BAB 2 FUNGSI MEAN RESIDUAL LIFE
|
|
- Utami Johan
- 8 tahun lalu
- Tontonan:
Transkripsi
1 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 kontinu dengan nilai non-negatif dan mempunyai rata-rata yang berhingga, maka µ E(X) f()d S()d (Klein, 25). E(X) f()d [ S() S()d lim S() + S() S()d ( menggunakan integral parsial dengan u, du d, dv f(), v S() S()d S()d dimana limit menuju tak berhingga dari S() adalah, karena diasumsikan rata-ratanya berhingga ( tf(t)dt < ) dan fungsi distribusinya kontinu. Secara umum, fungsi distribusi hanya membutuhkan kontinu ke kanan dengan ratarata berhingga untuk limit menuju. rgumen mengikuti: untuk sebuah fungsi distribusi kanan, fungsi distribusi didefinisikan sebagai S() f(t)dt S() f(t)dt (perlu diingat bahwa integral tersebut dapat dengan mudah dipecah menjadi sebuah penjumlahan dari integral-integral untuk distribusidistribusi kontinu kanan yang mengandung sebuah lompatan dalam fungsi density). Dengan dan f() yang non-negatif, diperoleh 4 ) f(t)dt tf(t)dt.
2 5 Mengaplikasikan limit untuk setiap bentuk, lim lim f(t)dt lim tf(t)dt lim f(t)dt, maka dengan Teorema Squeeze diperoleh lim S(). Momen kedua dapat juga ditulis sebagai sebuah fungsi dari fungsi survival. Mengasumsikan keberadaan dari momen ke-2, dapat ditulis E(X 2 ) 2 f()d [ 2 S() 2S()d lim ( 2 S() ) + S() S()d (S())d Selanjutnya dengan mengasumsikan keberadaan dari momen kedua ( ) 2 f()d < untuk fungsi distribusi kontinu (setidaknya kontinu ke kanan), dapat ditulis 2 S() 2 f(t)dt 2 f(t)dt Dengan mengaplikasikan limit untuk setiap bentuk lim lim 2 t 2 f(t)dt f(t)dt lim t 2 f(t)dt lim 2 kemudian dengan menggunakan Teorema Squeeze, lim 2 S(). f(t)dt Secara umum, jika r th momen ada untuk sebuah random variabel kontinu X maka berlaku: E(X r ) r r S()d (2.) Bentuk ini sangat menarik karena dengan menetapkan formula inversnya maka diperoleh sebuah langkah untuk memperoleh momen dari fungsi MRL. Dengan
3 6 demikian dapat ditentukan pula variansi dari fungsi survivalnya yaitu sebagai berikut: V ar(x) E(X 2 ) E 2 (X) 2 S()d S()d Telah didefinisikan MRL sebagai ekspektasi dari sisa hidup sampai waktu. Diperoleh bentuk untuk fungsi MRL dari fungsi survival dengan bentuk berikut (London, 988): m() E(X X > ) (t )dp(x t X > ) ( ) F(t) F() ( ) S(t) + S() (t )d (t )d F() S() ( [ ) S(t) ( ) S (t)dt (t ) d + d[ (t ) S() S() (t )S(t) + S(t)dt S() S() S(t)dt S() lim (t )S(t) ( )S() + dimana limit pertama di langkah terakhir mengarah ke karena diasumsikan bahwa momen pertama ada, dan limit kedua mengarah ke karena F( ). Maka dapat dengan mudah dilihat bahwa momen pertama ekuivalen dengan fungsi MRL dengan. m() (t )f(t)dt S() 2 S(t)dt tf(t)dt µ (2.2) 2..2 Batas untuk fungsi MRL Pertama diketahui bahwa m() + (i) E(X X > ), yang mengarah ke (m() + )S() (ii) E(X (X>) ) (iii) µ E(X (X ) ). Juga benar bahwa E(X (X>) ) (iv) TS() (v) µ, dan E(X (X>) ) (vi) (E(X r )) r S() r, untuk r >. Juga, (vii) E(X (X ) F(), dan E(X (X ) ) (viii) (E(X r )) rf() r, untuk r >. Sekarang telah siap untuk menentukan batasan-batasan untuk fungsi MRL. Jika F adalah bukan menurun dengan MRL, m(), rata-rata, µ, dan ν r E(X r ) (Hall dan Wallner, 98).
4 7 (a) m() (T ) + untuk semua, dengan persamaan jika dan hanya jika F() F(T ) atau, (perlu diingat T bahwa kita mendekati T dari kiri) (b) m() µ untuk semua dengan persamaan jika dan hanya jika S() F() (c) m() < (d) m() F() ( ) νr r untuk semua dan r > S() (µ )+ S() ( µ F() (e) m() > S() untuk < T dengan persamaan jika dan hanya jika ν r F() ) r untuk < T dan r > (f) m() (µ ) + untuk setiap, dengan persamaan jika dan hanya jika F() atau Jika F disusutkan pada µ, m() (µ ) +, untuk semua Sifat dari MRL (formula invers) Sifat berikut adalah dasar dari pengembangan untuk teorema karakterisasi untuk fungsi MRL, yaitu (Hall dan Wallner, 98): (a) m() non negatif dan kontinu ke kanan, dan m() µ > (b) v() m() + tidak menurun (c) m( ( ) > untuk (, ) T); jika T <, m(t ), dan m kontinu saat T m(t ) lim m() t (d) S() m() m() ep (e) [ dt dengan T m(t) m(t) dt, untuk semua < T (Formula Invers)
5 8 Sifat (d) diketahui sebagai Formula Invers. Dan dibuktikan sebagai berikut: Pembuktian Formula Invers (Hall dan Wallner, 98): Didefinisikan fungsi k() S(t)dt m()s(). Diperoleh k () f()m() S()m (), dengan m () S2 () + f() S(t)dt S 2 () S(). Sekarang diperlihatkan + f()m(), dan dengan demikian k () S() m(t) dt S(t) S(t) m(t) dt k (t) dt [log(k()) log(k()) k(t) ( ) ( ) ( ) k() S()m() S()m() log log log k() S()m() m() ( ( )) ep m(t) dt S()m() ep log m() ( ) ep m(t) dt S()m() m() S() m() m() ep m(t) dt (2.3) Disimpulkan ringkasan dari sifat untuk fungsi MRL dengan sebuah hasil utama bahwa syarat perlu dan cukup yang mana sebuah fungsi adalah fungsi MRL untuk sebuah distribusi survival, dan dengan demikian merupakan karakter dari fungsi MRL. Teorema Karakterisasi (Hall dan Wallner, 98): Diketahui sebuah fungsi m() dengan pemetaan R + R + dari (a) m() adalah kontinu ke kanan dan m() > ; (b) v() m() + tidak menurun; (c) jika m( ) untuk beberapa, maka m() untuk [, ); (d) jika m( ) > untuk semua, maka m(t) dt. Diberikan T inf{ : m( ) }, dan didefinisikan S() oleh (2.3) untuk < T dan S() untuk T. Maka F() S() adalah sebuah fungsi distribusi atas R + dengan F(), T F T, batas rata-rata µ F m(), dan fungsi MRL m F () m().
6 9 2.2 Fungsi MRL untuk Distribusi Spesifik 2.2. Linier MRL Jika fungsi MRL adalah linier, m() + B( >, B > ), maka dengan menggunakan formula invers, fungsi Survival menjadi berbentuk: [ S() B + B + ditunjukkan bentuk asal Survival ketika berikut : ( ) [ B S() ep + B t + B dt ( ) [ B ep + B ln(t + B) ( ) B ep [ln( + B) [ + B ep ln(b) ( ) ( ) B B + B + B ( ) B + + B + + (2.4) Dimana bagian positif diperlukan untuk memenuhi bagian nonnegatif dari fungsi Survival (Oakes dan Dasu, 23). Untuk > fungsi Survival adalah merupakan distribusi Pareto. Bentuk fungsi Survival dari distribusi Pareto untuk variabel acak Z adalah S(z) ( ) α β untuk β > (scale), α > (shape), dan z [β, + z jika dipilih transformasi Z +B dimana B β dan + α, maka diperoleh Z Pareto(α, β). Untuk lebih jelas diketahui β > didapat dari B β dengan B >. Juga diketahui bahwa parameter shape diperoleh α > dari + α dan >. Perlu diingat bahwa moment pertama hanya berlaku untuk distribusi Pareto ketika α > oleh karena itu terdapat rata-rata dari fungsi survival untuk
7 MRL linier dengan, B >. Misalkan diberikan z [β, + dimana z +B dan >. khirnya, karena Z β > β > fungsi survival selalu positif, z maka tidak diperlukan penyesuaian untuk membuat fungsi bernilai positif. Gambar 2. (kiri)linier MRL untuk X dengan 4 (slope) dan B (intercept). (kanan) fungsi survival yang berhubungan dari X Untuk < < fungsi survival adalah berasal dari distribusi beta. pdf dari sebuah distribusi beta diberikan dengan f(z; a, b, p, q) (z a)p (b z) q B(p, q)(b a) p+q+ dimana a z b, p, q >, dan B(.,.) adalah fungsi beta yang didefinisikan B(p, q) tp ( t) q dt. Dimulai dengan bentuk fungsi survival dari MRL linier untuk memperoleh pdf. Pdf akan mengumumkan model apa dari bentuk hasil reparameter dari rescaled beta dengan S() [ B. Perlu diingat +B bagian positif adalah diperloleh ketika B B/, maka ketika F() [ B + diperoleh +B ( ) [ f() + B ( + ) B + ( + B) ( +)+ + B [ B (y + B) ( + B) ( +)+ d ( + ) B (, diberikan Z X +) dz f(z) + (B z) ( +) (dengan q ( ( + ) B ( +) +)) (B ( ) y) q B q q
8 Sekarang dapat diperlihatkan perlu untuk B b, a, p. Ketika p B(p, q) ( ) ( t)q dt dimiliki f() (z ) (b z) q, z b. q B(,q)(b ) q+ Kemudian pdf dan fungsi survival diberikan dengan, F(z) z (t ) (b t) q dt B(, q)(b ) q+ z (b t) q dt B(, q)b q [(b q z)q b q ( ) [(b ( ) q z)q bq b z b q q b q b ( ) q ( ) q b z b S(z) b b z adalah meneliti transformasi fungsi survival Gambar 2.2 (kiri) Linier MRL untuk X dengan.2 (slope) dan B (intercept). (kanan) fungsi survival yang berhubungan dengan X untuk, fungsi survival adalah eksponensial : ( ) [ B S() ep B B dt e B Gambar 2., 2.2 dan 2.3 memperlihatkan antara kedua fungsi MRL dan akibat fungsi survival yang digunakan oleh sebuah nilai dari slope parameter () dari setiap tiga daerah yang menyimggung sebelumnya. Memotong pada B untuk semua ketiga bentuk membuat garis dari slope parameter lebih nyata. Perhatikan bahwa disamping dari fungsi survival eksponensial, dimana tidak ada transformasi yang memaksa, kedua fungsi MRL dan fungsi survival adalah fungsi survival awal waktu Xlebih baik dari transformasi waktu survival yang mana diharapkan
9 2 Gambar 2.3 (kiri) Linier MRL untuk X dengan (slope) dan B (intercept). (kanan) fungsi survival yang berhubungan dengan X mengikuti distribusi yang baik (Pareto dan diskala ulang beta). Sekarang kembali ke daerah asaldari fungsi survival, dikatakan diatas bahwa untuk X dapat diambil nilai dari damapai tak hingga, dimana untuk < < X berasal dari untuk B/. Didalam contoh, daerah asal untuk fungsi survival ketika.2 dan B adalah [.5. dapat dilihat dengan besarnya kenaikan dari didaerah asal dapat sangat kecil.
Transformasi Laplace
TKS 43 Matematika II Transformasi Laplace (Laplace Transform) Dr. AZ Jurusan Teknik Sipil Fakultas Teknik Universitas Brawijaya PENDAHULUAN Pengertian Transformasi Transformasi adalah teknik atau formula
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 terperinciSampling 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 terperinciII. 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 terperinciBAB I PENDAHULUAN. penerbangan, kedokteran, teknik mesin, software komputer, bahkan militer
BAB I PENDAHULUAN A. Latar Belakang Statistika merupakan salah satu ilmu matematika yang terus berkembang dari waktu ke waktu. Di dalamnya mencakup berbagai sub pokok-sub pokok materi yang sangat bermanfaat
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 TINJAUAN PUSTAKA
5 BAB II TINJAUAN PUSTAKA Dalam bab ini dijelaskan beberapa definisi dan teorema yang digunakan dalam pembahasan berikutnya. 2.1 Teori Peluang Definisi 2.1.1 (Percobaan Acak) (Ross 2000) Suatu percobaan
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 terperinciSudaryatno Sudirham. Integral dan Persamaan Diferensial
Sudaratno Sudirham Integral dan Persamaan Diferensial Bahan Kuliah Terbuka dalam format pdf tersedia di www.buku-e.lipi.go.id dalam format pps beranimasi tersedia di www.ee-cafe.org Bahasan akan mencakup
Lebih terperinciBAB I PENDAHULUAN. Dalam penelitian di dunia teknologi, khususnya bidang industri dan medis
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Dalam penelitian di dunia teknologi, khususnya bidang industri dan medis sering kali analisis data uji hidup digunakan. Analisis data uji hidup sendiri bertujuan
Lebih terperinciBAB 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 terperinciJurusan Matematika FMIPA-IPB
Jurusan Matematika FMIPA-IPB Ujian Kedua Semester Pendek T.A 4/5 KALKULUS/KALKULUS Jum at, Agustus 4 (Waktu : jam) SETIAP SOAL BERNILAI. Tentukan (a) + (b) p 4 + 5. Periksa apakah Teorema Nilai Rata-rata
Lebih terperinciDISTRIBUSI ERLANG DAN PENERAPANNYA. Rini Kurniasih 1, Getut Pramesti 2 Mahasiswi Pendidikan Matematika FKIP UNS, Dosen Pendidikan Matematika FKIP UNS
DISTRIBUSI ERLANG DAN PENERAPANNYA Rini Kurniasih 1, Getut Pramesti 2 Mahasiswi Pendidikan Matematika FKIP UNS, Dosen Pendidikan Matematika FKIP UNS nia.rini.purita2316@gmail.com, getut.uns@gmail.com ABSTRAK
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 terperinciBAB III SURVIVAL ANALYSIS UNTUK MENGUJI RELIABILITAS PRODUK DAN PENENTUAN GARANSI PRODUK 3.1 Garansi
BAB III SURVIVAL ANALYSIS UNTUK MENGUJI RELIABILITAS PRODUK DAN PENENTUAN GARANSI PRODUK 3.1 Garansi Garansi dapat diartikan sebagai jaminan yang diberikan secara tertulis oleh pabrik atau supplier kepada
Lebih terperincidigunakan 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 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 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 terperinciBab 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 terperinciKALKULUS INTEGRAL 2013
KALKULUS INTEGRAL 0 PENDAHULUAN A. DESKRIPSI MATA KULIAH Isi pokok mata kuliah ini memuat pemahaman tentang: () Anti turunan: pengertian anti turunan, teorema-teorema, dan teknik anti turunan, () Integral
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 terperinciRELIABILITAS & FUNGSI HAZARD. 05/09/2012 MK. Analisis Reliabilitas Darmanto, S.Si.
RELIABILITAS & FUNGSI HAZARD 1 RELIABILITAS Peluang bahwa suatu produk atau jasa akan beroperasi dengan baik dalam jangka waktu tertentu (durabilitas) pada kondisi pengoperasian sesuai dengan desain (suhu,
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 terperinciFUNGSI PEMBANGKIT MOMEN UNTUK MEMENUHI TUGAS MATAKULIAH. Statistika Matematika. Yang dibina oleh Bapak Hendro Permadi. Oleh :
FUNGSI PEMBANGKIT MOMEN UNTUK MEMENUHI TUGAS MATAKULIAH Statistika Matematika Yang dibina oleh Bapak Hendro Permadi Oleh : Intan Putri Natari 10311418961 Nurroh Fitri A 1031419469 Reza Taufikurachman 1031419470
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 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 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 terperinciFPM 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 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 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! 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 terperinciBAB 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 terperinciII. TINJAUAN PUSTAKA. Ruang sampel S adalah himpunan semua hasil dari suatu percobaan. Kejadian E
5 II. TINJAUAN PUSTAKA 2.1 Konsep Dasar Peluang Ruang sampel S adalah himpunan semua hasil dari suatu percobaan. Kejadian E adalah himpunan bagian dari ruang sampel. Peluang suatu kejadian P(E) adalah
Lebih 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 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 terperinciBAB III METODE PENELITIAN
digilib.uns.ac.id BAB III METODE PENELITIAN Metode yang digunakan dalam penelitian ini adalah kajian pustaka dari buku referensi karya ilmiah. Karya ilmiah yang digunakan adalah hasil penelitian serta
Lebih 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 terperinciSolusi Tutorial 6 Matematika 1A
Solusi Tutorial 6 Matematika A Arif Nurwahi ) Pernyataan benar atau salah. a) Salah, sebab ln tiak terefinisi untuk 0. b) Betul. Seerhananya, titik belok apat ikatakan sebagai lokasi perubahan kecekungan.
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 terperinci28/09/2012 SAMPLE SPACE, SAMPLE POINTS, EVENTS. ω Ω
SAMPLE SPACE, SAMPLE POINTS, EVENTS Sample space,ω, Ω adalah sekumpulan semua sample points,ω, ω yang mungkin; dimana ω Ω Contoh 1. Melemparkan satu buah koin:ω={gambar,angka} Contoh 2. Menggelindingkan
Lebih terperinciII. 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 terperinciMA3231 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 terperinciDERET TAK HINGGA. Contoh deret tak hingga :,,, atau. Barisan jumlah parsial, dengan. Definisi Deret tak hingga,
DERET TAK HINGGA Contoh deret tak hingga :,,, atau. Barisan jumlah parsial, dengan Definisi Deret tak hingga,, konvergen dan mempunyai jumlah S, apabila barisan jumlah jumlah parsial konvergen menuju S.
Lebih terperinciDISTRIBUSI WAKTU BERHENTI PADA PROSES PEMBAHARUAN. Sudarno Jurusan Matematika FMIPA UNDIP. Abstrak
DISTRIBUSI WAKTU BERHENTI PADA PROSES PEMBAHARUAN Sudarno Jurusan Matematika FMIPA UNDIP Abstrak Dalam proses stokhastik yang mana kejadian dapat muncul kembali membentuk proses pembahauruan. Proses pembaharuan
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 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
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 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 terperinciKalkulus 2. Teknik Pengintegralan ke - 1. Tim Pengajar Kalkulus ITK. Institut Teknologi Kalimantan. Januari 2018
Kalkulus 2 Teknik Pengintegralan ke - 1 Tim Pengajar Kalkulus ITK Institut Teknologi Kalimantan Januari 2018 Tim Pengajar Kalkulus ITK (Institut Teknologi Kalimantan) Kalkulus 2 Januari 2018 1 / 36 Daftar
Lebih terperinciKED INTEGRAL JUMLAH PERTEMUAN : 2 PERTEMUAN TUJUAN INSTRUKSIONAL KHUSUS: Materi : 7.1 Anti Turunan. 7.2 Sifat-sifat Integral Tak Tentu KALKULUS I
7 INTEGRAL JUMLAH PERTEMUAN : 2 PERTEMUAN TUJUAN INSTRUKSIONAL KHUSUS: Memahami konsep dasar integral, teorema-teorema, sifat-sifat, notasi jumlah, fungsi transenden dan teknik-teknik pengintegralan. Materi
Lebih terperinciPEMBANGKIT RANDOM VARIATE
PEMBANGKIT RANDOM VARIATE Mata Kuliah Pemodelan & Simulasi JurusanTeknik Informatika Universitas Komputer Indonesia 1 Pendahuluan (1) Sifat probalitistik pada sistem nyata mempunyai pola distribusi probabilistik
Lebih 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 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 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 terperinciUntai Elektrik I. Waveforms & Signals. Dr. Iwan Setyawan. Fakultas Teknik Universitas Kristen Satya Wacana. Untai 1. I. Setyawan.
Untai Elektrik I Waveforms & Signals Dr. Iwan Setyawan Fakultas Teknik Universitas Kristen Satya Wacana Secara umum, tegangan dan arus dalam sebuah untai elektrik dapat dikategorikan menjadi tiga jenis
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 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 terperinciKumpulan pasangan nilai-nilai dari variabel acak X dengan probabilitas nilai-nilai variabel random X, yaitu P(X=x) disebut distribusi probabilitas X
Kumpulan pasangan nilai-nilai dari variabel acak X dengan probabilitas nilai-nilai variabel random X, yaitu P(X=) disebut distribusi probabilitas X (distribusi X) Diskrit Seragam Binomial Hipergeometrik
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 terperinciTurunan. Ayundyah Kesumawati. January 8, Prodi Statistika FMIPA-UII. Ayundyah Kesumawati (UII) Turunan January 8, / 15
Turunan Ayundyah Kesumawati Prodi Statistika FMIPA-UII January 8, 2015 Ayundyah Kesumawati (UII) Turunan January 8, 2015 1 / 15 Sub Materi Turunan : a. Turunan Fungsi b. Turunan Tingkat Tinggi c. Teorema
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini diberikan beberapa konsep dasar seperti teorema dan beberapa definisi sebagai landasan dalam penelitian ini. Konsep dasar ini berkaitan dengan masalah yang dibahas dalam
Lebih terperinciRENCANA PEMBELAJARAN SEMESTER (RPS)
RENCANA PEMBELAJARAN SEMESTER (RPS) MUG2D3 PROBABILITAS DAN STATISTIKA Disusun oleh: INDWIARTI FAKULTAS INFORMATIKA TELKOM UNIVERSITY 1 LEMBAR PENGESAHAN Rencana Pembelajaran Semester (RPS) ini telah disahkan
Lebih terperinciFungsi F disebut anti turunan (integral tak tentu) dari fungsi f pada himpunan D jika. F (x) = f(x) dx dan f (x) dinamakan integran.
4 INTEGRAL Definisi 4. Fungsi F disebut anti turunan (integral tak tentu) dari fungsi f pada himpunan D jika untuk setiap D. F () f() Fungsi integral tak tentu f dinotasikan dengan f ( ) d dan f () dinamakan
Lebih terperinciPEUBAH ACAK DAN DISTRIBUSINYA
4/6/009 Pemetaan (Fungsi) PEUBAH ACAK DAN DISTRIBUSINYA Suatu pemetaan / fungsi Kategori fungsi:. Fungsi titik A B MA 08 Statistika Dasar Dosen : Udjianna S. Pasaribu Utriweni Mukhaiyar Senin, 6 Februari
Lebih terperinciTINJAUAN PUSTAKA. Generalized Eksponensial Menggunakan Metode Generalized Momen digunakan. merupakan penjabaran definisi dan teorema yang digunakan:
II. TINJAUAN PUSTAKA Dalam tinjauan pustaka penelitian Karakteristik Penduga Parameter Distribusi Generalized Eksponensial Menggunakan Metode Generalized Momen digunakan beberapa definisi dan teorema yang
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 terperinciBAB 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 terperinciDISTRIBUSI SAMPLING. Berdistribusi normal dengan rataan. Dan variasi
DISTRIBUSI SAMPLING Definisi : distribusi sampling adalah distribusi peluang untuk nilai statistik yang diperoleh dari sampel acak untuk menggambarkan populasi. 1. Distribusi rata rata Misal sampel acak
Lebih terperinciMINGGU 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 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 terperinciTINJAUAN PUSTAKA. Dalam menentukan penduga parameter dari distribusi G3F dan karakteristik dari
II. TINJAUAN PUSTAKA Dalam menentukan penduga parameter dari distribusi G3F dan karakteristik dari penduga tersebut, maka dalam hal ini penulis menggunakan beberapa definisi dan teorema yang berkaitan
Lebih terperinciMA1201 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 terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 21 Beberapa Pengertian Definisi 1 [Ruang Contoh] Ruang contoh adalah himpunan semua hasil yang mungkin dari suatu percobaan acak, dan dinotasikan dengan (Grimmet dan Stirzaker,1992)
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 terperinciMata 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 terperinciBab 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 terperinciKelompok Mata Kuliah : MKU Program Studi/Program : Teknik Tenaga Elektrik/S1 Status Mata Kuliah : Wajib Prasyarat : - : Aip Saripudin, M.T.
DESKRIPSI MATA KULIAH TK-... Matematika Dasar: S1, 3 SKS, Semester I Mata kuliah ini merupakan kuliah dasar. Selesai mengikuti perkuliahan ini mahasiswa diharapkan mampu memahami konsep-konsep matematika
Lebih terperinciTurunan Fungsi. h asalkan limit ini ada.
Turunan Fungsi q Definisi Turunan Fungsi Misalkan fungsi f terdefinisi pada selang terbuka I yang memuat a. Turunan pertama fungsi f di =a ditulis f (a) didefinisikan dengan f ( a h) f ( a) f '( a) lim
Lebih terperinciBAB III FUNGSI TERUKUR LEBESGUE. Setelah dibahas mengenai ukuran Lebesgue dan beberapa sifatnya pada
BAB III FUNGSI TERUKUR LEBESGUE Setelah dibahas mengenai ukuran Lebesgue dan beberapa sifatnya pada Bab II, selanjutnya pada bab ini akan dipelajari gagasan mengenai fungsi terukur Lebesgue. Gagasan mengenai
Lebih terperinciBAB I PENDAHULUAN Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Analisis merupakan salah satu cabang matematika yang mempelajari antara lain barisan, limit, deret, kekontinuan, kekonvergenan, integral, dan yang lainnya.
Lebih terperinciFungsi Eksponensial dan Logaritma Beserta Aplikasinya
Fungsi Eksponensial dan Logaritma Beserta Aplikasinya Week 04 W. Rofianto, ST, MSi PERBANDINGAN ANTAR JENIS FUNGSI x 0 1 2 3 4 5 y = 2x 0 2 4 6 8 10 ( y/ x) 2 2 2 2 2 ( y/ x)/y - 100% 50% 33.33% 25% y
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 terperinciII. 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 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 terperinciBAB IV SEBARAN ASIMTOTIK PENDUGA TURUNAN PERTAMA DAN KEDUA DARI KOMPONEN PERIODIK FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN LINEAR
3 BAB IV SEBARAN ASIMTOTIK PENDUGA TURUNAN PERTAMA DAN KEDUA DARI KOMPONEN PERIODIK FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN LINEAR 4.. Sebaran asimtotik dari,, Teorema 4. ( Normalitas Asimtotik
Lebih terperinciII. LANDASAN TEORI. Pada bab ini akan diberikan beberapa definisi dan teorema yang berkaitan dengan
II. LANDASAN TEORI Pada bab ini akan diberikan beberapa definisi dan teorema yang berkaitan dengan penelitian. Dalam menyelesaikan momen, kumulan dan fungsi karakteristik dari distribusi generalized lambda
Lebih terperinciBAB III LANDASAN TEORI. analisis kesintasan bertujuan menaksir probabilitas kelangsungan hidup, kekambuhan,
17 BAB III LANDASAN TEORI 3.1 Data Analisis Survival (Survival Analysis) Analisis survival (survival analysis) atau analisis kelangsungan hidup atau analisis kesintasan bertujuan menaksir probabilitas
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 terperinciHANDOUT 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 terperinciTeknik Pengintegralan
Jurusan Matematika 13 Nopember 2012 Review Rumus-rumus Integral yang Dikenal Pada beberapa subbab sebelumnya telah dijelaskan beberapa integral dari fungsi-fungsi tertentu. Berikut ini diberikan sebuah
Lebih terperinciDefinisi. Turunan (derivative) suatu fungsi f di sebarang titik x adalah. f merupakan fungsi baru yang disebut turunan dari f (derivative of f).
Lecture 5. Derivatives C A. Turunan (derivatives) Sebagai Fungsi Definisi. Turunan (derivative) suatu fungsi f di sebarang titik x adalah f ()() (x) = lim. f merupakan fungsi baru yang disebut turunan
Lebih terperinciBAB I PENDAHULUAN. keadaan dari suatu sistem. Dalam aplikasinya, suatu sistem kontrol memiliki tujuan
BAB I PENDAHULUAN 11 Latar Belakang Masalah Sistem kontrol merupakan suatu alat untuk mengendalikan dan mengatur keadaan dari suatu sistem Dalam aplikasinya, suatu sistem kontrol memiliki tujuan atau sasaran
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN Dalam pembahasan ini dikaji mengenai nilai ekspektasi saham pada jatuh tempo, persamaan nilai portofolio, penentuan model Black-Scholes harga opsi beli tipe Eropa,
Lebih terperincidigunakan untuk menyelesaikan integral seperti 3
Bab Teknik Pengintegralan BAB TEKNIK PENGINTEGRALAN Rumus-rumus dasar integral tak tertentu yang diberikan pada bab hanya dapat digunakan untuk mengevaluasi integral dari fungsi sederhana dan tidak dapat
Lebih terperinciKelompok Mata Kuliah : MKU Program Studi/Program : Pendidikan Teknik Elektro/S1 Status Mata Kuliah : Wajib Prasyarat : - : Aip Saripudin, M.T.
DESKRIPSI MATA KULIAH TK-301 Matematika: S1, 3 SKS, Semester I Mata kuliah ini merupakan kuliah dasar. Selesai mengikuti perkuliahan ini mahasiswa diharapkan mampu memahami konsep-konsep matematika dan
Lebih terperinciMakalah Matematika Asuransi MODEL PARAMETRIK TAHAN HIDUP
Makalah Matematika Asuransi MODEL PARAMETRIK TAHAN HIDUP Disusun Oleh : 1. Intan Wijaya M0108018. Nariswari Setya D. M01080 3. Rahmawati Oktriana M0108061 4. Sri Maria Puji L. M0108108 JURUSAN MATEMATIKA
Lebih terperinciVariabel Banyak Bernilai Real 1 / 1
Fungsi Variabel Banyak Bernilai Real Turunan Parsial dan Turunan Wono Setya Budhi KK Analisis dan Geometri, FMIPA ITB Variabel Banyak Bernilai Real 1 / 1 Turunan Parsial dan Turunan Usaha pertama untuk
Lebih terperinciBAB II KAJIAN TEORI. Analisis survival atau analisis ketahanan hidup adalah metode yang
BAB II KAJIAN TEORI BAB II KAJIAN TEORI A. Analisis Survival Analisis survival atau analisis ketahanan hidup adalah metode yang berhubungan dengan jangka waktu, dari awal pengamatan sampai suatu kejadian
Lebih terperinciSATUAN ACARA PERKULIAHAN STRATA-1 STMIK UBUDIYAH
SATUAN ACARA PERKULIAHAN STRATA-1 STMIK UBUDIYAH MATA KULIAH : KALKULUS I JURUSAN : TEKNIK INFORMATIKA KODE MATA KULIAH : JUMLAH PERTEMUAN : 32 X (30 X, 2 X Ujian) TATAP MUKA KE POKOK BAHASAN 1 SUB POKOK
Lebih terperinciModel Runtun Waktu Stasioner
Chapter 3 Model Runtun Waktu Stasioner Proses-proses stasioner (W-S) yang penting adalah sebagai berikut: White Noise Moving Average: MA(), MA(q), MA( ) Autoregressive: AR(), AR(p), AR( ) Autoregressive
Lebih terperinci