Pengantar Statistika Matematik(a)
|
|
- Teguh Gunardi
- 5 tahun lalu
- Tontonan:
Transkripsi
1 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
2 Tentang Pengantar Statistika Matematik(a) A. Jadwal kuliah: Senin, Rabu, B. Silabus: Peubah acak dan distribusi Distribusi diskrit Distribusi kontinu Fungsi peluang bersama Peluang dan ekspektasi bersyarat C. Buku teks: Sheldon M Ross; A First Course in Probability. Mathematical Statistics. D. Penilaian: 1. Ujian 1 (45%) - Rabu, Ujian 2 (45%) - Rabu, PR/Kuis (10%) Pengantar Statistika Matematik(a) i K. Syuhada, PhD.
3 D. Matriks kegiatan perkuliahan: Table 1: Matriks perkuliahan Analisis Data. Minggu- Materi Keterangan 1-2 Pengantar Penjelasan kuliah Peubah acak dan distribusi 3-4 Distribusi diskrit 5-6 Distribusi kontinu 7 UTS Rabu, Praktik Nyata Peluang Nyoblos! 9-10 Fungsi peluang bersama Peluang dan ekspektasi bersyarat UAS Rabu, Pengantar Statistika Matematik(a) ii K. Syuhada, PhD.
4 Daftar Isi 1 Peubah Acak dan Fungsi Distribusi Peubah Acak Diskrit dan Kontinu Tentang Fungsi Distribusi Ekspektasi Fungsi Pembangkit Momen Distribusi Diskrit Distribusi Binomial Distribusi Geometrik Distribusi Poisson Lebih Jauh Tentang Distribusi Diskrit iii
5 BAB 1 Peubah Acak dan Fungsi Distribusi Silabus: Peubah acak diskrit, peubah acak kontinu, fungsi distribusi, fungsi peluang. Statistika Matematik(a) adalah perkuliahan yang menitikberatkan pada kajian peluang secara matematik. Untuk itu, peluang yang harus ditekankan adalah peluang pada nilai peubah acak. Tujuan yang ingin dicapai dalam mempelajari peubah acak dan distribusi adalah: 1. memahami dan membedakan peubah acak diskrit dan kontinu 2. menghitung peluang pada nilai peubah acak 3. menentukan fungsi distribusi dan transformasi peubah acak (serta distribusi peluang yang menyertainya) 4. menghitung ekspektasi dan fungsi pembangkit momen 1.1 Peubah Acak Diskrit dan Kontinu Apa yang dapat kita katakan tentang peubah acak? Peubah acak tidaklah acak dan bukanlah peubah Peubah acak adalah fungsi yang memetakan ruang sampel S ke bilangan real R 1
6 Definisi Peubah acak X dikatakan diskrit jika terdapat barisan terhitung dari bilangan {a i, i = 1, 2,... } sedemikian hingga P ( {X = a i } ) = P (X = a i ) = 1 i i Catatan: Sebuah peubah acak diskrit tidak selalu berasal ruang sampel diskrit. F X disebut fungsi distribusi (diskrit) dari X jika terdapat barisan terhitung {a i, i = 1, 2,... } dari bilangan real dan barisan {p i, i = 1, 2,... } dari bilangan positif yang bersesuaian sedemikian hingga p i = 1 dan i F X (x) = a i x p i Jika diberikan himpunan terhitung {a i, i = 1, 2,... } dan bilangan positif {p i, i = 1, 2,... } sdh i p i = 1, fungsi peluang p X (x) adalah p X (x) = p i = P (X = a i ), dengan x = a i Catatan: P (a < X b) = F (b) F (a) P (X b) P (X < b) ( { P (X < b) = P lim X b 1 }) n n ( = lim P X b 1 ) n n ( = lim F b 1 ) n n Pengantar Statistika Matematik(a) 2 K. Syuhada, PhD.
7 Definisi Misalkan X peubah acak dan fungsi distribusinya F X dapat diturunkan. Fungsi (densitas) peluang f X adalah turunan dari fungsi distribusi, f X (x) = d dx F X(x); f(x) 0, x atau dengan kata lain F X (x) = x f X (t) dt Jika X adalah peubah acak sedemikian hingga fungsi (densitas) peluang ada maka X dikatakan sebagai peubah acak kontinu. Catatan: 1 = F X ( ) = P (a X b) = F X (b) F X (a) = P (X = a) = a a f X (t) dt = 0 f X (t) dt b a f X (t) dt LATIHAN: 1. Misalkan X Bin(3, 0.5), maka fungsi distribusi F (x) adalah Misalkan X peubah acak dengan support S = [a, b], b > 0. Misalkan peluang X akan berada di selang S proporsional terhadap panjang selang. Dengan kata lain, P (x 1 X x 2 ) = λ (x 2 x 1 ), untuk a x 1 x 2 b. Untuk menentukan λ, misalkan x 1 = a dan x 2 = b. Maka, P (a X b) = 1 = λ (b a) λ = 1/(b a). Fungsi distribusinya adalah... Fungsi peluangnya adalah... Pengantar Statistika Matematik(a) 3 K. Syuhada, PhD.
8 1.2 Tentang Fungsi Distribusi Fungsi distribusi berperan dalam kajian peluang pada peubah acak. Jika kita memiliki fungsi distribusi maka fungsi peluang dapat (dengan mudah) ditentukan. Namun, hal sebaliknya tidak berlaku. Pada kajian statistika lanjut, seperti konsep Copula, fungsi distribusi akan lebih bermanfaat dibandingkan dengan fungsi peluang. Sifat-sifat fungsi distribusi: F ( ) = 0 dan F ( ) = 1 F merupakan fungsi tidak turun; F (a) F (b) untuk a b F adalah fungsi kontinu kanan; lim F (x + ϵ) = F (x) ϵ 0 + Misalkan X peubah acak dengan fungsi distribusi F (x). Jika b a, maka P (a < X b) = F (b) F (a) Untuk setiap x, P (X = x) = lim P (x ϵ < X ) = F (x) F (x ) ϵ 0 + (Perhatikan notasi F (x ) dan kasus apabila fungsi distribusi kontinu kiri) Misalkan X peubah acak kontinu dengan fungsi distribusi F X (x). Misalkan g(x) fungsi naik satu-satu kontinu. Untuk y yang berada di daerah hasil dari g, fungsi invers x = g 1 (y) ada. Misalkan Y = g(x). Fungsi distribusi dari Y adalah... Misalkan g(x) fungsi turun satu-satu kontinu. Untuk y yang berada di daerah hasil dari g, fungsi invers x = g 1 (y) ada. Misalkan Y = g(x). Fungsi distribusi dari Y adalah... Misalkan X mempunyai fungsi peluang f(x) = 1 dan Y = g(x) = hx + k, h < 0. Maka X = g 1 (Y ) = F X (x) = F Y (y) = Y Pengantar Statistika Matematik(a) 4 K. Syuhada, PhD.
9 LATIHAN: 1. Misalkan X peubah acak kontinu yang memiliki fungsi distribusi F X (x) yang naik murni. Misalkan Y = F X (X). Tentukan distribusi dari Y. 2. Misalkan U peubah acak berdistribusi U(0, 1). Misalkan F X (x) fungsi distribusi yang naik murni dari X. Tentukan fungsi distribusi dari peubah acak F 1 X (U). 3. Misalkan U 1, U 2,..., U n sampel acak dari U(0, 1). Bangkitkan sampel acak dari F X (x) (ambil contoh misalnya untuk F X (x) = 1 e λ x, x > 0) Misalkan X peubah acak kontinu dengan fungsi distribusi F X (x). Misalkan Y = g(x) fungsi kontinu tidak monoton. Kita ketahui bahwa pada fungsi yang monoton, F Y (y) = P (Y y) = P (g(x) y) dimana dalam hal ini setiap solusi inverse x = g 1 (y) digunakan untuk menentukan F Y (y) dengan menggunakan F X (g 1 (y)). Untuk X U( 1, 2) dan g(x) = Y = X 2, kita dapatkan fungsi distribusi dari Y : F Y (y) = LATIHAN: 1. Misalkan λ bilangan riil positif. Jika F (x) = 1 e λx, maka f(x) = 2. *Misalkan f(x) = c/(1 + x 2 ) untuk < x < dan c konstanta. Fungsi f(x) tak negatif dan (1 + x2 ) 1 dx = π. Berapa nilai c agar f(x) menjadi fungsi peluang? Tentukan fungsi distribusinya. Misalkan X peubah acak kontinu dengan fungsi peluang f(x) dan Y = g(x) fungsi yang terdiferensial bernilai tunggal. Maka fungsi peluang dari Y : f Y (y) = f X (g 1 (y)) d dy g 1 (y) untuk support Y = g(x). Komponen J(y) = d dy g 1 (y) adalah transformasi Jacobian. Pengantar Statistika Matematik(a) 5 K. Syuhada, PhD.
10 Misalkan g(x) memiliki lebih dari satu fungsi invers maka unsur peluang yang terpisah harus dihitung untuk setiap fungsi invers. Contoh, misalkan X U( 1, 2) dan Y = g(x) = X 2. Maka untuk y [0, 1], terdapat 2 fungsi invers yaitu, dan satu fungsi invers untuk y (1, 4] yaitu. Fungsi peluang dari Y adalah f(y) = 1.3 Ekspektasi Misalkan X peubah acak dengan fungsi peluang f(x). ekspektasi dari X, jika ada, adalah Nilai harapan atau E(X) = µ X = f(x)dx Catatan: nilai ekspektasi dikatakan ada jika nilai integral adalah hingga. Misalkan X p.a. dengan f.p. f(x). Maka nilai harapan/ekspektasi dari g(x), jika ada, adalah E[g(X)] = g(x)f(x)dx. Operator integral bersifat linier. Jika g 1 (X) dan g 2 (X) fungsi-fungsi yang memiliki ekspektasi dan a, b, c konstanta, maka E[ag 1 (X) + bg 2 (X) + c] = ae[g 1 (X)] + be[g 2 (X)] + c LATIHAN: 1. Jika distribusi X simetrik di sekitar c dan nilai harapannya ada maka E(X) = c. 2. Misalkan X U(a, b). Tunjukkan bahwa distribusi tersebut simetrik disekitar (a + b)/2. 3. Misalkan X berdistribusi Cauchy dengan fungsi peluang f(x) = 1 [ ], σπ 1 + (x µ)2 σ 2 Pengantar Statistika Matematik(a) 6 K. Syuhada, PhD.
11 dengan µ, σ konstanta yang memenuhi µ < dan σ (0, σ). Tunjukkan bahwa fungsi peluang simetrik di sekitar µ namun ekspektasinya bukanlah µ. 4. Misalkan X Exp(λ). Nilai harapan/ekspektasi dari X adalah Fungsi Pembangkit Momen Misalkan X peubah acak kontinu, fungsi pembangkit momen dari X adalah M X (t) = E(e tx ) = e tx f(x)dx, asalkan ekspektasi ada untuk t disekitar 0. Jika semua momen dari X tidak ada, maka fungsi pembangkit momen juga tidak ada. Fungsi pembangkit momen berkaitan dengan fungsi pembangkit peluang M X (t) = G X (e t ) asalkan G X (t) ada untuk t disekitar 1. Jika M X (t) adalah fungsi pembangkit peluang maka M X (0) = 1. Contoh/Latihan: 1. Jika f X (x) = λe λx I 0, (x), maka M X (t) = 2. Jika M X (t) ada maka M a+bx (t) = 3. Jika X i, i = 1,..., n saling bebas, M Xi (t) ada untuk setiap i, dan S = Xi, maka M S (t) = 4. Fungsi pembangkit momen bersifat unik. Setiap distribusi memiliki fungsi pembangkit momen yang unik, dan setiap fungsi pembangkit momen berkorespondensi dengan tepat satu distribusi. Akibatnya, jika fungsi pembangkit momen ada maka fungsi pembangkit momen tersebut secara unik menentukan distribusinya. Beri contoh. Pengantar Statistika Matematik(a) 7 K. Syuhada, PhD.
12 5. Pandang turunan dari M X (t) yang kemudian dievaluasi di t = 0. Apa yang dapat anda katakan? Dapatkah kita mendapatkan momen orde tinggi? 6. Dapatkah hasil diatas digunakan untuk distribusi diskrit? Ambil contoh distribusi Geometrik dengan parameter p. 7. Misalkan Y U(a, b). Gunakan fungsi pembangkit momen untuk mendapatkan momen pusat (( E((Y µ Y ) 2 ) = E Y a + b ) r ) 2 Pengantar Statistika Matematik(a) 8 K. Syuhada, PhD.
13 BAB 2 Distribusi Diskrit Silabus: Distribusi binomial, geometrik, Poisson; varian distribusi: kelas distribusi (a, b, 0); zero-modified and zero-truncated distributions Fungsi peluang dan/atau fungsi distribusi dari suatu peubah acak seringkali diberikan (tidak perlu ditentukan). Hal ini terjadi karena f.p. tersebut sudah dikenal atau dianggap sering dipakai/cocok dengan fenomena sehari-hari (umum). Tiga diantara distribusi tersebut adalah binomial, geometrik dan Poisson. Secara khusus, aplikasi distribusi tersebut akan diperlihatkan pada bidang asuransi. Asuransi berkaitan erat dengan risiko karena dengan produk asuransilah terjadi perpindahan (tranfer) risiko dari pemegang polis kepada pihak asuransi. Pada pemodelan kerugian klaim (claim losses) terdapat dua ukuran penting yang harus diperhatikan yaitu frekuensi klaim (claim frequency) dan besar atau severitas klaim (claim severity). Tujuan yang ingin dicapai dalam mempelajari distribusi diskrit yang telah dikenal adalah: 1. mempelajari dan menghitung peluang dari peubah acak yang berdistribusi binomial, geometrik dan Poisson 2. memahami varian distribusi 2.1 Distribusi Binomial Distribusi yang tepat untuk memodelkan frekuensi klaim adalah distribusi diskrit, antara lain binomial, geometrik, negatif binomial dan Poisson. Misalkan peubah acak X menyatakan banyak klaim yang diproses dari 1
14 semua klaim yang masuk. Misalkan X B(n, θ), maka fungsi peluangnya P (X = k) = C n k θ k (1 θ) n k, k = 0, 1, 2,..., n Sifat momen, atau momen ke-m, dapat ditentukan dengan memanfaatkan fungsi peluang (fp), yaitu E(X m ) = n x m P (X = k). k=0 Untuk m = 1, misalnya, didapat E(X) =, dst. Momen ke-m dapat pula ditentukan dengan menggunakan fungsi pembangkit momen (fpm): M X (t) = Catatan: Fpm suatu peubah acak berkorespondensi satu-satu dengan distribusi peubah acak tersebut. Bagaimana dengan fungsi pembangkit peluang (fpp), manfaat apa yang dapat diperoleh dengan fpp? Bagaimana menentukan peluang secara rekursif? Dapatkah ditentukan hubungan antara fpm dan fpp? Misalkan X 1, X 2,..., X n sampel acak dari X yang berdistribusi binomial dengan parameter (n, θ). Parameter θ dapat ditaksir dengan menggunakan metode likelihood maksimum sbb: Fungsi likelihood dan log-likelihood:... Turunan pertama terhadap parameter dan normalisasi:... Penaksir θ:... Turunan kedua terhadap parameter: Distribusi Geometrik Distribusi lain yang dapat digunakan untuk memodelkan frekuensi klaim adalah distribusi geometrik. Pertanyaannya, definisi peubah acak apakah yang tepat untuk menggambarkan distribusi ini? Misalkan X Geo(α) dengan fungsi peluang p(x) = (1 α) x 1 α, x = 1, 2,... Pengantar Statistika Matematik(a) 2 K. Syuhada, PhD.
15 Kita dapat menentukan sifat momen seperti sebelumnya, E(X) = 1 α, V ar(x) = 1 α 2, dan juga fpm dan fpp. Selain itu, misalkan X Geo(α), kita dapat pula menentukan sifat distribusi dari X + 1. Namun yang menarik untuk dikaji adalah apakah sifat khusus yang hanya dimiliki distribusi geometrik? Jelaskan! 2.3 Distribusi Poisson Misalkan X peubah acak yang menyatakan banyaknya/frekuensi klaim pada suatu periode waktu. Distribusi untuk X adalah Poisson dengan parameter λ. Ciri khas distribusi ini adalah nilai mean dan variansi yang sama yaitu λ, E(X) = V ar(x) = λ. Dalam praktiknya, mungkinkah kita memperoleh data dengan nilai mean sama dengan variansi? (selanjutnya nanti akan dipelajari konsep overdispersion dan underdispersion) Bagaimana kaitan antara distribusi Poisson dan Binomial? adakah manfaat yang dapat kita ambil? Teorema Jika X 1,..., X n peubah acak-peubah acak yang saling bebas dengan X i P OI(λ i ) maka X = X X n P OI(λ λ n ). Pengantar Statistika Matematik(a) 3 K. Syuhada, PhD.
16 Misalkan X dan Y peubah acak Poisson dengan parameter, berturut-turut, λ 1 dan λ 2. Kita dapat menentukan distribusi X X + Y = n sebagai berikut P (X = k X + Y = n) P (X = k, X + Y = n) = P (X + Y = n) P (X = k, Y = n k) = P (X + Y = n) P (X = k) P (Y = n k) = P (X + Y = n) = exp( λ 1) λ k 1 (k!) 1 exp( λ 2 ) λ n k 2 ((n k)!) 1 exp( (λ 1 + λ 2 )) (λ 1 + λ 2 ) n (n!) 1 = n! k!(n k)! ( λ1 λ 1 + λ 2 ) k ( λ2 λ 1 + λ 2 ) n k. Dengan kata lain, X X + Y = n B(n, λ 1 /(λ 1 + λ 2 )). 2.4 Lebih Jauh Tentang Distribusi Diskrit Kelas Distribusi (a, b, 0) Perhatikan fungsi peluang dari peubah acak Poisson(λ): f(x) = e λ λ x, x = 0, 1, 2,... x! yang dapat dituliskan rekursif dengan memperhatikan fungsi peluang untuk X = x 1, Diperoleh f(x 1) = e λ λ x 1 (x 1)!. f(x) f(x 1) = e λ λ x / e λ λ x 1 x! (x 1)! = λ x atau f(x) = ( ) λ f(x 1), x = 1, 2,... x Pengantar Statistika Matematik(a) 4 K. Syuhada, PhD.
17 Distribusi-distribusi diskrit yang sudah dikenalkan sebelumnya (binomial, geometrik, binomial negatif, Poisson) dapat dikelompokkan menjadi sebuah Kelas Distribusi (a, b, 0) dengan fungsi peluang memenuhi sifat rekursif: ( f(x) = a + b ) f(x 1), x = 1, 2,..., x dengan a, b konstanta dan f(0) diberikan. Catatan: Kelas distribusi (a, b, 1) dapat pula dibentuk dengan analogi. Zero-Modified and Zero-Truncated Distributions Misalkan X B(3, 0.4). Kita dapat menentukan distribusi peluang sebagai berikut: X P (X = k) Dalam aplikasi teori peluang, seringkali kita dihadapkan pada fenomena dimana peluang terjadinya 0 telah ditentukan, misalnya P (X = 0) = 0.3, atau bahkan mungkin tidak ada, P (X = 0) = 0. Untuk itu, perlu adanya modifikasi fungsi peluang diatas. Distribusi yang dihasilkan dikatakan sebagai zero-modified and zero-truncated distributions. Misalkan peubah acak X dari suatu distribusi (a, b, 0) memiliki fungsi peluang f(x). Misalkan f M (x) fungsi peluang yang merupakan modifikasi dari f(x); f M (x) adalah fungsi peluang dari distribusi (a, b, 1). Untuk f M (0) yang ditentukan, hubungan antara f M (x) dan f(x) adalah f M (x) = c f(x), x = 1, 2,... dengan c konstanta. Catatan: Fungsi peluang f M (x) haruslah terdefinisi dengan baik; akibatnya, c dapat diperoleh, c = 1 f M (0) 1 f(0). Untuk distribusi Binomial dengan parameter (3, 0.4) diatas, kita dapat menghi- Pengantar Statistika Matematik(a) 5 K. Syuhada, PhD.
18 tung f M (k), k = 1, 2, 3 sebagai berikut: f M (1) = 1 f M (0) 1 f(0) f(1) = = Dengan cara sama, kita peroleh f M (2) = dan f M (3) = Untuk zero-truncated distribution, nilai P (X = 0) = 0. Diperoleh nilai seperti tabel berikut: X P (X = k) Zero-Modified Zero-Truncated Latihan: 1. Tentukan zero-modified distribution untuk X yang berdistribusi Poisson dengan parameter Misalkan X adalah zero-truncated distribution dari X. Diketahui, fungsi peluang dan fungsi pembangkit peluang X, berturut-turut, adalah f X (x) dan P X (t). Tentukan fungsi pembangkit peluang untuk X Pengantar Statistika Matematik(a) 6 K. Syuhada, PhD.
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 terperinciPengantar 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 terperinciMA3081 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 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 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 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 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 terperinciPeubah 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 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 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 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 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 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 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. 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 terperinciCatatan 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 terperinciMA3081 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 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 terperinciAK5161 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 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 terperinciCatatan Kuliah MA3081 STATISTIKA MATEMATIKA Statistika Mengalahkan Matematika. disusun oleh Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah MA3081 STATISTIKA MATEMATIKA Statistika Mengalahkan Matematika disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2011 Daftar Isi
Lebih terperinciAK5161 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 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 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 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 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 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 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 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. 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 terperinciMA3081 STATISTIKA MATEMATIKA Statistika Mengalahkan Matematika
Catatan Kuliah MA3081 STATISTIKA MATEMATIKA Statistika Mengalahkan Matematika disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2011 Daftar Isi
Lebih terperinciCatatan Kuliah MA3081 STATISTIKA MATEMATIKA Statistika Mengalahkan Matematika. disusun oleh Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah MA3081 STATISTIKA MATEMATIKA Statistika Mengalahkan Matematika disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2011 Daftar Isi
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 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 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 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 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 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 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 terperinciMA4181 MODEL RISIKO Enjoy the Risks
Catatan Kuliah MA48 MODEL RISIKO Enjoy the Risks disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2 Tentang MA48 Model Risiko A. Jadwal kuliah:
Lebih terperinciMA6281 Topik Lanjut dalam Statistika ANALISIS DATA DENGAN COPULA Dependency is not necessarily bad
Catatan Kuliah MA6281 Topik Lanjut dalam Statistika ANALISIS DATA DENGAN COPULA Dependency is not necessarily bad disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut
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. 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 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 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 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. 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 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. 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. 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. 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 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 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 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 terperinciCatatan Kuliah. MA4283 Teori Risiko dan Kredibilitas Forecasting Risk: Precise and Prospective. Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah MA4283 Teori Risiko dan Kredibilitas Forecasting Risk: Precise and Prospective Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2018
Lebih terperinciCNH3E3 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 terperinciDengan 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 terperinciBab 8 Fungsi Peluang Bersama: Bersama Kita Berpisah
MA3181 Teori Peluang - Khreshna Syuhada Bab 8 1 Bab 8 Fungsi Peluang Bersama: Bersama Kita Berpisah Ilustrasi 8.1 Sebuah perusahaan asuransi menduga bahwa setiap orang akan mengalami dan memiliki parameter
Lebih terperinciMA4081 PENGANTAR PROSES STOKASTIK Cerdas dan Stokastik
Catatan Kuliah MA4081 PENGANTAR PROSES STOKASTIK Cerdas dan Stokastik disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2011 Tentang MA4081 (Pengantar)
Lebih terperinciMINGGU 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 terperinciSTATISTIK 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 terperinciCatatan Kuliah. MA4283 Teori Risiko dan Kredibilitas Forecasting Risk: Precise and Prospective. Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah MA4283 Teori Risiko dan Kredibilitas Forecasting Risk: Precise and Prospective Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2018
Lebih terperinciMA3081 STATISTIKA MATEMATIK(A) Bab 2: Distribusi Samp
MA3081 STATISTIKA MATEMATIK(A) Bab 2: We love Statistics Pengantar Parameter adalah... ...suatu karakteristik dari populasi. Statistik adalah... ...suatu karakteristik dari sampel. Statistik adalah fungsi
Lebih terperinciSTK 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 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 terperinciMA2081 Statistika Dasar
Catatan Kuliah MA2081 Statistika Dasar Orang Cerdas Belajar Statistika Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2015 1 Tentang MA2081 Statistika
Lebih terperinciSTATISTIKA 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 terperinciPengantar Statistika Matematika II
Pengantar a Matematika II Atina Ahdika, S.Si., M.Si. Prodi a FMIPA Universitas Islam Indonesia March 20, 2017 atinaahdika.com t F Parameter adalah karakteristik dari populasi (misal θ) adalah karakteristik
Lebih terperinciSTK 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 terperinciUji Hipotesis dan Aturan Keputusan
Uji Hipotesis dan Aturan Keputusan oleh: Khreshna Syuhada, PhD. 1. Pendahuluan Pada perkuliahan tingkat 2, telah dikenalkan masalah uji hipotesis sebagai berikut: Seorang peneliti memberikan klaim bahwa
Lebih terperinciSTK 203 TEORI STATISTIKA I
STK 203 TEORI STATISTIKA I V. SEBARAN FUNGSI PEUBAH ACAK V. Sebaran Fungsi Peubah Acak 1 Sebaran Fungsi Peubah Acak Dalam banyak kasus untuk melakukan inferensi terhadap suatu parameter kita lebih banyak
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Berikut ini adalah beberapa definisi dan teorema yang menjadi landasan dalam penentuan harga premi, fungsi permintaan, dan kesetimbangannya pada portfolio heterogen. 2.1 Percobaan
Lebih terperinciMA5283 STATISTIKA Bab 3 Inferensi Untuk Mean
MA5283 STATISTIKA Bab 3 Inferensi Untuk Mean Orang Cerdas Belajar Statistika Silabus Silabus dan Tujuan Peubah acak kontinu, distribusi dan Tabel normal, penaksiran titik dan selang, uji hipotesis untuk
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 terperinciPengantar Statistika Matematika II
Bab 2: Sifat-Sifat Estimator Statistika FMIPA Universitas Islam Indonesia Statistik Cukup Dalam kondisi real, kita tidak mengetahui parameter dari populasi data yang akan kita teliti Informasi dalam sampel
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. 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 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 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 terperinciTeorema Newman Pearson
pengujian terbaik Andi Kresna Jaya andikresna@yahoo.com Jurusan Matematika October 6, 2014 Outline 1 Review 2 Uji dua sisi untuk mean 3 Teorema Neyman-Pearson Back Outline 1 Review 2 Uji dua sisi untuk
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 Statistika Matematika II
Bab 1: a FMIPA Universitas Islam Indonesia Parameter adalah karakteristik dari populasi (misal θ) adalah karakteristik dari sampel Akan dibahas konsep statistik dan distribusi sampling Parameter Misalkan
Lebih terperinciAK5161 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 terperinciDISTRIBUSI 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 terperinciTINJAUAN PUSTAKA. ruang sampel dan dilambangkan dengan huruf S. Ruang sampel beranggotakan
II. TINJAUAN PUSTAKA 2.1 Percobaan dan Ruang Sampel Menurut Walpole (1995), istilah percobaan digunakan untuk sembarang proses yang dapat membangkitkan data. Himpunan semua hasil suatu percobaan disebut
Lebih terperinciPengantar Statistika Matematika II
Pengantar Statistika Matematika II Distribusi Sampling Atina Ahdika, S.Si., M.Si. Prodi Statistika FMIPA Universitas Islam Indonesia March 20, 2017 atinaahdika.com Bila sampling berasal dari populasi yang
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 terperinciDISTRIBUTIONS 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 terperinciMINGGU KE-6 VARIABEL RANDOM DAN DISTRIBUSINYA
MINGGU KE-6 VARIABEL RANDOM DAN DISTRIBUSINYA VARIABEL RANDOM Misalkan (Ω, A, P) ruang probabilitas dan R = {x < x < } dan B : Borel field pada R. Andaikan X : Ω R dan untuk setiap A R, kita definisikan
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 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 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 terperinciKONVOLUSI DISTRIBUSI EKSPONENSIAL DENGAN PARAMETER BERBEDA
Jurnal Matematika UNAND Vol. No. 4 Hal. 9 ISSN : 33 9 c Jurusan Matematika FMIPA UNAND KONVOLUSI DISTRIBUSI EKSPONENSIAL DENGAN PARAMETER BERBEDA MARNISYAH ANAS Program Studi Magister Matematika, Fakultas
Lebih terperinciMA1201 KALKULUS 2A Do maths and you see the world
Catatan Kuliah MA20 KALKULUS 2A Do maths and you see the world disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 203 Catatan kuliah ini ditulis
Lebih terperinciPengantar Statistika Matematika II
Pengantar a Matematika II - Estimator Atina Ahdika, S.Si., M.Si. Prodi a FMIPA Universitas Islam Indonesia April 17, 2017 atinaahdika.com Dalam kondisi real, kita tidak mengetahui parameter dari populasi
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 terperinciPengantar Statistika Matematika II
Bab 3: Statistika FMIPA Universitas Islam Indonesia Bila sampling berasal dari populasi yang digambarkan melalui fungsi peluang f X (x θ), pengetahuan tentang θ menghasilkan karakteristik mengenai keseluruhan
Lebih terperinciDistribusi Diskrit dan Kontinu yang Penting. Oleh Azimmatul Ihwah
Distribusi Diskrit dan Kontinu yang Penting Oleh Azimmatul Ihwah Distribusi Diskrit Fungsi probabilitas dari variabel random diskrit dapat dinyatakan dalam formula matematik tertentu yang dinamakan fungsi
Lebih terperinci