FUNGSI PEMBANGKIT MOMEN UNTUK MEMENUHI TUGAS MATAKULIAH. Statistika Matematika. Yang dibina oleh Bapak Hendro Permadi. Oleh :

Ukuran: px
Mulai penontonan dengan halaman:

Download "FUNGSI PEMBANGKIT MOMEN UNTUK MEMENUHI TUGAS MATAKULIAH. Statistika Matematika. Yang dibina oleh Bapak Hendro Permadi. Oleh :"

Transkripsi

1 FUNGSI PEMBANGKIT MOMEN UNTUK MEMENUHI TUGAS MATAKULIAH Statistika Matematika Yang dibina oleh Bapak Hendro Permadi Oleh : Intan Putri Natari Nurroh Fitri A Reza Taufikurachman Rizky Abadi C Wasilatun Nafiah Kelompok 8 Off G/ 01 UNIVERSITAS NEGERI MALANG FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM JURUSAN S1 MATEMATIKA Maret 014

2 Fungsi Pembangkit Momen Definisi.6.1 Misal X suatu peubah acak. Maka nilai ekspetasi M (t) = E(e tx ) disebut fungsi pembangkit momen dari X jika nilai ekspetasi tersebut ada pada selang h < t < h, untuk suatu h > 0. Untuk selanjutnya, fungsi pembangkit momen ini ditulis sebagai mgf, yang merupakan singkatan dari moment generating function. Jika tidak menimbulkan kerancuan, yaitu dalam hal kita hanya menghadapi satu peubah acak, maka mgf ini cukup ditulis sebagai M(t). Untuk fungsi pembangkit momen berakibat : jika X peubah acak diskret maka dan jika X peubah acak kontinu maka M(t) = e t f(), M(t) = e t f()d Khususnya untuk t = 0, kita mempunyai M(0) = 1. Jelas bahwa mgf ada pada kitaran (neighborhood) terbuka dari 0. Oleh karena itu jika mgf ada, maka dia haruslah ada pada selang terbuka sekitar 0. Meskipun demikian mgf dari suatu sebaran tidak selalu ada. Contoh.6.1 Misal X peubah acak diskret dengan pdf Maka mgf dari X adalah f() = ( ) I( = 0,1,) 4 M(t) = e t f() = e t et et = et et

3 Contoh.6. Misal seseorang menunggu suatu bus pada tempat tertentu. Misal bus aka lewat tempat tersebut setiap 15 menit. Jika waktu tunggu dinyatakan sebagai peubah acak X, maka pdf-nya adalah f() = 1 I(0 < < 15) 15 Oleh karena itu fungsi pembangkit momen dari X adalah M(t) = e t 15 f()d = 1 15 et d 0 = [1 t et = 1 ]0 15t [e15t 1], t 0 Misal X dan Y dua peubah acak yang mempunyai mgf. Jika X dan Y mempunyai cdf yang sama, yaitu F X (z) = F Y (z) untuk semua z, maka tentu M X (t) = M Y (t) dalam kitaran terbuka 0, dan sebaliknya berlaku benar. Ini berarti mgf dari suatu sebaran, jika ada, dia adalah tunggal. Pernyataan tersebut disajikan pada teorema berikut Teorema.6.1 Misal X dan Y dua peubah acak dengan mgf berturut-turut M X (t) dan M Y (t), ada dalam kitaran terbuka 0. Maka F X (z) = F Y (z) untuk semua z R jika dan hanya jika M X (t) = M Y (t) untuk semua t ( h, h) untuk suatu h > 0. Contoh.6.3 Misal peubah acak X mempunyai mgf M(t) = 1 10 et + 10 et e3t e4t untuk semua bilangan real t. JIka kita misalkan f mempunyai pdf dari X dan misal a, b, c, d, merupakan titik-titik diskret dalam ruang peubah acak X sehingga f() > 0, maka Oleh karena itu M(t) = e t f() 1 10 et + 10 et e3t e4t = f(a)e at + f(b)e bt + f(c)e ct + f(d)e dt Karena kesamaan ini merupakan suatu identitas, yaitu berlaku untuk semua bilangan real t, maka ita peroleh

4 a = 1, f(a) = 1 3 4, b =, f(b) =, c = 3, f(c) =, d = 4, f(d) = Jadi pdf dari X adalah f sehingga f() = I( = 1,,3,4) 10 Contoh.6.4 Misal kontinu X mempunyai mgf Oleh karena itu M(t) = 1, (t < 1) (1 t) 1 (1 t) = et f()d, (t < 1) Umumnya tidak mudah untuk menentukan f(). Namun dalam contoh ini kita mudah melihat bahwa pdf dari X f() = e I(0 < < ) Teorema.6. (i) E(X r ) = M r (0), Misal mgf dari peubah acak X ada. Maka r = 1,, 3, (ii) M(t) = 1 + E(Xr )t r r=1 r! Bukti Bukti untuk kasus peubah acak X kontinu. Kita mulai dengan membuktikan bagian pertama, mgf dari X dapat kita tulis seperti berikut M(t) = e t f()d

5 Jika mgf tersebut ada, maka turunan pertamanya adalah Oleh karena itu, Turunan keduanya adalah M (0) = M (t) = e 0 M (0) = e 0 e t f()d = f()d f()d = f()d = E(X) f()d = E(X ) Proses ini dapat dilanjutkan sampai ke r dimana r = 1,, Oleh karena itu kita peroleh dan M r (t) = r e t f()d, M r (0) = E(X r ), r = 1,, Untuk membuktikan bagian kedua kita gunakan rumus perluasan deret di sekitar nol, yaitu M(t) = M(0) + M (0)t 1! + M (0)t! Karena mgf pada saat t = 0 adalah satu, maka kita peroleh Bentuk M(t) = 1 + M (X r )t r r=1 + = M(0) + Mr (0)t r r! M (X r ) = M r (0) disebut sebagai momen ke r di sekitar pusat dari peubah acak X. Inilah alasan bahwa M(t) disebut fungsi pembangkit momen. Hubungan antara mgf dengan μ dan r=1 r!

6 Dengan menggunakan Teorema.6. bagian (i), maka untuk = 1, kita peroleh μ = E(X) = M (0) Sedangan untuk = E(X ) [E(X)] = M (0) [M (0)] Kembali ke contoh.6.1, M (t) = 4 et + 4 et jadi μ = M (0) = = 1 Untuk memperoleh varians, kita kerjakan M (t) = 4 et + 4 et dan M (t) = 4 et et = 1 et + e t Sehingga M (0) = Jadi = M (0) [M (0)] = ( 1 + 1) 1 = 1 Teorema.6.3 Misal X dan Y dua peubah acak sehingga Y = ax + b maka M Y (t) = e bt M X (at) Bukti M Y (t) = E(e ty ) = E(e t(ax+b) ) = E(e tax+tb ) = E(e tax e tb ) = e bt E(e tax ) = e bt M X (at)

7 Latihan Soal Tunjukkan bahwa mgf dari peubah acak X yang mempunyai pdf f() = 1 I( 1 < < ), adalah 3 M(t) = e t f()d 1 e t e t, t 0 M(t) = { 3t 1, t = 0 = e t 1 3 d 1 = [ et 3t ] = e e 3t 1.6. Misal peubah acak diskret X mempunyai pdf f() = ( 1 )+1 I(0,1,, ). Tentukan : a. mgf. Petunjuk : gunakan rumus pada deret geometric b. Purata c. Varians a. Mencari mgf M(t) = e t ( 1 +1 ) =0 M(t) = e t f() = e 0 ( 1 1 ) + e t ( 1 ) + e t ( 1 3 ) + M(t) = et et + M(t) = et = 1 e t b. Mencari purata

8 Karena μ = M (0) maka akan dicari M (0) Jadi, μ = 1 c. Mencari varians M(t) = 1 e t M 1 e t (t) = ( e t ) ( et ) = ( e t ) M (0) = e 0 ( e 0 ) = 1 1 = 1 Karena = M (0) [M (0)], maka akan dicari M (0) M (0) = M (t) = M (t) = Jadi, = M (0) [M (0)] = 3 1 = e t ( e t ) et ( e t ) 3 + e t ( e t ) e 0 ( e 0 ) 3 + e 0 ( e 0 ) = = Misal peubah acak diskret X mempunyai pdf f() = e I( > 0). Tentukan : a. mgf b. Purata c. Varians a. Mencari mgf M(t) = e t e d 0 M(t) = e t f()d n = lim e (1 t) d n 0 = lim [ e (1 t) n n t 1 ] 0 b. Mencari purata M(t) = lim ( e (1 t)n n t 1 1 t 1 ) = 1 t 1

9 Karena μ = M (0) maka akan dicari M (0) Jadi, μ = 1 c. Mencari varians M(t) = 1 t 1 1 M (t) = (t 1) M (0) = 1 ( 1) = 1 Karena = M (0) [M (0)], maka akan dicari M (0) M (t) = M (t) = M (0) = Jadi, = M (0) [M (0)] = 1 = 1 1 (t 1) (t 1) 3 ( 1) 3 =.6.4 Anggap peubah acak diskret X mempunyai mgf Tentukan : M(t) = 1 8 et et e5t a. Purata b. Varians c. pdf d. P(X=) e. cdf a. Mencari purata Karena μ = M (0) maka akan dicari M (0) M(t) = 1 8 et et e5t M (t) = 1 8 et + 4 et e5t M (0) = 1 8 e0 + 4 e e0 = 30 8 Jadi, μ = 30 8 b. Mencari varians

10 Karena = M (0) [M (0)], maka akan dicari M (0) M (t) = 1 8 et + 4 et e5t M (t) = 1 8 et et e5t M (0) = 1 8 e e e0 = Jadi, = M (0) [M (0)] = (30 8 ) = = = c. Mencari pdf M(t) = e t f() M(t) = 1 8 et et e5t maka, f() = 8 I(1,,5) d. Mencari P(X=) P(X = ) = f() = 8 = 1 4 e. Mencari cdf F() = f(t) F() = 1 8 I( = 1) I( = 1; ) + 8 I( = 1; ; 5) Misal peubah acak X mempunyai purata μ, simpangan baku dan mgf M(t), h < t < h. Tunjukkan bahwa dan μ E ( ) = 0, E [(X ) ] = 1, μ E {ep [t ( )]} = e tm ( t ), h < t < h

11 i. Akan ditunjukkan bahwa E ( X μ ) = 0 Karena μ = E(X), maka E ( ) = E (X μ ) = E (X ) E (μ ) = 1 E(X) μ Jadi terbukti bahwa E ( X μ ) = 0 E ( ) = 1 μ μ = μ μ = 0 ii. Akan ditunjukkan bahwa E [( X μ ) ] = 1 E [( ) ] = E ( X Xμ + μ ) = 1 (E(X ) E(Xμ) + E(μ )) = 1 (E(X ) μe(x) + μ ) = 1 (E(X ) μ + μ ) = 1 (E(X ) μ ) Karena = E(X ) [E(X)] = E(X ) μ, maka E [( ) ] = 1 (E(X ) μ ) = 1 ( ) = 1 Jadi, terbukti bahwa E [( X μ ) ] = 1 iii. Akan ditunjukkan bahwa E {ep [t ( X μ )]} = e tμ M ( t ), h < t < h E {ep [t ( )]} = E (et( X μ ) ) = E (e t X. e tμ Jadi, terbukti bahwa E {ep [t ( X μ )]} = e tμ M ( t ) ) = e tμ. M ( t ).6.6 Misal X peubah acak dengan mgf M(t), h < t < h. Buktikan bahwa P(X a) e at M(t), 0 < t < h, dan P(X a) e at M(t), h < t < 0 Petunjuk : Misalkan u(x) = e t dan c = e ta dalam teorema.5.4 Misal u(x) = e tx dan c = e ta

12 maka karena E[e tx ] = M(t), maka P[u(X) c] E[u(X)] c P[e tx e ta ] E[etX ] e ta P[e tx e ta ] M(t) e ta karena e tx e ta, maka t ta. Sehingga i. Untuk 0 < t < h tx ta X a Jadi, P[X a] e ta. M(t) ii. Untuk h < t < 0 tx ta X a Jadi, P[X a] e ta. M(t) = e ta. M(t).6.7 Misal mgf dari X ada untuk semua t dan diberikan oleh M(t) = et e t, t 0, M(0) = 1 t Gunakan latihan.6.7 untuk menentukan P[X 1] dan P[X 1] i. P[X a] e ta. M(t) P[X 1] e t. et e t t ii. P[X a] e ta. M(t) P[X 1] e t. et e t t = et t e t t t = et+t e t+t t = 1 e t t, t 0 = et 1, t 0 t

DISTRIBUTIONS OF RANDOM VARIABLE DISTRIBUSI VARIABEL RANDOM

DISTRIBUTIONS OF RANDOM VARIABLE DISTRIBUSI VARIABEL RANDOM 1.11 Chebyshev s Inequality DISTRIBUTIONS OF RANDOM VARIABLE (Ketaksamaan Chebyshev) A. Pendahuluan DISTRIBUSI VARIABEL RANDOM Konsep atau rumus yang berhubungan dengan Ketaksamaan Chebyshev Ekspektasi

Lebih terperinci

HANDOUT PERKULIAHAN. Pertemuan Ke : 3 : Distribusi Satu Peubah Acak dan Ekspektasi Satu Peubah Acak

HANDOUT PERKULIAHAN. Pertemuan Ke : 3 : Distribusi Satu Peubah Acak dan Ekspektasi Satu Peubah Acak HANDOUT PERKULIAHAN Pertemuan Ke : 3 Pokok Bahasan : Distribusi Satu Peubah Acak dan Ekspektasi Satu Peubah Acak URAIAN POKOK PERKULIAHAN A. Peubah Acak Definisi 1 : Peubah Acak Misalkan E adalah suatu

Lebih terperinci

Ekspektasi Satu Peubah Acak Diskrit

Ekspektasi Satu Peubah Acak Diskrit Chandra Novtiar 085794801125 chandramathitb07@gmail.com PROGRAM STUDI PENDIDIKAN MATEMATIKA SEKOLAH TINGGI KEGURUAN DAN ILMU PENDIDIKAN (STKIP) SILIWANGI BANDUNG Garis Besar Pembahasan Sub Pokok Pembahasan

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

STATISTIK PERTEMUAN VI

STATISTIK PERTEMUAN VI STATISTIK PERTEMUAN VI 1. TEORI PENDUKUNG 1.1 Pendahuluan 1. Variabel acak 1.3 Distribusi variabel acak diskrit 1.4 Distribusi variabel acak kontinu 1.5 Distribusi multivariat 1.1 Pendahuluan Definisi

Lebih terperinci

Ekspektasi Satu Peubah Acak Kontinu

Ekspektasi Satu Peubah Acak Kontinu Chandra Novtiar 0857948015 chandramathitb07@gmail.com PROGRAM STUDI PENDIDIKAN MATEMATIKA SEKOLAH TINGGI KEGURUAN DAN ILMU PENDIDIKAN (STKIP) SILIWANGI BANDUNG Garis Besar Pembahasan Sub Pokok Pembahasan

Lebih terperinci

CNH3E3 PROSES STOKASTIK Peubah Acak & Pendukungnya

CNH3E3 PROSES STOKASTIK Peubah Acak & Pendukungnya CNH3E3 PROSES STOKASTIK Peubah Acak & Pendukungnya Dosen: Aniq A Rohmawati, M.Si TELKOM UNIVERSITY JALAN TELEKOMUNIKASI 1, BANDUNG, INDONESIA Ruang Sampel dan Kejadian PEUBAH ACAK (P.A) Fungsi yang memetakan

Lebih terperinci

MINGGU KE-8 HARGA HARAPAN DAN BEBERAPA KETAKSAMAAN DALA

MINGGU KE-8 HARGA HARAPAN DAN BEBERAPA KETAKSAMAAN DALA MINGGU KE-8 HARGA HARAPAN DAN BEBERAPA KETAKSAMAAN DALAM STATISTIKA HARGA HARAPAN Definisi Misalkan X variabel random. Bila X variabel random kontinu dengan f.k.p. f (x) dan maka harga harapan X adalah

Lebih terperinci

BAB I PENDAHULUAN. dapat dianggap mendekati normal dengan mean μ = μ dan variansi

BAB I PENDAHULUAN. dapat dianggap mendekati normal dengan mean μ = μ dan variansi BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Matematika merupakan salah satu cabang ilmu pengetahuan yang melambangkan kemajuan zaman. Oleh karena itu matematika banyak digunakan oleh cabang ilmu lain

Lebih terperinci

Learning Outcomes Sebaran Kontinu Nilai Harapan dan Ragam Beberapa Sebaran Kontinu. Peubah Acak Kontinu. Julio Adisantoso.

Learning Outcomes Sebaran Kontinu Nilai Harapan dan Ragam Beberapa Sebaran Kontinu. Peubah Acak Kontinu. Julio Adisantoso. Beberapa 27 April 2014 Beberapa Learning Outcome Outline Mahasiswa dapat mengerti dan menentukan peubah acak diskret Mahasiswa dapat memahami dan menghitung nilai harapan Mahasiswa dapat memahami dan menghitung

Lebih terperinci

STK 203 TEORI STATISTIKA I

STK 203 TEORI STATISTIKA I STK 203 TEORI STATISTIKA I III. PEUBAH ACAK KONTINU III. Peubah Acak Kontinu 1 PEUBAH ACAK KONTINU Ingat definisi peubah acak! Definisi : Peubah acak Y adalah suatu fungsi yang memetakan seluruh anggota

Lebih terperinci

PEUBAH ACAK DAN SEBARANNYA

PEUBAH ACAK DAN SEBARANNYA LOGO STATISTIKA MATEMATIKA I PEUBAH ACAK DAN SEBARANNYA Hazmira Yozza Izzati Rami HG Jurusan Matematika FMIPA Universitas Andalas Percobaan : Pelemparan dua mata uang AA AG GA GG S X Definisi 2.1. Peubah

Lebih terperinci

STATISTIKA. Muhamad Nursalman Pendilkom/Ilkom UPI

STATISTIKA. Muhamad Nursalman Pendilkom/Ilkom UPI STATISTIKA Muhamad Nursalman Pendilkom/Ilkom UPI 1 Daftar Isi Bab 1 Peluang Bab Peubah Acak Bab 3 Distribusi Peluang Diskret Bab 4 Distribusi Peluang Kontinu Bab 5 Fungsi Peubah Acak Bab 6 Teori Penaksiran

Lebih terperinci

Catatan Kuliah AK5161 MATEMATIKA KEUANGAN AKTUARIA. Insure and Invest! Khreshna I.A. Syuhada, MSc. PhD.

Catatan Kuliah AK5161 MATEMATIKA KEUANGAN AKTUARIA. Insure and Invest! Khreshna I.A. Syuhada, MSc. PhD. Catatan Kuliah AK5161 MATEMATIKA KEUANGAN AKTUARIA Insure and Invest! disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2014 Tentang AK5161 MatKeu

Lebih terperinci

Penentuan Momen ke-5 dari Distribusi Gamma

Penentuan Momen ke-5 dari Distribusi Gamma Jurnal Penelitian Sains Volume 6 Nomor (A) April 0 Penentuan Momen ke-5 dari Distribusi Gamma Robinson Sitepu, Putra B.J. Bangun, dan Heriyanto Jurusan Matematika Fakultas MIPA Universitas Sriwijaya, Indonesia

Lebih terperinci

STK 203 TEORI STATISTIKA I

STK 203 TEORI STATISTIKA I STK 203 TEORI STATISTIKA I II. PEUBAH ACAK DISKRET II. Peubah Acak Diskret 1 PEUBAH ACAK DISKRET Definisi 2.1. (Peubah Acak) : Peubah Acak Y adalah suatu fungsi yang memetakan seluruh anggota ruang contoh

Lebih terperinci

FPM PADA KELUARGA EKSPONENSIAL BENTUK KONONIK

FPM PADA KELUARGA EKSPONENSIAL BENTUK KONONIK FPM PADA KELUARGA EKSPONENSIAL BENTUK KONONIK Oleh : Entit Puspita Jurusan Pendidikan Matematika Fakultas Pendidikan Matematika dan Ilmu Pengetahuan Alam Universitas Pendidikan Indonesia ABSTRACT We can

Lebih terperinci

MINGGU KE-11 HUKUM BILANGAN BESAR LEMAH DAN KUAT

MINGGU KE-11 HUKUM BILANGAN BESAR LEMAH DAN KUAT MINGGU KE-11 HUKUM BILANGAN BESAR LEMAH DAN KUAT HUKUM BILANGAN BESAR LEMAH DAN KUAT Misalkan X 1, X 2, X 3... barisan variabel random. Kita tulis S n = n X i. Dalam subbab ini kita akan menjawab pertanyaan

Lebih terperinci

PENGANTAR PROBABILITAS STATISTIKA UNIPA SBY

PENGANTAR PROBABILITAS STATISTIKA UNIPA SBY PENGANTAR PROBABILITAS GANGGA ANURAGA POKOK BAHASAN Konsep dasar probabilitas Teori himpunan Permutasi Kombinasi Koefisien binomial Koefisien multinomial Probabilitas Aksioma probabilitas Probabilitas

Lebih terperinci

DISTRIBUSI SATU PEUBAH ACAK

DISTRIBUSI SATU PEUBAH ACAK 0 DISTRIBUSI SATU PEUBAH ACAK Dalam hal ini akan dibahas macam-macam peubah acak, distribusi peluang, fungsi densitas, dan fungsi distribusi. Pada pembahasan selanjutnya, fungsi peluang untuk peubah acak

Lebih terperinci

Pengantar Proses Stokastik

Pengantar Proses Stokastik Bab 1: Dasar-Dasar Probabilitas Statistika FMIPA Universitas Islam Indonesia Peluang Percobaan adalah kegiatan yang menghasilkan keluaran/hasil yang mungkin secara acak. Contoh: pelemparan sebuah dadu.

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI 4 BAB II LANDASAN TEORI Teori yang ditulis dalam bab ini merupakan beberapa landasan yang digunakan untuk menganalisis sebaran besarnya klaim yang berekor kurus (thin tailed) dan yang berekor gemuk (fat

Lebih 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

MA5181 PROSES STOKASTIK

MA5181 PROSES STOKASTIK Catatan Kuliah MA5181 PROSES STOKASTIK disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2013 Tentang MA5181 Proses Stokastik A. Jadwal kuliah:

Lebih terperinci

Learning Outcomes Peubah Acak Fungsi Sebaran Secaran Diskret Nilai Harapan. Peubah Acak. Julio Adisantoso. 13 Maret 2014

Learning Outcomes Peubah Acak Fungsi Sebaran Secaran Diskret Nilai Harapan. Peubah Acak. Julio Adisantoso. 13 Maret 2014 13 Maret 2014 Learning Outcome Mahasiswa dapat memahami dan menentukan peubah acak dari suatu kejadian Mahasiswa dapat memahami fungsi sebaran Mahasiswa dapat mengerti dan menentukan peubah acak diskret

Lebih terperinci

CNH2B4 / KOMPUTASI NUMERIK

CNH2B4 / KOMPUTASI NUMERIK CNH2B4 / KOMPUTASI NUMERIK TIM DOSEN KK MODELING AND COMPUTATIONAL EXPERIMENT 1 REVIEW KALKULUS & KONSEP ERROR Fungsi Misalkan A adalah himpunan bilangan. Fungsi f dengan domain A adalah sebuah aturan

Lebih terperinci

digunakan untuk menyelesaikan persamaan yang nantinya akan diperoleh dalam

digunakan untuk menyelesaikan persamaan yang nantinya akan diperoleh dalam II. LANDASAN TEORI Pada bab ini akan diberikan konsep dasar yang akan digunakan dalam pembahasan hasil penelitian ini, antara lain : 2.1 Fungsi Gamma Fungsi gamma merupakan suatu fungsi khusus. Fungsi

Lebih terperinci

Pengantar Proses Stokastik

Pengantar Proses Stokastik Bab 1: Dasar-Dasar Probabilitas Statistika FMIPA Universitas Islam Indonesia Peluang Percobaan adalah kegiatan yang menghasilkan keluaran/hasil yang mungkin secara acak. Contoh: pelemparan sebuah dadu.

Lebih terperinci

Catatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest! Dosen: Khreshna I.A. Syuhada, MSc. PhD.

Catatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest! Dosen: Khreshna I.A. Syuhada, MSc. PhD. Catatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest! Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2014 1 Tentang AK5161 Matematika

Lebih terperinci

MATERI BAB I RUANG SAMPEL DAN KEJADIAN. A. Pendahuluan Dari jaman dulu sampai sekarang orang sering berhadapan dengan peluang.

MATERI BAB I RUANG SAMPEL DAN KEJADIAN. A. Pendahuluan Dari jaman dulu sampai sekarang orang sering berhadapan dengan peluang. MATERI BAB I RUANG SAMPEL DAN KEJADIAN Pendahuluan Ruang Sampel Kejadian Dua Kejadian Yang Saling Lepas Operasi Kejadian BAB II MENGHITUNG TITIK SAMPEL Prinsip Perkalian/ Aturan Dasar Notasi Faktorial

Lebih terperinci

KALKULUS BAB II FUNGSI, LIMIT, DAN KEKONTINUAN. DEPARTEMEN TEKNIK KIMIA Universitas Indonesia

KALKULUS BAB II FUNGSI, LIMIT, DAN KEKONTINUAN. DEPARTEMEN TEKNIK KIMIA Universitas Indonesia KALKULUS BAB II FUNGSI, LIMIT, DAN KEKONTINUAN DEPARTEMEN TEKNIK KIMIA Universitas Indonesia BAB II. FUNGSI, LIMIT, DAN KEKONTINUAN Fungsi dan Operasi pada Fungsi Beberapa Fungsi Khusus Limit dan Limit

Lebih terperinci

LANDASAN TEORI. Dalam proses penelitian pendekatan distribusi generalized t(,,, ), ), melalui distribusi generalized beta 2

LANDASAN TEORI. Dalam proses penelitian pendekatan distribusi generalized t(,,, ), ), melalui distribusi generalized beta 2 5 II. LANDASAN TEORI Dalam proses penelitian pendekatan distribusi generalized t terhadap distribusi gamma dan melalui distribusi generalized beta 2 distribusi generalized diperlukan gamma beberapa konsep

Lebih terperinci

Peubah Acak dan Distribusi Kontinu

Peubah Acak dan Distribusi Kontinu BAB 1 Peubah Acak dan Distribusi Kontinu 1.1 Fungsi distribusi Definisi: Misalkan X peubah acak. Fungsi distribusi (kumulatif) dari X adalah F X (x) = P (X x) Contoh: 1. Misalkan X Bin(3, 0.5), maka fungsi

Lebih terperinci

BAB II LANDASAN TEORI. ilmiah. Pencacahan atau pengukuran karakteristik suatu objek kajian yang

BAB II LANDASAN TEORI. ilmiah. Pencacahan atau pengukuran karakteristik suatu objek kajian yang BAB II LANDASAN TEORI 2.1 Konsep Dasar Peluang Pada dasarnya statistika berkaitan dengan penyajian dan penafsiran hasil yang berkemungkinan (hasil yang belum dapat ditentukan sebelumnya) yang muncul dalam

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB 1 PENDAHULUAN 1.1 Latar Belakang Distribusi eksponensial tergenaralisir (Generalized Eponential Distribution) pertama kali diperkenalkan oleh Gupta dan Kundu pada tahun 1999. Distribusi ini diambil

Lebih terperinci

PENGANTAR MODEL PROBABILITAS

PENGANTAR MODEL PROBABILITAS PENGANTAR MODEL PROBABILITAS (PMP, Minggu 8-14) Sri Haryatmi Kartiko Universitas Gadjah Mada Juni 2014 Outline 1 Minggu 8:MOMEN VARIABEL RANDOM Mean dan Variansi Fungsi Pembangkit Momen (MGF) 2 Minggu

Lebih terperinci

LANDASAN TEORI. Distribusi Gamma adalah salah satu keluarga distribusi probabilitas kontinu.

LANDASAN TEORI. Distribusi Gamma adalah salah satu keluarga distribusi probabilitas kontinu. II. LANDASAN TEORI Distribusi Gamma adalah salah satu keluarga distribusi probabilitas kontinu. Distribusi ini merupakan distribusi fungsi padat yang terkenal luas dalam bidang matematika. Distribusi gamma

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

Randy Toleka Ririhena, Nur Salam * dan Dewi Sri Susanti Program Studi Matematika Fakultas MIPA Universitas Lambung Mangkurat ABSTRACT

Randy Toleka Ririhena, Nur Salam * dan Dewi Sri Susanti Program Studi Matematika Fakultas MIPA Universitas Lambung Mangkurat ABSTRACT PERKIRAAN SELANG KEPERCAYAAN UNTUK NILAI RATA-RATA PADA DISTRIBUSI POISSON Randy Toleka Ririhena, Nur Salam * dan Dewi Sri Susanti Program Studi Matematika Fakultas MIPA Universitas Lambung Mangkurat *email:

Lebih terperinci

Peubah acak X yang berdistribusi normal dengan rataan sebagai: 2 ) X ~ N(,

Peubah acak X yang berdistribusi normal dengan rataan sebagai: 2 ) X ~ N(, 0 DISTRIBUSI NORMAL UMUM Distribusi normal umum ini merupakan distribusi dari peubah acak kontinu yang paling banyak sekali dipakai sebagai pendekatan yang baik dari distribusi lainnya dengan persyaratan

Lebih terperinci

MA1201 MATEMATIKA 2A Hendra Gunawan

MA1201 MATEMATIKA 2A Hendra Gunawan MA1201 MATEMATIKA 2A Hendra Gunawan Semester II, 2016/2017 8 Maret 2017 Kuliah yang Lalu 10.1-2 Parabola, Elips, dan Hiperbola 10.4 Persamaan Parametrik Kurva di Bidang 10.5 Sistem Koordinat Polar 11.1

Lebih terperinci

Catatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest! Dosen: Khreshna I.A. Syuhada, MSc. PhD.

Catatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest! Dosen: Khreshna I.A. Syuhada, MSc. PhD. Catatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest! Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2014 1 Tentang AK5161 Matematika

Lebih terperinci

II. LANDASAN TEORI. sementara grafik distribusi F tidak simetrik dan umumnya sedikit positif seperti

II. LANDASAN TEORI. sementara grafik distribusi F tidak simetrik dan umumnya sedikit positif seperti 4 II. LANDASAN TEORI 2.1 Distribusi F Distribusi F merupakan salah satu distribusi kontinu. Dengan variabel acak X memenuhi batas X > 0, sehingga luas daerah dibawah kurva sama dengan satu, sementara grafik

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 MA1123 Kalkulus Elementer I

Catatan Kuliah MA1123 Kalkulus Elementer I Catatan Kuliah MA1123 Kalkulus Elementer I Oleh Hendra Gunawan, Ph.D. Departemen Matematika ITB Sasaran Belajar Setelah mempelajari materi Kalkulus Elementer I, mahasiswa diharapkan memiliki (terutama):

Lebih terperinci

TINJAUAN PUSTAKA. mengestimasi parameter regresi. Distribusi generalized. digunakan dalam bidang ekonomi dan keuangan.

TINJAUAN PUSTAKA. mengestimasi parameter regresi. Distribusi generalized. digunakan dalam bidang ekonomi dan keuangan. II. TINJAUAN PUSTAKA Distribusi generalized,,, adalah salah satu distribusi probabilitas kontinu. Distribusi ini pertama kali diperkenalkan McDonald dan Newey 988 untuk mengestimasi parameter regresi.

Lebih terperinci

BAHAN AJAR STATISTIKA DASAR Matematika STKIP Tuanku Tambusai Bangkinang 3. HARAPAN MATEMATIK

BAHAN AJAR STATISTIKA DASAR Matematika STKIP Tuanku Tambusai Bangkinang 3. HARAPAN MATEMATIK Pertemuan 6. BAHAN AJAR STATISTIKA DASAR Matematika STKIP Tuanku Tambusai Bangkinang. Variansi dan kovariansi. HARAPAN MATEMATIK Keragaman suatu peubah acak X diperoleh dengan mengambil g(x) = (X µ). Rataan

Lebih terperinci

Definisi 4.1 Fungsi f dikatakan kontinu di titik a (continuous at a) jika dan hanya jika ketiga syarat berikut dipenuhi: (1) f(a) ada,

Definisi 4.1 Fungsi f dikatakan kontinu di titik a (continuous at a) jika dan hanya jika ketiga syarat berikut dipenuhi: (1) f(a) ada, Lecture 4. Limit B A. Continuity Definisi 4.1 Fungsi f dikatakan kontinu di titik a (continuous at a) jika dan hanya jika ketiga syarat berikut dipenuhi: (1) f(a) ada, (2) lim f(x) ada, (3) lim f(x) =

Lebih terperinci

Dengan demikian, untuk sembarang B = [a, b], maka persamaan (5.1) menjadi

Dengan demikian, untuk sembarang B = [a, b], maka persamaan (5.1) menjadi Bab 5 Peubah Acak Kontinu 5.1 Pendahuluan Definisi 5.1. Peubah acak adalah suatu fungsi dari ruang contoh S ke R (himpunan bilangan nyata) Peubah acak X bersifat diskret jika F (x) adalah fungsi tangga.

Lebih terperinci

II. TINJAUAN PUSTAKA. Dalam bab ini akan dijelaskan mengenai teori-teori yang mendukung dalam

II. TINJAUAN PUSTAKA. Dalam bab ini akan dijelaskan mengenai teori-teori yang mendukung dalam 4 II. TINJAUAN PUSTAKA Dalam bab ini akan dijelaskan mengenai teori-teori yang mendukung dalam menentukan momen, kumulan, dan fungsi karakteristik dari distribusi log-logistik (α,β). 2.1 Distribusi Log-Logistik

Lebih terperinci

10. TEOREMA NILAI RATA-RATA

10. TEOREMA NILAI RATA-RATA 10. TEOREMA NILAI RATA-RATA 10.1 Maksimum dan Minimum Lokal Misalkan f terdefinisi pada suatu interval terbuka (a, b) dan c (a, b). Kita katakan bahwa f mencapai nilai maksimum lokal di c apabila f(x)

Lebih terperinci

Bab 2 Distribusi Survival dan Tabel Mortalitas

Bab 2 Distribusi Survival dan Tabel Mortalitas Bab 2 Distribusi Survival dan Tabel Mortalitas 2.1 Distribusi Survival Meninggalnya seseorang merupakan sesuatu yang pasti terjadi namun kapan terjadinya tidak dapat diprediksi. Karena itu, ketahanan hidup

Lebih terperinci

Jurusan Teknik Sipil dan Lingkungan Universitas Gadjah Mada STATISTIKA. Distribusi Normal. 1-Sep-14

Jurusan Teknik Sipil dan Lingkungan Universitas Gadjah Mada STATISTIKA. Distribusi Normal. 1-Sep-14 Jurusan Teknik Sipil dan Lingkungan Universitas Gadjah Mada STATISTIKA Distribusi Normal 1-Sep-14 http://istiarto.staff.ugm.ac.id 1 Distribusi Binomial Ingat contoh pemilihan 1 kegiatan (Kegiatan A) dari

Lebih terperinci

MA3231 Analisis Real

MA3231 Analisis Real MA3231 Analisis Real Hendra Gunawan* *http://hgunawan82.wordpress.com Analysis and Geometry Group Bandung Institute of Technology Bandung, INDONESIA Program Studi S1 Matematika ITB, Semester II 2016/2017

Lebih terperinci

Bab 2. Landasan Teori. 2.1 Fungsi Convex

Bab 2. Landasan Teori. 2.1 Fungsi Convex Bab 2 Landasan Teori Salah satu hal yang menarik dari topik tugas akhir ini adalah penggunaan sebuah ilmu dari dunia insurance (teori comonotonic) ke dunia matematika keuangan. Oleh karena itu untuk memahaminya

Lebih terperinci

BAB II TINJAUAN PUSTAKA. (b) Variabel independen yang biasanya dinyatakan dengan simbol

BAB II TINJAUAN PUSTAKA. (b) Variabel independen yang biasanya dinyatakan dengan simbol BAB II TINJAUAN PUSTAKA A. Regresi Regresi adalah suatu studi statistik untuk menjelaskan hubungan dua variabel atau lebih yang dinyatakan dalam bentuk persamaan. Salah satu variabel merupakan variabel

Lebih terperinci

MA3081 STATISTIKA MATEMATIKA We love Statistics

MA3081 STATISTIKA MATEMATIKA We love Statistics Catatan Kuliah MA3081 STATISTIKA MATEMATIKA We love Statistics disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2013 Daftar Isi 1 Peubah Acak

Lebih terperinci

Hendra Gunawan. 18 September 2013

Hendra Gunawan. 18 September 2013 MA1101 MATEMATIKA 1A Hendra Gunawan Semester I, 2013/2014 18 September 2013 Review: Teorema Nilai Antara Jika f kontinu pada [a,b],, f(a) < 0 dan f(b) > 0 (atau sebaliknya, f(a) > 0 dan f(b) < 0), maka

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

MA2082 BIOSTATISTIKA Bab 3 Peubah Acak dan Distribusi

MA2082 BIOSTATISTIKA Bab 3 Peubah Acak dan Distribusi MA2082 BIOSTATISTIKA Bab 3 Peubah Acak dan Distribusi Orang Biologi Tidak Anti Statistika Silabus Silabus dan Tujuan Konsep peubah acak, fungsi peluang (probability density function), fungsi distribusi

Lebih terperinci

BAB 2 FUNGSI MEAN RESIDUAL LIFE

BAB 2 FUNGSI MEAN RESIDUAL LIFE BB 2 FUNGSI MEN RESIDUL LIFE 2. Sifat-Sifat Peluang 2.. Identitas dasar Pertama akan ditunjukkan sebuah hubungan dasar di antara fungsi survival dan momen dari distribusi. Untuk sebuah random variabel

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

EKSISTENSI TITIK TETAP DARI SUATU TRANSFORMASI LINIER PADA RUANG BANACH

EKSISTENSI TITIK TETAP DARI SUATU TRANSFORMASI LINIER PADA RUANG BANACH EKSISTENSI TITIK TETAP DARI SUATU TRANSFORMASI LINIER PADA RUANG BANACH Nur Aeni Prodi Matematika, Fakultas Sains dan Teknologi, UINAM nuraeniayatullah@gmailcom Info: Jurnal MSA Vol 3 No 1 Edisi: Januari

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 III DARI MODEL ANTRIAN M/M/1 DENGAN POLA KEDATANGAN BERKELOMPOK KONSTAN. 3.1 Model Antrian M/M/1 Dengan Pola Kedatangan Berkelompok Acak

BAB III DARI MODEL ANTRIAN M/M/1 DENGAN POLA KEDATANGAN BERKELOMPOK KONSTAN. 3.1 Model Antrian M/M/1 Dengan Pola Kedatangan Berkelompok Acak BAB III PERUMUSAN PROBABILITAS DAN EKSPEKTASI DARI MODEL ANTRIAN M/M/1 DENGAN POLA KEDATANGAN BERKELOMPOK KONSTAN 3.1 Model Antrian M/M/1 Dengan Pola Kedatangan Berkelompok Acak Model antrian ini para

Lebih terperinci

BAHAN AJAR STATISTIKA DASAR Matematika STKIP Tuanku Tambusai Bangkinang 4. BEBERAPA DISTRIBUSI PELUANG DISKRET

BAHAN AJAR STATISTIKA DASAR Matematika STKIP Tuanku Tambusai Bangkinang 4. BEBERAPA DISTRIBUSI PELUANG DISKRET Pertemuan 7. BAHAN AJAR STATISTIKA DASAR Matematika STKIP Tuanku Tambusai Bangkinang 4. BEBERAPA DISTRIBUSI PELUANG DISKRET 4. Pendahuluan 4.2 Distribusi seragam diskret 4.3 Distribusi binomial dan multinomial

Lebih terperinci

Lampiran 1. Beberapa Definisi dan Lema Teknis

Lampiran 1. Beberapa Definisi dan Lema Teknis Lampiran 1. Beberapa Definisi dan Lema Teknis Ruang Contoh, Kejadian dan Peluang Suatu percobaan yang dapat diulang dalam kondisi yang sama, yang hasilnya tidak dapat diprediksi dengan tepat tetapi kita

Lebih terperinci

BI5106 ANALISIS BIOSTATISTIK Bab 3 Peubah Acak dan Dist

BI5106 ANALISIS BIOSTATISTIK Bab 3 Peubah Acak dan Dist BI5106 ANALISIS BIOSTATISTIK Bab 3 Peubah Acak dan Distribusi Orang Biologi Tidak Anti Statistika Silabus Silabus dan Tujuan Konsep peubah acak, fungsi peluang (probability density function), fungsi distribusi

Lebih terperinci

MA3231 Analisis Real

MA3231 Analisis Real MA3231 Analisis Real Hendra Gunawan* *http://hgunawan82.wordpress.com Analysis and Geometry Group Bandung Institute of Technology Bandung, INDONESIA Program Studi S1 Matematika ITB, Semester II 2016/2017

Lebih terperinci

MA5181 PROSES STOKASTIK

MA5181 PROSES STOKASTIK Catatan Kuliah MA5181 PROSES STOKASTIK We do love uncertainty disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2013 Tentang MA5181 Proses Stokastik

Lebih terperinci

II. TINJAUAN PUSTAKA. Dalam mengkaji penelitian Karakteristik Penduga Parameter Distribusi Log

II. TINJAUAN PUSTAKA. Dalam mengkaji penelitian Karakteristik Penduga Parameter Distribusi Log II. TINJAUAN PUSTAKA Dalam mengkaji penelitian Karakteristik Penduga Parameter Distribusi Log Normal Menggunakan Metode Generalized Moment digunakan beberapa definisi, dan teorema yang berkaitan dengan

Lebih terperinci

Peubah acak adalah suatu fungsi dari ruang contoh ke bilangan nyata, f : S R

Peubah acak adalah suatu fungsi dari ruang contoh ke bilangan nyata, f : S R Bab Peubah Acak. Konsep Dasar Peubah Acak Peubah acak adalah suatu fungsi dari ruang contoh ke bilangan nyata, f : S R Contoh peubah acak: Jika X adalah peubah acak banyaknya sisi muka yang muncul pada

Lebih terperinci

HARAPAN MATEMATIK. Nur Hayati, S.ST, MT Yogyakarta, Maret 2016

HARAPAN MATEMATIK. Nur Hayati, S.ST, MT Yogyakarta, Maret 2016 HARAPAN MATEMATIK Nur Hayati, S.ST, MT Yogyakarta, Maret 2016 Pendahuluan Rata-rata perubah acak X atau rata-rata distribusi peluang X ditulis x atau. Dalam statistik rata-rata ini disebut harapan matematik

Lebih terperinci

BAB 4 KEKONSISTENAN PENDUGA DARI FUNGSI SEBARAN DAN FUNGSI KEPEKATAN WAKTU TUNGGU DARI PROSES POISSON PERIODIK DENGAN TREN FUNGSI PANGKAT

BAB 4 KEKONSISTENAN PENDUGA DARI FUNGSI SEBARAN DAN FUNGSI KEPEKATAN WAKTU TUNGGU DARI PROSES POISSON PERIODIK DENGAN TREN FUNGSI PANGKAT 29 BAB 4 KEKONSISTENAN PENDUGA DARI FUNGSI SEBARAN DAN FUNGSI KEPEKATAN WAKTU TUNGGU DARI PROSES POISSON PERIODIK DENGAN TREN FUNGSI PANGKAT 4.1 Perumusan Penduga Misalkan adalah proses Poisson nonhomogen

Lebih terperinci

Statistika Matematika. Soal dan Pembahasan. M. Samy Baladram

Statistika Matematika. Soal dan Pembahasan. M. Samy Baladram Statistika Matematika Soal da embahasa M Samy Baladram Bab 4 Ubiasedess, Cosistecy, ad Limitig istributios Ubiasedess, Cosistecy, ad Limitig istributios 41 Ekspektasi Fugsi Key oits Ṫeorema 411 Jika T

Lebih terperinci

11. FUNGSI MONOTON (DAN FUNGSI KONVEKS)

11. FUNGSI MONOTON (DAN FUNGSI KONVEKS) 11. FUNGSI MONOTON (DAN FUNGSI KONVEKS) 11.1 Definisi dan Limit Fungsi Monoton Misalkan f terdefinisi pada suatu himpunan H. Kita katakan bahwa f naik pada H apabila untuk setiap x, y H dengan x < y berlaku

Lebih terperinci

SEBARAN PENARIKAN CONTOH (SAMPLING DISTRIBUTION)

SEBARAN PENARIKAN CONTOH (SAMPLING DISTRIBUTION) SEBARAN PENARIKAN CONTOH (SAMPLING DISTRIBUTION) Andaikan ada suatu populasi dengan jumlah anggotanya sebanyak N diambil contoh sebanyak n. Apabila dari setiap kemungkinan contoh tersebut dihitung suatu

Lebih terperinci

UKURAN SIMPANGAN DAN UKURAN VARIASI. Ukuran Simpangan

UKURAN SIMPANGAN DAN UKURAN VARIASI. Ukuran Simpangan Ukuran simpangan: Rentang Rentang antar kuartil Simpangan kuartil Rata rata simpangan Ukuran Variasi: Varians Simpangan baku Angka Baku Koefisien Variasi UKURAN SIMPANGAN DAN UKURAN VARIASI Ukuran Simpangan

Lebih terperinci

Sampling dengan Simulasi Komputer

Sampling dengan Simulasi Komputer Modul Sampling dengan Simulasi Komputer PENDAHULUAN Sutawanir Darwis M etode statistika merupakan alat untuk menyelesaikan masalah apabila solusi analitik tidak mungkin diperoleh. Dengan metode statistika

Lebih terperinci

ANALISIS VARIABEL REAL 2

ANALISIS VARIABEL REAL 2 2012 ANALISIS VARIABEL REAL 2 www.alfirosyadi.wordpress.com UNIVERSITAS MUHAMMADIYAH MALANG 1/1/2012 IDENTITAS MAHASISWA NAMA : NIM : KELAS : KELOMPOK : 2 PENDAHULUAN Modul ini disusun untuk membantu mahasiswa

Lebih terperinci

Distribusi Normal. Statistika (MAM 4137) Syarifah Hikmah JS

Distribusi Normal. Statistika (MAM 4137) Syarifah Hikmah JS Distribusi Normal Statistika (MAM 4137) Syarifah Hikmah JS Outline Kurva normal Luas daerah di bawah kurva normal Penerapan sebaran normal DISTRIBUSI NORMAL model distribusi kontinyu yang paling penting

Lebih terperinci

DISTRIBUSI PROBABILITAS

DISTRIBUSI PROBABILITAS DISTRIBUSI PROBABILITAS DISTRIBUSI PROBABILITAS Peluang terjadinya nilai variabel random X yang meliputi semua nilai ditentukan melalui distribusi peluang. Distribusi peluang suatu variabel random X adalah

Lebih terperinci

STATISTIKA EKONOMI I Chapter 4 Distribusi Probabilitas Normal dan Binomial Chapter 5 Teori Sampling

STATISTIKA EKONOMI I Chapter 4 Distribusi Probabilitas Normal dan Binomial Chapter 5 Teori Sampling STATISTIKA EKONOMI I Chapter 4 Distribusi Probabilitas Normal dan Binomial Chapter 5 Teori Sampling Rengganis Banitya Rachmat rengganis.rachmat@gmail.com 4. Distribusi Probabilitas Normal dan Binomial

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

II. TINJAUAN PUSTAKA

II. TINJAUAN PUSTAKA II. TINJAUAN PUSTAKA 2.1 Distribusi Logistik Distribusi logistik merupakan distribusi yang memiliki fungsi kepekatan peluang kontinu. Bentuk kurva distribusi logistik adalah simetris dan uni modal. Bentuk

Lebih terperinci

BAB 3 PEMBAHASAN DAN HASIL

BAB 3 PEMBAHASAN DAN HASIL BAB 3 PEMBAHASAN DAN HASIL Pengumpulan Data Data yang digunakan dalam penelitian ini adalah data yang diperoleh dari pengamatan langsung pada PT. Bank BRI Cabang Medan Putri Unit Medan Labuhan. Pengamatan

Lebih terperinci

= F (x)= f(x)untuk semua x dalam I. Misalnya F(x) =

= F (x)= f(x)untuk semua x dalam I. Misalnya F(x) = Nama : Deami Astenia Purtisari Nim : 125100300111014 Kelas : L / TIP A. Integral Integral merupakan konsep yang bermanfaat, kegunaan integral terdapat dalam berbagai bidang. Misalnya dibidang ekonomi,

Lebih terperinci

LIMIT DAN KONTINUITAS. Arum Handini Primandari

LIMIT DAN KONTINUITAS. Arum Handini Primandari LIMIT DAN KONTINUITAS Arum Handini Primandari Jika sebuah fungsi yang terdefinisi pada suatu selang buka yang memuat a, kecuali di a sendiri, maka kita katakan bahwa limit f(x) untuk x mendekati a adalah

Lebih terperinci

Distribusi Peluang. Maka peubah acak X dinyatakan dengan banyaknya kemunculan angka. angka sama sekali. angka.

Distribusi Peluang. Maka peubah acak X dinyatakan dengan banyaknya kemunculan angka. angka sama sekali. angka. Distribusi Peluang Definisi peubah acak: Misalkan E adalah sebuah percobaan dengan ruang sampel T. Sebuah fungsi X yang memetakan setiap anggota t T dengan sebuah bilangan real X(t) dinamakan peubah acak.

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

MA3231 Analisis Real

MA3231 Analisis Real MA3231 Analisis Real Hendra Gunawan* *http://hgunawan82.wordpress.com Analysis and Geometry Group Bandung Institute of Technology Bandung, INDONESIA Program Studi S1 Matematika ITB, Semester II 2016/2017

Lebih terperinci

II. TINJAUAN PUSTAKA. Menurut Herrhyanto & Gantini (2009), peubah acak X dikatakan berdistribusi

II. TINJAUAN PUSTAKA. Menurut Herrhyanto & Gantini (2009), peubah acak X dikatakan berdistribusi II. TINJAUAN PUSTAKA 2.1 Distribusi Normal Umum Menurut Herrhyanto & Gantini (2009), peubah acak X dikatakan berdistribusi normal umum, jika dan hanya jika fungsi densitasnya berbentuk: ; Penulisan notasi

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

Ilustrasi Persoalan Matematika

Ilustrasi Persoalan Matematika Pendahuluan Persoalan yang melibatkan model matematika banyak muncul dalam berbagai disiplin ilmu pengetahuan, seperti dalam bidang fisika, kimia, ekonomi, atau pada persoalan rekayasa (engineering), seperti

Lebih terperinci

ESTIMASI PARAMETER UNTUK DISTRIBUSI HALF LOGISTIK. Jl. A. Yani Km. 36 Banjarbaru, Kalimantan Selatan

ESTIMASI PARAMETER UNTUK DISTRIBUSI HALF LOGISTIK. Jl. A. Yani Km. 36 Banjarbaru, Kalimantan Selatan Jurnal Matematika Murni dan Terapan εpsilon Vol. 07, No.01, 201, Hal. 45 52 ESTIMASI PARAMETER UNTUK DISTRIBUSI HALF LOGISTIK Rizqi Elmuna Hidayah 1, Nur Salam 2 dan Dewi Sri Susanti 1,2, Program Studi

Lebih terperinci

BAB IV PEMBAHASAN. 4.1 Proses Pencabangan model DTMC SIR

BAB IV PEMBAHASAN. 4.1 Proses Pencabangan model DTMC SIR BAB IV PEMBAHASAN 4.1 Proses Pencabangan model DTMC SIR Proses pencabangan suatu individu terinfeksi berbentuk seperti diagram pohon dan diasumsikan bahwa semua individu terinfeksi adalah saling independent

Lebih terperinci

Relasi, Fungsi, dan Transformasi

Relasi, Fungsi, dan Transformasi Modul 1 Relasi, Fungsi, dan Transformasi Drs. Ame Rasmedi S. Dr. Darhim, M.Si. M PENDAHULUAN odul ini merupakan modul pertama pada mata kuliah Geometri Transformasi. Modul ini akan membahas pengertian

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

Bab 7 Ekspektasi dan Fungsi Pembangkit Momen: Cintailah Mean

Bab 7 Ekspektasi dan Fungsi Pembangkit Momen: Cintailah Mean MA38 Teori Peluang - Khreshna Syuhada Bab 7 Bab 7 Ekspektasi dan Fungsi Pembangkit Momen: Cintailah Mean Ilustrasi 7. Seorang peserta kuis diberi dua buah pertanyaan (P-, P-2), yang harus dijawab dengan

Lebih terperinci

PENARIKAN SAMPEL & PENDUGAAN PARAMETER

PENARIKAN SAMPEL & PENDUGAAN PARAMETER PENARIKAN SAMPEL & PENDUGAAN PARAMETER Arti Penarikan Sampel Populasi ( Universe) adalah totalitas dari semua objek atau individu yang memiliki karakteristik tertentu, jelas dan lengkap yang akan diteliti

Lebih terperinci