BAB IV METODE BINOMIAL UNTUK PENENTUAN HARGA OPSI ASIA

Ukuran: px
Mulai penontonan dengan halaman:

Download "BAB IV METODE BINOMIAL UNTUK PENENTUAN HARGA OPSI ASIA"

Transkripsi

1 BAB IV : METODE BIOMIAL UTUK PEETUA HARGA OPSI ASIA 35 BAB IV METODE BIOMIAL UTUK PEETUA HARGA OPSI ASIA Pada bab ii aka dibahas sat pedekata merik tk peeta harga opsi Asia, khssya opsi Asia dega rata-rata geometrik. Metode yag dipakai adalah metode biomial, yag aka dibahas terlebih dahl tk kass vailla optio. Selai it, pada bab ii ga aka ditampilka cotoh peerapa metode biomial tersebt pada sat program Matlab Metode Biomial Utk Peeta Harga Opsi Metode biomial adalah metode yag dimlai dari model diskrit pergeraka harga saham yag sederhaa. Selag wakt [,T ] (di maa T=matrity time) dibagi meadi sbselag yag paagya seragam dega titiktitik Si... T = t < t < < t = T di maa ti = iδ t ( i =,,..., ), Δ t = da = S ti adalah harga saham pada saat ti. Peeta Harga Opsi Asia Riswa Harapa (34)

2 BAB IV : METODE BIOMIAL UTUK PEETUA HARGA OPSI ASIA Asmsi yag digaka:. Dalam selag wakt Δ t, harga saham dapat aik ata tr meadi S S ata S Sd dega < d < <. Pelag harga saham aik P( aik) = p 3. Ekspektasi retr harga saham besarya sama dega risk-free rate r sehigga tk harga saham S yag bergerak secara acak dari S pada ti S i + i saat meadi pada saat t +. Ii berarti E ( S ) i+ = r t S e Δ i i Pada tahap ii ketiga bah parameter,d, da p ilai-ilaiya belm diketahi. ilai parameter-parameter ii aka dapat ditetka setelah kita memiliki ckp persamaa yag meghbgka ketiga parameter tersebt atap dega meambahka asmsi bar. Dari asmsi () da () diperoleh sehigga E Si+ = psi+ p Si d (4.) rδt rδt e d ( ) e = p+ p d p = d (4.) karea p maka harslah rδt d e. Dari model koti kita miliki ( r+ σ ) Δt E S + = Si e (4.3) ( i ), r t t Δ Δ Var S = E S E S = S e e σ (4.4) i+ i+ i+ i. da dari model diskrit kita pyai Var S + = p S + p S d S p + p d. (4.5) i i i i Dega meyamaka keda variasi (diskrit da koti) maka kita dapatka r t σ t ( ) e Δ+ Δ = p + p d (4.6) Peeta Harga Opsi Asia Riswa Harapa (34) 36

3 BAB IV : METODE BIOMIAL UTUK PEETUA HARGA OPSI ASIA Persamaa (4.) da (4.6) memberika hbga tk, d, da p. Persamaa ketiga dapat kita pilih. Persamaa ketiga yag serig digaka adalah d = ata p = /. Jika kita pilih d =, maka aka diperoleh solsi: da tk = β + β, d = β β, rδt ( r+ ) dega t β e e σ Δ = + r t e Δ d da p =. d p = / solsiya adalah ( σ Δt ) ( σ Δt ) Δt σ = e + e Δt σ d = e e Setelah it, harga saham dihitg tk setiap titik bagi (t i ) yaki Si,. i = S d (4.7) dega S i meyataka harga saham pada saat t i dega telah teradi keaika harga saham sebesar kali serta pera harga saham sebesar (i) kali (tk i =,,..., da =,,..., i ). Setelah it, aka dicari ilai payoff tk sema ilai yag mgki pada saat matrity (t = ). Adap pada saat ti selal terdapat i + kemgkia sehigga pada saat expiratio date terdapat ( + ) kemgkia. Sehigga V M maks{ S M K,} VM maks{ K S, M } = tk opsi call da = tk opsi pt (tk =,,..., ). Metode biomial selatya bekera secara rekrsif (dalam wakt) tk memperoleh ilai opsi pada saat t =. Utk tiap titik t i berlak ( ) V = e pv + p V (4.8) rät i i i Peeta Harga Opsi Asia Riswa Harapa (34) 37

4 BAB IV : METODE BIOMIAL UTUK PEETUA HARGA OPSI ASIA am tk tipe Amerika, hars dilakka pegia lebih lat, karea early exercise dapat teradi pada opsi Amerika. Utk opsi Amerika, berlak { *, } rät * = { i,} tk * = { i,} tk V = maks payoff e pv + p V (4.9) i i i payoff maks S K call payoff maks K S pt i =,,..., da =,,..., i 4. Metode Biomial pada Opsi Asia dega Rata-rata Geometrik Misalka sebah opsi Eropa yag masa hidpya berlagsg pada wakt [, T ], di maa T merpaka expiratio date-ya. Selag wakt tersebt dibagi meadi semlah selag diskrit, sehigga kita memiliki titik-titik T wakt Δ t, =,,,, dega Δ t =. Misalka r adalah sk bga da σ merpaka ilai volatilitas harga derlyig asset. Misal rata-rata geometrik diyataka dega I exp, dega I l S i = (4.) + i= Misalka pla S meyataka harga saham pada titik ke-, da (,, ) V S I adalah harga opsi geometrik pada titik ke-. S aka bergerak aik meadi S dega probabilitas p ata bergerak tr meadi Sd dega probabilitas ( p) pada titik ke-( + ). Kemdia, dega memilih r t e Δ d p = d da dega pegaproksimasia: rδt e rδt ( r+ σ ) Δt e + rδ t+ σ Δt β + σ Δt Peeta Harga Opsi Asia Riswa Harapa (34) 38

5 BAB IV : METODE BIOMIAL UTUK PEETUA HARGA OPSI ASIA maka bisa didapatka: σ Δt = e, d = (4.) Selai it, I ga aka aik meadi I + ata tr meadi I d +, di maa I = I + l S = I + l S + σ Δt + I I S d I S d + = + l = + l σ Δt (4.) da dega meggaka metode biomial stadar, maka aka didapatka formlasi harga opsi sebagai berikt: rδt d (,, ) = (, +, + ) + ( ) (, +, + ) V S I e pv S I p V S d I (4.3) Kemdia, metode biomial tk opsi dega rataa geometrik ii aka dipecah meadi da bagia besar, yaki tk tipe average strike da average vale. a. Average Strike Asia Optio dega rata-rata geometrik Payoff tk opsi eis ii diyataka dalam: Misalka I V ( S, I, ) = max S e +, = = ( + ) V S, I, S W y, dega y I l S (4.4) Kemdia, dari permsa I di atas, dapat ditlis: I+ = I + l S + σ Δt, kemdia I+ + S = I + S + Δt + S + + σ Δt ( l ) l σ ( l ) = I ( + l ) S ( + ) σ Δt = y ( + ) σ Δt sehigga permsa harga opsi tk titik ke ( + ) ditlis kembali meadi: ( σ ) + (,, ) V S I + = S W y + Δ t +, Peeta Harga Opsi Asia Riswa Harapa (34) 39

6 BAB IV : METODE BIOMIAL UTUK PEETUA HARGA OPSI ASIA da dega cara serpa dapat pla ditliska: ( σ ) d + (,, ) V S d I + + = S dw y + + Δ t Dega meerapka rmsa mm metode biomial pada persamaa (4.3), maka bisa ditlis: ( σ ) ( ) ( σ Δ ) r Δ t + + W y = e pw y + Δ t + p dw y + + t (4.5) da pada wakt expiry, berlak W ( y ) I + max S, I e + e = = max, S S y W ( y ) = max e +, (4.6) Catat bahwa I = l S da y =. Kemdia, dalam ta tk meetka ilai V( S, I,) S W di setiap titik yag berada di iterval: =, kita hars mecari ilai-ilai ( + ) ( + ) ( k ) σ t, ( k ) σ t σ t, t + Δ + Δ = Δ σ Δ. k= k= Spaya mempermdah pembacaa otasi, sebt saa W W σ t Sehigga, didapat permsa: W = Δ. ( ) Δ + + = ( + ) ( + ) ( + ) ( + ) r t W e pw p dw tk, =, +,, (4.7) sedagka di titik expiry, berlak Peeta Harga Opsi Asia Riswa Harapa (34) 4

7 BAB IV : METODE BIOMIAL UTUK PEETUA HARGA OPSI ASIA W = e = tk =, +,, σ Δt + + max, max,, ( + ) ( + ) ( +) Utk lebih elasya, di bawah ii aka disaika algoritma peghitga ilai call Eropea Average Strike Geometric Asia Optio: (4.8) Maska : r, σ, S, T, Hitg : Δ t = T /,, d, p tk t = ( + ) ( + ) ( +) W = max +, for =,,, Kelara : C = W ( )* S ( + ) ( + ) ( + ) ( ) ( ) ( ) = rδ t + + W e pw p dw Da algoritma tk ilai pt Eropea Average Strike Geometric Asia Optio: Maska : r, σ, S, T, Hitg : Δ t = T /,, d, p tk t = ( + ) ( + ) ( +) W = max +, for =,,, ( + ) ( + ) ( + ) ( ) ( ) ( ) = rδ t + + W e pw p dw Peeta Harga Opsi Asia Riswa Harapa (34) 4

8 BAB IV : METODE BIOMIAL UTUK PEETUA HARGA OPSI ASIA Kelara : C = W ( )* S Selai it, algoritma tk ilai call America Average Strike Geometric Asia Optio: Maska : r, σ, S, T, Hitg : Δ t = T /,, d, p tk t = ( + ) ( + ) ( +) W = max +, for =,,, ( + ) ( + ) ( + ) W = max e pw ( ( ) ) ( p) dw ( ( )) , Kelara : C = W ( )* S rδ t Da algoritma tk ilai pt America Average Strike Geometric Asia Optio: Maska : r, σ, S, T, Hitg : Δ t = T /,, d, p Peeta Harga Opsi Asia Riswa Harapa (34) 4

9 BAB IV : METODE BIOMIAL UTUK PEETUA HARGA OPSI ASIA tk t = ( + ) ( + ) ( +) W = max +, for =,,, ( + ) ( + ) ( + ) W e pw ( ( )) ( p) dw ( ( )) Kelara : C = W ( )* S rδ t + max + + = , b. Average Vale Asia Optio dega rata-rata geometrik Payoff tk opsi eis ii diyataka dalam: I + V ( S, I, ) = max e X,, dega X = strike price Utk kali ii, aka dimisalka = = + ( ) V S, I, W y, dega y I l S (4.9) Kemdia, dari permsa I di atas, dapat ditlis: I = I + l S + σ Δt, kemdia + ( l ) l σ ( l ) I+ + S = I + S + Δ t + S + σ Δt l σ = I + S + σ Δt = y + Δt Dega prosedr serpa dega average strike, maka aka didapatka ( σ ) ( ) ( σ Δ ) r Δ t + + W y = e pw y + Δ t + p W y t (4.) da pada =, berlak Peeta Harga Opsi Asia Riswa Harapa (34) 43

10 BAB IV : METODE BIOMIAL UTUK PEETUA HARGA OPSI ASIA y + W ( y) = max e X, (4.) y = I + l So = + l So. Kemdia, dalam ta tk Catat bahwa meetka ilai V( S, I,) W ( y ) =, kita hars mecari ilai-ilai di setiap titik yag berada di iterval : W y ( k) σ Δ t, y + ( k) σ Δ t = k= k= y ( + ) ( + ) σ Δ t, y + otasika W W ( y σ t) = + Δ. σ Δt Sehigga, didapat permsa: Δ + + = ( + ) + ( ) ( + ) ( + ) ( + ) ( ) r t W e pw p W tk, =, +,, + (4.) sedagka di titik expiry, berlak y t W max σ + Δ e X, + + = = max S X,, (4.3) ( + ) ( + ) ( + ) tk =, +,, dega X = strike price Berikt adalah algoritma peeta harga call Average Vale Geometric Asia Optios: Maska : r, σ, S, T, Hitg : Δ t = T /,, d, p Peeta Harga Opsi Asia Riswa Harapa (34) 44

11 BAB IV : METODE BIOMIAL UTUK PEETUA HARGA OPSI ASIA tk t = ( + ) ( + ) ( + ) + W = max S X, for =,,, Kelara : C = W ( + ) ( + ) ( + ) Δ + + = = ( + ) + ( ) ( + ) r t W W e pw p W Da berikt ga aka disaika algoritma peeta harga pt Eropea Average Vale Geometric Asia Optios: Maska : r, σ, S, T, Hitg : Δ t = T /,, d, p tk t = ( + ) ( + ) ( + ) W = max X S +, for =,,, ( + ) ( + ) ( + ) Δ + + = = ( + ) + ( ) ( + ) r t W W e pw p W Kelara : C = W am trasformasi yag dilakka pada opsi ii tidak bisa digaka tk meghitg ilai America Average Vale Geometric Asia Optios Peeta Harga Opsi Asia Riswa Harapa (34) 45

12 BAB IV : METODE BIOMIAL UTUK PEETUA HARGA OPSI ASIA 4.3 Program Biomial dega MATLAB Pada kesempata ii, aka dilakka simlasi metode biomial tk meetka harga opsi Asia tipe geometrik dega ilai-ilai maska sebagai berikt: r =.9, σ =., saham awal =, time to matrity=/3, strike price=95 (tk tipe average vale) Berikt aka ditampilka hasilya: a. Average strike call optios rδt σ Δt e d = e, d =, p = d Aka dihitg ilai W, da ilai C di saat () dihitg dega hbga: (,,) = V S I S W Harga C Eropa Harga P Eropa Harga C Amerika Harga P Amerika 4 3,45, ,95 3,49, ,98 5 3,5,9 3,5, 3,5,9 3,5, 3,5,9 3,5, 3 3,5,9 3,5, 5 3,5,9 3,5, eksak 3,5 Peeta Harga Opsi Asia Riswa Harapa (34) 46

13 BAB IV : METODE BIOMIAL UTUK PEETUA HARGA OPSI ASIA Ilstrasi gambar poho biomial tk Eropea Average Strike Geometric Asia Optios: b. Average vale call optios Harga C Harga P Eropa Eropa 4 6,69,59 6,79, ,7543,5468 6,7577,549 6,7594,554 Peeta Harga Opsi Asia Riswa Harapa (34) 47

14 BAB IV : METODE BIOMIAL UTUK PEETUA HARGA OPSI ASIA 3 6,76, ,764,55 8 6,767,553 Eksak 6,76,557 Ilstrasi gambar poho biomial tk Eropea Average Vale Geometric Asia Optios: Peeta Harga Opsi Asia Riswa Harapa (34) 48

Bab 1 PENDAHULUAN Latar Belakang

Bab 1 PENDAHULUAN Latar Belakang Bab PENDAHULUAN.. Latar Belakag Bayak peelitia yag bertja mecari dasar-dasar tk megadaka prediksi sat variabel dari iormasi-iormasi yag diperoleh dari variablel tersebt. Misalya apakah keadaa caca dapat

Lebih terperinci

BAB II KEGIATAN PEMBELAJARAN

BAB II KEGIATAN PEMBELAJARAN Page o BAB II KEGIATAN PEMBELAJARAN A. TURUNAN FUNGSI ALJABAR. Deiisi Tra Fgsi Deiisi Fgsi : ata mempai tra ag diotasika d d ata di deiisika : d d d d d d lim h 0 h h lim 0 ata Cotoh Soal :. Tetka tra

Lebih terperinci

BAB 3 ENTROPI DARI BEBERAPA DISTRIBUSI

BAB 3 ENTROPI DARI BEBERAPA DISTRIBUSI BAB 3 ENTROPI DARI BEBERAPA DISTRIBUSI Utuk lebih memahami megeai etropi, pada bab ii aka diberika perhituga etropi utuk beberapa distribusi diskrit da kotiu. 3. Distribusi Diskrit Pada sub bab ii dibahas

Lebih terperinci

KEKONVERGENAN MODEL BINOMIAL UNTUK PENENTUAN HARGA OPSI EROPA. Fitriani Agustina, Math, UPI

KEKONVERGENAN MODEL BINOMIAL UNTUK PENENTUAN HARGA OPSI EROPA. Fitriani Agustina, Math, UPI KEKONVERGENAN MODEL BINOMIAL UNTUK PENENTUAN HARGA OPSI EROPA Fitriai Agustia, Math, UPI 1 Fiacial Derivative Opsi Mafaat Opsi Opsi Eropa Peetua Harga Opsi Kekovergea Model Biomial Fitriai Agustia, Math,

Lebih terperinci

BARISAN DAN DERET TAK HINGGA

BARISAN DAN DERET TAK HINGGA Bab 5 BARISAN DAN DERET TAK HINGGA A. KOMPETENSI DASAR DAN PENGALAMAN BELAJAR Kompetesi Dasar. Memiliki motivasi iteral, kemampa bekerjasama, kosiste, sikap disipli, rasa percaya diri da sikap tolerasi

Lebih terperinci

FAKULTAS DESAIN dan TEKNIK PERENCANAAN

FAKULTAS DESAIN dan TEKNIK PERENCANAAN Wiryato Dewobroto ------------------------------------- Jrsa Tekik Sipil - Uiversitas elita Harapa, Karawaci FAKULTAS DESAIN da TEKNIK ERENCANAAN UJIAN TENGAH SEMESTER ( U T S ) GENA TAHUN AKADEMIK 010

Lebih terperinci

Bab 8. Minggu 14 Model Binomial untuk Opsi

Bab 8. Minggu 14 Model Binomial untuk Opsi Bab 8. Minggu 14 Model Binomial untuk Opsi Tujuan Pembelajaran Setelah menyelesaikan perkuliahan minggu ini, mahasiswa bisa : Menjelaskan model binomial dalam pergerakan harga saham Menjelaskan model binomial

Lebih terperinci

BAB V TURUNAN FUNGSI. Standar Kompetensi Menggunakan konsep limit fungsi dan turunan fungsi dalam pemecahan masalah

BAB V TURUNAN FUNGSI. Standar Kompetensi Menggunakan konsep limit fungsi dan turunan fungsi dalam pemecahan masalah BAB V TURUNAN FUNGSI Stadar Kompetesi Meggaka kosep it gsi da tra gsi dalam pemecaa masala Kompetesi Dasar Meggaka siat da atra tra dalam peritga tra gsi aljabar Meggaka tra tk meetka karakteristik sat

Lebih terperinci

BAB I PENDAHULUAN. 1.1 Latar Belakang. Universitas Sumatera Utara

BAB I PENDAHULUAN. 1.1 Latar Belakang. Universitas Sumatera Utara BAB I PENDAHULUAN 1.1 Latar Belakag Salah satu pera da fugsi statistik dalam ilmu pegetahua adalah sebagai. alat aalisis da iterpretasi data kuatitatif ilmu pegetahua, sehigga didapatka suatu kesimpula

Lebih terperinci

DISTRIBUSI SAMPLING. Oleh : Dewi Rachmatin

DISTRIBUSI SAMPLING. Oleh : Dewi Rachmatin DISTRIBUSI SAMPLING Oleh : Dewi Rachmati Distribusi Rata-rata Misalka sebuah populasi berukura higga N dega parameter rata-rata µ da simpaga baku. Dari populasi ii diambil sampel acak berukura, jika tapa

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 2.1. Model Pertumbuha Betuk ugsi pertumbuha satu jeis spesies pada umumya megguaka otasi ugsi aalitik yag diyataka dalam satu persamaa. Secara umum ugsi pertumbuha meyataka hubuga

Lebih terperinci

MINGGU KE-12 TEOREMA LIMIT PUSAT DAN TERAPANNYA

MINGGU KE-12 TEOREMA LIMIT PUSAT DAN TERAPANNYA MINGGU KE-12 TEOREMA LIMIT PUSAT DAN TERAPANNYA TEOREMA LIMIT PUSAT DAN TERAPANNYA Telah dikeal bahwa X 1, X 2...X sampel radom dari distribusi ormal dega mea µ da variasi σ 2, maka x µ σ/ atau xi µ σ

Lebih terperinci

B a b 1 I s y a r a t

B a b 1 I s y a r a t 34 TKE 315 ISYARAT DAN SISTEM B a b 1 I s y a r a t (bagia 3) Idah Susilawati, S.T., M.Eg. Program Studi Tekik Elektro Fakultas Tekik da Ilmu Komputer Uiversitas Mercu Buaa Yogyakarta 29 35 1.5.2. Isyarat

Lebih terperinci

BAB IV PENDEKATAN NUMERIK UNTUK LOOKBACK OPTIONS

BAB IV PENDEKATAN NUMERIK UNTUK LOOKBACK OPTIONS 37 BAB IV PEDEKATA UMERIK UTUK LOOKBACK OPTIOS Pada bab ini akan dibahas cara pendekatan numerik untuk penentuan harga lookback options. Metode yang dipakai adalah metode binomial yang sudah dijelaskan

Lebih terperinci

ABSTRAK PENENTUAN HARGA OPSI EROPA DENGAN MODEL BINOMIAL

ABSTRAK PENENTUAN HARGA OPSI EROPA DENGAN MODEL BINOMIAL ABSTRAK PENENTUAN HARGA OPSI EROPA DENGAN MODEL BINOMIAL Djaffar Lessy, Dosen Pendidikan Matematika Fakultas Tarbiyah dan Keguruan, IAIN Ambon 081343357498, E-mail: Djefles79@yahoo.om Banyak model telah

Lebih terperinci

BAB VIII MASALAH ESTIMASI SATU DAN DUA SAMPEL

BAB VIII MASALAH ESTIMASI SATU DAN DUA SAMPEL BAB VIII MASAAH ESTIMASI SAT DAN DA SAMPE 8.1 Statistik iferesial Statistik iferesial suatu metode megambil kesimpula dari suatu populasi. Ada dua pedekata yag diguaka dalam statistik iferesial. Pertama,

Lebih terperinci

ABSTRAK SIMULASI MONTE CARLO DALAM PENENTUAN HARGA OPSI BARRIER

ABSTRAK SIMULASI MONTE CARLO DALAM PENENTUAN HARGA OPSI BARRIER ABSTRAK SIMULASI MONTE CARLO DALAM PENENTUAN HARGA OPSI BARRIER Djaffar Lessy, Dosen Pendidikan Matematika Fakultas Tarbiyah dan Keguruan, IAIN Ambon 081343357498, E-mail: Djefles79@yahoo.com Opsi yang

Lebih terperinci

MA1201 MATEMATIKA 2A Hendra Gunawan

MA1201 MATEMATIKA 2A Hendra Gunawan MA1201 MATEMATIKA 2A Hedra Guawa Semester II, 2016/2017 3 Februari 2017 Bab Sebelumya 8. Betuk Tak Tetu da Itegral Tak Wajar 8.1 Betuk Tak Tetu 0/0 8.2 Betuk Tak Tetu Laiya 8.3 Itegral Tak Wajar dg Batas

Lebih terperinci

Hendra Gunawan. 12 Februari 2014

Hendra Gunawan. 12 Februari 2014 MA1201 MATEMATIKA 2A Hedra Guawa Semester II, 2013/2014 12 Februari 2014 Bab Sebelumya 8. Betuk Tak Tetu da Itegral Tak Wajar 8.1 Betuk Tak Tetu 0/0 82 8.2 Betuk Tak Tetu Laiya 8.3 Itegral Tak Wajar dg

Lebih terperinci

STATISTIK PERTEMUAN VIII

STATISTIK PERTEMUAN VIII STATISTIK PERTEMUAN VIII Pegertia Estimasi Merupaka bagia dari statistik iferesi Estimasi = pedugaa, atau meaksir harga parameter populasi dega harga-harga statistik sampelya. Misal : suatu populasi yag

Lebih terperinci

TINJAUAN PUSTAKA Pengertian

TINJAUAN PUSTAKA Pengertian TINJAUAN PUSTAKA Pegertia Racaga peelitia kasus-kotrol di bidag epidemiologi didefiisika sebagai racaga epidemiologi yag mempelajari hubuga atara faktor peelitia dega peyakit, dega cara membadigka kelompok

Lebih terperinci

REGRESI LINIER DAN KORELASI. Variabel bebas atau variabel prediktor -> variabel yang mudah didapat atau tersedia. Dapat dinyatakan

REGRESI LINIER DAN KORELASI. Variabel bebas atau variabel prediktor -> variabel yang mudah didapat atau tersedia. Dapat dinyatakan REGRESI LINIER DAN KORELASI Variabel dibedaka dalam dua jeis dalam aalisis regresi: Variabel bebas atau variabel prediktor -> variabel yag mudah didapat atau tersedia. Dapat diyataka dega X 1, X,, X k

Lebih terperinci

Penyelesaian Persamaan Non Linier

Penyelesaian Persamaan Non Linier Peyelesaia Persamaa No Liier Metode Iterasi Sederhaa Metode Newto Raphso Permasalaha Titik Kritis pada Newto Raphso Metode Secat Metode Numerik Iterasi/NewtoRaphso/Secat - Metode Iterasi Sederhaa- Metode

Lebih terperinci

BAB VII RANDOM VARIATE DISTRIBUSI DISKRET

BAB VII RANDOM VARIATE DISTRIBUSI DISKRET BAB VII RANDOM VARIATE DISTRIBUSI DISKRET Diskret radom variabel dapat diguaka utuk berbagai radom umber yag diambil dalam betuk iteger. Pola kebutuha ivetori (persediaa) merupaka cotoh yag serig diguaka

Lebih terperinci

Statistika dibagi menjadi dua, yaitu: 1. Statistika Deskriftif 2. Statistik Inferensial Penarikan kesimpulan dapat dilakukan dengan dua cara, yaitu:

Statistika dibagi menjadi dua, yaitu: 1. Statistika Deskriftif 2. Statistik Inferensial Penarikan kesimpulan dapat dilakukan dengan dua cara, yaitu: Peaksira Parameter Statistika dibagi mejadi dua yaitu:. Statistika Deskriftif 2. Statistik Iferesial Pearika kesimpula dapat dilakuka dega dua cara yaitu:. Peaksira Parameter 2. Pegujia Hipotesis Peaksira

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI.1 Distribusi Ekspoesial Fugsi ekspoesial adalah salah satu fugsi yag palig petig dalam matematika. Biasaya, fugsi ii ditulis dega otasi exp(x) atau e x, di maa e adalah basis logaritma

Lebih terperinci

Yang biasa dinamakan test komposit lawan komposit. c. Hipotesis mengandung pengertian minimum. Perumusan H 0 dan H 1 berbentuk :

Yang biasa dinamakan test komposit lawan komposit. c. Hipotesis mengandung pengertian minimum. Perumusan H 0 dan H 1 berbentuk : PARAMETER PENGJIAN HIPOTESIS MODL PARAMETER PENGJIAN HIPOTESIS. Pedahulua Kalau yag sedag ditest atau diuji itu parameter θ dalam hal ii pegguaaya ati bias rata-rata µ prprsi p, simpaga baku σ da lai-lai,

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PENDAHULUAN. Latar Belakag Statistika iferesi merupaka salah satu cabag statistika yag bergua utuk meaksir parameter. Peaksira dapat diartika sebagai dugaa atau perkiraa atas sesuatu yag aka terjadi

Lebih terperinci

BAB III PENILAIAN OPSI PUT AMERIKA

BAB III PENILAIAN OPSI PUT AMERIKA BAB III PENILAIAN OPSI PUT AMERIKA Pada bab ini akan disajikan rumusan mengenai penilaian opsi put Amerika. Pada bagian pertama diberikan beberapa asumsi untuk penilaian opsi Amerika. Bentuk nilai intrinsik

Lebih terperinci

BAB III MODEL TRINOMIAL. Model binomial merupakan pemodelan dinamika pergerakan harga saham

BAB III MODEL TRINOMIAL. Model binomial merupakan pemodelan dinamika pergerakan harga saham 8 BAB III MODEL TRINOMIAL 3.1 Model Trinomial Model binomial merupakan pemodelan dinamika pergerakan harga saham yang hanya mempunyai dua kemungkinan pergerakan harga saham, yaitu harga saham naik atau

Lebih terperinci

Selang Kepercayaan (Confidence Interval) Pengantar Penduga titik (point estimator) telah dibahas pada kuliah-kuliah sebelumnya. Walau statistikawan

Selang Kepercayaan (Confidence Interval) Pengantar Penduga titik (point estimator) telah dibahas pada kuliah-kuliah sebelumnya. Walau statistikawan Selag Kepercayaa (Cofidece Iterval) Pegatar Peduga titik (poit estimator) telah dibahas pada kuliah-kuliah sebelumya. Walau statistikawa telah berusaha memperoleh peduga titik yag baik, amu hampir bisa

Lebih terperinci

Statistika Inferensial

Statistika Inferensial Cofidece Iterval Ara Fariza Statistika Iferesial Populasi Sampel Simpulka (estimasi) tetag parameter Medapatka statistik Estimasi: estimasi titik, estimasi iterval, uji hipotesa 2 1 Proses Estimasi Populasi

Lebih terperinci

PENAKSIRAN. Penaksiran Titik. Selang Kepercayaan untuk VARIANSI. MA2181 ANALISIS DATA Utriweni Mukhaiyar 17 Oktober 2011

PENAKSIRAN. Penaksiran Titik. Selang Kepercayaan untuk VARIANSI. MA2181 ANALISIS DATA Utriweni Mukhaiyar 17 Oktober 2011 PENAKSIRAN Peaksira Titik Peaksira Selag Selag Kepercayaa utuk RATAAN Selag Kepercayaa utuk VARIANSI MA8 ANALISIS DATA Utriwei Mukhaiyar 7 Oktober 0 Metode Peaksira Peaksira Titik Peaksira Selag Nilai

Lebih terperinci

Prediksi Kurva S-N berdasarkan Hukum Kekekalan Energi pada Pembebanan Dinamis Kombinasi Aksial-Torsional

Prediksi Kurva S-N berdasarkan Hukum Kekekalan Energi pada Pembebanan Dinamis Kombinasi Aksial-Torsional Prediksi rva S- berdasarka Hkm ekekala ergi pada Pembebaa Diamis ombiasi Aksial-Torsioal Waja Berata Program Stdi Metalrgi Tekik Mesi ITS Srabaya Abstrak Sat material dapat megalami patah lelah yag disebabka

Lebih terperinci

III PERBANDINGAN MODEL-MODEL BINOMIAL. : harga saham : tingkat harapan pendapatan. yaitu

III PERBANDINGAN MODEL-MODEL BINOMIAL. : harga saham : tingkat harapan pendapatan. yaitu III PERBANDINGAN MODEL-MODEL BINOMIAL 3. Model Kotiu da Model Diskret Perkembaga Harga Saham Saham merupaka aset fiasial yag ilaiya berubah-ubah megikuti harga pasar, sehigga dalam jagka waktu tertetu

Lebih terperinci

METODE NUMERIK JURUSAN TEKNIK SIPIL FAKULTAS TEKNIK UNIVERSITAS BRAWIJAYA 7/4/2012 SUGENG2010. Copyright Dale Carnegie & Associates, Inc.

METODE NUMERIK JURUSAN TEKNIK SIPIL FAKULTAS TEKNIK UNIVERSITAS BRAWIJAYA 7/4/2012 SUGENG2010. Copyright Dale Carnegie & Associates, Inc. METODE NUMERIK JURUSAN TEKNIK SIPIL FAKULTAS TEKNIK UNIVERSITAS BRAWIJAYA 7/4/0 SUGENG00 Copyright 996-98 Dale Caregie & Associates, Ic. Kesalaha ERROR: Selisih atara ilai perkiraa dega ilai eksakilai

Lebih terperinci

BAB III METODE MONTE CARLO

BAB III METODE MONTE CARLO BAB III ETODE ONTE CARLO 3.1 etode onte Carlo etode onte Carlo pertama kali ditemukan oleh Enrico Fermi pada tahun 1930-an. etode ini diawali dengan adanya penelitian mengenai pemeriksaan radiasi dan jarak

Lebih terperinci

BAB III METODE BINOMIAL DIPERCEPAT

BAB III METODE BINOMIAL DIPERCEPAT BAB III METODE BIOMIAL DIPERCEPAT 3.1 Deskripsi Umum Metode Binomial dipercepat merupakan pengembangan dari metode Binomial CRR. Metode Binomial dipercepat dikembangkan oleh T.R Klassen yang merupakan

Lebih terperinci

LANDASAN TEORI. Secara umum, himpunan kejadian A i ; i I dikatakan saling bebas jika: Ruang Contoh, Kejadian, dan Peluang

LANDASAN TEORI. Secara umum, himpunan kejadian A i ; i I dikatakan saling bebas jika: Ruang Contoh, Kejadian, dan Peluang 2 LANDASAN TEORI Ruag Cotoh, Kejadia, da Peluag Percobaa acak adalah suatu percobaa yag dapat diulag dalam kodisi yag sama, yag hasilya tidak dapat diprediksi secara tepat tetapi dapat diketahui semua

Lebih terperinci

BAB 6: ESTIMASI PARAMETER (2)

BAB 6: ESTIMASI PARAMETER (2) Bab 6: Estimasi Parameter () BAB 6: ESTIMASI PARAMETER (). ESTIMASI PROPORSI POPULASI Proporsi merupaka perbadiga atara terjadiya suatu peristiwa dega semua kemugkiaa peritiwa yag bisa terjadi. Besara

Lebih terperinci

Distribusi Peluang BERBAGAI MACAM DISTRIBUSI SAMPEL. Distribusi Peluang 5/6/2012

Distribusi Peluang BERBAGAI MACAM DISTRIBUSI SAMPEL. Distribusi Peluang 5/6/2012 5/6/0 Distribusi Peluag BERBAGAI MACAM DISTRIBUSI SAMPEL Distribusi peluag, P( x), adalah kumpula pasaga ilai-ilai variabel acak Cotoh: Jika dua buah koi dilempar bersamaa. Kejadia bayakya mucul agka.

Lebih terperinci

KALKULUS 4. Dra. D. L. Crispina Pardede, DEA. SARMAG TEKNIK MESIN

KALKULUS 4. Dra. D. L. Crispina Pardede, DEA. SARMAG TEKNIK MESIN KALKULUS Dra. D. L. Crispia Pardede DEA. SARMAG TEKNIK MESIN KALKULUS - SILABUS. Deret Fourier.. Fugsi Periodik.2. Fugsi Geap da Gajil.3. Deret Trigoometri.. Betuk umum Deret Fourier.. Kodisi Dirichlet.6.

Lebih terperinci

BAB III FORMULA PENENTUAN HARGA OPSI ASIA

BAB III FORMULA PENENTUAN HARGA OPSI ASIA 3 BAB III FORMULA PEETUA HARA OPSI ASIA Pada Bab III ii aka dibahas megeai opsi Asia da aalisisya, di maa yag aka dibahas hayalah beberapa ipe opsi Asia, da erbaas pada eis Europea call saa. Jeis-eis opsi

Lebih terperinci

SOAL-SOAL SPMB 2007 MATEMATIKA DASAR (MAT DAS) 1. SPMB, MAT DAS, Regional I, 2007 Suku ke-n suatu barisan aritmatika adalah

SOAL-SOAL SPMB 2007 MATEMATIKA DASAR (MAT DAS) 1. SPMB, MAT DAS, Regional I, 2007 Suku ke-n suatu barisan aritmatika adalah SOAL-SOAL SPMB 00 MATEMATIKA DASAR (MAT DAS). SPMB, MAT DAS, Regioal I, 00 Sk ke- sat barisa aritmatika adalah 0 p,da 6, maka.... Jika A. B. 3 C. D. 3 E.. SPMB, MAT DAS, Regioal I, 00 Jika p 0, q 0 q...

Lebih terperinci

Peubah Acak. Peubah Acak Diskrit dan Distribusi Peluang. Peubah Acak. Peubah Acak

Peubah Acak. Peubah Acak Diskrit dan Distribusi Peluang. Peubah Acak. Peubah Acak Peubah Acak Peubah Acak Diskrit da Distribusi Peluag Peubah Acak (Radom Variable): Sebuah keluara umerik yag merupaka hasil dari percobaa (eksperime) Utuk setiap aggota dari ruag sampel percobaa, peubah

Lebih terperinci

BAB I PENDAHULUAN. Masalah menarik yang terkait dengan masalah nilai eigen adalah masalah yang muncul sebagai persamaan Yukawa,

BAB I PENDAHULUAN. Masalah menarik yang terkait dengan masalah nilai eigen adalah masalah yang muncul sebagai persamaan Yukawa, 1. Latar Belakag Masalah dimaa Padag persamaa diferesial BAB I PENDAHULUAN (1) parameter. Persamaa di atas dapat dipadag sebagai masalah ilai eige tk operator Laplace, da persamaa tersebt merpaka persamaa

Lebih terperinci

Fungsi Kompleks. (Pertemuan XXVII - XXX) Dr. AZ Jurusan Teknik Sipil Fakultas Teknik Universitas Brawijaya

Fungsi Kompleks. (Pertemuan XXVII - XXX) Dr. AZ Jurusan Teknik Sipil Fakultas Teknik Universitas Brawijaya TKS 4007 Matematika III Fugsi Kompleks (Pertemua XXVII - XXX) Dr. AZ Jurusa Tekik Sipil Fakultas Tekik Uiversitas Brawijaya Pedahulua Persamaa x + 1 = 0 tidak memiliki akar dalam himpua bilaga real. Pertayaaya,

Lebih terperinci

Solusi Numerik PDP. ( Metode Beda Hingga ) December 9, 2013. Solusi Numerik PDP

Solusi Numerik PDP. ( Metode Beda Hingga ) December 9, 2013. Solusi Numerik PDP ( Metode Beda Higga ) December 9, 2013 Sebuah persamaa differesial apabila didiskritisasi dega metode beda higga aka mejadi sebuah persamaa beda. Jika persamaa differesial parsial mempuyai solusi eksak

Lebih terperinci

DISTRIBUSI KHUSUS YANG DIKENAL

DISTRIBUSI KHUSUS YANG DIKENAL 0 DISTRIBUSI KHUSUS YANG DIKENAL Kita sudah membahas fugsi peluag atau fugsi desitas, baik defiisiya maupu sifatya. Fugsi peluag atau fugsi desitas ii merupaka ciri dari sebuah distribusi, artiya fugsi

Lebih terperinci

PENENTUAN NILAI OPSI LOOKBACK DENGAN MENGGUNAKAN METODE TRINOMIAL Intan Pelangi Astridnindya 1 dan J. Dharma Lesmono 2 1 Mahasiswa Jurusan Matematika Universitas Katolik Parahyangan Bandung e-mail: intan_pelangi4@yahoo.com

Lebih terperinci

1 n MODUL 5. Peubah Acak Diskret Khusus

1 n MODUL 5. Peubah Acak Diskret Khusus ODUL 5 Peubah Acak Diskret Khusus Terdapat beberapa peubah acak diskret khusus yag serig mucul dalam aplikasi. Peubah Acak Seragam ( Uiform) Bila X suatu peubah acak diskret dimaa setiap eleme dari X mempuyai

Lebih terperinci

Bab 7 Penyelesaian Persamaan Differensial

Bab 7 Penyelesaian Persamaan Differensial Bab 7 Peelesaia Persamaa Differesial Persamaa differesial merupaka persamaa ag meghubugka suatu besara dega perubahaa. Persamaa differesial diataka sebagai persamaa ag megadug suatu besara da differesiala

Lebih terperinci

L A T I H A N S O A L A N R E G 1 Muhamad Ferdiansyah, S. Stat.

L A T I H A N S O A L A N R E G 1 Muhamad Ferdiansyah, S. Stat. L A T I H A N S O A L A N R E G Muhamad Ferdiasyah, S. Stat. *Saya saraka utuk mecoba sediri baru lihat jawabaya **Jawaba saya BELUM TENTU BENAR karea saya mausia biasa. Silaka dikosultasika jika ada jawaba

Lebih terperinci

Distribusi Sampling (Distribusi Penarikan Sampel)

Distribusi Sampling (Distribusi Penarikan Sampel) Distribusi Samplig (Distribusi Pearika Sampel) 1. Pedahulua Bidag Iferesia Statistik membahas geeralisasi/pearika kesimpula da prediksi/ peramala. Geeralisasi da prediksi tersebut melibatka sampel/cotoh,

Lebih terperinci

BAB 4: PELUANG DAN DISTRIBUSI NORMAL.

BAB 4: PELUANG DAN DISTRIBUSI NORMAL. BAB 4: PELUANG DAN DISTRIBUSI NORMAL. PELUANG Peluag atau yag biasa juga disebut dega istilah keugkia, probablilitas, atau kas eujukka suatu tigkat keugkia terjadiya suatu kejadia yag diyataka dala betuk

Lebih terperinci

JURNAL MATEMATIKA DAN KOMPUTER Vol. 6. No. 2, , Agustus 2003, ISSN : METODE PENENTUAN BENTUK PERSAMAAN RUANG KEADAAN WAKTU DISKRIT

JURNAL MATEMATIKA DAN KOMPUTER Vol. 6. No. 2, , Agustus 2003, ISSN : METODE PENENTUAN BENTUK PERSAMAAN RUANG KEADAAN WAKTU DISKRIT Vol. 6. No., 97-09, Agustus 003, ISSN : 40-858 METODE PENENTUAN BENTUK PERSAMAAN RUANG KEADAAN WAKTU DISKRIT Robertus Heri Jurusa Matematika FMIPA UNDIP Abstrak Tulisa ii membahas peetua persamaa ruag

Lebih terperinci

BAB III 3. METODOLOGI PENELITIAN

BAB III 3. METODOLOGI PENELITIAN BAB III 3. METODOLOGI PENELITIAN 3.1. PROSEDUR ANALISA Penelitian ini merpakan sebah penelitian simlasi yang menggnakan bantan program MATLAB. Adapn tahapan yang hars dilakkan pada saat menjalankan penlisan

Lebih terperinci

DISTRIBUSI SAMPLING (Distribusi Penarikan Sampel)

DISTRIBUSI SAMPLING (Distribusi Penarikan Sampel) DISTRIBUSI SAMPLING (Distribusi Pearika Sampel) I. PENDAHULUAN Bidag Iferesia Statistik membahas geeralisasi/pearika kesimpula da prediksi/ peramala. Geeralisasi da prediksi tersebut melibatka sampel/cotoh,

Lebih terperinci

STATISTICS. Hanung N. Prasetyo Week 11 TELKOM POLTECH/HANUNG NP

STATISTICS. Hanung N. Prasetyo Week 11 TELKOM POLTECH/HANUNG NP STATISTICS Haug N. Prasetyo Week 11 PENDAHULUAN Regresi da korelasi diguaka utuk megetahui hubuga dua atau lebih kejadia (variabel) yag dapat diukur secara matematis. Ada dua hal yag diukur atau diaalisis,

Lebih terperinci

x = μ...? 2 2 s = σ...? x x s = σ...?

x = μ...? 2 2 s = σ...? x x s = σ...? Pedugaa Parameter x 2 sx s = μ...? 2 = σ x...? = σ...? Peduga Parameter Peduga titik yaitu parameter populasi p diduga dega suatu besara statistik, misal: rata-rata, proporsi, ragam, dll Peduga Selag (Iterval)

Lebih terperinci

Pengaruh Laju Regangan Linier Terhadap Data Uji Tarik Bahan Baja Tahan Karat Seri 304

Pengaruh Laju Regangan Linier Terhadap Data Uji Tarik Bahan Baja Tahan Karat Seri 304 Pegarh Laj Regaga Liier Terhadap Data Uji Tarik Baha Baja Taha Karat Seri 304 Hadoko 1) da Beidikts Tlg Prayoga 2) 1, 2) Program Diploma Tekik Mesi, Sekolah Vokasi, Uiversitas Gadjah Mada Jl. Yacarada

Lebih terperinci

Statistika Matematika. Soal dan Pembahasan. M. Samy Baladram

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

Lebih terperinci

BAB II LANDASAN TEORI. Dalam tugas akhir ini akan dibahas mengenai penaksiran besarnya

BAB II LANDASAN TEORI. Dalam tugas akhir ini akan dibahas mengenai penaksiran besarnya 5 BAB II LANDASAN TEORI Dalam tugas akhir ii aka dibahas megeai peaksira besarya koefisie korelasi atara dua variabel radom kotiu jika data yag teramati berupa data kategorik yag terbetuk dari kedua variabel

Lebih terperinci

Distribusi Pendekatan (Limiting Distributions)

Distribusi Pendekatan (Limiting Distributions) Distribusi Pedekata (Limitig Distributios) Ada 3 tekik utuk meetuka distribusi pedekata: 1. Tekik Fugsi Distribusi Cotoh 2. Tekik Fugsi Pembagkit Mome Cotoh 3. Tekik Teorema Limit Pusat Cotoh Fitriai Agustia,

Lebih terperinci

BAB V PENUTUP ( ( ) )

BAB V PENUTUP ( ( ) ) BAB V PENUTUP 5.1 Kesimpulan Penentuan harga opsi Asia menggunakan rata-rata Aritmatik melalui Simulasi Monte Carlo dapat dinyatakan sebagai berikut. ( ( ) ) ( ( ) ) dimana merupakan harga opsi Call Asia

Lebih terperinci

Penentuan Harga Opsi Saham Tipe Amerika dengan Model Binomial (Studi Kasus: PT Rio Tinto Plc)

Penentuan Harga Opsi Saham Tipe Amerika dengan Model Binomial (Studi Kasus: PT Rio Tinto Plc) Penentuan Harga Opsi Saham Tipe Amerika dengan Model Binomial (Studi Kasus: PT Rio Tinto Plc) Pricing Stock Options with the American Type Binomial Model (Case Study: PT Rio Tinto Plc) Muhammad Syazali

Lebih terperinci

Range atau jangkauan suatu kelompok data didefinisikan sebagai selisih antara nilai terbesar dan nilai terkecil, yaitu

Range atau jangkauan suatu kelompok data didefinisikan sebagai selisih antara nilai terbesar dan nilai terkecil, yaitu BAB 4 UKURAN PENYEBARAN DATA Pada Bab sebelumya kita telah mempelajari beberapa ukura pemusata data, yaitu ukura yag memberika iformasi tetag bagaimaa data-data ii megumpul atau memusat Pada bagia Bab

Lebih terperinci

JURNAL MATEMATIKA DAN KOMPUTER Vol. 7. No. 1, 31-41, April 2004, ISSN :

JURNAL MATEMATIKA DAN KOMPUTER Vol. 7. No. 1, 31-41, April 2004, ISSN : Vol. 7. No. 1, 31-41, April 24, ISSN : 141-8518 Peetua Kestabila Sistem Kotrol Lup Tertutup Waktu Kotiu dega Metode Trasformasi ke Betuk Kaoik Terkotrol Robertus Heri Jurusa Matematika FMIPA UNDIP Abstrak

Lebih terperinci

SIMULASI MONTE CARLO

SIMULASI MONTE CARLO BAB III SIMULASI MOTE CARLO Simulasi Mote Carlo dapat diguaka utuk memberika suatu taksira harga opsi, baik yag memiliki formula aalitik maupu tidak. Cotoh opsi yag biasaya tidak memiliki formula aalitik

Lebih terperinci

BAB II TINJAUAN PUSTAKA. dengan asumsi bahwa telah diketahui bentuk fungsi regresinya. atau dalam bentuk matriks dapat ditulis dengan:

BAB II TINJAUAN PUSTAKA. dengan asumsi bahwa telah diketahui bentuk fungsi regresinya. atau dalam bentuk matriks dapat ditulis dengan: BAB II TINJAUAN PUSTAKA 2.1 Regresi Parametrik Regresi parametrik merupaka metode statistika yag diguaka utuk megetahui pola hubuga atara variabel prediktor dega variabel respo, dega asumsi bahwa telah

Lebih terperinci

EKONOMETRIKA PERSAMAAN SIMULTAN

EKONOMETRIKA PERSAMAAN SIMULTAN EKONOMETRIKA PERSAMAAN SIMULTAN OLEH KELOMPOK 5 DEKI D. TAPATAB JUMASNI K. TANEO MERSY C. PELT DELFIANA N. ERO GERARDUS V. META ARMY A. MBATU SILVESTER LANGKAMANG FAKULTAS PERTANIAN UNIVERSITAS NUSA CENDANA

Lebih terperinci

b. Penyajian data kelompok Contoh: Berat badan 30 orang siswa tercatat sebagai berikut:

b. Penyajian data kelompok Contoh: Berat badan 30 orang siswa tercatat sebagai berikut: Statistik da Peluag A. Statistik Statistik adalah metode ilmiah yag mempelajari cara pegumpula, peyusua, pegolaha, da aalisis data, serta cara pegambila kesimpula berdasarka data-data tersebut. Data ialah

Lebih terperinci

BAB V HASIL DAN PEMBAHASAN. Kecepatan Angin Awal untuk Berputar (m/s)

BAB V HASIL DAN PEMBAHASAN. Kecepatan Angin Awal untuk Berputar (m/s) BAB V HASIL DAN PEMBAHASAN 5.. Pegarh Baha Kicir Terhadap Kecepa Pr kicir Pegarh baha pebat kicir (blade terhadap kecepa pr kicir pak dala gabar 5.. Dala gabar 5., pak bahwa dega berbedaya aterial blade,

Lebih terperinci

PERTEMUAN 13. VEKTOR dalam R 3

PERTEMUAN 13. VEKTOR dalam R 3 PERTEMUAN VEKTOR dalam R Pegertia Ruag Vektor Defiisi R Jika adalah sebuah bilaga bulat positif, maka tupel - - terorde (ordered--tuple) adalah sebuah uruta bilaga riil ( a ),a,..., a. Semua tupel - -terorde

Lebih terperinci

I. DERET TAKHINGGA, DERET PANGKAT

I. DERET TAKHINGGA, DERET PANGKAT I. DERET TAKHINGGA, DERET PANGKAT. Pedahulua Pembahasa tetag deret takhigga sebagai betuk pejumlaha suku-suku takhigga memegag peraa petig dalam fisika. Pada bab ii aka dibahas megeai pegertia deret da

Lebih terperinci

Himpunan/Selang Kekonvergenan

Himpunan/Selang Kekonvergenan oki eswa (fmipa-itb) Deret Pagkat Kita aka mempelajari beberapa tehik utuk meyajika suatu fugsi f (x) dalam betuk deret pagkat (power series), yaitu meetuka derat pagkat c (x a) sehigga f (x) = c (x a)

Lebih terperinci

Dasar Sistem Pengaturan - Transformasi Laplace. Transformasi Laplace bilateral atau dua sisi dari sinyal bernilai riil x(t) didefinisikan sebagai :

Dasar Sistem Pengaturan - Transformasi Laplace. Transformasi Laplace bilateral atau dua sisi dari sinyal bernilai riil x(t) didefinisikan sebagai : Defiisi Trasformasi Laplace Trasformasi Laplace Bilateral Trasformasi Laplace bilateral atau dua sisi dari siyal berilai riil x(t) didefiisika sebagai : X B x(t)e Operasi trasformasi Laplace bilateral

Lebih terperinci

KELUARGA EKSPONENSIAL Untuk Memenuhi Tugas Mata Kuliah Statistika Inferensial Dosen Pengampu: Nendra Mursetya Somasih Dwipa, M.Pd

KELUARGA EKSPONENSIAL Untuk Memenuhi Tugas Mata Kuliah Statistika Inferensial Dosen Pengampu: Nendra Mursetya Somasih Dwipa, M.Pd KELUARGA EKSPONENSIAL Utuk Memeuhi Tugas Mata Kuliah Statistika Iferesial Dose Pegampu: Nedra Mursetya Somasih Dwipa, M.Pd Disusu Oleh : V A4 Kelompok. Nuuk Rohaigsih (444009). Rochayati (444000) 3. Siam

Lebih terperinci

BAB III TAKSIRAN KOEFISIEN KORELASI POLYCHORIC DUA TAHAP. Permasalahan dalam tugas akhir ini dibatasi hanya pada penaksiran

BAB III TAKSIRAN KOEFISIEN KORELASI POLYCHORIC DUA TAHAP. Permasalahan dalam tugas akhir ini dibatasi hanya pada penaksiran BAB III TAKSIRAN KOEFISIEN KORELASI POLYCHORIC DUA TAHAP Permasalaha dalam tugas akhir ii dibatasi haya pada peaksira besarya koefisie korelasi polychoric da tidak dilakuka peguia terhadap koefisie korelasi

Lebih terperinci

BAB IV PEMECAHAN MASALAH

BAB IV PEMECAHAN MASALAH BAB IV PEMECAHAN MASALAH 4.1 Metodologi Pemecaha Masalah Dalam ragka peigkata keakurata rekomedasi yag aka diberika kepada ivestor, maka dicoba diguaka Movig Average Mometum Oscillator (MAMO). MAMO ii

Lebih terperinci

4.7 TRANSFORMASI UNTUK MENDEKATI KENORMALAN

4.7 TRANSFORMASI UNTUK MENDEKATI KENORMALAN 4.7 TRANSFORMASI UNTUK MENDEKATI KENORMALAN Saat asumsi keormala tidak dipuhi maka kesimpula yag kita buat berdasarka suatu metod statistik yag mesyaratka asumsi keormala meadi tidak baik, sehigga mucul

Lebih terperinci

Projek. Contoh Menemukan Konsep Barisan dan Deret Geometri a. Barisan Geometri. Perhatikan barisan bilangan 2, 4, 8, 16,

Projek. Contoh Menemukan Konsep Barisan dan Deret Geometri a. Barisan Geometri. Perhatikan barisan bilangan 2, 4, 8, 16, Projek Himpulah miimal tiga masalah peerapa barisa da deret aritmatika dalam bidag fisika, tekologi iformasi, da masalah yata di sekitarmu. Ujilah berbagai kosep da atura barisa da deret aritmatika di

Lebih terperinci

Masih ingat beda antara Statistik Sampel Vs Parameter Populasi? Perhatikan tabel berikut: Ukuran/Ciri Statistik Sampel Parameter Populasi.

Masih ingat beda antara Statistik Sampel Vs Parameter Populasi? Perhatikan tabel berikut: Ukuran/Ciri Statistik Sampel Parameter Populasi. Distribusi Samplig (Distribusi Pearika Sampel). Pedahulua Bidag Iferesia Statistik membahas geeralisasi/pearika kesimpula da prediksi/ peramala. Geeralisasi da prediksi tersebut melibatka sampel/cotoh,

Lebih terperinci

II. LANDASAN TEORI. Sampling adalah proses pengambilan atau memilih n buah elemen dari populasi yang

II. LANDASAN TEORI. Sampling adalah proses pengambilan atau memilih n buah elemen dari populasi yang II. LANDASAN TEORI Defiisi 2.1 Samplig Samplig adalah proses pegambila atau memilih buah eleme dari populasi yag berukura N (Lohr, 1999). Dalam melakuka samplig, terdapat teori dasar yag disebut teori

Lebih terperinci

BAB III PENGGUNAAN METODE EMPIRICAL BEST LINEAR UNBIASED PREDICTION (EBLUP) PADA GENERAL LINEAR MIXED MODEL

BAB III PENGGUNAAN METODE EMPIRICAL BEST LINEAR UNBIASED PREDICTION (EBLUP) PADA GENERAL LINEAR MIXED MODEL BAB III PENGGUNAAN MEODE EMPIRICAL BES LINEAR UNBIASED PREDICION (EBLUP PADA GENERAL LINEAR MIXED MODEL Pada Bab III ii aka dibahas megeai taksira parameter pada Geeral Liear Mixed Model berdasarka asumsi

Lebih terperinci

MENENTUKAN PELUANG RUIN DENGAN METODE KOMBINASI EKSPONENSIAL

MENENTUKAN PELUANG RUIN DENGAN METODE KOMBINASI EKSPONENSIAL MENENTUKAN PELUANG RUIN DENGAN METODE KOMBINASI EKSPONENSIAL Karmila 1*, Hasriati 2, Haposa Sirait 2 1 Mahasiswa Program S1 Matematika 2 Dose Jurusa Matematika Fakultas Matematika da Ilmu Pegetahua Alam

Lebih terperinci

BAB 3 METODE PENELITIAN

BAB 3 METODE PENELITIAN Sedagka itegrasi ruas kaa utuk ersamaa (3b) diperoleh ds / = S... (36) Dega demikia pesamaa yag harus dipecahka adalah l 1 1 u u = S (37) Dari ersamaa (37) diperoleh persamaa utuk u u S = exp S 1exp S...

Lebih terperinci

PRINSIP MAKSIMUM DAN MINIMUM FUNGSI PANHARMONIK

PRINSIP MAKSIMUM DAN MINIMUM FUNGSI PANHARMONIK PRINSIP MAKSIMUM DAN MINIMUM FUNGSI PANHARMONIK Oleh, Edag Cahya M.A. Jrsa Pedidia Matematia FPMIPA UPI Badg Jl. Dr. Setiabdi 9 Badg E-mail ecma@ds.math.itb.ac.id Abstra Tlisa ii mejelasa prisip masimm

Lebih terperinci

Solusi Numerik Persamaan Transport

Solusi Numerik Persamaan Transport Solusi Numerik Persamaa Trasport M. Jamhuri December 16, 2013 Diberika persamaa Trasport u t + 2u x = 0 1) Diberika persamaa Trasport u t + 2u x = 0 1) Diskretka persamaa trasport 1) dega megguaka persamaa

Lebih terperinci

Perilaku Distribusi Bernoulli. Definisi: Bernoulli. Contoh Binomial. Contoh Binomial

Perilaku Distribusi Bernoulli. Definisi: Bernoulli. Contoh Binomial. Contoh Binomial Defiisi: Beroulli ercobaa Beroulli: Haya terdaat satu kali ercobaa dega eluag sukses da eluag gagal - eluag Sukse: eluag Gagal: ( = ) = ( = 0 ( = 0) = ( 0 0 = erilaku Distribusi Beroulli E() = Var () =

Lebih terperinci

Aji Wiratama, Yuni Yulida, Thresye Program Studi Matematika Fakultas MIPA Universitas Lambung Mangkurat Jl. Jend. A. Yani km 36 Banjarbaru

Aji Wiratama, Yuni Yulida, Thresye Program Studi Matematika Fakultas MIPA Universitas Lambung Mangkurat Jl. Jend. A. Yani km 36 Banjarbaru Jural Matematika Muri da Terapa εpsilo Vol.8 No.2 (24) Hal. 39-45 APLIKASI METODE DEKOMPOSISI ADOMIAN UNTUK MENENTUKAN FORMULA TRANSFORMASI LAPLACE Aji Wiratama, Yui Yulida, Thresye Program Studi Matematika

Lebih terperinci

PEMANFAATAN SIMULASI MONTE CARLO PADA OPSI KEUANGAN

PEMANFAATAN SIMULASI MONTE CARLO PADA OPSI KEUANGAN BAB IV PEMANFAATAN SIMULASI MONTE CARLO PADA OPSI KEUANGAN. Program GUI Simulasi Monte Carlo untuk Menilai Opsi Keuangan. Berikut adalah tampilan dari program GUI Simulasi Monte Carlo untuk Menilai Opsi

Lebih terperinci

Teorema Nilai Rata-rata

Teorema Nilai Rata-rata Nilai Kus Prihatoso April 27, 2012 Yogyakarta Nilai Suatu Fugsi Masih igatkah ada tetag ilai rata-rata dari sekmpula bilaga? Berapakah ilai rata-rata dari sebayak bilaga y 1, y 2,..., y? Nilai Suatu Fugsi

Lebih terperinci

BAB II TINJAUAN PUSTAKA

BAB II TINJAUAN PUSTAKA 3 BAB II TINJAUAN PUSTAKA.1 Ruag Cotoh, Kejadia da Peluag Defiisi.1 (Ruag cotoh da kejadia) Suatu percobaa yag dapat diulag dalam kodisi yag sama, yag hasilya tidak bisa diprediksi secara tepat tetapi

Lebih terperinci

Bab IV Hasil Dan Pembahasan

Bab IV Hasil Dan Pembahasan Bab IV Hasil Da Pembahasa IV.1 Pera Kekerha (Trbiditas) Kekerha adalah kra yag meggaka efek cahaya sebagai dasar tk megkr keadaa air. Kekerha aka meyebabka perbaha yata dari segi estetika map dari segi

Lebih terperinci

ESTIMASI. (PENDUGAAN STATISTIK) Ir. Tito Adi Dewanto. Statistika

ESTIMASI. (PENDUGAAN STATISTIK) Ir. Tito Adi Dewanto. Statistika Wed 6/0/3 ETIMAI (PENDUGAAN TATITIK) Ir. Tito Adi Dewato tatistika Deskriptif Iferesi Estimasi Uji Hipotesis Titik Retag Estimasi da Uji Hipotesis Dilakuka setelah peelitia dalam tahap pegambila suatu

Lebih terperinci

PENDUGA RASIO UNTUK RATA-RATA POPULASI MENGGUNAKAN KUARTIL VARIABEL BANTU PADA PENGAMBILAN SAMPEL ACAK SEDERHANA DAN PENGATURAN PERINGKAT MEDIAN

PENDUGA RASIO UNTUK RATA-RATA POPULASI MENGGUNAKAN KUARTIL VARIABEL BANTU PADA PENGAMBILAN SAMPEL ACAK SEDERHANA DAN PENGATURAN PERINGKAT MEDIAN PEDUGA RASIO UTUK RATA-RATA POPULASI MEGGUAKA KUARTIL VARIABEL BATU PADA PEGAMBILA SAMPEL ACAK SEDERHAA DA PEGATURA PERIGKAT MEDIA ur Khasaah, Etik Zukhroah, da Dewi Reto Sari S. Prodi Matematika Fakultas

Lebih terperinci

BAHAN AJAR ANALISIS REAL 1 Matematika STKIP Tuanku Tambusai Bangkinang 5. DERET

BAHAN AJAR ANALISIS REAL 1 Matematika STKIP Tuanku Tambusai Bangkinang 5. DERET Pertemua 7. BAHAN AJAR ANALISIS REAL Matematika STKIP Tuaku Tambusai Bagkiag 5. da kekovergeaya 5. DERET Diberika sebuah barisa a, dapat didefeisika barisa bilaga real S N dega S N := N a = a + a 2 +...

Lebih terperinci

MATEMATIKA DISKRIT FUNGSI

MATEMATIKA DISKRIT FUNGSI 1 MATEMATIKA DISKRIT FUNGSI Fugsi Misalka A da B himpua. Relasi bier f dari A ke B merupaka suatu fugsi jika setiap eleme di dalam A dihubugka dega tepat satu eleme di dalam B. Jika f adalah fugsi dari

Lebih terperinci

BAB III PERUMUSAN PENDUGA DAN SIFAT SIFAT STATISTIKNYA

BAB III PERUMUSAN PENDUGA DAN SIFAT SIFAT STATISTIKNYA BAB III PERUMUSAN PENDUGA DAN SIFAT SIFAT STATISTIKNYA 3. Perumusa Peduga Misalka N adala proses Poisso o omoge pada iterval [, dega fugsi itesitas yag tidak diketaui. Fugsi ii diasumsika teritegralka

Lebih terperinci