III PERBANDINGAN MODEL-MODEL BINOMIAL. : harga saham : tingkat harapan pendapatan. yaitu
|
|
- Indra Sudjarwadi
- 6 tahun lalu
- Tontonan:
Transkripsi
1 III PERBANDINGAN MODEL-MODEL BINOMIAL 3. Model Kotiu da Model Diskret Perkembaga Harga Saham Saham merupaka aset fiasial yag ilaiya berubah-ubah megikuti harga pasar, sehigga dalam jagka waktu tertetu harga saham dapat megalami keaika maupu peurua atau bahka tidak megalami perubaha harga. Jadi perubaha harga saham dipegaruhi oleh perubaha waktu da dipegaruhi pula oleh peubahpeubah peggaggu yag berupa peubah acak yag megikuti gerak Brow. Perubaha harga saham tersebut dapat dimodelka sebagai berikut: ds S dt S dw (3.) dega: S : harga saham : tigkat harapa pedapata dt W : volatilitas dari harga saham : periode waktu : peubah acak dega drift rate 0 da variace rate, serta megikuti gerak Brow (Hull 003). Perkembaga harga saham ditijau dari sisi waktu terdiri atas dua macam, yaitu model diskret da model kotiu. Dari model harga saham itu, aka ditetuka ilai suatu aset turuaya, di ataraya adalah opsi call yag mempuyai harga eksekusi K da waktu jatuh tempo T. Suatu portofolio lidug ilai yag didefiisika pada (.6) yag memuat aset S da sejumlah pijama tapa risiko pada suku buga r dibetuk utuk mereplikasi ilai dari suatu opsi pada setiap titik waktu t. Dega syarat tapa adaya arbitrase, portofolio itu Scholes utuk fugsi c( t, S) yaitu c c c rs S rc t S S bersesuaia dega persamaa diferesial Black- (3.) Solusi dari persamaa diferesial (PD) dega batas f : x ( x K) merupaka fugsi payoff yag diberika oleh formula opsi Black-Scholes c( t, S) S N( d ) K e N( d ) dega rt
2 3 d dega N (.) S K r T T l( / ) ( ), / (3.3) adalah fugsi distribusi ormal baku. Sesuai dega Harriso da Pliska (98) maka ilai dari c( t, S) merupaka preset value dari ilai opsi pada waktu T yag dapat dituliska sebagai c( t, S) : e rt E([ f ( S )]. (3.4) T Solusi di atas apabila diselesaika dega model biomial memerluka beberapa peyesuaia, yaitu perkembaga harga saham pada iterval waktu (0, T ) aka dibuat mejadi sub-sub iterval yag lebih kecil. Misalka diberika ruag peluag (, F, P), da suatu bilaga yag meyataka waktu perdagaga, di maa perdagaga saham haya terjadi pada waktu t (0 t0, t,..., t T) dega T ti ti t, ( i 0,,..., ). Pedapata dalam satu periode R, i (i=,..., ) dimodelka oleh dua variabel acak biomial yag iid (idepedet idetically distributed) pada ruag peluag i (, F, P) R, i dega u dega peluag p d dega peluag p q (3.5) dega u meyataka faktor keaika harga saham da d meyataka faktor peurua harga saham. Sehigga utuk semua k 0,..., perkembaga aset diskret pada waktu t k diyataka oleh S S R. (3.6), k 0, i i k Deskripsi dari pedapata satu periode perdagaga telah meggambarka perkembaga harga aset diskret S secara keseluruha. Selajutya barisa terbatas dari R ( R, i ) i,..., disebut sebagai lattice (tree). Sedagka pemberia ilai tertetu terhadap parameter r,, S0 da t utuk masig-masig perbaika disebut sebagai pedekata lattice.
3 4 Beberapa pedekata lattice yag berbeda telah memperhitugka argumetasi risiko etral seperti yag disampaika oleh Harriso da Pliska (98) yag meujukka bahwa harapa pedapata satu periode E[ R,] harus sama dega pedapata satu periode dari obligasi bebas risiko r exp{ r t }. Cox, Ross da Rubistei, Jarrow da Rudd da Tia telah merumuska beberapa defiisi alteratif dari parameter tree yag haya bersadar pada peetua faktor keaika da faktor peurua harga aset, yag tertuag dalam tabel berikut Tabel 3. Defiisi alteratif dari parameter tree pada pedekata lattice oleh model CRR, model JR da model Tia. CRR JR Tia u d exp T exp T u d exp exp ' r ' ' T T T T / / r v u v v v / ( 3) r v d v v v r v / ( 3) Keteraga: CRR : Model yag disampaika oleh Cox, Ross da Rubistei JR : Model yag disampaika oleh Jarrow da Rudd Tia : Model yag disampaika oleh Tia. Substitusi parameter pada tabel 3. ke dalam persamaa 3.8 diperoleh ilai opsi call dega metode biomial utuk masig-masig model. Metode biomial tersebut utuk kali yag pertama disampaika oleh Cox, Ross da Rubistei yag meyataka bahwa harga opsi pada t = 0 merupaka preset value dari ilai harapa harga opsi pada t = T yag diyataka sebagai 0 0, 0 exp exp c (0 t, S ) r E[ f ( S ) S ] (3.7) T r T r p ( p ) [ S K] j j, j 0 j (3.8) da meurut Leise da Reimer (996) persamaa (3.8) ekivale dega dega c t S S a p K r a p (3.9) ' (0 0, 0 ) 0 [ ;, ] [ ;, ]
4 5 ( r d ) u l( K / S ) l d p, p p, a= ' 0 ( u d ) r l u l d da (.) meyataka fugsi distribusi biomial. Formula (3.7), (3.8), da (3.9) merupaka suatu pedekata terhadap formula Black-Scholes pada (3.3). Pedekata ii diperoleh dega diskretisasi waktu terhadap perkembaga harga saham pada (3.). sehigga secara implisit meggambarka perkembaga harga opsi melalui argumetasi replikasi backward. 3. Uji Kekovergea Model Biomial Semua pedekata lattice disusu sedemikia sehigga S, koverge ke S T. Selajutya ditetuka rata-rata serta varia dari l, S, yaitu ˆ, ˆ da rata-rata serta varia dari l S T adalah t, t. Meurut Leise da Reimer (996), dega teorema limit pusat da syarat batas Liapuov telah memberika jamia terhadap kekovergea masalah berikut. ˆ (3.0) ˆ (3.) k E (l R ˆ), k ( ˆ ) (3.) Ketiga model (CRR, JR da Tia) koverge lemah pada akhir periodeya. Tetapi dalam peelitia ii haya aka memfokuska pada perilaku da kecepata kekovergeaya. Gambar 3., 3., da 3.3 memperlihatka suatu pola tertetu dari perubaha harga opsi yag diperoleh dari beberapa refiemet tree yag berbeda. Garis lurus horizotal meujukka solusi Black-Scholes. Utuk peghituga dega metode biomial, hasil dari setiap refiemet dihubugka dega garis yag meggambarka perubaha hasil. Dari ketiga model di atas ditemuka suatu pola khusus yaitu perkembaga harga opsi berosilasi da bergelombag. Lebih jauh digambarka bahwa iterval dega peguraga error diikuti oleh iterval dega peigkata error kembali. Pada suatu refiemet tertetu dari harga opsi selalu
5 6 berada di atas solusi Black-Scholes tetapi utuk yag cukup besar, solusi dega metode biomial aka koverge ke solusi Black-Scholes. Gambar 3., 3., da 3.3 adalah grafik yag meujukka pola kekovergea dari model CRR, JR da Tia utuk suatu piliha parameter: S 00, K 0, T, r 0.05, 0.3, 0,...,00. Gambar 3. Grafik pola kekovergea model CRR Gambar 3. Grafik pola kekovergea model JR Gambar 3.3 Grafik pola kekovergea model Tia
6 7 Barisa dari ( u ) da ( d ) aka koverge ke satu dega bertambahya refiemet, demikia pula utuk perubaha S, aka medekati saham awalya. Posisi harga akhir opsi seatiasa bersilaga dega jarak yag semaki kecil. Sebagai hasilya, peghituga harga opsi berosilasi da bergelombag koverge ke solusi Black-Scholes. Pola kekovergea yag ada pada semua model biomial dega piliha parameter acak dapat ditujukka dega ilai distribusi error. Nilai itu diperoleh dega cara membadigka atara solusi formula Black-Scholes dega solusi dari perluasa barisa R ( R, i ) i,..., utuk setiap model biomialya. Utuk melihat kecepata kekovergea, maka diambil satu barisa lattice tertetu, di maa harga yag diperoleh dari model diskret da model kotiu tidak sama, maka aka terdapat error e c(0, S0) c (0, S 0). Dega teorema limit pusat diperoleh lim e 0, yag berarti bahwa harga yag dihitug oleh barisa lattice koverge ke solusi Black-Scholes. Gambar 3.4, 3.5 da 3.6 adalah grafik yag meujukka error dari setiap ilai perbaika beserta batas error yag digambarka dega garis lurus pada model CRR, JR da Tia. Sumbu-x da sumbu-y digambarka dega skala log. Cotoh utuk suatu piliha parameter berikut: S 00, K 0, T, r 0.05, 0.3, 0,...,00 Gambar 3.4 Grafik error da batas error utuk model CRR
7 8 Gambar 3.5 Grafik error da batas error utuk model JR Gambar 3.6 Grafik error da batas error utuk model Tia Dalam kaita dega pola gelombag pada perilaku kekovergea, maka aka dideskripsika suatu pedekata kecepata secara formal, yag megguaka batas atas utuk error e. Utuk ii diguaka kosep matematika kekovergea. Utuk mejelaska masalah tersebut diperluka berikut. Defiisi 3. derajat pedefiisia Misalka f : x ( x K) adalah fugsi payoff opsi call Eropa. Suatu barisa lattice koverge berderajat 0, jika ada suatu kostata 0 sedemikia sehigga N :. e Suatu pedekata lattice koverge dega derajat (3.3) 0, jika utuk semua S,,,, 0 K r T barisa khusus dari lattice koverge dega derajat 0. Derajat kekovergea selalu lebih besar dari ol. Semaki tiggi derajatya berarti semaki cepat kekovergeaya. Kosep teoritis utuk derajat
8 9 kekovergea tidak tuggal, artiya pedekata lattice dega derajat juga mempuyai derajat. Derajat kekovergea sagat mudah diamati pada simulasi, yaitu dega meggambarka error e terhadap perbaika pada skala log-log. Karea log / log log, maka fugsi batas / mejadi garis lurus dega gradie seirig dega perubaha. Garis lurus pada gambar 3.4, 3.5 da 3.6 miimal melalui satu titik dari ilai error-ya. Nilai log pada 0 meggambarka letak suatu titik pada sumbu log e yag berpotoga dega garis yag bergradie. Nilai log utuk masig-masig model di atas utuk = 0 adalah: model CRR = 0.48, JR = da Tia = Sebagai cotoh ilustrasi, pada gambar 3.4, 3.5, da 3.6 ditujukka bahwa model CRR, JR da Tia koverge berderajat satu karea garis batas utuk e bergradie satu. Utuk memeriksa kriteria yag lebih spesifik pada peetua derajat kekovergea utuk pedekata lattice tertetu diberika defiisi berikut. Defiisi 3. Utuk suatu barisa lattice ( R ) da utuk semua N maka,, N m : E[ R ] E[ R ] (3.4) m : E[( R ) ] E[( R ) ] (3.5),, m : E[( R ) ] E[( R ) ] (3.6) 3 3 3,, disebut mome da p E R R (3.7) 3 : [(l, )(, ) ] disebut mome semu. Utuk sebarag N diotasika R ( R ) N sebagai pedapata kotiu atara waktu ti da t i, yag merupaka varibel acak iid pada ruag peluag (, F, P) sedemikia sehigga S S R k 0, 0,...,. t k Mome sebagaimaa pada defiisi merupaka geeralisasi dari mome per periode. Mome per periode pada pedekata diskret tidak sama dega mome per periode pada pedekata kotiu sehigga megakibatka adaya error. k i i
9 30 Implikasi dari persamaa (3.0), (3.) da (3.) adalah mome m, m da m aka koverge ke ol. Sedagka dari simulasi diperoleh bahwa 3 tiga pedekata lattice yag telah didefiisika di atas koverge sagat lemah. Suatu pedekata lattice koverge dega derajat 0 aka berimplikasi pada kekovergea harga opsi. Aka tetapi, kekovergea harga opsi tidak memberika iformasi tetag derajat kekovergea. Semetara kekovergea yag sesuai dega mome tidak cukup mejami kekovergea opsi. Pada pembahasa ii aka ditetapka suatu formula lai utuk meetuka kekovergea harga opsi. Teorema 3. Misalka ( R ) N barisa lattice da m, m, p masig-masig adalah mome 3 (semu). Derajat kekovergea ( R ) N merupaka derajat palig kecil yag dimuat 3 dalam m, m da p dikuragi, tetapi tidak lebih kecil dari pada. Pembuktia teorema 3. ada pada Leise (996). Persepsi lai dari teorema di atas meyataka bahwa derajat kekovergea dari ( R ) N palig sedikit. Sehigga derajat kekovergea yag dimiliki oleh mome semu harus lebih dari satu. Selajutya agar memberika kriteria yag lebih spesifik utuk membadigka model yag titik perhatiaya pada kecepata kekovergea, maka diberika proposisi berikut. Proposisi 3. Pedekata lattice yag disampaika Cox, Ross da Rubistei (979) koverge dega derajat. Proposisi 3. Pedekata lattice yag disampaika Jarrow da Rudd (983) koverge dega derajat. Proposisi 3.3 Pedekata lattice yag disampaika Tia (993) koverge dega derajat. Pembuktia proposisi 3., 3., da 3.3 ada pada Leise (996). Pada gambar 3.7, 3.8 da 3.9 ditujukka pegguaa simulasi dari pedekata lattice CRR, JR, da Tia. Bagia kiri meujukka error dega pola gelombag tertetu. Bagia kaa meggambarka mome semu. Utuk semua
10 3 model, tigkah laku kekovergea dari mome semu sagat halus da berbadig lurus dega barisa (/ ) artiya mome tersebut berderajat dua. Ketiga model tidak ditemuka suatu perbedaa yag yata. Namu demikia derajat kekovergea mome semu dapat disimpulka secara mudah lewat simulasi. Meurut teorema 3. terdapat kekovergea harga berderajat satu. Perbadiga tigkah laku kekovergea pada sisi kiri da kaa pada setiap gambar, tercatat bahwa derajat kekovergea harga opsi melalui mome semu lebih mudah diamati dari pada melalui gambar error-ya. Gambar 3.7, 3.8 da 3.9 adalah grafik yag merupaka ilustrasi dari proposisi 3., 3., da 3.3, yag meyataka perbadiga derajat kekovergea dari model CRR, JR da Tia dega derajat kekovergea pada momeya, yag diuji utuk piliha parameter yag berbeda. Gambar 3.7 Grafik ilustrasi proposisi 3. dega piliha parameter berikut: S 00, K 90, T, r 0.05, 0.3, 0,...,000 Gambar 3.8 Grafik ilustrasi proposisi 3. dega piliha parameter berikut: S 00, K 0, T, r 0.05, 0.3, 0,...,000
11 3 Gambar 3.9 Grafik ilustrasi proposisi 3.3 dega piliha parameter berikut: S 00, K 00, T, r 0.05, 0.3, 0,...,000. Gambar 3.7, 3.8,, da 3.9 meujukka bahwa model CRR, JR, da Tia koverge berderajat satu sebab mome kedua, mome ketiga da mome semu masig-masig model koverge berderajat dua. Hal tersebut sesuai dega peryataa pada Teorema Model Biomial dega Perbaika Sifat-Sifat kekovergea Sebelumya telah dipelajari pegujia perilaku da kecepata kekovergea dega pedekata lattice. Secara umum defiisi da teorema utuk pegukura derajat kekovergea telah dibagkitka. Aplikasi teorema tersebut terhadap model CRR, JR, da Tia tidak meujukka adaya perbedaa yag sigifika pada kekovergea ke solusi Black-Scholes. Kostruksi perbaika dega pedekata tree dilakuka utuk meghitug harga opsi agar diperoleh kekovergea yag besar. kecepata Pada dasarya, kekovergea tidak dapat dicapai dega dua titik peubah acak. Selajutya yag mugki diguaka adalah sifatsifat struktur lai dari opsiya. Metode ii dikataka sebagai perluasa pedekata lattice, utuk memberika peekaa perbedaa terhadap pedekata lattice yag biasa. CRR meujukka kekovergea dari model-model tersebut pada formula Black-Scholes dega pegujia biomial secara terpisah pada (3.9). Hal yag sama utuk peilaia opsi call Eropa dapat digambarka sebagai dua pedekata dari tipe ( a;, p) N ( z ). Pedekata ii diguaka sebagai awal perbaika. Peghituga peluag biomial sagat sulit karea melibatka peghituga beberapa faktorial dari bilaga bulat yag besar atau pejumlaha
12 suatu bilaga besar dari masig-masig eleme. Oleh karea itu, pedekata ormal utuk distribusi biomial dituruka dega metode pedekata Peizer da Pratt (968). Metode tersebut megugkapka suatu pedekata yag baik, dega peluag kebeara P dihitug secara biomial yag didekati dega fugsi ormal stadar N( z ). Iput ditetuka oleh fugsi z = h( a;, p) dega a adalah bay i akya pergeraka aik dari harga saham pada saat eksekusi periode biomial dega ukura peluag p. Pada kasus sederhaa diguaka teorema Moivre- 33 Laplace. P ( a;, p) didekati oleh / P N[ h( a;, p) ( a p /( p( p)) )] dega ( a;, p) merupaka fugsi distribusi biomial dari (3.9). Harga suatu opsi dapat diselesaika dalam dua pedekata yag berbeda. Peghituga pada harga opsi biomial meyataka bahwa eleme dari distribusi ormal didekati dega eleme dari distribusi biomial. Sehigga utuk perbaika tree dari biomial yag diberika, merupaka kebalika dari fugsi h( a;, p) yag ditetapka dega parameter h ( z) p utuk medekati P N ( z) dega P ( a;, p ). Peizer da Pratt dalam Leise da reimer (996) meuruka suatu formula sebagai berikut: A Metode Ivers Peizer-Pratt z h ( z) exp / 3 6 B Metode Ivers Peizer-Pratt z h ( z) exp ( ) Selajutya aka paparka lagkah-lagkah utuk megkostruksi model biomial baru seperti CRR. Sistem persamaa dibagkitka utuk meetuka secara tuggal parameter tree yag mejami kekovergea. Pertama, meetuka dua kompoe pada formula harga pada (3.3) da (3.9), d da d merupaka iput dari persamaa (3.3) pada h ( z) da didapatka
13 34 p serta p ' sebagai parameter distribusi dari dua buah kompoe biomial pada (3.9). Nilai h ( z) diperoleh dega megguaka atura A atau B. Kedua, dibagkitka parameter arbitrase megakibatka p u da d dari persamaa (3.9). Ketiadaa ( r d) ur. Selajutya p ' didefiisika p ' p. ( u d ) r Dari dua persamaa di atas diperoleh parameter model biomial baru yag dituliska sebagai: p h d ' : ( ) u da d. Sehigga diperoleh p h d u : ( ) p ' p : r d : r p u p l( K / S0) l d da parameter a dirumuska a:= l u l d. Dega megambil ilai S 00, K 0, T, r 0.05, 0.3, pada 0,...,50 utuk peghituga harga opsi da 0,...,000 utuk error-relatif, maka ilustrasi perkembaga harga opsi serta error-relatif model PP da PP ditujukka pada Gambar 3.0. Gambar 3.0 Grafik ilustrasi hasil perbaika kostruksi biomial megguaka pedekata PP da PP Gambar 3.0 meujukka hasil dega metode PP da PP. Peerapa kedua metode utuk peetua harga opsi tidak memperlihatka perbedaa secara sigifika di atara keduaya. Pemiliha gajil sebagai batasa daerah asal, tidak
14 35 aka berpegaruh pada hasil peghituga opsi. Selai itu pedekata error meuru secara mooto dega derajat kekovergea dua. Dega mesubstitusika ilai-ilai utuk parameterya, dega semua bilaga Asli, diperoleh suatu gambar yag meyataka adaya pola osilasi dari perkembaga harga opsi. Sedagka utuk geap didapatka suatu pola kekovergea berupa garis lurus dega derajat kekovergea satu. Metode ii memperlihatka adaya perbaika kekovergea utuk peghituga harga opsi 3.4 Perbadiga Kekovergea lima Model Biomial Utuk melihat perbedaa kelima model biomial tetag perilaku da kecepata kekovergea yag ditujukka dega derajat kekovergea, maka ditampilka perbadiga dari kelima macam model. Gambar 3. memperlihatka perbadiga pola kekovergea model CRR, JR, Tia, PP, da PP dega piliha parameter berikut: S 00, K 0, T, r 0.05, 0.3, utuk 0,...,50, sedagka model PP da PP dipilih utuk gajil. model CRR model JR
15 36 model Tia model PP da PP Gambar 3. Perbadiga perilaku kekovergea lima model Gambar 3. memperlihatka perbadiga error da derajat kekovergea model CRR, JR, Tia, PP, da PP dega piliha parameter berikut: S 00, K 0, T, r 0.05, 0.3, utuk 0,...,50, sedagka model PP da PP dipilih utuk gajil. model CRR model JR model Tia Gambar 3. Perbadiga error da derajat kekovergea model PP da PP
Distribusi Pendekatan (Limiting Distributions)
Distribusi Pedekata (Limitig Distributios) Ada 3 tekik utuk meetuka distribusi pedekata: 1. Tekik Fugsi Distribusi Cotoh 2. Tekik Fugsi Pembagkit Mome Cotoh 3. Tekik Teorema Limit Pusat Cotoh Fitriai Agustia,
Lebih terperinciKEKONVERGENAN MODEL BINOMIAL UNTUK PENENTUAN HARGA OPSI EROPA. Fitriani Agustina, Math, UPI
KEKONVERGENAN MODEL BINOMIAL UNTUK PENENTUAN HARGA OPSI EROPA Fitriai Agustia, Math, UPI 1 Fiacial Derivative Opsi Mafaat Opsi Opsi Eropa Peetua Harga Opsi Kekovergea Model Biomial Fitriai Agustia, Math,
Lebih terperinciSecara umum, suatu barisan dapat dinyatakan sebagai susunan terurut dari bilangan-bilangan real:
BARISAN TAK HINGGA Secara umum, suatu barisa dapat diyataka sebagai susua terurut dari bilaga-bilaga real: u 1, u 2, u 3, Barisa tak higga merupaka suatu fugsi dega domai berupa himpua bilaga bulat positif
Lebih terperinciPERBANDINGAN KEKONVERGENAN BEBERAPA MODEL BINOMIAL UNTUK PENENTUAN HARGA OPSI EROPA PONCO BUDI SUSILO
PERBANDINGAN KEKONVERGENAN BEBERAPA MODEL BINOMIAL UNUK PENENUAN HARGA OPSI EROPA PONCO BUDI SUSILO SEKOLAH PASCASARJANA INSIU PERANIAN BOGOR BOGOR 008 SUMBER INFORMASI Dega ii saya meyataka bahwa tesis
Lebih terperinciI. DERET TAKHINGGA, DERET PANGKAT
I. DERET TAKHINGGA, DERET PANGKAT. Pedahulua Pembahasa tetag deret takhigga sebagai betuk pejumlaha suku-suku takhigga memegag peraa petig dalam fisika. Pada bab ii aka dibahas megeai pegertia deret da
Lebih terperinciBarisan. Barisan Tak Hingga Kekonvergenan barisan tak hingga Sifat sifat barisan Barisan Monoton. 19/02/2016 Matematika 2 1
Barisa Barisa Tak Higga Kekovergea barisa tak higga Sifat sifat barisa Barisa Mooto 9/0/06 Matematika Barisa Tak Higga Secara sederhaa, barisa merupaka susua dari bilaga bilaga yag urutaya berdasarka bilaga
Lebih terperinciIII PEMBAHASAN. λ = 0. Ly = 0, maka solusi umum dari persamaan diferensial (3.3) adalah
III PEMBAHASAN Pada bagia ii aka diformulasika masalah yag aka dibahas. Solusi masalah aka diselesaika dega Metode Dekomposisi Adomia. Selajutya metode ii aka diguaka utuk meyelesaika model yag diyataka
Lebih terperinci2 BARISAN BILANGAN REAL
2 BARISAN BILANGAN REAL Di sekolah meegah barisa diperkealka sebagai kumpula bilaga yag disusu meurut "pola" tertetu, misalya barisa aritmatika da barisa geometri. Biasaya barisa da deret merupaka satu
Lebih terperinciLIMIT. = δ. A R, jika dan hanya jika ada barisan. , sedemikian hingga Lim( a n
LIMIT 4.. FUNGSI LIMIT Defiisi 4.. A R Titik c R adalah titik limit dari A, jika utuk setiap δ > 0 ada palig sedikit satu titik di A, c sedemikia sehigga c < δ. Defiisi diatas dapat disimpulka dega cara
Lebih terperinciMata Kuliah : Matematika Diskrit Program Studi : Teknik Informatika Minggu ke : 4
Program Studi : Tekik Iformatika Miggu ke : 4 INDUKSI MATEMATIKA Hampir semua rumus da hukum yag berlaku tidak tercipta dega begitu saja sehigga diraguka kebearaya. Biasaya, rumus-rumus dapat dibuktika
Lebih terperinciPETA KONSEP RETURN dan RISIKO PORTOFOLIO
PETA KONSEP RETURN da RISIKO PORTOFOLIO RETURN PORTOFOLIO RISIKO PORTOFOLIO RISIKO TOTAL DIVERSIFIKASI PORTOFOLIO DENGAN DUA AKTIVA PORTOFOLIO DENGAN BANYAK AKTIVA DEVERSIFIKASI DENGAN BANYAK AKTIVA DEVERSIFIKASI
Lebih terperinciProgram Perkuliahan Dasar Umum Sekolah Tinggi Teknologi Telkom. Barisan dan Deret
Program Perkuliaha Dasar Umum Sekolah Tiggi Tekologi Telkom Barisa da Deret Barisa Defiisi Barisa bilaga didefiisika sebagai fugsi dega daerah asal merupaka bilaga asli. Notasi: f: N R f( ) a Fugsi tersebut
Lebih terperinciTINJAUAN PUSTAKA Pengertian
TINJAUAN PUSTAKA Pegertia Racaga peelitia kasus-kotrol di bidag epidemiologi didefiisika sebagai racaga epidemiologi yag mempelajari hubuga atara faktor peelitia dega peyakit, dega cara membadigka kelompok
Lebih terperinciBARISAN DAN DERET. Nurdinintya Athari (NDT)
BARISAN DAN DERET Nurdiitya Athari (NDT) BARISAN Defiisi Barisa bilaga didefiisika sebagai fugsi dega daerah asal merupaka bilaga asli. Notasi: f: N R f( ) = a Fugsi tersebut dikeal sebagai barisa bilaga
Lebih terperinciPendugaan Selang: Metode Pivotal Langkah-langkahnya 1. Andaikan X1, X
Pedugaa Selag: Metode Pivotal Lagkah-lagkahya 1. Adaika X1, X,..., X adalah cotoh acak dari populasi dega fugsi kepekata f( x; ), da parameter yag tidak diketahui ilaiya. Adaika T adalah peduga titik bagi..
Lebih terperinciPendekatan Nilai Logaritma dan Inversnya Secara Manual
Pedekata Nilai Logaritma da Iversya Secara Maual Moh. Affaf Program Studi Pedidika Matematika, STKIP PGRI BANGKALAN affafs.theorem@yahoo.com Abstrak Pada pegaplikasiaya, bayak peggua yag meggatugka masalah
Lebih terperinciHALAMAN Dengan definisi limit barisan buktikan limit berikut ini : = 0. a. lim PENYELESAIAN : jadi terbukti bahwa lim = 0 = 5. b.
Didowload dari ririez.blog.us.ac.id HALAMAN 36 37 5. Dega defiisi limit barisa buktika limit berikut ii : a. lim = 0 lim 1 2 + 3 = 0 > 0 h 1 = 2 + 3 0 = 1 2 + 3 1 2 1 2 1 2 < jadi terbukti bahwa lim =
Lebih terperinciHendra Gunawan. 12 Februari 2014
MA1201 MATEMATIKA 2A Hedra Guawa Semester II, 2013/2014 12 Februari 2014 Bab Sebelumya 8. Betuk Tak Tetu da Itegral Tak Wajar 8.1 Betuk Tak Tetu 0/0 82 8.2 Betuk Tak Tetu Laiya 8.3 Itegral Tak Wajar dg
Lebih terperinciBARISAN DAN DERET. 05/12/2016 Matematika Teknik 1 1
BARISAN DAN DERET 05//06 Matematika Tekik BARISAN Barisa Tak Higga Kekovergea barisa tak higga Sifat sifat barisa Barisa Mooto 05//06 Matematika Tekik Barisa Tak Higga Secara sederhaa, barisa merupaka
Lebih terperinciDefinisi Integral Tentu
Defiisi Itegral Tetu Bila kita megedarai kedaraa bermotor (sepeda motor atau mobil) selama 4 jam dega kecepata 50 km / jam, berapa jarak yag ditempuh? Tetu saja jawabya sagat mudah yaitu 50 x 4 = 200 km.
Lebih terperinciB a b 1 I s y a r a t
34 TKE 315 ISYARAT DAN SISTEM B a b 1 I s y a r a t (bagia 3) Idah Susilawati, S.T., M.Eg. Program Studi Tekik Elektro Fakultas Tekik da Ilmu Komputer Uiversitas Mercu Buaa Yogyakarta 29 35 1.5.2. Isyarat
Lebih terperinciBAB 3 ENTROPI DARI BEBERAPA DISTRIBUSI
BAB 3 ENTROPI DARI BEBERAPA DISTRIBUSI Utuk lebih memahami megeai etropi, pada bab ii aka diberika perhituga etropi utuk beberapa distribusi diskrit da kotiu. 3. Distribusi Diskrit Pada sub bab ii dibahas
Lebih terperinciBAB I PENDAHULUAN. Matematika merupakan suatu ilmu yang mempunyai obyek kajian
BAB I PENDAHULUAN A. Latar Belakag Masalah Matematika merupaka suatu ilmu yag mempuyai obyek kajia abstrak, uiversal, medasari perkembaga tekologi moder, da mempuyai pera petig dalam berbagai disipli,
Lebih terperinciBAB VIII MASALAH ESTIMASI SATU DAN DUA SAMPEL
BAB VIII MASAAH ESTIMASI SAT DAN DA SAMPE 8.1 Statistik iferesial Statistik iferesial suatu metode megambil kesimpula dari suatu populasi. Ada dua pedekata yag diguaka dalam statistik iferesial. Pertama,
Lebih terperinciBAB V ANALISA PEMECAHAN MASALAH
89 BAB V ANALISA PEMECAHAN MASALAH Dalam upaya mearik kesimpula da megambil keputusa, diperluka asumsi-asumsi da perkiraa-perkiraa. Secara umum hipotesis statistik merupaka peryataa megeai distribusi probabilitas
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 terperinciDERET TAK HINGGA (INFITITE SERIES)
MATEMATIKA II DERET TAK HINGGA (INFITITE SERIES) sugegpb.lecture.ub.ac.id aada.lecture.ub.ac.id BARISAN Barisa merupaka kumpula suatu bilaga (atau betuk aljabar) yag disusu sehigga membetuk suku-suku yag
Lebih terperinciBAB II LANDASAN TEORI. matematika secara numerik dan menggunakan alat bantu komputer, yaitu:
4 BAB II LANDASAN TEORI 2.1 Model matematis da tahapa matematis Secara umum tahapa yag harus ditempuh dalam meyelesaika masalah matematika secara umerik da megguaka alat batu komputer, yaitu: 2.1.1 Tahap
Lebih terperinciHUBUNGAN ANTARA KONVERGEN HAMPIR PASTI, KONVERGEN DALAM PELUANG, DAN KONVERGEN DALAM SEBARAN
Jural Matematika UNAND Vol. 2 No. 2 Hal. 0 6 ISSN : 2303 290 c Jurusa Matematika FMIPA UNAND HUBUNGAN ANTARA KONVERGEN HAMPIR PASTI, KONVERGEN DALAM PELUANG, DAN KONVERGEN DALAM SEBARAN VIRA AGUSTA, DODI
Lebih terperinciBab 3 Metode Interpolasi
Baha Kuliah 03 Bab 3 Metode Iterpolasi Pedahulua Iterpolasi serig diartika sebagai mecari ilai variabel tergatug tertetu, misalya y, pada ilai variabel bebas, misalya, diatara dua atau lebih ilai yag diketahui
Lebih terperinciMA1201 MATEMATIKA 2A Hendra Gunawan
MA1201 MATEMATIKA 2A Hedra Guawa Semester II, 2016/2017 3 Februari 2017 Bab Sebelumya 8. Betuk Tak Tetu da Itegral Tak Wajar 8.1 Betuk Tak Tetu 0/0 8.2 Betuk Tak Tetu Laiya 8.3 Itegral Tak Wajar dg Batas
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Aalisis Regresi Istilah regresi pertama kali diperkealka oleh seorag ahli yag berama Facis Galto pada tahu 1886. Meurut Galto, aalisis regresi berkeaa dega studi ketergatuga dari suatu
Lebih terperinci,n N. Jelas barisan ini terbatas pada dengan batas M =: 1, dan. barisan ini kovergen ke 0.
PROGRAM STUDI PENDIDIKAN MATEMATIKA FKIP UNMUH PONOROGO SOAL UJIAN TENGAH SEMESTER GENAP TA 03/04 Mata Ujia : Aalisis Real Tipe Soal : REGULER Dose : Dr. Jula HERNADI Waktu : 90 meit Hari, Taggal : Selasa,
Lebih terperinciREGRESI LINIER DAN KORELASI. Variabel bebas atau variabel prediktor -> variabel yang mudah didapat atau tersedia. Dapat dinyatakan
REGRESI LINIER DAN KORELASI Variabel dibedaka dalam dua jeis dalam aalisis regresi: Variabel bebas atau variabel prediktor -> variabel yag mudah didapat atau tersedia. Dapat diyataka dega X 1, X,, X k
Lebih terperinciBAB I KONSEP DASAR PERSAMAAN DIFERENSIAL
BAB I KONSEP DASAR PERSAMAAN DIFERENSIAL Defiisi Persamaa diferesial adalah persamaa yag melibatka variabelvariabel tak bebas da derivatif-derivatifya terhadap variabel-variabel bebas. Berikut ii adalah
Lebih terperinciII. TINJAUAN PUSTAKA. Secara umum apabila a bilangan bulat dan b bilangan bulat positif, maka ada tepat = +, 0 <
II. TINJAUAN PUSTAKA 2.1 Keterbagia Secara umum apabila a bilaga bulat da b bilaga bulat positif, maka ada tepat satu bilaga bulat q da r sedemikia sehigga : = +, 0 < dalam hal ii b disebut hasil bagi
Lebih terperinciPedahulua Hipotesis: asumsi atau dugaa semetara megeai sesuatu hal. Ditutut utuk dilakuka pegeceka kebearaya. Jika asumsi atau dugaa dikhususka megeai
PENGUJIAN HIPOTESIS Pedahulua Hipotesis: asumsi atau dugaa semetara megeai sesuatu hal. Ditutut utuk dilakuka pegeceka kebearaya. Jika asumsi atau dugaa dikhususka megeai ilai-ilai parameter populasi,
Lebih terperinciBARISAN TAK HINGGA DAN DERET TAK HINGGA
BARIAN TAK HINGGA DAN DERET TAK HINGGA Bajar/Barisa Tak Higga Barisa tak higga { } adalah suatu fugsi dari dimaa daerah domaiya adalah himpua bilaga bulat positif (bilaga asli). Cotoh: Bila.. maka fugsi
Lebih terperinciPenyelesaian Persamaan Non Linier
Peyelesaia Persamaa No Liier Metode Iterasi Sederhaa Metode Newto Raphso Permasalaha Titik Kritis pada Newto Raphso Metode Secat Metode Numerik Iterasi/NewtoRaphso/Secat - Metode Iterasi Sederhaa- Metode
Lebih terperinciBAB III RUANG HAUSDORFF. Pada bab ini akan dibahas mengenai ruang Hausdorff, kekompakan pada
8 BAB III RUANG HAUSDORFF Pada bab ii aka dibahas megeai ruag Hausdorff, kekompaka pada ruag Hausdorff da ruag regular legkap. Pembahasa diawali dega medefiisika Ruag Hausdorff da beberapa sifatya kemudia
Lebih terperinciBab III Metoda Taguchi
Bab III Metoda Taguchi 3.1 Pedahulua [2][3] Metoda Taguchi meitikberatka pada pecapaia suatu target tertetu da meguragi variasi suatu produk atau proses. Pecapaia tersebut dilakuka dega megguaka ilmu statistika.
Lebih terperinciSTATISTICS. Hanung N. Prasetyo Week 11 TELKOM POLTECH/HANUNG NP
STATISTICS Haug N. Prasetyo Week 11 PENDAHULUAN Regresi da korelasi diguaka utuk megetahui hubuga dua atau lebih kejadia (variabel) yag dapat diukur secara matematis. Ada dua hal yag diukur atau diaalisis,
Lebih terperinci6. Pencacahan Lanjut. Relasi Rekurensi. Pemodelan dengan Relasi Rekurensi
6. Pecacaha Lajut Relasi Rekuresi Relasi rekuresi utuk dereta {a } adalah persamaa yag meyataka a kedalam satu atau lebih suku sebelumya, yaitu a 0, a,, a -, utuk seluruh bilaga bulat, dega 0, dimaa 0
Lebih terperinciPENGUJIAN HIPOTESIS. Atau. Pengujian hipotesis uji dua pihak:
PENGUJIAN HIPOTESIS A. Lagkah-lagkah pegujia hipotesis Hipotesis adalah asumsi atau dugaa megeai sesuatu. Jika hipotesis tersebut tetag ilai-ilai parameter maka hipotesis itu disebut hipotesis statistik.
Lebih terperinciREGRESI DAN KORELASI
REGRESI DAN KORELASI Pedahulua Dalam kehidupa sehari-hari serig ditemuka masalah/kejadia yagg salig berkaita satu sama lai. Kita memerluka aalisis hubuga atara kejadia tersebut Dalam bab ii kita aka membahas
Lebih terperinciStatistika dibagi menjadi dua, yaitu: 1. Statistika Deskriftif 2. Statistik Inferensial Penarikan kesimpulan dapat dilakukan dengan dua cara, yaitu:
Peaksira Parameter Statistika dibagi mejadi dua yaitu:. Statistika Deskriftif 2. Statistik Iferesial Pearika kesimpula dapat dilakuka dega dua cara yaitu:. Peaksira Parameter 2. Pegujia Hipotesis Peaksira
Lebih terperinciKalkulus Rekayasa Hayati DERET
Kalkulus Rekayasa Hayati DERET 1 Isi Bab Pedahulua Barisa tak-higga Deret tak-higga Deret Positif : Uji kekovergea Deret Gati Tada Deret Pagkat Deret Taylor da Maclauri 2 Kompetesi Dasar Setelah megikuti
Lebih terperinciIII BAB BARISAN DAN DERET. Tujuan Pembelajaran. Pengantar
BAB III BARISAN DAN DERET Tujua Pembelajara Setelah mempelajari materi bab ii, Ada diharapka dapat:. meetuka suku ke- barisa da jumlah suku deret aritmetika da geometri,. meracag model matematika dari
Lebih terperinciPENENTUAN SOLUSI RELASI REKUREN DARI BILANGAN FIBONACCI DAN BILANGAN LUCAS DENGAN MENGGUNAKAN FUNGSI PEMBANGKIT
Prosidig Semiar Nasioal Matematika da Terapaya 06 p-issn : 0-0384; e-issn : 0-039 PENENTUAN SOLUSI RELASI REKUREN DARI BILANGAN FIBONACCI DAN BILANGAN LUCAS DENGAN MENGGUNAKAN FUNGSI PEMBANGKIT Liatus
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Model Pertumbuha Betuk ugsi pertumbuha satu jeis spesies pada umumya megguaka otasi ugsi aalitik yag diyataka dalam satu persamaa. Secara umum ugsi pertumbuha meyataka hubuga
Lebih terperinciPertemuan Ke-11. Teknik Analisis Komparasi (t-test)_m. Jainuri, M.Pd
Pertemua Ke- Komparasi berasal dari kata compariso (Eg) yag mempuyai arti perbadiga atau pembadiga. Tekik aalisis komparasi yaitu salah satu tekik aalisis kuatitatif yag diguaka utuk meguji hipotesis tetag
Lebih terperinciBAB II TEORI DASAR. Definisi Grup G disebut grup komutatif atau grup abel jika berlaku hukum
BAB II TEORI DASAR 2.1 Aljabar Liier Defiisi 2. 1. 1 Grup Himpua tak kosog G disebut grup (G, ) jika pada G terdefiisi operasi, sedemikia rupa sehigga berlaku : a. Jika a, b eleme dari G, maka a b eleme
Lebih terperinciPOSITRON, Vol. II, No. 2 (2012), Hal. 1-5 ISSN : Penentuan Energi Osilator Kuantum Anharmonik Menggunakan Teori Gangguan
POSITRON, Vol. II, No. (0), Hal. -5 ISSN : 30-4970 Peetua Eergi Osilator Kuatum Aharmoik Megguaka Teori Gaggua Iklas Saubary ), Yudha Arma ), Azrul Azwar ) )Program Studi Fisika Fakultas Matematika da
Lebih terperinciDeret Fourier. Modul 1 PENDAHULUAN
Modul Deret Fourier Prof. Dr. Bambag Soedijoo P PENDAHULUAN ada modul ii dibahas masalah ekspasi deret Fourier Sius osius utuk suatu fugsi periodik ataupu yag diaggap periodik, da dibahas pula trasformasi
Lebih terperincioleh hasil kali Jika dan keduanya fungsi yang dapat didiferensialkan, maka
Itegral etu Jika fugsi kotiu yag didefiisika utuk, kita bagi selag mejadi selag bagia berlebar sama Misalka berupa titik ujug selag bagia ii da pilih titik sampel di dalam selag bagia ii, sehigga terletak
Lebih terperinciBAHAN AJAR ANALISIS REAL 1 Matematika STKIP Tuanku Tambusai Bangkinang 5. DERET
Pertemua 7. BAHAN AJAR ANALISIS REAL Matematika STKIP Tuaku Tambusai Bagkiag 5. da kekovergeaya 5. DERET Diberika sebuah barisa a, dapat didefeisika barisa bilaga real S N dega S N := N a = a + a 2 +...
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakag Statistika iferesi merupaka salah satu cabag statistika yag bergua utuk meaksir parameter. Peaksira dapat diartika sebagai dugaa atau perkiraa atas sesuatu yag aka terjadi
Lebih terperinciI. PENDAHULUAN II. LANDASAN TEORI
I PENDAHULUAN 1 Latar belakag Model pertumbuha Solow-Swa (the Solow-Swa growth model) atau disebut juga model eoklasik (the eo-classical model) pertama kali dikembagka pada tahu 195 oleh Robert Solow da
Lebih terperinciBab 7 Penyelesaian Persamaan Differensial
Bab 7 Peelesaia Persamaa Differesial Persamaa differesial merupaka persamaa ag meghubugka suatu besara dega perubahaa. Persamaa differesial diataka sebagai persamaa ag megadug suatu besara da differesiala
Lebih terperincib. Penyajian data kelompok Contoh: Berat badan 30 orang siswa tercatat sebagai berikut:
Statistik da Peluag A. Statistik Statistik adalah metode ilmiah yag mempelajari cara pegumpula, peyusua, pegolaha, da aalisis data, serta cara pegambila kesimpula berdasarka data-data tersebut. Data ialah
Lebih terperinciBAB II LANDASAN TEORI. Pada bagian ini akan dibahas tentang teori-teori dasar yang. digunakan untuk dalam mengestimasi parameter model.
BAB II LANDASAN TEORI Pada bagia ii aka dibahas tetag teori-teori dasar yag diguaka utuk dalam megestimasi parameter model.. MATRIKS DAN VEKTOR Defiisi : Trace dari matriks bujur sagkar A a adalah pejumlaha
Lebih terperinci9 Departemen Statistika FMIPA IPB
Supleme Resposi Pertemua ANALISIS DATA KATEGORIK (STK351 9 Departeme Statistika FMIPA IPB Pokok Bahasa Sub Pokok Bahasa Referesi Waktu Pegatar Aalisis utuk Data Respo Kategorik Data respo kategorik Sebara
Lebih terperinciBARISAN FIBONACCI DAN BILANGAN PHI
BARISAN FIBONACCI DAN BILANGAN PHI Fiboacci Matematikawa terbesar pada abad pertegaha adalah Leoardo dari Pisa, Italia (80 0). Ia lebih dikeal dega ama Fibo-acci. Artiya, aak Boaccio. Meara Pisa yag terkeal
Lebih terperincii adalah indeks penjumlahan, 1 adalah batas bawah, dan n adalah batas atas.
4 D E R E T Kosep deret merupaka kosep matematika yag cukup populer da aplikatif khusuya dalam kasus-kasus yag meyagkut perkembaga da pertumbuha suatu gejala tertetu. Apabila perkembaga atau pertumbuha
Lebih terperinciII. LANDASAN TEORI. Pada bab ini akan diberikan beberapa istilah, definisi serta konsep-konsep yang
II. LANDASAN TEORI Pada bab ii aka diberika beberapa istilah, defiisi serta kosep-kosep yag medukug dalam peelitia ii. 2.1 Kosep Dasar Teori Graf Berikut ii aka diberika kosep dasar teori graf yag bersumber
Lebih terperinciBAB III 1 METODE PENELITAN. Penelitian dilakukan di SMP Negeri 2 Batudaa Kab. Gorontalo dengan
BAB III METODE PENELITAN. Tempat Da Waktu Peelitia Peelitia dilakuka di SMP Negeri Batudaa Kab. Gorotalo dega subject Peelitia adalah siswa kelas VIII. Pemiliha SMP Negeri Batudaa Kab. Gorotalo. Adapu
Lebih terperincimempunyai sebaran yang mendekati sebaran normal. Dalam hal ini adalah PKM (penduga kemungkinan maksimum) bagi, ˆ ˆ adalah simpangan baku dari.
Selag Kepercayaa Cotoh Besar Jika ukura cotoh (sample size) besar, maka meurut Teorema Limit Pusat, bayak statistik megikuti/mempuyai sebara yag medekati ormal (dapat diaggap ormal). Artiya jika adalah
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 terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 6. No. 2, , Agustus 2003, ISSN : METODE PENENTUAN BENTUK PERSAMAAN RUANG KEADAAN WAKTU DISKRIT
Vol. 6. No., 97-09, Agustus 003, ISSN : 40-858 METODE PENENTUAN BENTUK PERSAMAAN RUANG KEADAAN WAKTU DISKRIT Robertus Heri Jurusa Matematika FMIPA UNDIP Abstrak Tulisa ii membahas peetua persamaa ruag
Lebih terperinciKALKULUS 4. Dra. D. L. Crispina Pardede, DEA. SARMAG TEKNIK MESIN
KALKULUS Dra. D. L. Crispia Pardede DEA. SARMAG TEKNIK MESIN KALKULUS - SILABUS. Deret Fourier.. Fugsi Periodik.2. Fugsi Geap da Gajil.3. Deret Trigoometri.. Betuk umum Deret Fourier.. Kodisi Dirichlet.6.
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Distribusi Ekspoesial Fugsi ekspoesial adalah salah satu fugsi yag palig petig dalam matematika. Biasaya, fugsi ii ditulis dega otasi exp(x) atau e x, di maa e adalah basis logaritma
Lebih terperinciSTUDI TENTANG BEBERAPA MODIFIKASI METODE ITERASI BEBAS TURUNAN
STUDI TENTANG BEBERAPA MODIFIKASI METODE ITERASI BEBAS TURUNAN Supriadi Putra, M,Si Laboratorium Komputasi Numerik Jurusa Matematika FMIPA Uiversitas Riau e-mail : spoetra@yahoo.co.id ABSTRAK Makalah ii
Lebih terperinciESTIMASI. (PENDUGAAN STATISTIK) Ir. Tito Adi Dewanto. Statistika
Wed 6/0/3 ETIMAI (PENDUGAAN TATITIK) Ir. Tito Adi Dewato tatistika Deskriptif Iferesi Estimasi Uji Hipotesis Titik Retag Estimasi da Uji Hipotesis Dilakuka setelah peelitia dalam tahap pegambila suatu
Lebih terperinciBAB III METODE PENELITIAN. penelitian yaitu PT. Sinar Gorontalo Berlian Motor, Jl. H. B Yassin no 28
5 BAB III METODE PENELITIAN 3.1 Lokasi Peelitia da Waktu Peelitia Sehubuga dega peelitia ii, lokasi yag dijadika tempat peelitia yaitu PT. Siar Gorotalo Berlia Motor, Jl. H. B Yassi o 8 Kota Gorotalo.
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Optimasi 2.1.1. Pegertia Optimasi Optimasi (Optimizatio) adalah aktivitas utuk medapatka hasil terbaik di bawah keadaa yag diberika. Tujua akhir dari semua aktivitas tersebut
Lebih terperinciProbabilitas dan Statistika Teorema Bayes. Adam Hendra Brata
robabilitas da Statistika Teorema ayes dam Hedra rata Itroduksi - Joit robability Itroduksi Teorema ayes eluag Kejadia ersyarat Jika muculya mempegaruhi peluag muculya kejadia atau sebalikya, da adalah
Lebih terperinciModel Pertumbuhan BenefitAsuransi Jiwa Berjangka Menggunakan Deret Matematika
Prosidig Semirata FMIPA Uiversitas Lampug, 0 Model Pertumbuha BeefitAsurasi Jiwa Berjagka Megguaka Deret Matematika Edag Sri Kresawati Jurusa Matematika FMIPA Uiversitas Sriwijaya edagsrikresawati@yahoocoid
Lebih terperinciBAB III ECONOMIC ORDER QUANTITY MULTIITEM DENGAN MEMPERTIMBANGKAN WAKTU KADALUARSA DAN FAKTOR DISKON
BAB III ECONOMIC ORDER QUANTITY MULTIITEM DENGAN MEMPERTIMBANGKAN WAKTU KADALUARA DAN FAKTOR DIKON 3.1 Ecoomic Order Quatity Ecoomic Order Quatity (EOQ) merupaka suatu metode yag diguaka utuk megedalika
Lebih terperinciPENGARUH INFLASI TERHADAP KEMISKINAN DI PROPINSI JAMBI
Halama Tulisa Jural (Judul da Abstraksi) Jural Paradigma Ekoomika Vol.1, No.5 April 2012 PENGARUH INFLASI TERHADAP KEMISKINAN DI PROPINSI JAMBI Oleh : Imelia.,SE.MSi Dose Jurusa Ilmu Ekoomi da Studi Pembagua,
Lebih terperinciBAB V UKURAN GEJALA PUSAT (TENDENSI CENTRAL)
BAB V UKURAN GEJALA PUSAT (TENDENSI CENTRAL) Setiap peelitia selalu berkeaa dega sekelompok data. Yag dimaksud kelompok disii adalah: Satu orag mempuyai sekelompok data, atau sekelompok orag mempuyai satu
Lebih terperinciBAB II TINJAUAN PUSTAKA
3 BAB II TINJAUAN PUSTAKA.1 Ruag Cotoh, Kejadia da Peluag Defiisi.1 (Ruag cotoh da kejadia) Suatu percobaa yag dapat diulag dalam kodisi yag sama, yag hasilya tidak bisa diprediksi secara tepat tetapi
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. Sebelum melakukan deteksi dan tracking obyek dibutuhkan perangkat
BAB IV HASIL DAN PEMBAHASAN 4.1 Kebutuha Sistem Sebelum melakuka deteksi da trackig obyek dibutuhka peragkat luak yag dapat meujag peelitia. Peragkat keras da luak yag diguaka dapat dilihat pada Tabel
Lebih terperinciProjek. Contoh Menemukan Konsep Barisan dan Deret Geometri a. Barisan Geometri. Perhatikan barisan bilangan 2, 4, 8, 16,
Projek Himpulah miimal tiga masalah peerapa barisa da deret aritmatika dalam bidag fisika, tekologi iformasi, da masalah yata di sekitarmu. Ujilah berbagai kosep da atura barisa da deret aritmatika di
Lebih terperinciPengertian Secara Intuisi
Pegertia Secara Ituisi Coba Gambarka grafik fugsi-fugsi berikut.. f ( ) +, pada [0,].. ) pada [0, ] da.. Dari grafik fugsi yag kamu peroleh, apa yag dapat kamu kataka tetag ilai-ilai ketiga fugsi tersebut
Lebih terperinciPERTEMUAN 13. VEKTOR dalam R 3
PERTEMUAN VEKTOR dalam R Pegertia Ruag Vektor Defiisi R Jika adalah sebuah bilaga bulat positif, maka tupel - - terorde (ordered--tuple) adalah sebuah uruta bilaga riil ( a ),a,..., a. Semua tupel - -terorde
Lebih terperinciBAB V. INTEGRAL. Lambang anti-turunan (integral tak-tentu) oleh Leibniz adalah... dx, sehingga
BAB V. INTEGRAL 5.. Ati Turua (Itegral Tak-tetu) Defiisi: F suatu ati-turua f pada selag I jika da haya jika D F() = f() pada I, yaki F () = f() utuk semua dalam I. (Jika suatu titik ujug I, F () haya
Lebih terperinciIII. METODOLOGI PENELITIAN. Penelitian ini dilakukan di SMA Negeri 1 Way Jepara Kabupaten Lampung Timur
III. METODOLOGI PENELITIAN A. Lokasi da Waktu Peelitia Peelitia ii dilakuka di SMA Negeri Way Jepara Kabupate Lampug Timur pada bula Desember 0 sampai dega Mei 03. B. Populasi da Sampel Populasi dalam
Lebih terperinciIII. METODOLOGI PENELITIAN. Penelitian ini dilakukan di SMA Negeri 1 Way Jepara Kabupaten Lampung Timur
0 III. METODOLOGI PENELITIAN A. Lokasi da Waktu Peelitia Peelitia ii dilakuka di SMA Negeri Way Jepara Kabupate Lampug Timur pada bula Desember 0 sampai Mei 03. B. Populasi da Sampel Populasi dalam peelitia
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 7. No. 1, 31-41, April 2004, ISSN :
Vol. 7. No. 1, 31-41, April 24, ISSN : 141-8518 Peetua Kestabila Sistem Kotrol Lup Tertutup Waktu Kotiu dega Metode Trasformasi ke Betuk Kaoik Terkotrol Robertus Heri Jurusa Matematika FMIPA UNDIP Abstrak
Lebih terperinciFungsi Kompleks. (Pertemuan XXVII - XXX) Dr. AZ Jurusan Teknik Sipil Fakultas Teknik Universitas Brawijaya
TKS 4007 Matematika III Fugsi Kompleks (Pertemua XXVII - XXX) Dr. AZ Jurusa Tekik Sipil Fakultas Tekik Uiversitas Brawijaya Pedahulua Persamaa x + 1 = 0 tidak memiliki akar dalam himpua bilaga real. Pertayaaya,
Lebih terperinciBAB 6: ESTIMASI PARAMETER (2)
Bab 6: Estimasi Parameter () BAB 6: ESTIMASI PARAMETER (). ESTIMASI PROPORSI POPULASI Proporsi merupaka perbadiga atara terjadiya suatu peristiwa dega semua kemugkiaa peritiwa yag bisa terjadi. Besara
Lebih terperinciCATATAN KULIAH Pertemuan I: Pengenalan Matematika Ekonomi dan Bisnis
CATATAN KULIAH Pertemua I: Pegeala Matematika Ekoomi da Bisis A. Sifat-sifat Matematika Ekoomi 1. Perbedaa Matematika vs. Nomamatematika Ekoomi Keutuga pedekata matematika dalam ilmu ekoomi Ketepata (Precise),
Lebih terperinciBAB 4 LIMIT FUNGSI Standar Kompetensi Menggunakan konsep limit fungsi dan turunan fungsi dalam pemecahan masalah
BAB LIMIT FUNGSI Stadar Kompetesi Megguaka kosep it ugsi da turua ugsi dalam pemecaha masalah Kompetesi Dasar. Meghitug it ugsi aljabar sederhaa di suatu titik. Megguaka siat it ugsi utuk meghitug betuk
Lebih terperinciMETODE PENELITIAN. dalam tujuh kelas dimana tingkat kemampuan belajar matematika siswa
19 III. METODE PENELITIAN A. Populasi da Sampel Populasi dalam peelitia ii adalah seluruh siswa kelas VIII SMP Negeri 8 Badar Lampug tahu pelajara 2009/2010 sebayak 279 orag yag terdistribusi dalam tujuh
Lebih terperinciBAB III METODE PENELITIAN Penelitian ini dilakukan di kelas X SMA Muhammadiyah 1 Pekanbaru. semester ganjil tahun ajaran 2013/2014.
BAB III METODE PENELITIAN A. Waktu da Tempat Peelitia Peelitia dilaksaaka dari bula Agustus-September 03.Peelitia ii dilakuka di kelas X SMA Muhammadiyah Pekabaru semester gajil tahu ajara 03/04. B. Subjek
Lebih terperinciBAB II LANDASAN TEORI. Dalam tugas akhir ini akan dibahas mengenai penaksiran besarnya
5 BAB II LANDASAN TEORI Dalam tugas akhir ii aka dibahas megeai peaksira besarya koefisie korelasi atara dua variabel radom kotiu jika data yag teramati berupa data kategorik yag terbetuk dari kedua variabel
Lebih terperinci1 Persamaan rekursif linier non homogen koefisien konstan tingkat satu
Secara umum persamaa rekursif liier tigkat-k bisa dituliska dalam betuk: dega C 0 0. C 0 x + C 1 x 1 + C 2 x 2 + + C k x k = b, Jika b = 0 maka persamaa rekursif tersebut diamaka persamaa rekursif liier
Lebih terperinciInstitut Teknologi Sepuluh Nopember Surabaya. Model Sistem dalam Persamaan Keadaan
Istitut Tekologi Sepuluh Nopember Surabaya Model Sistem dalam Persamaa Keadaa Pegatar Materi Cotoh Soal Rigkasa Latiha Pegatar Materi Cotoh Soal Rigkasa Istilah-istilah Dalam Persamaa Keadaa Aalisis Sistem
Lebih terperinciMETODE NUMERIK JURUSAN TEKNIK SIPIL FAKULTAS TEKNIK UNIVERSITAS BRAWIJAYA 7/4/2012 SUGENG2010. Copyright Dale Carnegie & Associates, Inc.
METODE NUMERIK JURUSAN TEKNIK SIPIL FAKULTAS TEKNIK UNIVERSITAS BRAWIJAYA 7/4/0 SUGENG00 Copyright 996-98 Dale Caregie & Associates, Ic. Kesalaha ERROR: Selisih atara ilai perkiraa dega ilai eksakilai
Lebih terperinciSelang Kepercayaan (Confidence Interval) Pengantar Penduga titik (point estimator) telah dibahas pada kuliah-kuliah sebelumnya. Walau statistikawan
Selag Kepercayaa (Cofidece Iterval) Pegatar Peduga titik (poit estimator) telah dibahas pada kuliah-kuliah sebelumya. Walau statistikawa telah berusaha memperoleh peduga titik yag baik, amu hampir bisa
Lebih terperinci