distribusi prior untuk adalah gamma dengan parameter dan. Tertanggung yang dipilih secara acak, diamati selama n bulan dan tidak mengajukan klaim apapun. Maka nilai n terkecil sedemikian sehingga banyaknya klaim yang diharapkan dari tertanggung ini sama dengan setengah dari nilai harapan banyaknya klaim dari populasi adalah.. A. B. 1 / C. D. / E. / Periode Juni 2013 Halaman 7 dari 26

8 12. Diketahui pengalaman dari 80 klaim yang pertanggungannya tanpa deductible atau limit sebagai berikut : Besar Klaim (0, 1.000] (1.000, 2.000] (2.000, 5.000] (5.000, ] Frekuensi Diasumsikan besar klaim berdistribusi uniform untuk setiap interval. Frekuensi klaim tahunan berdistribusi binomial dengan parameter m = 2 dan q =0,1. Jika deductible sebesar 500 diberlakukan, maka persentase penurunan aggregate klaim tahunan sama dengan... A. 14,86% B. 15,72% C. 16,35% D. 17,18% E. 18,21% 13. Diketahui untuk variabel acak klaim X sebagai berikut : Besar Klaim (0, 100] (100, 500] (500, 1.000] Frekuensi 22 x 25 Diasumsikan besar klaim berdistribusi uniform pada setiap batas atas interval. Jika diketahui bahwa E(X 600) = 323, maka nilai x sama dengan... A. 20 B. 23 C. 26 D. 29 E. 32 Periode Juni 2013 Halaman 8 dari 26

9 14. Untuk membangkitkan hasil kerja yang bagus, perusahaan XYZ memberlakukan sistem bonus berdasarkan pendapatan. Besarnya bonus sebagai berikut : Pendapatan 10 Juta 11 Juta 12 Juta Bonus Dengan interpolasi linier diantara setiap nilai di atas, maksimum bonus adalah dan minimum bonus adalah 0. Jika pendapatan berdistribusi single parameter Pareto dengan parameter = 1 dan = 9 Juta, maka nilai harapan dari bonus tersebut sama dengan... A B C D E Diketahui variabel acak X berdistribusi Pareto dengan parameter = 5 dan = Maka nilai dari koefisien variasi untuk (X ) + sama dengan... A. 52,25 B. 53,35 C. 54,45 D. 55,55 E. 56, Diketahui hasil pengamatan sebagai berikut : 5 ; 7 ; 10 ; 11 ; 11 ; 12 ; 14 ; 19 ; 25 ; 40 Metode densitas kernel digunakan untuk membuat smooth distribusi empiris. Jika digunakan kernel uniform dengan bandwith 4, maka nilai dari median dari distribusi yang diperoleh sama dengan.. A. 11,60 B. 11,80 C. 12,00 D. 12,20 E. 12,40 Periode Juni 2013 Halaman 9 dari 26

10 17. Pengamatan atas frekuensi klaim dari 4 pemegang polis sebagai berikut : Pemegang Polis Tahun ke-1 Tahun ke-2 A B C D Untuk setiap pemegang polis, frekuensi klaim tahunan berdistribusi Poisson. Menggunakan metode empiris Bayes semiparametric untuk mengestimasi klaim masa depan. Maka banyaknya klaim yang diharapkan dari pemegang polis A pada tahun ke-3 sama dengan.. A. 4,58 B. 4,82 C. 5,04 D. 5,23 E. 5, Besar klaim X dari suatu pertanggungan asuransi, memiliki fungsi distribusi kumulatif sebagai berikut : F x = x 0 < x < Pertanggungan asuransi tersebut memiliki franschise deductible sebesar Maka rasio dari pembayaran tahunan yang diharapkan dengan pembayaran klaim tahunan untuk pertanggungan asuransi tersebut sama dengan.. A. 0,76 B. 0,80 C. 0,93 D. 0,97 E. 0,99 Periode Juni 2013 Halaman 10 dari 26

11 19. Suatu variabel acak X memiliki fungsi probabilitas densitas sebagai berikut f x = 2x θ 2, 0 < x < θ Sampel x 1, x 2,..., x n diambil dari populasi. Maka bias dari max(x 1, x 2,..., x n ) sebagai estimator dari θ, sama dengan.. A. / n B. / (n + 1) C. / (2n) D. / (2n + 1) E. / (2n + 2) 20. Suatu pertanggungan asuransi memiliki deductible sebesar 5. Berikut ini adalah pengamatan atas besar klaim (sudah termasuk deductiblenya) : 10 ; 12 ; 15 ; 15 ; 18 ; 32 Data tersebut cocok (fitted) dengan distribusi invers ekponensial dengan parameter θ = 10. Maka nilai statistik Kolmogorov-Smirnov-nya sama dengan.. A. 26, B. 26, C. 31, D. 32, E. 36, Besar klaim berdistribusi mixture Pareto dengan parameter = 2 dan = berbobot 0,75 dan Pareto dengan parameter = 0,5 dan = berbobot 0,25. Maka nilai dari expected payment per payment pada polis dengan limit sama dengan.. A. 836 B. 866 C. 900 D. 921 E Periode Juni 2013 Halaman 11 dari 26

12 22. Dalam suatu studi mortalita, diawal pengamatan terdapat 200 orang. Tidak terdapat new entrants. Berikut ini data pengamatan waktu meninggal dunia : Waktu Banyaknya orang yang meninggal Pada waktu 7 terdapat beberapa orang yang keluar dari studi bukan karena meninggal dunia. Jika Kaplan-Meier product limit estimator S(20) = 0, Maka banyaknya orang yang keluar dari studi pada waktu 7 sama dengan.. A. 9 B. 10 C. 11 D. 12 E Untuk variabel acak X, diberikan informasi sebagai berikut : d E(X d) e(d) Pr(X > d) ,9 Maka nilai batas bawah terbesar dari kemungkinan nilai E(X 50) sama dengan.. A. 32 B. 33 C. 34 D. 35 E. 36 Periode Juni 2013 Halaman 12 dari 26

13 24. Diketahui sampel dari X yang terdiri dari 3 pengamatan sebagai berikut : 100 ; 400 ; 600 Batas nilai harapan 400, E(X 400), diestimasi secara empiris sebesar 300. Maka nilai bootstrap approximation MSE (Mean Square Error) dari estimator empiris E(X 400) sama dengan.. A B C D E Diketahui informasi sebagai berikut : Besar klaim berdistribusi invers gamma dengan parameter = 3 dan. Nilai bervariasi untuk setiap tertanggung dan memiliki fungsi probabilitas densitas sebagai berikut : f θ = e θ/10 10 Diamati klaim sebesar 20. Maka nilai harapan dari klaim berikutnya dari tertanggung yang sama adalah.. A. 20/3 B. C. /3 D. E. /3 Periode Juni 2013 Halaman 13 dari 26

14 26. Diberikan informasi data besar klaim dari suatu pertanggungan asuransi : Range di atas Frekuensi Klaim Data tersebut cocok (fitted) dengan distribusi Weibull dengan menggunakan maksimum likelihood. Maka nilai dari parameter sama dengan.. A. 0,82 B. 1,02 C. 1,22 D. 1,42 E. 1, Diberikan data besar klaim X sebagai berikut : x E(X x) Suatu pertanggungan asuransi dengan deductible Maka nilai loss elimination ratio setelah inflasi sebesar 100% jika deductible tidak dibayarkan sama dengan.. A. 0,08 B. 0,14 C. 0,16 D. 0,20 E. 0, Variabel acak diskrit X berdistribusi binomial dengan parameter m = 2 dan q. Maka range dari nilai q dimana 1 adalah persentil ke-70 dari X adalah... A. 0,10 q 0,45 B. 0,16 q 0,55 C. 0,28 q 0,66 D. 0,34 q 0,72 E. 0,45 q 0,84 Periode Juni 2013 Halaman 14 dari 26

15 29. Misalkan suatu proses discrete-time dengan surplus awal sama dengan 1 dan premi tahunan yang tetap sebesar 2½, dan diketahui losses sebagai berikut : Pr (S t = 1) = 55% dan Pr (S t = 5) = 45% Jika diasumsikan tidak ada cash flows lainnya. Maka nilai dari finite-horizon ruin probability ψ 1, 2 sama dengan.. A. 10% B. 30% C. 50% D. 70% E. 90% 30. Diketahui total klaim yang dibayarkan dalam setahun dengan nilai probabilitasnya sebagai berikut : Pr (S k = 3k) = 20% untuk setiap k = 1, 2, 3, 4, dan 5 Besar premi tahunan sebesar 1½ ditagih pada setiap awal tahun. Tingkat bunga 4% dihasilkan atas semua dana yang ada pada setiap awal tahun, dan klaim akan dibayarkan pada setiap akhir tahun. Maka nilai dari finite-horizon ruin probability ψ 2, 1 sama dengan.. A. 100% B. 80% C. 60% D. 40% E. 20% Periode Juni 2013 Halaman 15 dari 26

16 PERSATUAN AKTUARIS INDONESIA LAMPIRAN TABEL & FORMULA MATA UJIAN A70 Pemodelan dan Teori Risiko Periode Juni 2013 Halaman 16 dari 26

17 Periode Juni 2013 Halaman 17 dari 26

18 Periode Juni 2013 Halaman 18 dari 26

19 Periode Juni 2013 Halaman 19 dari 26

20 Periode Juni 2013 Halaman 20 dari 26

21 Periode Juni 2013 Halaman 21 dari 26

22 Periode Juni 2013 Halaman 22 dari 26

23 Periode Juni 2013 Halaman 23 dari 26

24 Periode Juni 2013 Halaman 24 dari 26

25 Periode Juni 2013 Halaman 25 dari 26

26 Periode Juni 2013 Halaman 26 dari 26

PERSATUAN AKTUARIS INDONESIA

PERSATUAN AKTUARIS INDONESIA PERSATUAN AKTUARIS INDONESIA Komisi Penguji PERSATUAN AKTUARIS INDONESIA UJIAN PROFESI AKTUARIS MATA UJIAN : A70 Pemodelan dan Teori Risiko TANGGAL : 24 Juni 2014 JAM : 13.30 16.30 WIB LAMA UJIAN : 180

Lebih terperinci

PERSATUAN AKTUARIS INDONESIA

PERSATUAN AKTUARIS INDONESIA PERSATUAN AKTUARIS INDONESIA Komisi Penguji PERSATUAN AKTUARIS INDONESIA UJIAN PROFESI AKTUARIS MATA UJIAN : A60 Matematika Aktuaria TANGGAL : 25 Juni 204 JAM : 09.00-2.00 WIB LAMA UJIAN : 80 Menit SIFAT

Lebih terperinci

BAB 3 METODE PENELITIAN

BAB 3 METODE PENELITIAN BAB 3 METODE PENELITIAN 3.1 Flowchart Penelitian Gambar 3.1 Flowchart Diagram 36 37 3.2 Langkah-Langkah Penelitian Metodologi penelitian merupakan tahapan yang harus ditetapkan sebelum melakukan penelitian,

Lebih terperinci

UJIAN A70 PERIODE JUNI 2014 SOLUSI UJIAN PAI A70. A70-Pemodelan dan Teori Risiko 9/14/2014

UJIAN A70 PERIODE JUNI 2014 SOLUSI UJIAN PAI A70. A70-Pemodelan dan Teori Risiko 9/14/2014 SOLUSI UJIAN PAI A70 UJIAN A70 PERIODE JUNI 2014 A70-Pemodelan Teori Risiko 9/14/2014 Berikut merupakan solusi ujian PAI yang saya buat secara khusus untuk teman-teman PT Padma Radya Aktuaria, secara umum

Lebih terperinci

Mata Kuliah Pemodelan & Simulasi. Riani Lubis Program Studi Teknik Informatika Universitas Komputer Indonesia

Mata Kuliah Pemodelan & Simulasi. Riani Lubis Program Studi Teknik Informatika Universitas Komputer Indonesia Mata Kuliah Pemodelan & Simulasi Riani Lubis Program Studi Teknik Informatika Universitas Komputer Indonesia Pokok Bahasan Variabel Acak Pola Distribusi Masukan Pendugaan Pola Distribusi Uji Distribusi

Lebih terperinci

Catatan Kuliah. MA4183 Model Risiko

Catatan 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 terperinci

MA4181 MODEL RISIKO Risk is managed, not avoided

MA4181 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 terperinci

MA4183 MODEL RISIKO Control your Risk!

MA4183 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 terperinci

Catatan 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. 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 terperinci

Catatan 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. 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 terperinci

MA4183 MODEL RISIKO Control your Risk!

MA4183 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 terperinci

BAB I PENDAHULUAN 1.1 Latar Belakang

BAB I PENDAHULUAN 1.1 Latar Belakang BAB I PENDAHULUAN 1.1 Latar Belakang Kebutuhan akan kendaraan pribadi semakin hari semakin meningkat sejalan dengan bertambahnya penduduk. Selain sebagai sarana untuk memenuhi kebutuhan masing masing individu,

Lebih terperinci

PEDOMAN UJIAN PROFESI & SERTIFIKASI

PEDOMAN UJIAN PROFESI & SERTIFIKASI PEDOMAN UJIAN PROFESI & SERTIFIKASI UJIAN REGULER TAHUN 2016 PERSATUAN AKTUARIS INDONESIA I. PENDAHULUAN Sebagai organisasi profesi Persatuan Aktuaris Indonesia ( PAI ) ingin memastikan anggotanya memiliki

Lebih terperinci

MA4181 MODEL RISIKO Risk is managed, not avoided

MA4181 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 terperinci

BAB II TINJAUAN PUSTAKA

BAB II TINJAUAN PUSTAKA BAB II TINJAUAN PUSTAKA 2.1 Pendahuluan Pada bab ini akan diuraikan mengenai beberapa teori dan metode yang mendukung serta mempermudah dalam melakukan perhitungan dan dapat membantu di dalam pembahasan

Lebih terperinci

Catatan Kuliah. MA4183 Model Risiko

Catatan 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 terperinci

Catatan Kuliah. MA4183 Model Risiko

Catatan 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 terperinci

Catatan 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. 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 terperinci

Pemodelan Data Besar Klaim Asuransi Kendaraan Bermotor Menggunakan Distribusi Mixture Erlang

Pemodelan Data Besar Klaim Asuransi Kendaraan Bermotor Menggunakan Distribusi Mixture Erlang Statistika, Vol. 17 No. 1, 45 51 Mei 2017 Pemodelan Data Besar Klaim Asuransi Kendaraan Bermotor Menggunakan Distribusi Mixture Erlang Indah permatasari, aceng komarudin mutaqin, lisnur wachidah Program

Lebih terperinci

BAB 1 PENDAHULUAN Latar Belakang

BAB 1 PENDAHULUAN Latar Belakang BAB 1 PENDAHULUAN 1.1. Latar Belakang Dalam pembicaraan statistik, jawaban yang diinginkan adalah jawaban untuk ruang lingkup yang lebih luas, yakni populasi. Tetapi objek dari studi ini menggunakan sampel

Lebih terperinci

MODEL DISTRIBUSI TOTAL KERUGIAN AGGREGAT MANFAAT RAWAT JALAN BERDASARKAN SIMULASI

MODEL DISTRIBUSI TOTAL KERUGIAN AGGREGAT MANFAAT RAWAT JALAN BERDASARKAN SIMULASI MODEL DISTRIBUSI TOTAL KERUGIAN AGGREGAT MANFAAT RAWAT JALAN BERDASARKAN SIMULASI Puspitaningrum Rahmawati, Bambang Susanto, Leopoldus Ricky Sasongko Program Studi Matematika (Fakultas Sains dan Matematika,

Lebih terperinci

Catatan 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. 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 terperinci

Pengantar Statistika Matematik(a)

Pengantar 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 terperinci

MA4183 MODEL RISIKO Bab 5 Teori Kebangkrutan

MA4183 MODEL RISIKO Bab 5 Teori Kebangkrutan MA4183 MODEL RISIKO Bab 5 Teori Kebangkrutan Control your risk! Konsep Surplus 1 Perusahaan asuransi memiliki modal awal atau initial surplus 2 Perusahaan menerima premi dan membayarkan klaim 3 Premi bersifat

Lebih terperinci

Catatan 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. 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 terperinci

SATUAN ACARA PERKULIAHAN MATA KULIAH : ANALISIS DATA UJI HIDUP KODE MATA KULIAH : MAA SKS

SATUAN ACARA PERKULIAHAN MATA KULIAH : ANALISIS DATA UJI HIDUP KODE MATA KULIAH : MAA SKS SATUAN ACARA PERKULIAHAN MATA KULIAH : ANALISIS DATA UJI HIDUP KODE MATA KULIAH : MAA 516 3 SKS MINGGU 1 Pendahuluan dan - Pengertian Dasar soal-soal 2 Konsep-Konsep Dasar untuk Hidup Model Kontinu 1.

Lebih terperinci

Mata Kuliah Pemodelan & Simulasi

Mata Kuliah Pemodelan & Simulasi Mata Kuliah Pemodelan & Simulasi Riani Lubis Program Studi Teknik Informatika Universitas Komputer Indonesia 1 Pendahuluan (1) Sifat probabilitistik pada sistem nyata mempunyai pola distribusi probabilistik

Lebih terperinci

BAB III PEMBAHASAN. Metode kriging digunakan oleh G. Matheron pada tahun 1960-an, untuk

BAB III PEMBAHASAN. Metode kriging digunakan oleh G. Matheron pada tahun 1960-an, untuk BAB III PEMBAHASAN 3.1. Kriging Metode kriging digunakan oleh G. Matheron pada tahun 1960-an, untuk menonjolkan metode khusus dalam moving average terbobot (weighted moving average) yang meminimalkan variansi

Lebih terperinci

MA4181 MODEL RISIKO Risk is managed, not avoided

MA4181 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 terperinci

PEMBAHASAN UTS 2015/2016 STATISTIKA 1

PEMBAHASAN UTS 2015/2016 STATISTIKA 1 PEMBAHASAN UTS 2015/2016 STATISTIKA 1 1. pernyataan berikut ini menjelaskan definisi dan cakupan statistika deskriptif, KECUALI : a. statistika deskriptif mendeskripsikan data yang telah dikumpulkan (Organizing)

Lebih terperinci

ANALISA KEANDALAN PADA PERALATAN UNIT PENGGILINGAN AKHIR SEMEN UNTUK MENENTUKAN JADWAL PERAWATAN MESIN (STUDI KASUS PT. SEMEN INDONESIA PERSERO TBK.

ANALISA KEANDALAN PADA PERALATAN UNIT PENGGILINGAN AKHIR SEMEN UNTUK MENENTUKAN JADWAL PERAWATAN MESIN (STUDI KASUS PT. SEMEN INDONESIA PERSERO TBK. ANALISA KEANDALAN PADA PERALATAN UNIT PENGGILINGAN AKHIR SEMEN UNTUK MENENTUKAN JADWAL PERAWATAN MESIN (STUDI KASUS PT. SEMEN INDONESIA PERSERO TBK.) I Gusti Ngr. Rai Usadha 1), Valeriana Lukitosari 2),

Lebih terperinci

BAB 3 PEMBAHASAN. Tabel 3.1 Data Jumlah dan Rata-Rata Waktu Pelayanan Pasien (menit) Waktu Pengamatan

BAB 3 PEMBAHASAN. Tabel 3.1 Data Jumlah dan Rata-Rata Waktu Pelayanan Pasien (menit) Waktu Pengamatan BAB 3 PEMBAHASAN 3.1. Uji Kesesuaian Distribusi Dalam penelitian ini kedatangan pasien diasumsikan berdistribusi Poisson dan waktu pelayanan diasumsikan berdistribusi Eksponensial. Untuk menguji kebenarannya

Lebih terperinci

PEMBANGKIT RANDOM VARIATE

PEMBANGKIT RANDOM VARIATE PEMBANGKIT RANDOM VARIATE Mata Kuliah Pemodelan & Simulasi JurusanTeknik Informatika Universitas Komputer Indonesia 1 Pendahuluan (1) Sifat probalitistik pada sistem nyata mempunyai pola distribusi probabilistik

Lebih terperinci

Prosiding Statistika ISSN:

Prosiding Statistika ISSN: Prosiding Statistika ISSN: 2460-6456 Distribusi Binomial Negatif-Lindley pada Data Frekuensi Klaim Asuransi Kendaraan Bermotor di Indonesia Binomial Negative-Lindley Distribution in the Frequency Data

Lebih terperinci

MA4183 MODEL RISIKO Control your Risk!

MA4183 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 terperinci

PEDOMAN UJIAN PROFESI & SERTIFIKASI

PEDOMAN UJIAN PROFESI & SERTIFIKASI PEDOMAN UJIAN PROFESI & SERTIFIKASI UJIAN REGULER TAHUN 2013 PERSATUAN AKTUARIS INDONESIA I. PENDAHULUAN Sebagai organisasi profesi Persatuan Aktuaris Indonesia ( PAI ) ingin memastikan anggotanya memiliki

Lebih terperinci

KONSEP DASAR TERKAIT METODE BAYES

KONSEP DASAR TERKAIT METODE BAYES KONSEP DASAR TERKAIT METODE BAYES 2.3. Peubah Acak dan Distribusi Peluang Pada statistika kita melakukan percobaan dimana percobaan tersebut akan menghasilkan suatu peluang. Ruang sampel pada percobaan

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 Teori Antrian Teori antrian adalah teori yang menyangkut studi sistematis dari antrian atau baris-baris penungguan. Formasi baris-baris penungguan ini tentu saja merupakan suatu

Lebih terperinci

BAB 1 PENDAHULUAN. masing-masing individu untuk terhindar dari kerusakan dan kehilangan. Asuransi

BAB 1 PENDAHULUAN. masing-masing individu untuk terhindar dari kerusakan dan kehilangan. Asuransi BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Harta benda pribadi merupakan bagian yang selalu dilindungi oleh masing-masing individu untuk terhindar dari kerusakan dan kehilangan. Asuransi non-life adalah

Lebih terperinci

BAB I PENDAHULUAN 1.1. Latar Belakang

BAB I PENDAHULUAN 1.1. Latar Belakang BAB I PENDAHULUAN 1.1. Latar Belakang Estimasi minimax adalah suatu upgrade pendekatan non-klasik (upgraded non-classical approach) dalam bidang estimasi inferensi statistik yang diperkenalkan oleh Abraham

Lebih terperinci

AK5161 Matematika Keuangan Aktuaria

AK5161 Matematika Keuangan Aktuaria Catatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2015 1 Tentang AK5161 Matematika

Lebih terperinci

BAB I PENDAHULUAN. Waktu hidup adalah waktu terjadinya suatu peristiwa. Peristiwa yang

BAB I PENDAHULUAN. Waktu hidup adalah waktu terjadinya suatu peristiwa. Peristiwa yang BAB I PENDAHULUAN 1.1 Latar Belakang Waktu hidup adalah waktu terjadinya suatu peristiwa. Peristiwa yang dimaksud di sini adalah peristiwa kegagalan yang dapat berupa tidak berfungsinya benda tersebut

Lebih terperinci

BAB I PENDAHULUAN 1.1. Latar Belakang

BAB I PENDAHULUAN 1.1. Latar Belakang BAB I PENDAHULUAN 1.1. Latar Belakang Aktuaria adalah suatu disiplin ilmu yang menerapkan metode-metode statistika maupun matematika dalam menentukan price dan resiko pada industri asuransi dan keuangan.

Lebih terperinci

Setiap karakteristik dari distribusi populasi disebut dengan parameter. Statistik adalah variabel random yang hanya tergantung pada harga observasi

Setiap karakteristik dari distribusi populasi disebut dengan parameter. Statistik adalah variabel random yang hanya tergantung pada harga observasi ESTIMASI TITIK Setiap karakteristik dari distribusi populasi disebut dengan parameter. Statistik adalah variabel random yang hanya tergantung pada harga observasi sampel. Statistik merupakan bentuk dari

Lebih terperinci

BAB I PENDAHULUAN. memperkecil atau meminimumkan ketidakpastian tersebut. Risiko dapat terjadi

BAB I PENDAHULUAN. memperkecil atau meminimumkan ketidakpastian tersebut. Risiko dapat terjadi BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Dalam setiap kegiatan yang dilakukan oleh suatu kelompok atau perorangan pasti ada risiko yang harus ditanggung. Risiko merupakan kemungkinan terjadinya suatu

Lebih terperinci

II. TINJAUAN PUSTAKA. Ruang sampel S adalah himpunan semua hasil dari suatu percobaan. Kejadian E

II. TINJAUAN PUSTAKA. Ruang sampel S adalah himpunan semua hasil dari suatu percobaan. Kejadian E 5 II. TINJAUAN PUSTAKA 2.1 Konsep Dasar Peluang Ruang sampel S adalah himpunan semua hasil dari suatu percobaan. Kejadian E adalah himpunan bagian dari ruang sampel. Peluang suatu kejadian P(E) adalah

Lebih terperinci

SATUAN ACARA PERKULIAHAN MATA KULIAH STATISTIKA DESKRIPTIF (TK) KODE / SKS: KD / 2 SKS

SATUAN ACARA PERKULIAHAN MATA KULIAH STATISTIKA DESKRIPTIF (TK) KODE / SKS: KD / 2 SKS Minggu Pokok Bahasan ke dan TIU 1 1. Pendahulua n tentang konsep statistika dan notasi penjumlahan Sub Pokok Bahasan dan Sasaran Belajar 1.1. Konsep statistika Mahasiswa dapat menjelaskan pengertian statistika

Lebih terperinci

BAB I PENDAHULUAN. 1.1 Latar Belakang Masalah

BAB I PENDAHULUAN. 1.1 Latar Belakang Masalah BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Perkembangan teori statistika telah mempengaruhi hampir semua aspek kehidupan. Hal ini disebabkan statistika merupakan salah satu disiplin ilmu yang berperan

Lebih terperinci

LANDASAN TEORI. menyatakan hubungan antara variabel respon Y dengan variabel-variabel

LANDASAN TEORI. menyatakan hubungan antara variabel respon Y dengan variabel-variabel 5 II. LANDASAN TEORI 2.1 Model Regresi Poisson Analisis regresi merupakan metode statistika yang populer digunakan untuk menyatakan hubungan antara variabel respon Y dengan variabel-variabel prediktor

Lebih terperinci

ESTIMASI PARAMETER REGRESI RANK BERDISTRIBUSI EKSPONENSIAL DENGAN MENGGUNAKAN METODE KUADRAT TERKECIL TERBOBOTI

ESTIMASI PARAMETER REGRESI RANK BERDISTRIBUSI EKSPONENSIAL DENGAN MENGGUNAKAN METODE KUADRAT TERKECIL TERBOBOTI ESTIMASI PARAMETER REGRESI RANK BERDISTRIBUSI EKSPONENSIAL DENGAN MENGGUNAKAN METODE KUADRAT TERKECIL TERBOBOTI Megawati 1, Anisa 2, Raupong. 3 Abstrak Regresi kuadrat terkecil berdasarkan plot peluang,

Lebih terperinci

BAB 4 ANALISIS DAN PEMBAHASAN

BAB 4 ANALISIS DAN PEMBAHASAN BAB 4 ANALISIS DAN PEMBAHASAN Pada bab ini akan dianalisis dan dibahas tentang pengukuran risiko operasional klaim asuransi kesehatan pada PT. XYZ menggunakan metode EVT. Pengukuran risiko operasional

Lebih terperinci

PROSEDUR OPERASI STANDAR (POS) UJIAN SEKOLAH SMP 1 WONOKERTO

PROSEDUR OPERASI STANDAR (POS) UJIAN SEKOLAH SMP 1 WONOKERTO PROSEDUR OPERASI STANDAR (POS) UJIAN SEKOLAH SMP 1 WONOKERTO TAHUN PELAJARAN 2010/2011 PEMERINTAH KABUPATEN PEKALONGAN DINAS PENDIDIKAN SMP 1 WONOKERTO PEMERINTAH KABUPATEN PEKALONGAN DINAS PENDIDIKAN

Lebih terperinci

Persatuan Aktuaris Indonesia Probabilitas dan Statistik 27 November 2006 A. 5/32 B. ¼ C. 27/32 D. ¾ E. 1 A. 0,20 B. 0,34 C. 0,40 D. 0,60 E.

Persatuan Aktuaris Indonesia Probabilitas dan Statistik 27 November 2006 A. 5/32 B. ¼ C. 27/32 D. ¾ E. 1 A. 0,20 B. 0,34 C. 0,40 D. 0,60 E. Persatuan Aktuaris Indonesia Probabilitas dan Statistik 27 November 2006. Jika A, B, C dan D adalah kejadian (event) di mana: ' B = A, C D = {}, P[ A] = [ ] 4, P B = 4 P C A = 2, P C B = 4, P D A = 4,

Lebih terperinci

MODEL ASURANSI KENDARAAN BERMOTOR MENGGUNAKAN DISTRIBUSI MIXED POISSON ABSTRACT

MODEL ASURANSI KENDARAAN BERMOTOR MENGGUNAKAN DISTRIBUSI MIXED POISSON ABSTRACT JURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman 229-240 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian MODEL ASURANSI KENDARAAN BERMOTOR MENGGUNAKAN DISTRIBUSI MIXED POISSON Tina

Lebih terperinci

Pengantar Statistika Matematika II

Pengantar Statistika Matematika II Bab 4: Metode Evaluasi Estimator Statistika FMIPA Universitas Islam Indonesia Penggunaan metode estimasi yang berbeda dapat menghasilkan estimator yang sama maupun berbeda Dari hasil estimator yang berbeda,

Lebih terperinci

BAB II LANDASAN TEORI. metode kuadrat terkecil (MKT), outlier, regresi robust, koefisien determinasi,

BAB II LANDASAN TEORI. metode kuadrat terkecil (MKT), outlier, regresi robust, koefisien determinasi, BAB II LANDASAN TEORI Beberapa teori yang diperlukan untuk mendukung pembahasan diantaranya adalah regresi linear berganda, pengujian asumsi analisis regresi, metode kuadrat terkecil (MKT), outlier, regresi

Lebih terperinci

Pengantar Proses Stokastik

Pengantar 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 terperinci

ESTIMASI TOTAL DAYA LISTRIK YANG HILANG MELALUI PROSES POISSON TERPANCUNG MAJEMUK

ESTIMASI TOTAL DAYA LISTRIK YANG HILANG MELALUI PROSES POISSON TERPANCUNG MAJEMUK ESTIMASI TOTAL DAYA LISTRIK YANG HILANG MELALUI PROSES POISSON TERPANCUNG MAJEMUK Adri Arisena 1, Anna Chadidjah 2, Achmad Zanbar Soleh 3 Departemen Statistika Universitas Padjadjaran 1 Departemen Statistika

Lebih terperinci

BAB 2 TINJAUAN PUSTAKA

BAB 2 TINJAUAN PUSTAKA BAB 2 TINJAUAN PUSTAKA Pada bab ini akan dibahas tinjauan pustaka yang akan digunakan untuk tesis ini, yang selanjutnya akan diperlukan pada bab 3. Yang akan dibahas dalam bab ini adalah metode bootstrap

Lebih terperinci

PENS. Probability and Random Process. Topik 5. Beberapa jenis Distribusi Variabel Acak. Prima Kristalina April 2015

PENS. Probability and Random Process. Topik 5. Beberapa jenis Distribusi Variabel Acak. Prima Kristalina April 2015 Program Pasca Sarjana Terapan Politeknik Elektronika Negeri Surabaya Probability and Random Process Topik 5. Beberapa jenis Distribusi Variabel Acak Prima Kristalina April 215 1 Outline 1. Beberapa macam

Lebih terperinci

STATISTIKA UNIPA SURABAYA

STATISTIKA UNIPA SURABAYA MATEMATIKA STATISTIKA (MATHEMATICAL STATISTICS) GANGGA ANURAGA Materi : Distribusi variabel random Teori Himpunan Fungsi Himpunan Fungsi Himpunan Peluang Variabel Random Fungsi Kepadatan Peluang Fungsi

Lebih terperinci

Catatan Kuliah. MA5181 Proses Stokastik

Catatan 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 terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 2.1 Sistem Antrian Sistem antrian adalah merupakan keseluruhan dari proses para pelanggan atau barang yang berdatangan dan memasuki barisan antrian yang seterusnya memerlukan pelayanan

Lebih terperinci

ILUSTRASI. Premi Dasar Berkala 3,000,000. Premi Top Up Berkala. Uang Pertanggungan. 500,000,000 FASILITAS ARMS Nama Pemegang Polis: Bijak

ILUSTRASI. Premi Dasar Berkala 3,000,000. Premi Top Up Berkala. Uang Pertanggungan. 500,000,000 FASILITAS ARMS Nama Pemegang Polis: Bijak DATA CALON TERTANGGUNG / PEMEGANG POLIS RINCIAN PREMI INVESTASI Nama Tertanggung Bijak Premi Dasar Berkala 3,000,000 Generali Money Market II 0% Jenis Kelamin Pria Premi Top Up Berkala 0 Generali Equity

Lebih terperinci

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN digilib.uns.ac.id BAB III METODE PENELITIAN Metode yang digunakan dalam penelitian ini adalah kajian pustaka dari buku referensi karya ilmiah. Karya ilmiah yang digunakan adalah hasil penelitian serta

Lebih terperinci

PEMERINTAH KABUPATEN POLEWALI MANDAR DINAS PENDIDIKAN, PEMUDA DAN OLAHRAGA

PEMERINTAH KABUPATEN POLEWALI MANDAR DINAS PENDIDIKAN, PEMUDA DAN OLAHRAGA PEMERINTAH KABUPATEN POLEWALI MANDAR DINAS PENDIDIKAN, PEMUDA DAN OLAHRAGA Alamat : Jln K.H.Agussalim Polewali Telp. 0428-22031, email:sman3polewali@yahoo.co.id KEPUTUSAN KEPALA SMA NEGERI 3 POLEWALI NOMOR

Lebih terperinci

BAB I PENDAHULUAN Latar Belakang Masalah

BAB I PENDAHULUAN Latar Belakang Masalah BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Dalam kehidupan sehari-hari manusia selalu dihadapkan dengan berbagai macam kejadian/peristiwa (event). Meskipun begitu, tidak semua peristiwa tersebut menjadi

Lebih terperinci

TENTANG LAPORAN AKTUARIS TAHUNAN PERUSAHAAN ASURANSI, PERUSAHAAN REASURANSI, PERUSAHAAN ASURANSI SYARIAH, DAN PERUSAHAAN REASURANSI SYARIAH

TENTANG LAPORAN AKTUARIS TAHUNAN PERUSAHAAN ASURANSI, PERUSAHAAN REASURANSI, PERUSAHAAN ASURANSI SYARIAH, DAN PERUSAHAAN REASURANSI SYARIAH LAMPIRAN SURAT EDARAN OTORITAS JASA KEUANGAN NOMOR 29 /SEOJK.05/2017 TENTANG LAPORAN AKTUARIS TAHUNAN PERUSAHAAN ASURANSI, PERUSAHAAN REASURANSI, PERUSAHAAN ASURANSI SYARIAH, DAN PERUSAHAAN REASURANSI

Lebih terperinci

BAB III METODOLOGI ANALISIS

BAB III METODOLOGI ANALISIS BAB III METODOLOGI ANALISIS 3.1 Analisis Permasalahan Analisis metode bootsrap pada regresi logistik yang dibandingkan dengan regresi logistik biasa dapat dilakukan dengan cara menganalisis keakuratan

Lebih terperinci

PROPOSAL KERJASAMA PENUTUPAN ASURANSI KENDARAAN BERMOTOR PT ADI SARANA ARMADA Tbk.

PROPOSAL KERJASAMA PENUTUPAN ASURANSI KENDARAAN BERMOTOR PT ADI SARANA ARMADA Tbk. PROPOSAL KERJASAMA PENUTUPAN ASURANSI KENDARAAN BERMOTOR PT ADI SARANA ARMADA Tbk. MATRIX PEMENUHAN SERVICE LEVEL AGREEMENT Service Level Agreement sesuai RFP A. Proses Penutupan Unit Penutupan atas unit

Lebih terperinci

Kuis 1 MA5181 Proses Stokastik Precise. Prospective. Tanggal 24 Agustus 2016, Waktu: suka-suka menit Dosen: Khreshna I.A. Syuhada, MSc. PhD.

Kuis 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 terperinci

BAB III OBYEK DAN METODE PENELITIAN. penafsiran semua data yang berkaitan dengan apa yang menjadi obyek di dalam

BAB III OBYEK DAN METODE PENELITIAN. penafsiran semua data yang berkaitan dengan apa yang menjadi obyek di dalam BAB III OBYEK DAN METODE PENELITIAN 3.1 Obyek Penelitian Obyek penelitian adalah proses yang mendasari pemilihan, pengolahan, dan penafsiran semua data yang berkaitan dengan apa yang menjadi obyek di dalam

Lebih terperinci

Catatan 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. 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 terperinci

BAB I PENDAHULUAN. risiko finansial yang disebabkan oleh peristiwa aktuaria (actuarial events).

BAB I PENDAHULUAN. risiko finansial yang disebabkan oleh peristiwa aktuaria (actuarial events). BAB I PENDAHULUAN 1.1 Latar Belakang Ilmu aktuaria memegang peranan penting dalam analisis dan pengelolaan risiko finansial yang disebabkan oleh peristiwa aktuaria (actuarial events). Variabel risiko yang

Lebih terperinci

OPTIMASI PARAMETER α DAN γ DALAM PEMULUSAN EKSPONENSIAL DUA PARAMETER DENGAN METODE MODIFIKASI GOLDEN SECTION

OPTIMASI PARAMETER α DAN γ DALAM PEMULUSAN EKSPONENSIAL DUA PARAMETER DENGAN METODE MODIFIKASI GOLDEN SECTION OPTIMASI PARAMETER α DAN γ DALAM PEMULUSAN EKSPONENSIAL DUA PARAMETER DENGAN METODE MODIFIKASI GOLDEN SECTION NILA YUWIDA 1208100015 Dosen Pembimbing : Dra. Nuri Wahyuningsih, M.Kes Drs. Lukman Hanafi,

Lebih terperinci

BAB I PENDAHULUAN 1.1. Latar Belakang

BAB I PENDAHULUAN 1.1. Latar Belakang BAB I PENDAHULUAN 1.1. Latar Belakang Asuransi merupakan suatu kegiatan pemindahan atau pengalihan risiko untuk mencegah terjadinya kerugian besar yang disebabkan oleh risiko-risiko tertentu. Risiko-risiko

Lebih terperinci

M-2 PERHITUNGAN PREMI ASURANSI KENDARAAN MENGGUNAKAN PENDEKATAN DISTRIBUSI PELUANG

M-2 PERHITUNGAN PREMI ASURANSI KENDARAAN MENGGUNAKAN PENDEKATAN DISTRIBUSI PELUANG M-2 PERHITUNGAN PREMI ASURANSI KENDARAAN MENGGUNAKAN PENDEKATAN DISTRIBUSI PELUANG Anita Andriani Universitas Hasyim Asy ari Tebuireng, Jombang anita.unhasy@gmail.com Abstrak Asuransi kendaraan bermotor

Lebih terperinci

GENERALIZED LINEAR MODELS (GLM) UNTUK DATA ASURANSI DALAM MENENTUKAN HARGA PREMI

GENERALIZED LINEAR MODELS (GLM) UNTUK DATA ASURANSI DALAM MENENTUKAN HARGA PREMI GENERALIZED LINEAR MODELS (GLM) UNTUK DATA ASURANSI DALAM MENENTUKAN HARGA PREMI Agus Supriatna 1), Riaman 2), Sudradjat 3), Tari Septiyani 4) Departemen Matematika, FMIPA Unpad Jalan Raya Bandung-Sumedang

Lebih terperinci

PEDOMAN UJIAN PROFESI & SERTIFIKASI

PEDOMAN UJIAN PROFESI & SERTIFIKASI PEDOMAN UJIAN PROFESI & SERTIFIKASI UJIAN REGULAR TAHUN 2010 PERSATUAN AKTUARIS INDONESIA I. PENDAHULUAN Sebagai organisasi profesi Persatuan Aktuaris Indonesia ( PAI ) ingin memastikan anggotanya memiliki

Lebih terperinci

BAB 4 HASIL DAN PEMBAHASAN

BAB 4 HASIL DAN PEMBAHASAN BAB 4 HASIL DAN PEMBAHASAN 4.1 Pengantar Pada Bab ini akan dilakukan pembahasan untuk menetapkan beban overbooking melalui model penghitungan. Untuk dapat melakukan penghitungan tersebut, terlebih dahulu

Lebih terperinci

BAB 4 ANALISIS, SIMULASI, DAN PEMBAHASAN. Pendekatan Bayes dalam mengestimasi parameter digunakan dalam fungsi kerugian

BAB 4 ANALISIS, SIMULASI, DAN PEMBAHASAN. Pendekatan Bayes dalam mengestimasi parameter digunakan dalam fungsi kerugian BAB 4 ANALISIS, SIMULASI, DAN PEMBAHASAN 4.1 Analisis 4.1.1 Model Quadratic Error Loss Function Pendekatan Bayes dalam mengestimasi parameter digunakan dalam fungsi kerugian untuk mengukur kerugian yang

Lebih terperinci

BAB 2 TINJAUAN PUSTAKA

BAB 2 TINJAUAN PUSTAKA BAB 2 TINJAUAN PUSTAKA 2.1 Data Data adalah bentuk jamak dari datum, yang dapat diartikan sebagai informasi yang diterima yang bentuknya dapat berupa angka, kata-kata, atau dalam bentuk lisan dan tulisan

Lebih terperinci

MA4181 MODEL RISIKO Enjoy the Risks

MA4181 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 terperinci

SATUAN ACARA PERKULIAHAN MATA KULIAH STATISTIKA DESKRIPTIF 1 (MI) KODE / SKS: KK / 2 SKS

SATUAN ACARA PERKULIAHAN MATA KULIAH STATISTIKA DESKRIPTIF 1 (MI) KODE / SKS: KK / 2 SKS Minggu Pokok Bahasan ke dan TIU 1 1. Pendahulua n tentang konsep statistika dan notasi penjumlahan Sub Pokok Bahasan dan Sasaran Belajar 1.1. Konsep statistika Mahasiswa dapat menjelaskan pengertian statistika

Lebih terperinci

BAB I PENDAHULUAN 1.1 Latar Belakang

BAB I PENDAHULUAN 1.1 Latar Belakang 1 BAB I PENDAHULUAN 1.1 Latar Belakang Pada saat ini bahaya, kerusakan, dan kerugian merupakan suatu ketidakpastian yang pasti akan dialami siapapun. Sehingga kemungkinan terjadi resiko dalam kehidupan

Lebih terperinci

MA4081 PENGANTAR PROSES STOKASTIK Bab 4 Proses Po

MA4081 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 terperinci

Seminar Hasil Tugas Akhir

Seminar Hasil Tugas Akhir Seminar Hasil Tugas Akhir FALAH EGY SUJANA (1209100050) JURUSAN MATEMATIKA FMIPA-ITS SIMULASI ANTRIAN SISTEM PELAYANAN NASABAH (STUDI KASUS : BANK X) Pembimbing : Drs. Soetrisno, MI.Komp. LATAR BELAKANG

Lebih terperinci

BAB 2 LANDASAN TEORI DAN KAJIAN PUSTAKA

BAB 2 LANDASAN TEORI DAN KAJIAN PUSTAKA BAB 2 LANDASAN TEORI DAN KAJIAN PUSTAKA 2.1 Estimasi Bayes Definisi 1 Estimasi Bayes yang paling mungkin dari suatu nilai kebenaran θ 0 yang tidak diketahui pada parameter θ adalah nila ˆθ yang meminimumkan

Lebih terperinci

BAB I PENDAHULUAN. 1.1 Latar Belakang Masalah

BAB I PENDAHULUAN. 1.1 Latar Belakang Masalah BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Seiring dengan berjalannya waktu, ilmu pengetahuan dan teknologi (sains dan teknologi) telah berkembang dengan cepat. Salah satunya adalah ilmu matematika yang

Lebih terperinci

SILABUS MATA KULIAH. : Dapat menganalisis tentang statistika inferensial secara teoritik beserta komponen dan sifat-sifatnya

SILABUS MATA KULIAH. : Dapat menganalisis tentang statistika inferensial secara teoritik beserta komponen dan sifat-sifatnya SILABUS MATA KULIAH Program Studi : Pendidikan Matematika Kode Mata Kuliah : 50603 Mata kuliah : Statistika Matematika Bobot : 3 SKS Semester : V Mata Kuliah Prasyarat : Probabilitas Deskripsi Mata Kuliah

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI 17 BAB 2 LANDASAN TEORI 2.1 Pengantar Fenomena menunggu untuk kemudian mendapatkan pelayanan, seperti halnya nasabah yang menunggu pada loket bank, kendaraan yang menunggu pada lampu merah, produk yang

Lebih terperinci

BAB I PENDAHULUAN 1.1 Latar Belakang

BAB I PENDAHULUAN 1.1 Latar Belakang BAB I PENDAHULUAN 1.1 Latar Belakang Analisis statistika pada dasarnya merupakan suatu analisis terhadap sampel yang kemudian hasilnya akan digeneralisasi untuk menggambarkan suatu karakteristik populasi.

Lebih terperinci

RENCANA PEMBELAJARAN SEMESTER (RPS) KKKF33112 PROBABILITAS DAN STATISTIKA

RENCANA PEMBELAJARAN SEMESTER (RPS) KKKF33112 PROBABILITAS DAN STATISTIKA RENCANA PEMBELAJARAN SEMESTER (RPS) KKKF33112 PROBABILITAS DAN STATISTIKA PROGRAM STUDI S1 TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER (FILKOM) UNIVERSITAS PUTRA INDONESIA YPTK PADANG LEMBAR PENGESAHAN Rencana

Lebih terperinci

RENCANA PEMBELAJARAN SEMESTER (RPS)

RENCANA PEMBELAJARAN SEMESTER (RPS) RENCANA PEMBELAJARAN SEMESTER (RPS) MUG2D3 PROBABILITAS DAN STATISTIKA Disusun oleh: INDWIARTI FAKULTAS INFORMATIKA TELKOM UNIVERSITY 1 LEMBAR PENGESAHAN Rencana Pembelajaran Semester (RPS) ini telah disahkan

Lebih terperinci

TATA TERTIB KOMET 2018

TATA TERTIB KOMET 2018 TATA TERTIB KOMET 2018 1. Peserta KOMET merupakan pelajar tingkat SD, SMP, dan SMA sederajat. 2. Peserta Komet wajib hadir ditempat 30 menit sebelum pelaksanaan berlangsung. 3. Peserta yang terlambat diperkenankan

Lebih terperinci

Kontrak Kuliah Metode Statistika 2

Kontrak Kuliah Metode Statistika 2 Kontrak Kuliah Metode Statistika 2 Ayundyah K., M.Si. PROGRAM STUDI STATISTIKA UNIVERSITAS ISLAM INDONESIA 2015 Deskripsi Mata Kuliah Nama Mata Kuliah : Metode Statistika 2 Semester/SKS : I / 3 SKS Kompetensi

Lebih terperinci

SATUAN ACARA PERKULIAHAN UNIVERSITAS GUNADARMA

SATUAN ACARA PERKULIAHAN UNIVERSITAS GUNADARMA Mata Kode / SKS Program Studi Fakultas : Statistika Dasar : IT012244 / 2 SKS : Sistem Komputer : Ilmu Komputer & Teknologi Informasi 1 Pendahuluan konsep statistika dan notasi penjumlahan 1.1. Konsep statistika

Lebih terperinci

PENENTUAN ESTIMASI INTERVAL DARI DISTRIBUSI NORMAL DENGAN METODE BAYES SKRIPSI. Oleh : Pramita Elfa Diana Santi J2E

PENENTUAN ESTIMASI INTERVAL DARI DISTRIBUSI NORMAL DENGAN METODE BAYES SKRIPSI. Oleh : Pramita Elfa Diana Santi J2E PENENTUAN ESTIMASI INTERVAL DARI DISTRIBUSI NORMAL DENGAN METODE BAYES SKRIPSI Oleh : Pramita Elfa Diana Santi JE 005 40 PROGRAM STUDI STATISTIKA JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN

Lebih terperinci

SIMULASI UNTUK MENENTUKAN MODEL DISTRIBUSI TOTAL KERUGIAN AGREGAT (STUDI KASUS DATA KLAIM POLIS ASURANSI KESEHATAN MANFAAT RAWAT INAP)

SIMULASI UNTUK MENENTUKAN MODEL DISTRIBUSI TOTAL KERUGIAN AGREGAT (STUDI KASUS DATA KLAIM POLIS ASURANSI KESEHATAN MANFAAT RAWAT INAP) SIMULASI UNTUK MENENTUKAN MODEL DISTRIBUSI TOTAL KERUGIAN AGREGAT (STUDI KASUS DATA KLAIM POLIS ASURANSI KESEHATAN MANFAAT RAWAT INAP) Irene Septinna Nugrahani 1, Lilik Linawati 2, Leopoldus Ricky Sasongko

Lebih terperinci

BAB I PENDAHULUAN. , untuk x 0, 0, 0 { 0, untuk x yang lain. 1 maka fungsi densitas di atas akan menjadi fungsi densitas distribusi

BAB I PENDAHULUAN. , untuk x 0, 0, 0 { 0, untuk x yang lain. 1 maka fungsi densitas di atas akan menjadi fungsi densitas distribusi BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Perkembangan ilmu pengetahuan dan teknologi berdampak positif pada berbagai bidang termasuk bidang Statistika. Hal ini dapat dilihat dari semakin banyak penemuan

Lebih terperinci