MA4081 PENGANTAR PROSES STOKASTIK Bab 4 Proses Po
|
|
- Yuliana Setiabudi
- 6 tahun lalu
- Tontonan:
Transkripsi
1 MA4081 PENGANTAR PROSES STOKASTIK Bab 4 Proses Poisson: Suatu Pengantar Orang Pintar Belajar Stokastik
2 Tentang Kuliah Proses Stokastik Bab 1 : Tentang Peluang Bab 2 : Peluang dan Ekspektasi Bersyarat* Bab 3 : Rantai Markov Bab 4 : Distribusi Eksponensial Bab 5 : Pengantar Proses Poisson
3 Ujian tanggal sebanyak 5 soal: 1 soal rantai Markov 3 soal distribusi eksponensial 1 soal proses Poisson
4 Soal yang dijawab BENAR akan menaikkan Indeks Nilai Akhir!
5 Orang-orang (atau tamu) yang datang ke suatu kantor administrasi akan dilayani satu per satu oleh petugas P1, lalu petugas P2, lalu pulang. Waktu layanan petugas Pi adalah p.a eksponensial dengan parameter λ i, i = 1, 2. Ketika Nelavi datang, terlihat P1 sedang kosong (tidak sedang melayani tamu). Sedangkan 2 tamu antre di P2. Berapa waktu yang dihabiskan (expected amount of time) Nelavi di kantor admin tersebut?
6 Solusi: Misalkan S i waktu layanan petugas Pi. Asumsikan S 1 < S 2 dan Nelavi segera bergabung dengan 2 orang yang antre di P2. Banyaknya tamu selain Nelavi adalah 3 orang; 1 orang sedang dilayani P2, dua yang lain antre di P2. Misalkan T N p.a. waktu yang dihabiskan Nelavi di kantor admin, E(T N ) = E(S NP1 ) + E(S NP2 ) + 3 E(S P2 ) = 1/λ 1 + 1/λ /λ 2 = 1/λ /λ 2
7 Urusan admin(istrasi) untuk wisuda Juli nanti di ITB lumayan ribet. Mahasiswa harus ke meja 1 lalu ke meja 2 dan terakhir ke meja 3. Waktu yang dihabiskan di setiap meja i adalalah p.a. eksponensial dengan parameter θ i, i = 1, 2, 3. Saat Iger datang ke gedung RACC, terlihat seorang mahasiswa A sedang berada di meja 3. Berapa peluang Iger masih ada di gedung RACC ketika mahasiswa A selesai berurusan dengan meja 3?
8 Solusi: 1
9 -1 Mobil-mobil yang lewat dijalanan Dago melewati McD akan datang menurut Proses Poisson dengan parameter/laju λ = 3 per menit. Jika Li menyebrang jalan tanpa menoleh kanan kiri (blindly run accross), berapa peluang bahwa Li tidak akan mengalami kecelakaan jika waktu yang dibutuhkan Li untuk menyeberang adalah 2 detik? 20 detik?
10 -2 Dua orang pasien, A dan B, membutuhkan ginjal. Jika dia tidak mendapatkan ginjal baru, maka A akan meninggal setelah suatu waktu yang berdistribusi exponensial dengan parameter µ A. Begitu juga dengan B, akan meninggal setelah suatu waktu yang berdistribusi eksponensial dengan parameter µ B. Ginjal akan tersedia menurut proses Poisson dengan parameter λ. Telah ditentukan bahwa ginjal pertama yang datang diberikan ke pasien A (atau ke pasien B jika B masih hidup dan A meninggal saat itu) lalu ke pasien B (jika masih hidup). Berapa peluang A mendapat ginjal baru? B?
11 Solusi: Misalkan T A waktu ketika A meninggal tanpa ginjal T B waktu ketika B meninggal tanpa ginjal T 1 waktu ketika ginjal pertama datang T 2 durasi waktu antara kedatangan ginjal pertama dan kedua
12 P(A mendapat ginjal baru) λ = P(T A > T 1 ) = λ + µ A
13 -3 Lama waktu (number of hours) kedatangan kereta yang berturutan adalah p.a uniform pada selang nol dan satu. Para penumpang datang menurut Proses Poisson dengan mean 7 per jam. Misalkan sebuah kereta baru saja meninggalkan stasiun. Misalkan X banyaknya penumpang yang akan masuk ke kereta berikutnya. Hitung E(X ).
14 Solusi: Misalkan T U(0, 1) (waktu antar kedatangan kereta atau train interarrival time) dan X t p.a yang menyatakan kedatangan penumpang menurut Proses Poisson.
15 Jadi, E(X t) = E(X T = t) = n exp( λ t) n=0 (λ t)n n! = λ t E(X ) = E(E(X T )) = E(λ T ) = 1 0 λ t dt = λ/2 Diketahui λ = 7, jadi E(X ) = 3.5.
16 -1 Suatu peubah acak X dikatakan sebagai peubah acak Poisson dengan parameter λ jika, untuk suatu λ > 0, memiliki fungsi peluang λ λk P(X = k) = e, k = 0, 1,... k! Catatan: Salah satu sifat penting dari p.a Poisson adalah bahwa p.a ini dapat digunakan untuk mendekati p.a Binomial saat n besar dan p kecil. (Buktikan!)
17 Contoh: 1 Banyaknya kesalahan ketik di suatu halaman sebuah buku 2 Banyaknya mahasiswa yang tinggal di daerah Dago 3 Banyaknya nasabah yang ada di Bank
18 -2 Definisi lain mengenai p.a Poisson adalah sbb. Banyaknya kejadian pada interval dengan panjang t adalah p.a Poisson dengan parameter λt, P(N t = k) = e λt (λt)k, k = 0, 1,... k!
19 Contoh: 1 Banyaknya kejadian gempa di pulau Jawa dan Madura per minggu adalah 2. Berapa peluang terjadi setidaknya 3 gempa selama 2 minggu kedepan?
20 Definisi Suatu proses stokastik {N t, t 0} adalah proses menghitung (counting process) jika N t merupakan total banyaknya kejadian (events) yang terjadi sampai waktu t.
21 Contoh: 1 Banyaknya orang yang masuk ke suatu toko pada waktu/sampai waktu t 2 Banyaknya bayi yang lahir 3 Banyaknya pasien yang bertahan hidup 4 Banyaknya gol yang diciptakan pemain 5 Banyaknya klaim asuransi yang masuk
22 Kriteria Proses menghitung {N t, t 0} haruslah memenuhi hal-hal berikut: N t 0 N t bernilai integer Jika s < t maka N s N t Untuk s < t, N t N s adalah banyaknya kejadian pada interval (s, t]
23 Diskusi Kenaikan independen (independent increments)? Kenaikan stasioner (stationary increments)?
24 Definisi -1 Proses menghitung {N t, t 0} adalah Proses POISSON dengan laju λ(> 0), jika N 0 = 0 Proses memiliki kenaikan independen Banyaknya kejadian di sebarang interval dengan panjang t berdistribusi Poisson dengan mean λt. Untuk setiap s, t 0 P ( {N s+t N s = n} ) = e λt (λt)n, n = 0, 1, 2,... n!
25 Definisi -2 Proses menghitung {N t, t 0} adalah Proses POISSON dengan laju λ(> 0), jika N 0 = 0 Proses memiliki kenaikan stasioner dan independen P ( {N h = 1} ) = λh + o(h) P ( {N h 2} ) = o(h)
26 Waktu Antar Kedatangan Waktu Antar Kedatangan Waktu Tunggu Contoh/ Misalkan T 1 menyatakan waktu dari kejadian pertama. Untuk n > 1, misalkan T n menyatakan waktu tersisa antara kejadian ke-(n 1) dam kejadian ke-n. Barisan {T n, n = 1, 2,...} adalah barisan waktu antar kejadian (interarrival times).
27 Waktu Antar Kedatangan Waktu Tunggu Contoh/ Untuk menentukan distribusi dari T n, perhatikan bahwa kejadian {T 1 > t} terjadi j.h.j tidak ada kejadian dari proses Poisson yang terjadi pada interval [0, t], sehingga P(T 1 > t) = P(N t = 0) = exp( λt) Jadi T 1 berdistribusi eksponensial dengan mean 1/λ.
28 Waktu Antar Kedatangan Waktu Tunggu Contoh/ Perhatikan juga bahwa sedangkan P(T 2 > t) = E ( P(T 2 > t T 1 ) ), P(T 2 > t T 1 = s) = P(tidak ada kejadian pada (s, s + t] T 1 = s) = P(tidak ada kejadian pada (s, s + t]) = exp( λt) Dengan demikian, T 2 juga peubah acak eksponensial dengan mean 1/λ, dan T 2 saling bebas dengan T 1.
29 Waktu Tunggu Waktu Antar Kedatangan Waktu Tunggu Contoh/ Statistik lain yang kita perhatikan berikut adalah S n yaitu waktu kedatangan kejadian ke-n atau waktu tunggu (waiting time) hingga kejadian ke-n, yang berdistribusi... S n = T T n, n 1
30 Contoh/ Waktu Antar Kedatangan Waktu Tunggu Contoh/ Misalkan turis-turis datang ke suatu pulau mengikuti Proses Poisson dengan parameter λ = 1 per hari. 1 Berapa waktu yang diharapkan hingga turis kesepuluh datang? 2 Berapa peluang bahwa waktu yang dibutuhkan (elapsed time) antara turis kesepuluh dan kesebelas datang melebihi 2 hari?
31 Waktu Antar Kedatangan Waktu Tunggu Contoh/ Solusi: E(T T 10 ) = E(T 1 ) + + E(T 10 ) = 10 1 = 10 atau E(S 10 ) = (10)(1/λ) = 10
32 Waktu Antar Kedatangan Waktu Tunggu Contoh/ Solusi: P(T 11 > 2) = exp( 2λ) = exp( 2(1)) = exp( 2)
33 1. Misalkan T K menyatakan waktu yang dibutuhkan (elapsed time) untuk klaim-klaim asuransi diproses; T 1 menyatakan waktu yang dibutuhkan hingga klaim pertama diproses. Diketahui T 1, T 2,... saling bebas dan berdistribusi dengan f.p f (t) = 0.1 e 0.1 t, t > 0 dengan t diukur dalam setengah-jam. Hitung peluang bahwa setidaknya sebuah klaim akan diproses pada 5 jam kedepan. Berapa peluang bahwa setidaknya 3 klaim diproses dalam 5 jam?
34 Solusi: P(T 1 10) = 1 P(T > 10) = 1 e 1 Selanjutnya, N 10 POI (10(1/10) = POI (1). Jadi, P(N 10 3) = 1 P(N 10 = 0) P(N 10 = 1) P(N 10 = 2) = 1 e 1 (1/1!) e 1 (1 2 /2!) e 1 =
35 2. Mahasiswa-mahasiswa MA ITB akan datang ke Gedung Matematika melewati pintu Tamansari atau pintu DayangSumbi. Kedatangan mahasiswa melalui kedua pintu tersebut, berturut-turut, mengikuti proses Poisson dengan parameter λ 1 = 1/2, λ 2 = 3/2 per menit. Berapa peluang tidak ada mahasiswa yang datang pada selang waktu 3 menit? Hitung mean waktu antara kedatangan mahasiswa-mahasiswa.
36 Solusi: Diketahui, N TS POI (1/2), N DS POI (3/2) dan N TS + N DS = N T POI (2).
37 Solusi: Karena λ = 2 = 1/2 + 3/2, maka T 1 Exp(2), P(T 1 > 3) = e 6 E(T k ) = 1/2
38 Peubah acak dan distribusi Poisson, eksponensial Proses menghitung Independent dan stationary increments Proses Poisson sebagai proses menghitung Banyak kejadian vs waktu terjadinya kejadian
39 Terminologi Sesat T 1 adalah p.a. yang menyatakan waktu yang dibutuhkan atau waktu yang tersisa atau elapsed time untuk terjadinya kejadian yang pertama; P(T 1 > t) N t p.a. yang menyatakan banyak kejadian pada waktu [0, t]; P(N t = 0) Waktu yang diharapkan hingga orang/subyek ke-i datang atau waktu tunggu atau waiting time
40 peluang bahwa setidaknya sebuah klaim akan diproses pada 5 jam kedepan P(T 1 10) atau P(T 1 < 10)? P(N 10 1)
41 peluang bahwa setidaknya tiga klaim akan diproses dalam 5 jam P(N 10 3) P(S 3 = T 1 + T 2 + T 3 10) P(T 1 < 10)
42 Proses: N(t) = N 1 (t) + N 2 (t), juga merupakan proses Poisson dengan parameter λ 1 + λ 2.
43 N 0 = N 1 (0) + N 2 (0) = = 0 Untuk setiap s, t > 0, N 1 (t) dan N 1 (t + s) N 1 (t) saling bebas; N 1 (t) dan N 2 (t) juga saling bebas. Akibatnya, N 1 (t) + N 2 (t) dan N 1 (t + 2) + N 2 (t + s) N 1 (t) N 2 (t) saling bebas. Jadi N 1 (t) + N 2 (t) memiliki independent increments Untuk s < t, N 1 (t) N 1 (s) POI (λ 1 (t s)) dan sifat distribusi Poisson, N 2 (t) N 2 (s) + N 1 (t) N 1 (s) POI ((λ 1 + λ 2 )(t s))
44 Berapa peluang tidak ada mahasiswa yang datang pada selang waktu 3 menit? Hitung mean waktu antara kedatangan mahasiswa-mahasiswa. Berapa peluang seorang mahasiswa benar-benar datang melalui pintu DayangSumbi? P(T 1 > 3) atau P(N 3 = 0)? E(T k ) atau E(N t )? P(T DS < T TS )?
45 Misalkan kita punyai proses Poisson {N DS } dan {N TS }, P(N DS = 1 N DS + N TS = 1) = P(N DS + N TS = 1, N DS = 1) P(N DS + N TS = 1) = P(N DS = 1, N DS = 0) P(N DS + N TS = 1) = λ 1 e λ 1 e λ 2 (λ 1 + λ 2 ) e (λ 1+λ 2 ) = λ 1 λ 1 + λ 2
46 Bagaiman dengan Mobil-mobil yang lewat McD Dago datang menurut proses Poisson dengan laju λ. Laila yang ingin menyeberang di depan McD akan menunggu hingga tidak ada mobil lewat pada T waktu ke depan. Hitung waktu harapan Laila menunggu sebelum menyeberang?
MA4181 PENGANTAR PROSES STOKASTIK Bab 5 Proses Poisson
MA4181 PENGANTAR PROSES STOKASTIK Bab 5 Proses Poisson SMART AND STOCHASTIC MA4181 PENGANTAR PROSES STOKASTIK Bab 5 Proses Poisson SMART AND STOCHASTIC Pengantar Seperti sudah disampaikan sebelumnya, analog
Lebih terperinciMA5181 PROSES STOKASTIK
Catatan Kuliah MA5181 PROSES STOKASTIK (not just) Always Listening, Always Understanding disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2012
Lebih terperinciCatatan Kuliah. MA5181 Proses Stokastik
Catatan Kuliah MA5181 Proses Stokastik Precise. Prospective. Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2016 1 Tentang MA5181 Proses Stokastik
Lebih terperinciCatatan Kuliah. MA5181 Proses Stokastik
Catatan Kuliah MA5181 Proses Stokastik Precise. Prospective. Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2016 1 Tentang MA5181 Proses Stokastik
Lebih terperinciPengantar Proses Stokastik
Bab 5: Atina Ahdika, S.Si, M.Si Statistika FMIPA Universitas Islam Indonesia 2015 Waktu Antar Kedatangan Waktu Antar Kedatangan Misalkan T 1 menyatakan waktu dari kejadian/kedatangan pertama. Misalkan
Lebih terperinciMA5181 PROSES STOKASTIK
Catatan Kuliah MA5181 PROSES STOKASTIK (not just) Always Listening, Always Understanding disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2012
Lebih terperinciCatatan Kuliah. MA5181 Proses Stokastik
Catatan Kuliah MA5181 Proses Stokastik Precise. Prospective. Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2016 1 Tentang MA5181 Proses Stokastik
Lebih terperinciMA5181 PROSES STOKASTIK Bab 3 Proses Renewal
MA5181 PROSES STOKASTIK Bab 3 (not just) Always Listening, Always Understanding MA5181 PROSES STOKASTIK Bab 3 Soal Solusi Ujian Toko kue KP-Khusus Pria (ini toko apaan sih?) buka pukul 8 pagi. Pelanggan
Lebih terperinciIKG3F3 PEMODELAN STOKASTIK Proses Poisson
Non Homogen IKG3F3 PEMODELAN STOKASTIK Dosen: Aniq A. Rohmawati, M.Si TELKOM UNIVERSITY JALAN TELEKOMUNIKASI 1, BANDUNG, INDONESIA IKG3F3 PEMODELAN STOKASTIK Non Homogen Proses Menghitung Proses stokastik
Lebih terperinciMA5181 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 terperinciMA5181 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 terperinciMA5181 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 terperinciKuis 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 terperinciMA4183 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 terperinciP (A c B c ) = P [(A B) c ] = 1 P (A B) = 1 P (A) P (B) + P (AB)
Diskusi 1 Tanggal 29 Januari 2014, Waktu: suka-suka menit Peluang suatu kejadian; sifat-sifat peluang (termasuk kejadian-kejadian saling asing dan saling bebas); peluang bersyarat; peluang total; 1. Buktikan
Lebih terperinciCatatan 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 terperinciMA2082 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 terperinciMA4081 PENGANTAR PROSES STOKASTIK Bab 3 Distribusi Eksponensial dan Aplikasinya
MA4081 PENGANTAR PROSES STOKASTIK Bab 3 Distribusi Eksponensial dan Aplikasinya Orang Pintar Belajar Stokastik Kuliah ProsStok, untuk apa? Fakultas Ekonomi ITB? Math is the language of economics. If you
Lebih terperinciP (A c B c ) = P [(A B) c ] = 1 P (A B) = 1 P (A) P (B) + P (AB)
Diskusi 1 Tanggal 29 Januari 2014, Waktu: suka-suka menit Peluang suatu kejadian; sifat-sifat peluang (termasuk kejadian-kejadian saling asing dan saling bebas); peluang bersyarat; peluang total; 1. Buktikan
Lebih terperinciPengantar 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 terperinciPengantar 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 terperinciCatatan 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 2017 1 Tentang AK5161 Matematika
Lebih terperinciPengantar Proses Stokastik
Bab 6: Rantai Markov Waktu Kontinu Atina Ahdika, S.Si, M.Si Statistika FMIPA Universitas Islam Indonesia 2015 Pendahuluan Rantai Markov Waktu Kontinu Pendahuluan Pada bab ini, kita akan belajar mengenai
Lebih terperinciCatatan Kuliah. MA4181 PENGANTAR PROSES STOKASTIK Smart and Stochastic. disusun oleh Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah MA4181 PENGANTAR PROSES STOKASTIK Smart and Stochastic disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2014 Tentang MA4181 (Pengantar)
Lebih terperinciCatatan 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 2017 1 Tentang AK5161 Matematika
Lebih terperinciCatatan 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 2016 1 Tentang AK5161 Matematika
Lebih terperinciCatatan Kuliah. MA4181 Pengantar Proses Stokastik Stochastics: Precise and Prospective. Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah MA4181 Pengantar Proses Stokastik Stochastics: Precise and Prospective Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2017 1 Tentang
Lebih terperinci/ /16 =
Kuis Selamat Datang MA4181 Pengantar Proses Stokastik Stochastics: Precise and Prospective Tanggal 22 Agustus 2017, Waktu: suka-suka menit Dosen: Khreshna I.A. Syuhada, MSc. PhD. 1. Widya (akan) memenangkan
Lebih terperinciBI5106 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 terperinciPengantar Proses Stokastik
Bab 1: Dasar-Dasar Probabilitas Atina Ahdika, S.Si, M.Si Statistika FMIPA Universitas Islam Indonesia Ruang Sampel dan Kejadian Ruang Sampel dan Kejadian Ruang Sampel dan Kejadian Percobaan adalah kegiatan
Lebih terperinciMA5181 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 terperinciCatatan 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 terperinciDefinisi: Nilai harapan/ekspektasi (expected value/expectation) atau ekspektasi dari peubah acak diskrit/kontinu X adalah
BAB 1 Peluang dan Ekspektasi Bersyarat 1.1 EKSPEKTASI Definisi: Nilai harapan/ekspektasi (expected value/expectation) atau ekspektasi dari peubah acak diskrit/kontinu X adalah E(X) x x p X (x) dan E(X)
Lebih terperinciPengantar Proses Stokastik
Bab 1: Dasar-Dasar Probabilitas Statistika FMIPA Universitas Islam Indonesia 2015 Percobaan adalah kegiatan yang menghasilkan keluaran/hasil yang mungkin secara acak. Contoh: pelemparan sebuah dadu. Ruang
Lebih terperinciBAB III PROSES POISSON MAJEMUK
BAB III PROSES POISSON MAJEMUK Pada bab ini membahas tentang proses stokastik, proses Poisson dan proses Poisson majemuk yang akan diaplikasikan pada bab selanjutnya. 3.1 Proses Stokastik Koleksi atau
Lebih terperinciDISTRIBUSI DISKRIT KHUSUS
DISTRIBUSI DISKRIT KHUSUS UNIFORM (SERAGAM) BERNOULLI BINOMIAL POISSON MULTINOMIAL HIPERGEOMETRIK GEOMETRIK BINOMIAL NEGATIF MA3181 Teori Peluang 27 Oktober 2014 Utriweni Mukhaiyar DISTRIBUSI UNIFORM (SERAGAM)
Lebih terperinciPengantar 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 terperinciPROSES POISSON MAJEMUK. 1. Pendahuluan
PROSES POISSON MAJEMUK Chris Risen, Respatiwulan, Pangadi Program Studi Matematika FMIPA UNS Abstrak. Proses Poisson merupakan proses menghitung {; t 0} yang digunakan untuk menentukan jumlah kejadian
Lebih terperinci4. Misalkan peubah acak X memiliki fungsi distribusi:
Diskusi 1 Tanggal 19 Februari 2014, Waktu: suka-suka menit 1. Enam laki-laki dan 5 perempuan melamar suatu pekerjaan di PT KhrshFin. Empat dari mereka terpilih secara acak untuk diwawancarai. Misalkan
Lebih terperinciPr { +h =1 = } lim. Suatu fungsi dikatakan h apabila lim =0. Dapat dilihat bahwa besarnya. probabilitas independen dari.
6.. Proses Kelahiran Murni Dalam bab ini, akan dibahas beberapa contoh penting dari waktu kontinu, state diskrit, proses Markov. Khususnya, dengan kumpulan dari variabel acak {;0 } di mana nilai yang mungkin
Lebih terperinciCatatan Kuliah. MA4181 Pengantar Proses Stokastik Stochastics: Precise and Prospective. Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah MA4181 Pengantar Proses Stokastik Stochastics: Precise and Prospective Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2017 1 Tentang
Lebih terperinciPeubah Acak dan Distribusi
BAB 1 Peubah Acak dan Distribusi 1.1 ILUSTRASI (Ilustrasi 1) B dan G secara bersamaan menembak sasaran tertentu. Peluang tembakan B mengenai sasaran adalah 0.7 sedangkan peluang tembakan G (bebas dari
Lebih terperinciBab 9 Peluang dan Ekspektasi Bersyarat: Harapan Tanpa Syarat
MA38 Teori Peluang - Khreshna Syuhada Bab 9 Bab 9 Peluang dan Ekspektasi Bersyarat: Harapan Tanpa Syarat Ilustrasi 9. Misalkan banyaknya kecelakaan kerja rata-rata per minggu di suatu pabrik adalah empat.
Lebih terperinciREKAYASA TRAFIK ARRIVAL PROCESS.
REKAYASA TRAFIK ARRIVAL PROCESS ekofajarcahyadi@st3telkom.ac.id OVERVIEW Point Process Fungsi Distribusi Point Process Karakteristik Point Process Teorema Little Distribusi Point Process PREVIEW Proses
Lebih terperinciMisalkan X peubah acak dengan fungsi distribusi berikut: + x, 0 x < 1. , 1 x < 2. , 2 x < 3. 1, x 3
Kuis Selamat Datang MA4183 Model Risiko Tanggal 22 Agustus 2015, Waktu: suka-suka menit Misalkan X peubah acak dengan fungsi distribusi berikut: 0, x < 0 1 + x, 0 x < 1 3 5 F (x = 3, 1 x < 2 5 9, 2 x
Lebih terperinciPengantar 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 terperinciBAB 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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Teori Antrian 2.1.1. Sejarah Teori Antrian. Teori antrian adalah teori yang menyangkut studi matematis dari antrian atau baris-baris penungguan. Teori antrian berkenaan dengan
Lebih terperinciPOISSON PROSES NON-HOMOGEN. Abdurrahman Valid Fuady, Hasih Pratiwi, dan Supriyadi Wibowo Program Studi Matematika FMIPA UNS
POISSON PROSES NON-HOMOGEN Abdurrahman Valid Fuady, Hasih Pratiwi, dan Supriyadi Wibowo Program Studi Matematika FMIPA UNS ABSTRAK. Proses Poisson merupakan proses stokastik sederhana dan dapat digunakan
Lebih terperinciPROSES POISSON MAJEMUK DAN PENERAPANNYA PADA PENENTUAN EKSPEKTASI JUMLAH PENJUALAN SAHAM PT SRI REJEKI ISMAN TBK
PROSES POISSON MAJEMUK DAN PENERAPANNYA PADA PENENTUAN EKSPEKTASI JUMLAH PENJUALAN SAHAM PT SRI REJEKI ISMAN TBK Ririn Dwi Utami, Respatiwulan, dan Siswanto Program Studi Matematika FMIPA UNS Abstrak.
Lebih terperinciMA5181 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 terperinciCatatan Kuliah. MA4181 PENGANTAR PROSES STOKASTIK Smart and Stochastic. disusun oleh Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah MA4181 PENGANTAR PROSES STOKASTIK Smart and Stochastic disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2014 Tentang MA4181 (Pengantar)
Lebih terperinciBAB 2 LANDASAN TEORI. Universitas Sumatera Utara
BAB 2 LANDASAN TEORI 2.1. Metode Pengambilan Sampling 2.1.1. Populasi Populasi adalah kelompok elemen yang lengkap, yang biasanya berupa orang, objek, transaksi, atau kejadian dimana kita tertarik untuk
Lebih terperinciCatatan 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 terperinciCatatan 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 2017 1 Tentang AK5161 Matematika
Lebih terperinciPenggabungan dan Pemecahan. Proses Poisson Independen
Penggabungan dan Pemecahan Proses Poisson Independen Hanna Cahyaningtyas 1, Respatiwulan 2, Pangadi 3 1 Mahasiswa Program Studi Matematika/FMIPA, Universitas Sebelas Maret 2 Dosen Program Studi Statistika/FMIPA,
Lebih terperinciBab 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 terperinciDISTRIBUSI POISSON Pendahuluan Rumus Pendekatan Peluang Poisson untuk Binomial P ( x ; µ ) = (e µ. µ X ) / X! n. p Rumus Proses Poisson
DISTRIBUSI POISSON Pendahuluan Distribusi poisson diberi nama sesuai dengan penemunya yaitu Siemon D. Poisson. Distribusi ini merupakan distribusi probabilitas untuk variabel diskrit acak yang mempunyai
Lebih terperinciBAB III PEMBAHASAN. dengan retensi pelanggan yang membatalkan antrian, nilai harapan banyaknya
BAB III PEMBAHASAN Pada bab ini akan dibahas tentang penurunan sistem persamaan lengkap untuk sistem antrian M/M/1/N dengan retensi pelanggan yang membatalkan antrian. Sistem persamaan lengkap tersebut
Lebih terperinciCatatan 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 terperinciKarakteristik Limit dari Proses Kelahiran dan Kematian
Karakteristik Limit dari Proses Kelahiran dan Kematian Disusun guna memenuhi tugas mata kuliah Pengantar Proses Stokastik Disusun oleh : Saidun Nariswari Setya Dewi Lisa Apriana Marvina Puspito Nita Eka
Lebih terperinciPENS. 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 terperinciMinggu 4-5 Analisis Model MA, AR, ARMA. Minggu 6-7 Model Diagnostik dan Forecasting. Minggu 8-9 Analisi Model ARI, IMA, ARIMA
CNH4S3 Analisis Time Series Dosen: Aniq A Rohmawati, M.Si [Jadwal]: [Materi Analsis Time Series] Kuliah Pemodelan dan Simulasi berisi tentang dasar pemodelan time series seperti kestasioneran, identifikasi
Lebih terperinciBAB I PENDAHULUAN. 1. Kedatangan, populasi yang akan dilayani (calling population)
BAB I PENDAHULUAN Antrian yang panjang sering kali kita lihat di bank saat nasabah mengantri di teller untuk melakukan transaksi, airport saat para calon penumpang melakukan check-in, di super market saat
Lebih terperinciBAB I PENDAHULUAN. Antrian dalam kehidupan sehari-hari sering ditemui, misalnya antrian di
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Antrian dalam kehidupan sehari-hari sering ditemui, misalnya antrian di kasir supermarket, antrian di pom bensin, antrian saat bayar parkir, antrian pasien
Lebih terperinciCatatan 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 terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Proses Poisson Periodik Definisi 2.1 (Proses stokastik) Proses stokastik X = {X(t), t T } adalah suatu himpunan dari peubah acak yang memetakan suatu ruang contoh Ω ke suatu
Lebih terperinciModel dan Simulasi Universitas Indo Global Mandiri
Model dan Simulasi Universitas Indo Global Mandiri Nomor random >> angka muncul secara acak (random/tidak terurut) dengan probabilitas untuk muncul yang sama. Probabilitas/Peluang merupakan ukuran kecenderungan
Lebih terperinciCatatan 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 terperinciMODEL SISTEM ANTRIAN PESAWAT TERBANG DI BANDAR UDARA INTERNASIONAL HUSEIN SASTRANEGARA
MODEL SISTEM ANTRIAN PESAWAT TERBANG DI BANDAR UDARA INTERNASIONAL HUSEIN SASTRANEGARA untuk memenuhi Tugas Besar mata kuliah Pemodelan Sistem disusun oleh: Graham Desmon 131141264 Hafizha Fauzani 131144294
Lebih terperinciANALISIS ANTRIAN PADA MCDONALD PUSAT GROSIR CILILITAN (PGC) (Untuk Memenuhi Tugas Operational Research)
2013 ANALISIS ANTRIAN PADA MCDONALD PUSAT GROSIR CILILITAN (PGC) (Untuk Memenuhi Tugas Operational Research) Disusun oleh: Dian Fitriana Arthati (09.5934), Dede Firmansyah (09.5918), Eka Fauziah Rahmawati
Lebih terperinciMA4183 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 terperinciMA4183 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 terperinciBab 2 DISTRIBUSI PELUANG
Bab 2 DISTRIBUSI PELUANG PENDAHULUAN Setiap peristiwa akan mempunyai peluangnya masingmasing, dan peluang terjadinya peristiwa itu akan mempunyai penyebaran yang mengikuti suatu pola tertentu yang di sebut
Lebih terperinciMA4181 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 terperinciSTATISTICS. WEEK 5 Hanung N. Prasetyo TELKOM POLTECH/HANUNG NP
STATISTICS WEEK 5 Hanung N. Prasetyo Kompetensi 1. Mahasiswa memahamikonsep dasar distribusi peluang kontinu khusus seperti uniform dan eksponensial 2. Mahasiswamampumelakukanoperasi hitungyang berkaitan
Lebih terperinci7/28/2005 created by Hotniar Siringoringo 1
Tujuan analisis output adalah menjawab pertanyaan yang diajukan di awal pembentukan model dengan benar. Bentuk pertanyaan mengindikasikan pengujian hipotesis, selang kepercayaan atau pendugaan parameter.
Lebih terperinciPENDAHULUAN LANDASAN TEORI
1 PENDAHULUAN Latar Belakang Dalam kehidupan sehari-hari, banyak permasalahan yang dapat dimodelkan dengan proses stokastik. Proses stokastik dapat dibedakan menjadi dua yaitu proses stokastik dengan waktu
Lebih terperinciBAB II 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 terperinciCatatan 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 017 1 Tentang AK5161 Matematika
Lebih terperinciPengantar Proses Stokastik
Bab 7: Teori Antrian Statistika FMIPA Universitas Islam Indonesia Pendahuluan Teori Antrian Pendahuluan Beberapa contoh antrian: 1 Nasabah bank menunggu pelayanan di teller atau customer service 2 Pelanggan
Lebih terperinciCatatan 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 terperinciMA4181 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 terperinciMinggu 4-5 Analisis Model MA, AR, ARMA. Minggu 6-7 Model Diagnostik dan Forecasting. Minggu 8-9 Analisi Model ARI, IMA, ARIMA
CNH4S3 Analisis Time Series Dosen: Aniq A Rohmawati, M.Si [Jadwal]: [Materi Analsis Time Series] Kuliah Pemodelan dan Simulasi berisi tentang dasar pemodelan time series seperti kestasioneran, identifikasi
Lebih terperinciMA4183 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 terperinciMA4081 PENGANTAR PROSES STOKASTIK
Catatan Kuliah MA4081 PENGANTAR PROSES STOKASTIK Orang Pintar Belajar Stokastik disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2012 Tentang
Lebih terperinciCatatan 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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengantar Pada bab ini akan diuraikan beberapa landasan teori untuk menunjang penulisan skripsi ini. Uraian ini terdiri dari beberapa bagian yang akan dipaparkan secara terperinci
Lebih terperinciCatatan 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 terperinciDISTRIBUSI DISKRIT KHUSUS
DISTRIBUSI DISKRIT KHUSUS U N I F O R M ( S E R A G A M ) B E R N O U L L I B I N O M I A L P O I S S O N MA 4085 Pengantar Statistika 26 Februari 2013 Utriweni Mukhaiyar M U L T I N O M I A L H I P E
Lebih terperinciMA4181 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 terperinciBAB 1. Rantai Markov 1.1 ILUSTRASI
BAB 1 Rantai Markov 1.1 ILUSTRASI (Ilustrasi 1) Akhir-akhir ini, hujan dan panas (baca: tidak hujan) datang silih berganti tanpa bisa diduga. Kalau hari ini hujan, besok mungkin hujan mungkin juga panas.
Lebih terperinciPROSES POISSON MAJEMUK DAN PENERAPANNYA PADA PENENTUAN EKSPEKTASI JUMLAH PENJUALAN SAHAM PT SRI REJEKI ISMAN Tbk
PROSES POISSON MAJEMUK DAN PENERAPANNYA PADA PENENTUAN EKSPEKTASI JUMLAH PENJUALAN SAHAM PT SRI REJEKI ISMAN Tbk oleh RIRIN DWI UTAMI M0113041 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan
Lebih terperinciUNY. Modul Praktikum Teori Antrian. Disusun oleh : Retno Subekti, M.Sc Nikenasih Binatari, M.Si Jurusan Pendidikan Matematika FMIPA UNY
UNY Modul Praktikum Teori Antrian Disusun oleh : Retno Subekti, M.Sc Nikenasih Binatari, M.Si Jurusan Pendidikan Matematika FMIPA UNY Daftar Halaman : Halaman Muka... Bagian I. Mengenal Model Antrian...
Lebih terperinciBAB 2 LANDASAN TEORI
14 BAB 2 LANDASAN TEORI 2.1. Pendahuluan Antrian adalah kejadian yang sering dijumpai dalam kehidupan seharihari. Menunggu di depan loket untuk mendapatakan tiket kereta api, menunggu pengisian bahan bakar,
Lebih terperinciCatatan Kuliah. MA4181 Pengantar Proses Stokastik Stochastics: Precise and Prospective. Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah MA4181 Pengantar Proses Stokastik Stochastics: Precise and Prospective Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2017 1 Tentang
Lebih terperinciPERSATUAN 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 terperinciCatatan 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 terperinciMA4081 PENGANTAR PROSES STOKASTIK
Catatan Kuliah MA4081 PENGANTAR PROSES STOKASTIK Orang Pintar Belajar Stokastik disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2012 Tentang
Lebih terperinciBAB II TINJAUAN PUSTAKA. X(t) disebut ruang keadaan (state space). Satu nilai t dari T disebut indeks atau
BAB II TINJAUAN PUSTAKA 2.1 Proses Stokastik Menurut Gross (2008), proses stokastik adalah himpunan variabel acak Semua kemungkinan nilai yang dapat terjadi pada variabel acak X(t) disebut ruang keadaan
Lebih terperinci