DISTRIBUSI PROBABILITAS TOTAL WAKTU BEKERJA SUATU SISTEM
|
|
- Agus Budiman
- 7 tahun lalu
- Tontonan:
Transkripsi
1 DISTRIBUSI PROBABILITAS TOTAL WAKTU BEKERJA SUATU SISTEM Taryo, Suyono, Dian Handayani JURUSAN MATEMATIKA FAKULTAS MATEMATIKAN DAN ILMU PENGETAHUAN ALAM UNIVERSITAS NEGERI JAKARTA 2 Agustus 27 Abstraksi Misalkan Xij Yij, j =, 2,..., menyatakan waktu bekerja waktu perbaikan dari komponen ke-i, i =, 2,..., n suatu sistem. Diasumsikan bahwa barisan (Xij) (Yij) saling independen. Misalkan U (t) menyatakan total waktu bekerja sistem pada interval [, t]. Untuk n =, Xj Yj keduanya berdistribusi eksponensial, maka dapat diperoleh rumus eksplisit untuk nilai harapan variansi dari U (t). Untuk n 2, Xij Yij semuanya berdistribusi eksponensial, dapat diperoleh rumus eksplisit untuk nilai harapan variansi dari U (t) dengan kondisi distribusi awal distribusi stasioner. Kata kunci : rantai Markov waktu kontinu, total waktu bekerja sistem, availabilitas sistem. PENDAHULUAN. Latar Belakang Big statistika berhubungan dengan cara-cara pengumpulan data, pengolahan, penyajian, analisisnya serta penarikan kesimpulan berdasarkan data analisis yang telah dilakukan. Kesimpulan yang dihasilkan diharapkan merupakan gambaran tentang populasi sifat-sifatnya. Salah satu cara pengumpulan data yaitu dengan melakukan percobaan. Dari percobaan yang dilakukan akan diperoleh hasil yang berkemungkinan, yang memiliki nilai probabilitas. Seluruh hasil yang mungkin dari suatu percobaan dinamakan ruang sampel (sample space). Hasil-hasil yang diperoleh dari percobaan tersebut dapat dimodelkan dalam suatu persamaan matematika. Tujuan dalam pengembangan model matematika adalah untuk menggambarkan probabilitas kejadian yang akan terjadi. Model matematika dapat didefinisikan sebagai suatu variabel acak yang merupakan suatu fungsi yang menghubungkan setiap unsur dalam ruang sampel dengan bilangan real. Misalkan dengan memodelkan suatu sistem yang tidak selamanya beroperasi, ada kalanya sistem tersebut mengalami kerusakan sehingga memerlukan waktu untuk direparasi. Sebagai ilustrasi adalah sebuah mesin produksi pada suatu perusahaan. Mesin ini tidak terus-menerus beroperasi, ada kalanya rusak, sehingga memerlukan waktu untuk direparasi. Keefektifan suatu sistem sangat mempengaruhi performance sistem itu sendiri dapat mengoptimalkan produksi. Ada beberapa ukuran keefektifan dari suatu sistem, diantaranya adalah total waktu bekerja, total waktu perbaikan, availabilitas (availability), sebagainya. Matematika UNJ
2 Total waktu bekerja menyatakan total waktu sistem beroperasi dalam suatu interval waktu tertentu. Apabila proporsi total waktu bekerja dalam suatu interval waktu adalah besar maka sistem dikatakan efektif atau baik. Total waktu bekerja memiliki sifat acak. Total waktu perbaikan menyatakan total waktu sistem direparasi atau berhenti bekerja dalam suatu interval waktu tertentu. Apabila proporsi total waktu perbaikan dalam suatu interval waktu adalah kecil maka sistem dikatakan efektif atau baik. Total waktu perbaikan juga memiliki sifat acak. Availabilitas adalah probabilitas sistem bekerja pada suatu waktu tertentu. Semakin besar availabilitas suatu sistem maka sistem tersebut semakin baik. Sebuah ekspresi tentang total waktu bekerja suatu sistem yang dapat direparasi, telah diturunkan oleh beberapa penulis dengan metode yang berbeda di bawah asumsi waktu bekerja waktu perbaikan merupakan variabel acak yang saling independen. Sebuah metode (yaitu dengan menggunakan proses stokastik) digunakan untuk menentukan distribusi probabilitas total waktu bekerja suatu sistem. Dalam karya ilmiah ini, topik yang dibahas merupakan pemodelan suatu sistem yang berguna untuk menggambarkan mengevaluasi total waktu bekerja sistem itu sendiri pada interval waktu [, t]..2 Tujuan Penulisan Tujuan dari penulisan karya ilmiah ini adalah untuk menentukan distribusi probabilitas total waktu bekerja suatu sistem. 2 LANDASAN TEORI 2. Probabiitas Variabel Acak Definisi 2.. Ruang sampel Ω adalah himpunan dari semua kemungkinan hasil dari suatu percobaan acak. Kejadian adalah himpunan bagian dari ruang sampel Ω. Untuk mengukur ketidakpastian suatu kejadian digunakan ukuran probabilitas yang merupakan fungsi himpunan dengan sifst-sifat tertentu. Definisi 2.2. Ukuran probabilitas P pada (F, Ω) merupakan fungsi P : F [, ], dimana F adalah sekumpulan himpunan bagian dari Ω, yang memenuhi. P ( ) =, P (Ω) =. 2. P bersifat aditif tak hingga (aditif lengkap), yaitu jika A, A 2,... F dengan A j A k =, j k, maka P ( i= A i) = i= P (A i). Pasangan (Ω, F, P ) disebut suatu ruang probabilitas. Dua kejadian A B disebut saling bebas (independen) jika P (A B) = P (A) P (B). Secara umum, ( himpunan ) kejadian A i, i I, dengan I adalah suatu himpunan indeks, disebut independen jika P A i = P (A i ), untuk semua himpunan bagian berhingga J I. i J i=j Ada kalanya peluang terjadinya suatu kejadian dipengaruhi oleh kejadian lain (conditional probability). Definisi 2.3. Peluang terjadinya kejadian B dengan syarat kejadian A terjadi, dinotasikan dengan P (B A), didefinisikan sebagai berikut: P (A B) P (B A) = () P (A) asalkan P (A) >. Selain konsep probabilitas, untuk memodelkan fenomena-fenomena yang mengandung ketidakpastian diperlukan konsep variabel acak. 2
3 Definisi 2.4. Variabel acak X adalah suatu fungsi yang mengaitkan setiap elemen dalam ruang sampel S dengan suatu bilangan real, yakni X (c) = x, dimana c S x adalah suatu bilangan real. Variabel acak X, X2,..., X n dikatakan independen jika untuk setiap a i < bi, i =, 2,..., n berlaku P (a X b,..., a n Xn bn) = n P (a i Xi bi). Suatu variabel acak X dikatakan diskret jika nilainya merupakan bagian dari himpunan yang terbilang (countable). Suatu variabel acak X dikatakan kontinu jika nilainya merupakan bagian dari himpunan yang tak terbilang (uncountable). Fungsi distribusi kumulatif untuk variabel acak X kontinu dapat dinyatakan sebagai: F X (x) = x i= f (u) du ; x R, untuk suatu fungsi f : R [, ) yang dapat diintegralkan. Fungsi distribusi kumulatif untuk variabel acak X diskret dapat dinyatakan sebagai: x F X (x) = f (u). Selanjutnya fungsi f disebut fungsi kepadatan peluang (probability density function) dari X. Misalkan X Y adalah variabel acak yang didefinisikan pada ruang sampel yang sama. Fungsi distribusi bersama F X,Y dari X Y didefinisikan sebagai F X,Y (x, y) = P (X x, Y y). Dari fungsi distribusi bersama F X,Y dapat diperoleh fungsi marjinal F X F Y melalui hubungan: 2.2 Rantai Markov Kontinu F X (x) = lim y F X,Y (x, y) F Y (y) = lim x F X,Y (x, y). Misalkan X = {X (t) ; t } adalah suatu koleksi (himpunan) dari variabel acak dengan nilai-nilai di suatu ruang state S yang terbilang (countable) t [, ). Selanjutnya akan diasumsikan bahwa S Z, dimana Z adalah himpunan bilangan bulat. Proses X disebut rantai Markov kontinu jika kondisi berikut ini terpenuhi: P (X (t n ) = j X (t n ) = in,..., X (t ) = i) = P (X (t n ) = j X (t n ) = in ) untuk semua j, i,..., i n S sebarang barisan waktu t < t 2 <... < t n. Dalam rantai Markov kontinu tidak ada matriks transisi n langkah sebagaimana pada rantai Markov diskret karena tidak ada kepastian waktu transisi dari satu state ke state lainnya. Sebagai gantinya akan digunakan matriks generator. Sebelum menjelaskan matriks generator akan dibahas beberapa pengertian pendahuluan. Definisi 2.5. Probabilitas transisi p ij (s, t) dari rantai Markov kontinu X didefinisikan sebagai Rantai Markov disebut homogen jika p ij (s, t) = P (X (t) = j X (s) = i) untuk s t. (2) p ij (s, t) = p ij (, t s), untuk setiap i, j, s, t, (3) ditulis sebagai p ij (t s) untuk p ij (s, t). Untuk selanjutnya rantai Markov X dalam skripsi ini akan dianggap sebagai rantai Markov yang homogen. Matriks dengan ukuran S S dengan elemen-elemen p ij (t) akan dinotasikan dengan P t. 3
4 Teorema 2.. Koleksi {Pt : t } merupakan semigrup stokastik, jika memenuhi sifat-sifat sebagai berikut:. P = I, matriks identitas. 2. Pt adalah matriks stokastik, yakni Pt mempunyai elemen-elemen yang non negatif jumlah elemen-elemen pada setiap baris sama dengan. 3. Matriks Pt memenuhi persamaan Chapman-Kolmogorov, yakni Ps+t = Ps Pt jika s, t. j. Untuk selanjutnya probabilitas transisi p ij (t) rantai Markov selalu dianggap kontinu untuk setiap i Definisi 2.6. Semigrup {Pt} dikatakan standar jika Pt I untuk t, yaitu p ii (t) p ij (t) untuk i j jika t. Andaikan X (t) = i adalah rantai Markov di state i pada waktu t. Berbagai hal yang dapat terjadi di interval (t, t + h) untuk h yang kecil adalah (a) Tidak akan terjadi transisi dengan probabilitas p ii (h)+o (h), dimana p ii (h) menyatakan probabilitas proses berpindah dari state i kemudian kembali lagi ke state i untuk h yang kecil. (b) Rantai dapat menuju ke state baru dengan probabilitas p ij (h) + o (h). Diasumsikan di sini bahwa probabilitas dari dua atau lebih transisi pada interval (t, t + h) adalah o (h) untuk h kecil akan diaproksimasi sebagai fungsi linier dari h (Grimmett Stirzaker, 992). Dengan demikian, ada {g ij ; i, j S} sedemikian hingga p ij (h) g ij h jika i j, p ii (h) + g ii h. (4) Jelas bahwa g ij untuk i j g ii untuk setiap i. Matriks G = (g ij ) disebut generator dari rantai Markov kontinu mengambil alih peran dari matriks transisi P untuk rantai Markov diskret. Dengan asumsi X (t) = i, kombinasi persamaan (2.5) dengan (a) (b) diperoleh. Tidak terjadi transisi di (t, t + h) dengan probabilitas + g ii h + o (h). 2. Rantai Markov berpindah ke state j ( i) dengan probabilitas g ij h + o (h). Karena diharuskan j p ij (t) = maka = j p ij (h) + h j g ij yang mengakibatkan j g ij = untuk setiap i, atau G = (5) dimana adalah vektor baris yang semua elemennya vektor baris yang semua elemennya. Teorema 2.2. (Persamaan Forward-Kolmogorov) dimana P t adalah matriks dengan elemen-elemen p ij (t). p ij (t) = k p ik (t) g kj, atau P t = Pt G, (6) Dengan mengkondisikan X (t + h) pada X (h) diperoleh teorema sebagai berikut: Teorema 2.3. (Persamaan Backward-Kolmogorov) p ij (t) = k g ik p kj (t), atau P t = GP t. (7) 4
5 Dengan menganggap P = I. Hubungan antara G Pt adalah: {Pt} dapat ditulis sebagai Pt = n= Pt = e tg atau Pt = exp {tg} t n n! Gn (8) dengan G = I. Misalkan X adalah rantai Markov kontinu yang memiliki generator G X (t) = i adalah rantai Markov di state i pada waktu t. Misalkan waktu sampai rantai Markov mengubah statenya (holding time) diberikan oleh: T = inf {s, X (t + s) i}. Proposisi 2.. Holding time T berdistribusi eksponensial dengan parameter g ii. Proposisi 2.2. Probabilitas rantai Markov yang masuk ke state j ( i) adalah g ij / g ii. Definisi 2.7. Vektor π adalah distribusi stasioner dari suatu rantai Markov kontinu jika π j, j π j =, π =πpt untuk setiap t. Proposisi 2.3. π = π Pt untuk setiap t πg = 3 PEMBAHASAN 3. Total waktu Bekerja Sistem yang Dipang Sebagai Sebuah Komponen Anggap sebuah komponen pada setiap waktu dapat dikategorikan dalam keadaan bekerja (up) atau seg diperbaiki (down). Anggap komponen mulai bekerja pada waktu t =. Setelah bekerja selama X satuan waktu, komponen tersebut gagal segera diperbaiki selama Y satuan waktu sehingga komponen tersebut dapat bekerja kembali seperti komponen yang baru. Setelah bekerja lagi selama waktu X 2 komponen gagal lagi diperbaiki kembali selama waktu Y 2. Proses ini berlangsung terus menerus setiap kali selesai dilakukan perbaikan komponen dianggap seperti baru lagi. Barisan (X i, Y i, i ) akan dianggap sebagai barisan vektor acak positif berdistribusi independen identik. Untuk menunjukkan apakah komponen bekerja atau tidak, didefinisikan variabel indikator Z, sebagai berikut {, jika pada waktu s komponen bekerja Z (s) =, jika pada waktu s komponen diperbaiki. Jika Z (t) menyatakan komponen bekerja atau gagal pada waktu t, maka total waktu bekerja sistem pada interval waktu [, t] diberikan U (t) = Total waktu perbaikan D (t) didefinisikan sebagai berikut: t Z (s) ds. (9) U (t) = t D (t). () Dalam skripsi ini akan digunakan notasi untuk fungsi-fungsi distribusi kumulatif sebagai berikut: F (x) = P (X x), G (y) = P (Y y), H (x, y) = P (X x, Y y), K (ω) = P (X + Y ω). 5
6 Fungsi distribusi kumulatif dari n i= X i n i= Y i dinotasikan dengan F n G n. Transformasi Laplace-Stieltjes dari fungsi distribusi kumulatif F fungsi distribusi bersama H dinotasikan dengan F H yaitu F (β) = H (α, β) = e βx df (x) e (αx+βy) dh (x, y). Transformasi Laplace dari suatu distribusi kumulatif F dinotasikan F, yaitu F (β) = e βx F (x) dx. Jika transformasi Laplace F (β) dari suatu fungsi F (x) diketahui, maka F (x) dapat diperoleh kembali dengan menginversi transformasi Laplace F (β) sebagai berikut: F (x) = 2πi = eαx 2π α+i α i e βx F (β) dβ e ixu F (α + iu) du. Misalkan f (x, y) adalah fungsi bernilai real non-negatif dari x y. Transformasi Laplace ganda dari f (x, y) adalah f (x, y) = f (x, y) e (αx+βy) dxdy dengan α β adalah bilangan real atau komplek, dimana fungsi tersebut dapat diintegralkan. Distribusi dari total waktu perbaikan sistem diformulasikan melalui transformasi Laplace ganda menurut teorema berikut (Suyono, 22) Teorema 3.. Untuk β > [ E e αd(t)] e βt dt = α [ F (β)] + β [ H (β, α + β)] β (α + β) [ H. () (β, α + β)] Sebagai akibat dari teorema ini diperoleh: Proposisi 3.. Untuk β > E [D (t)] e βt dt = F (β) H (β, β) β 2 [ H (β, β)]. (2) 6
7 E [ D 2 (t) ] e βt dt = 2 β 3 [ F (β) H (β, β) H (β, β) β [ F (β)] ye β(x+y) dh (x, y) [ H (β, β)] 2. (3) 3.. Waktu Bekerja Waktu Perbaikan Sistem Berdistribusi Eksponensial Misalkan Xj Yj, j =, 2,..., menyatakan urutan waktu dari waktu bekerja waktu perbaikan dari sebuah komponen. Diasumsikan bahwa barisan (Xj) (Yj) saling independen. Diasumsikan juga variabel acak Xj, j =, 2,..., berdistribusi eksponensial dengan parameter λ, variabel acak Yj, j =, 2,..., berdistribusi eksponensial dengan parameter µ. Fungsi kepadatan peluang dari X j Y j adalah f X (x) = λe λx, x > f Y (y) = µe µy, y >. Karena lama komponen di state berdistribusi eksponensial maka proses (Z (t), t ) menyatakan rantai Markov kontinu dengan state. Generator dari rantai Markov ini adalah (Grimmett Stirzaker, 992) ( ) µ µ G =, λ, µ, λ µ. λ λ Jika π = (π, π ) adalah distribusi stasioner dari rantai Markov, maka berdasarkan Proposisi 2.3 berlaku πg = berdasarkan Definisi 2.7 berlaku π j = π + π =. (4) j Oleh karena itu ( µ µ = (π π ) λ λ ) { µ π +λ π atau = µ π λ π =. Jadi distribusi stasioner π dari rantai Markov ini adalah ( ) λ π = (µ + λ), µ. (6) (µ + λ) Berdasarkan persamaan (8), matriks transisi P (t) untuk rantai Markov ini adalah (5) P (t) = t n n! Gn ( n= ) ( ) ( ) = + (λ+µ) e (λ+µ)t µ µ λ λ ) = λ + µ e (λ+µ)t µ ( e (λ+µ)t ) (λ+µ).3..2 λ ( e (λ+µ)t µ + λ e (λ+µ)t AvailabilitasSistem Misalkan Xj Yj, j =, 2,..., menyatakan urutan waktu dari waktu bekerja waktu perbaikan dari suatu komponen. Diasumsikan bahwa barisan (Xj) (Yj) saling independen. Diasumsikan juga untuk 7
8 setiap j, variabel acak Xj berdistribusi eksponensial dengan parameter λ, variabel acak Yj berdistribusi eksponensial dengan parameter µ. Availabilitas sistem A (t) pada waktu t didefinisikan sebagai A (t) = P (Z (t) = ). Hubungan antara availabilitas sistem A (t) total waktu perbaikan diberikan menurut persamaan: t E [D (t)] = t A (s) ds. (7) Teorema 3.2. Jika suatu sistem memiliki waktu bekerja berdistribusi eksponensial dengan parameter λ waktu perbaikan berdistribusi eksponensial dengan parameter µ, maka availabilitas sistem untuk suatu komponen A (t) diberikan sebagai berikut A (t) = µ µ + λ + λ µ + λ e (µ+λ)t. (8) 3..3 Distribusi Probabilitas Total Waktu Bekerja Sistem Sebuah Komponen Misalkan Xj Yj, j =, 2,..., menyatakan urutan waktu dari waktu bekerja waktu perbaikan suatu sistem. Diasumsikan bahwa barisan (Xj) (Yj) saling independen. Diasumsikan juga variabel acak Xj, j =, 2,..., berdistribusi eksponensial dengan parameter λ, variabel acak Yj, j =, 2,..., berdistribusi eksponensial dengan parameter µ. Dengan menggunakan persamaan (2), persamaan (3), persamaan () diperoleh proposisi sebagai berikut: Proposisi 3.2. E [D (t)] e βt dt = E [ D 2 (t) ] e βt dt = 2 β 3 Invers transformasi Laplace dari persamaan (9) persamaan (2), yaitu E [D (t)] = λ β 2 [β + λ + µ], (9) [ ] λ (λ + β) (β + λ + µ) 2. (2) λt λ + µ λ ( (λ + µ) 2 e (λ+µ)t) (2) E [ D 2 (t) ] = λ2 t 2 + 2λ(µ λ)t + 2λ(λ 2µ)+2λ[2µ λ+µ(λ+µ)t]e (λ+µ)t. (22) (λ+µ) 2 (λ+µ) 3 (λ+µ) 4 Dengan menggunakan persamaan (2) persamaan (22) diperoleh variansi dari total waktu perbaikan sistem Var [D (t)], yaitu Var [D (t)] = E [ D 2 (t) ] {E [D (t)]} 2 = 2λµt + λ(λ 4µ)+2λ[2µ+(µ+λ)(µ λ)t]e (λ+µ)t λ 2 e 2(λ+µ)t. (λ+µ) 3 (λ+µ) 4 (23) Karena U (t) = t D (t), maka E [U (t)] = t E [U (t)] = µt λ+µ + ( ) λ (λ+µ) e (λ+µ)t (24) 2 8
9 E [ U 2 (t) ] = t 2 2tE [D (t)] + E [ D 2 (t) ] = µ2 t 2 + 4λµt + 2λ(λ 2µ)+2λ[2µ λ λ(λ+µ)t]e (λ+µ)t. (λ+µ) 2 (λ+µ) 3 (λ+µ) 4 Berdasarkan persamaan (24) persamaan (25) variansi dari total waktu bekerja sistem Var [U (t)] adalah (25) Var [U (t)] = E [ U 2 (t) ] {E [U (t)]} 2 = 2λµt + λ(λ 4µ)+2λ[2µ+(µ+λ)(µ λ)t]e (λ+µ)t λ 2 e 2(λ+µ)t. (λ+µ) 3 (λ+µ) 4 (26) 3.2 DISTRIBUSI PROBABILITAS TOTAL WAKTU BEKERJA SISTEM YANG TERDIRI DARI n 2 KOMPONEN YANG INDEPENDEN Di dalam bab ini akan dibahas distribusi probabilitas total waktu bekerja sistem yang terdiri dari n 2 komponen yang saling independen secara stokastik. Pertama akan dibahas kasus dimana waktu-waktu bekerja waktu-waktu perbaikan dari komponen-komponen berdistribusi eksponensial. Selanjutnya akan dibahas kasus dimana waktu-waktu bekerja waktu-waktu perbaikan dari komponen-komponen berdistribusi sebarang. Anggap suatu sistem terdiri dari n 2 komponen yang saling independen, dimana komponen-komponennya terdiri dari dua state, yaitu (jika komponen dalam perbaikan) (jika komponen seg bekerja). Anggap komponen-komponen mulai bekerja pada waktu t =. Komponen ke-i, i =, 2,..., n, bekerja selama Xi satuan waktu. Apabila komponen tersebut gagal maka segera diperbaiki selama Yi satuan waktu. Setelah bekerja lagi selama Xi2 komponen gagal lagi diperbaiki lagi selama Yi2. Proses ini berlangsung terus menerus setiap selesai dilakukan perbaikan komponen-komponen tersebut dianggap seperti baru lagi. Misalkan Zi (t), i =, 2,..., n, menyatakan state dari komponen ke-i. Maka total waktu bekerja sistem pada interval waktu [, t] adalah U (t) = t I n (Z (s),..., Zn (s)) ds (27) dimana n merupakan vektor dengan elemen semuanya satu sebanyak n I A menyatakan fungsi indikator Sistem yang Terdiri dari n Komponen dengan Waktu Bekerja Waktu Perbaikan Berdistribusi Eksponensial Misalkan Xij Yij, i =, 2,..., n; j =, 2,..., menyatakan waktu-waktu bekerja waktu-waktu perbaikan dari komponen-komponen. Diasumsikan bahwa barisan (Xij) (Yij) saling independen. Diasumsikan juga untuk setiap i, variabel acak Xij, j =, 2,..., berdistribusi eksponensial dengan parameter λ i variabel acak Yij, j =, 2,..., berdistribusi eksponensial dengan parameter µ i. Maka proses (Z i (t), t ), i =, 2,..., n, merupakan rantai Markov kontinu dengan state. Generator-generator untuk rantai Markov ini adalah ( ) µi µ G i = i, λ λ i λ i, µ i, λ i µ i. i Misalkan Yn (t) = (Z (t), Z2 (t),..., Zn (t)). Maka Yn (t) = (Yn (t), t ) merupakan rantai Markov dengan waktu kontinu di I = {, } n, 9
10 yaitu himpunan dari vektor-vektor baris dengan panjang n yang mempunyai elemen-elemen atau. Misalkan a I adalah state dari rantai Markov Yn. Maka dimana ε j (a) {, }, j =, 2,..., n. Generator a = (ɛ (a), ɛ 2 (a),..., ɛ n (a)), G = (g ab ) a,b I dari rantai Markov Yn mempunyai sifat-sifat sebagai berikut. Anggap b = (ɛ (b), ɛ 2 (b),..., ɛ n (b)). Jika a b mempunyai dua atau lebih elemen yang berbeda, maka g ab = g ba =. Jika a b hanya memiliki satu elemen yang berbeda, maka ada indeks j sedemikian hingga ɛ i (a) = ɛ i (b) untuk semua i j Misalkan Maka ɛ j (a) = ɛ j (b). v i, = λi v i, = µ i. g ab = v j,ɛj (b) g ba = v j,ɛj (a). Lemma 3.. Vektor π = (π a ) a I dengan π a = v,ɛ (a) v 2,ɛ2 (a)... v n,ɛn (a) merupakan distribusi stasioner dari rantai Markov Yn. n i= λi + µ i Sebagai akibat dari Lemma 4.. diperoleh proposisi berikut (Suyono, 22) Proposisi 3.3. Misalkan U (t) adalah total waktu bekerja dari suatu sistem dengan n komponen yang independen secara stokastik. Misalkan bahwa komponen ke- i, i =, 2,...n mempunyai total waktu bekerja total waktu perbaikan yang saling independen masing-masing berdistribusi eksponensial dengan parameter λi µ i. Maka (a) n E π µ i [U (t)] = t, λi + µ i dimana E π menyatakan nilai harapan dengan π distribusi stasioner dari rantai Markov. (b) Dengan probabilitas, U (t) n µ i untuk t. t λi + µ i i= 3.3 Sistem dengan Dua Komponen Misalkan Xij Yij, i =, 2; j =, 2..., menyatakan waktu-waktu bekerja waktu-waktu perbaikan dari komponen-komponen. Diasumsikan bahwa barisan (Xij) (Yij) saling independen. Diasumsikan juga variabel acak Xij, j =, 2..., berdistribusi eksponensial dengan parameter λ i, variabel acak Yij, j =, 2..., berdistribusi eksponensial dengan parameter µ i. Karena lama komponen-komponen i=
11 di state berdistribusi eksponensial maka proses (Z i (t), t ), i =, 2, merupakan rantai-rantai Markov kontinu dengan ruang state I = {,,, }. Generator dari rantai Markov ini adalah (µ + µ 2 ) µ 2 µ G = λ 2 (µ + λ 2 ) µ λ (µ 2 + λ ) µ 2. λ λ 2 (λ + λ 2 ) 3.3. Probabilitas Transisi Misalkan π = (π, π, π, π ) adalah distribusi stasioner dari rantai Markov. Maka menurut Proposisi 2.3 berlaku πg = (28) menurut Definisi 2.7 berlaku π a = π + π + π + π =. (29) a I Jadi distribusi stasioner π dari rantai Markov ini adalah π = (µ + λ ) (µ 2 + λ 2 ) (λ λ 2, µ 2 λ, µ λ 2, µ µ 2 ). (3) Menurut persamaan (8), matriks transisi P (t) untuk rantai Markov ini adalah P (t) = P + P 2 e (λ+µ)t +P 3 e (λ2+µ2)t +P 4 e (λ+µ+λ2+µ2)t (λ + µ ) (λ 2 + µ 2 ) (3) dengan P 2 = P 3 = P 4 = P = π, µ λ 2 µ µ 2 µ λ 2 µ µ 2 µ λ 2 µ µ 2 µ λ 2 µ µ 2 λ λ 2 λ µ 2 λ λ 2 λ µ 2 λ λ 2 λ µ 2 λ λ 2 λ µ 2 µ 2 λ µ 2 λ µ µ 2 µ µ 2 λ λ 2 λ λ 2 µ λ 2 µ λ 2 µ 2 λ µ 2 λ µ µ 2 µ µ 2 λ λ 2 λ λ 2 µ λ 2 µ λ 2 µ µ 2 µ µ 2 µ µ 2 µ µ 2 µ λ 2 µ λ 2 µ λ 2 µ λ 2 µ 2 λ µ 2 λ µ 2 λ µ 2 λ λ λ 2 λ λ 2 λ λ 2 λ λ 2 Probabilitas transisi dari state pada waktu ke state pada waktu t adalah P, (t) = (λ +µ )(λ 2 +µ 2 ) [µ µ 2 + µ 2 λ e (λ +µ )t + µ λ 2 e (λ 2+µ 2 )t +λ λ 2 e (λ +λ 2 +µ +µ 2 )t ] (32) Perhatikan juga bahwa P, (t) merupakan availabilitas suatu sistem yang terdiri dari dua komponen pada waktu t.,,.
12 3.3.2 Distribusi Probabilitas Total Waktu Bekerja Sistem dengan Dua Komponen Di bawah distribusi stasioner menurut Proposisi 3.3 (a) berlaku E π [U (t)] = π t = Momen kedua dari U (t) di bawah distribusi stasioner adalah E π [ U 2 (t) ] = E π t = 2 t s µ µ 2 (λ + µ ) (λ 2 + µ 2 ) t. {} Y 2 (s) ds 2 P π (Y (r) =, Y (s) = ) drds µ µ 2 = 2 (λ + µ ) (λ 2 + µ 2 ) Dengan menggunakan persamaan (32) diperoleh dengan t s E π [ U 2 (t) ] = (π t) 2 + σ 2 t + r (t) P, (s r) drds. [ σ 2 µ µ 2 λ λ 2 = 2 ((λ + µ ) (λ 2 + µ 2 )) 2 (λ + λ 2 + µ + µ 2 ) + λ µ 2 (λ + µ ) + µ ] λ 2 (λ 2 + µ 2 ) r (t) = λ ( λ 2 e (λ +λ 2 +µ +µ 2 )t ) (λ + λ 2 + µ + µ 2 ) 2 + λ ( µ 2 e (λ +µ )t ) (λ + µ ) 2 + µ ( λ 2 e (λ 2 +µ 2 )t ) (λ 2 + µ 2 ) 2. Variansi dari U (t) di bawah distribusi stasioner diperoleh Var π [U (t)] = σ 2 t + r (t). (33) Dari persamaan (33) diperoleh Var π [U (t)] lim = σ 2. (34) t t 3.4 Sistem yang Terdiri dari n Komponen dengan Waktu Bekerja Waktu Perbaikan Berdistribusi Sebarang Secara umum sulit untuk memperoleh ekspresi yang tepat untuk distribusi total waktu bekerja sistem yang terdiri dari n 2 komponen dimana waktu-waktu bekerja waktu-waktu perbaikan dari komponen berdistribusi sebarang. Dalam beberapa kasus mungkin untuk memperoleh ekspresi dari nilai harapan dari total waktu bekerja suatu sistem. Diasumsikan bahwa untuk setiap i, variabel acak Xij, j =, 2,..., mempunyai fungsi distribusi Fi, variabel acak Yij, j =, 2,..., mempunyai fungsi distribusi Gi. Notasikan dengan Fi Gi transformasi Laplace-Stieltjes dari Fi Gi. A (i) (t) adalah availabilitas sistem dari komponen ke-i pada waktu t. Dari persamaan (27), nilai harapan dari total waktu bekerja sistem, E [U (t)], adalah E [U (t)] = t n i= 2 A (i) (s) ds. (35)
13 Dalam beberapa kasus didapat ekspresi analitik untuk availabilitas sistem, yang dapat diperoleh dengan menginversikan transformasi Laplace yang diberikan oleh persamaan (7) sebagai berikut A (i) (t) e βt Fi (β) dt = β [ Fi (β) Gi (β)], (36) Sebagai contoh ambil n = 2. Misalkan Xj berdistribusi eksponensial dengan parameter 2 Yj berdistribusi eksponensial dengan parameter 3. Misalkan juga bahwa X2j berdistribusi Gamma (2,2) yang mempunyai fungsi kepadatan peluang f (x) = 4xe 2x, x Y2j berdistribusi Gamma (3,2). Dengan menggunakan persamaan (36), diperoleh A () (t) = e 5t A (2) (t) = e 5t + 69 e 5 2 t [23 cos Dengan menggunakan persamaan (35) diperoleh 4 PENUTUP 4. kesimpulan E [U (t)] = [ 43 [ ( ) 23 t sin 2 23 t ) t 7 25 e 5t ] 375 e t e 5 2 t e 5 2 t cos ( 2 23 e 5 2 t e 5 2 t ] 23 sin ( 2 23 t ). ( )] 23 t. 2 Setelah mengetahui distribusi probabilitas dari total waktu bekerja suatu sistem yang telah dibahas pada bab sebelumnya, maka dapat disimpulkan bahwa:. Misalkan Xj Yj, j =, 2,..., menyatakan waktu-waktu bekerja waktu-waktu perbaikan dari sebuah komponen. Diasumsikan bahwa barisan (Xj) (Yj) saling independen. Diasumsikan juga variabel acak Xj, j =, 2,..., berdistribusi eksponensial dengan parameter λ, variabel acak Yj, j =, 2,..., berdistribusi eksponensial dengan parameter µ. Maka (Z (t), t ) menyatakan rantai Markov kontinu dengan state (komponen dalam perbaikan) (komponen seg bekerja). Nilai harapan variansi total waktu bekerja suatu sistem adalah Var [U (t)] = E [U (t)] = µt λ+µ + ( ) λ (λ+µ) e (λ+µ)t 2 2λµt + λ(λ 4µ)+2λ[2µ+(µ+λ)(µ λ)t]e (λ+µ)t λ 2 e 2(λ+µ)t. (λ+µ) 3 (λ+µ) 4 2. Misalkan Xij Yij, i =, 2,..., n; j =, 2,..., menyatakan waktu-waktu bekerja waktuwaktu perbaikan dari komponen-komponen. Diasumsikan bahwa barisan (Xij) (Yij) saling independen. Diasumsikan juga variabel acak Xij, j =, 2,..., berdistribusi eksponensial dengan parameter λ i variabel acak Yij, j =, 2,..., berdistribusi eksponensial dengan parameter µ i. Maka (Z (t), t ), i =, 2,..., n, adalah rantai Markov kontinu dengan ruang state I = {, } n, yaitu himpunan dari vektor-vektor baris sebanyak n yang mempunyai elemen-elemen atau. Nilai harapan dari total waktu bekerja sistem dengan π distribusi stasioner dari rantai Markov adalah E π [U (t)] = n i= µ i λi + µ i t. 3
14 4.2 Saran Berdasarkan hasil dari penulisan karya ilmiah ini, pembaca dapat melanjutkan pembahasan untuk mencari. Distribusi dari total waktu bekerja suatu sistem dengan n komponen berdistribusi sebarang, terutama dalam mencari variansi dari total waktu bekerja suatu sistem. 2. Penerapan distribusi dari total waktu bekerja suatu sistem dalam big industri, penerbangan, transportasi, lain-lain. DAFTAR PUSTAKA Anton, Howard., Corres, Chris., 22, Aljabar Linier Elementer Versi Aplikasi, Penerbit Erlangga, Jakarta. Barlow, E. Richard., Prochan, Frank., 975, Statistical Theory of Reliability and Life Testing, Hold, Rinehart, and Winston, New York. Billingsley, P., 995, Probability and Measure, Edisi ketiga, John Wiley and Sons, New York. Chung, K. L., 983, Elementary Probability Theory with Stochastic Processes, Springer, New Delhi. Grimmett, G. R., Stirzaker, D. R., 997, Probability and Random Processes, Clarendon Pres, Oxford. Iosifescu, M., 98, Finite Markov Processes and Their Applications, John Wiley and Sons, Newyork. Kent Nagle, R., Saff, B. Edward., 992, Fundamentals of Differential Equations and Boundary Value Problems, Adison-Wesley Publishing Company, Newyork. Kreyszig, E., 993, Matematika Teknik Lanjutan, Edisi Keenam, Buku, Gramedia Pustaka Utama, Jakarta. Lawrence, S. AFT., 998, Fundamentals of Industrial Quality Control, Edisi Ketiga, St Lucie Press, Newyork. Ross, S. M., 996, Stochastic Processes, John Wiley and Sons, New York. Spiegel, M. R., 999, Seri Buku Schaum Teori Soal-Soal Transformasi Laplace, Penerbit Erlangga, Jakarta. Suyono, 23, Diktat Kuliah Proses Stokastik, Universitas Negeri Jakarta, Jakarta. Suyono, 22, Renewal Processes and Repairable Systems, DUP Science, Netherlands. Trindade, D. C., Tobias, P. C., 995, Applied Reliability, Edisi kedua, Chapman and Hall, Newyork. Markov process. transform. ziyu/ctc. 4
BAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Peluang Peluang mempunyai banyak persamaan arti, seperti kemungkinan, kesempatan dan kecenderungan. Peluang menunjukkan kemungkinan terjadinya suatu kejadian yang bersifat acak.
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Bidang statistika berhubungan dengan cara atau metode pengumpulan data, pengolahan, penyajian, dan analisisnya serta pengambilan kesimpulan berdasarkan data dan analisis
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 terperinciPROSES MARKOV KONTINYU (CONTINOUS MARKOV PROCESSES)
#11 PROSES MARKOV KONTINYU (CONTINOUS MARKOV PROCESSES) 11.1. Pendahuluan Masalah keandalan yang berhubungan dengan sistem secara normal adalah space memiliki sifat diskrit yaitu sistem tersebut dapat
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 terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA Dalam bab ini dijelaskan beberapa definisi dan teorema yang digunakan dalam pembahasan selanjutnya. 2.1 Teori Peluang Definisi 2.1.1 (Percobaan Acak) (Ross 2000) Suatu percobaan
Lebih terperinciBAB III METODE PENELITIAN
18 BAB III METODE PENELITIAN Pada bab ini akan dikemukakan metode-metode yang akan digunakan pada bab selanjutnya. Metode-metode pada bab ini yaitu metode Value at Risk dengan pendekatan distribusi normal
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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengantar Pada bab ini akan diuraikan beberapa landasan teori untuk menunjang penulisan skripsi ini. Uraian ini terdiri dari beberapa bagian yang akan dipaparkan secara terperinci
Lebih terperinciRantai Markov Diskrit (Discrete Markov Chain)
#10 Rantai Markov Diskrit (Discrete Markov Chain) 10.1. Pendahuluan Berbagai teknik analitis untuk mengevaluasi reliability dari suatu sistem telah diuraikan pada bab terdahulu. Teknik analitis ini mengasumsikan
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 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 6: Rantai Markov Waktu Kontinu Atina Ahdika, S.Si, M.Si Statistika FMIPA Universitas Islam Indonesia 2015 Pendahuluan Rantai Markov Waktu Kontinu Pendahuluan Pada bab ini, kita akan belajar mengenai
Lebih terperinciCatatan Kuliah MA4181 Pengantar Proses Stokastik Precise and Stochastic. Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah MA4181 Pengantar Proses Stokastik Precise and Stochastic Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2015 Tentang MA4181 (Pengantar)
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Teori Peluang Definisi 2.1.1 Percobaan Acak (Ross 2000) Suatu percobaan yang dapat diulang dalam kondisi yang sama dan semua kemungkinan hasil yang muncul dapat diketahui tetapi
Lebih terperinciBAB 2 LANDASAN TEORI. Definisi 1 Himpunan semua hasil yang mungkin dari suatu percobaan disebut ruang sampel dan dinyatakan dengan S.
BAB 2 LANDASAN TEORI 2.1 Ruang Sampel dan Kejadian Definisi 1 Himpunan semua hasil yang mungkin dari suatu percobaan disebut ruang sampel dan dinyatakan dengan S. Tiap hasil dalam ruang sampel disebut
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 terperinciDASAR-DASAR TEORI PELUANG
DASAR-DASAR TEORI PELUANG Herry P. Suryawan 1 Ruang Peluang Definisi 1.1 Diberikan himpunan tak kosong Ω. Aljabar-σ (σ-algebra pada Ω adalah koleksi subhimpunan A dari Ω dengan sifat (i, Ω A (ii jika A
Lebih terperinciPenelitian Operasional II Rantai Markov RANTAI MARKOV
Penelitian Operasional II Rantai Markov 49 4. RANTAI MARKOV 4. PENDAHULUAN Dalam masalah pengambilan suatu keputusan, seringkali kita diperhadapkan dengan suatu ketidakpastian. Permasalahan ini dapat dimodelkan
Lebih terperinciPENENTUAN KLASIFIKASI STATE PADA RANTAI MARKOV DENGAN MENGGUNAKAN NILAI EIGEN DARI MATRIKS PELUANG TRANSISI
PENENTUAN KLASIFIKASI STATE PADA RANTAI MARKOV DENGAN MENGGUNAKAN NILAI EIGEN DARI MATRIKS PELUANG TRANSISI Yohanes A.R. Langi 1) 1) Program Studi Matematika FMIPA Universitas Sam Ratulangi, Manado 95115
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 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 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 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 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 terperinciDasar-dasar Statistika Pemodelan Sistem
Dasar-dasar Statistika Pemodelan Sistem Kuliah Pemodelan Sistem Semester Genap 2015-2016 MZI Fakultas Informatika Telkom University FIF Tel-U Januari 2016 MZI (FIF Tel-U) Statistika Pemodelan Januari 2016
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Model Markov Dalam teori probabilitas, model Markov adalah model stokastik yang digunakan untuk memodelkan sistem yang berubah-ubah secara random di mana diasumsikan bahwa kondisi
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Teori Pemeliharaan Untuk menjamin kontinuitas kegiatan operasional suatu sistem, keandalan setiap komponen peralatan sangat dijaga agar peralatan tersebut tidak mengalami kegagalan
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 terperinciPROSES POISSON MAJEMUK. 1. Pendahuluan
PROSES POISSON MAJEMUK Chris Risen, Respatiwulan, Pangadi Program Studi Matematika FMIPA UNS Abstrak. Proses Poisson merupakan proses menghitung {; t 0} yang digunakan untuk menentukan jumlah kejadian
Lebih 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 terperinciBAB III MODEL HIDDEN MARKOV KONTINU DENGAN PROSES OBSERVASI ZERO DELAY
BAB III MODEL HIDDEN MARKOV KONTINU DENGAN PROSES OBSERVASI ZERO DELAY 3.1 State dan Proses Observasi Semua proses didefinisikan pada ruang peluang Ω,,. Misalkan ; adalah rantai Markov dengan state berhingga
Lebih terperinciBab 2 LANDASAN TEORI. 2.1 Pengantar Proses Stokastik
Bab 2 LANDASAN TEORI Pada bab ini akan diberikan penjelasan singkat mengenai pengantar proses stokastik dan rantai Markov, yang akan digunakan untuk analisis pada bab-bab selanjutnya. 2.1 Pengantar Proses
Lebih terperinciSTATISTICS. WEEK 5 Hanung N. Prasetyo TELKOM POLTECH/HANUNG NP
STATISTICS WEEK 5 Hanung N. Prasetyo Kompetensi 1. Mahasiswa memahamikonsep dasar distribusi peluang kontinu khusus seperti uniform dan eksponensial 2. Mahasiswamampumelakukanoperasi hitungyang berkaitan
Lebih 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 terperinciBAB II KAJIAN TEORI. representasi pemodelan matematika disebut sebagai model matematika. Interpretasi Solusi. Bandingkan Data
A. Model Matematika BAB II KAJIAN TEORI Pemodelan matematika adalah proses representasi dan penjelasan dari permasalahan dunia real yang dinyatakan dalam pernyataan matematika (Widowati dan Sutimin, 2007:
Lebih terperinciDistribusi Peluang Kontinyu STATISTIK INDUSTRI 1. Distribusi Peluang Kontinyu. Distribusi Diskrit Uniform. Distribusi Diskrit Uniform 17/12/2014
STATISTIK INDUSTRI 1 Agustina Eunike, ST., MT., MBA Rata-rata dan Variansi Rumus Umum: Distribusi Peluang Diskrit dan Kontinyu UNIFORM Distribusi Diskrit Uniform Distribusi Diskrit Uniform Contoh: Suatu
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Ruang Contoh, Kejadian dan Peluang Dalam suatu percobaan seringkali dilakukan pengulangan yang biasanya dilakukan dalam kondisi yang sama. Semua kemungkinan hasil yang akan muncul
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 terperinciII LANDASAN TEORI. 2.1 Ruang Contoh, Kejadian dan Peluang. 2.2 Peubah Acak dan Fungsi Sebaran
II LANDASAN TEORI 2.1 Ruang Contoh, Kejadian dan Peluang Dalam suatu percobaan sering kali diperlukan pengulangan yang dilakukan dalam kondisi yang sama. Semua kemungkinan hasil yang akan muncul akan diketahui
Lebih terperinciEKSISTENSI TITIK TETAP DARI SUATU TRANSFORMASI LINIER PADA RUANG BANACH
EKSISTENSI TITIK TETAP DARI SUATU TRANSFORMASI LINIER PADA RUANG BANACH Nur Aeni Prodi Matematika, Fakultas Sains dan Teknologi, UINAM nuraeniayatullah@gmailcom Info: Jurnal MSA Vol 3 No 1 Edisi: Januari
Lebih terperinciSumbu X (horizontal) memiliki range (rentang) dari minus takhingga. ( ) hingga positif takhingga (+ ). Kurva normal memiliki puncak pada X
Sumbu X (horizontal) memiliki range (rentang) dari minus takhingga ( ) hingga positif takhingga (+ ). Kurva normal memiliki puncak pada X = 0. Perlu diketahui bahwa luas kurva normal adalah satu (sebagaimana
Lebih terperinciPemodelan Sistem Antrian Satu Server Dengan Vacation Queueing Model Pada Pola Kedatangan Berkelompok
SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2015 Pemodelan Sistem Antrian Satu Server Dengan Vacation Queueing Model Pada Pola Kedatangan Berkelompok Sucia Mentari, Retno Subekti, Nikenasih
Lebih terperinciSilabus. Proses Stokastik (MMM 5403) Proses Stokastik. Contoh
Silabus Proses Stokastik (MMM 5403) Status: Wajib Minat Statistika Rantai Markov, klasifikasi rantai Markov. Limit rantai Markov dan aplikasinya. Rantai Markov kontinu, contoh-contoh klasik. Proses renewal,
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 terperinciHUKUM ITERASI LOGARITMA. TUGAS AKHIR untuk memenuhi sebagian persyaratan memperoleh gelar sarjana sains SORTA PURNAWANTI NIM.
HUKUM ITERASI LOGARITMA TUGAS AKHIR untuk memenuhi sebagian persyaratan memperoleh gelar sarjana sains SORTA PURNAWANTI NIM. 00290 PROGRAM STUDI MATEMATIKA JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU
Lebih terperinciRUANG FAKTOR. Oleh : Muhammad Kukuh
Muhammad Kukuh, Ruang RUANG FAKTOR Oleh : Muhammad Kukuh Abstraksi Pada struktur aljabar dikenal istilah grup faktor yaitu Jika grup dan N Subgrup normal G, maka grup faktor dengan operasi Apabila G ruang
Lebih terperinciReliabilitas Suatu Mesin Menggunakan Rantai Markov (Studi Kasus: Mesin Proofer Di Pabrik Roti Super Jam Banten)
Jurnal Matematika Integratif ISSN 42-684 Volume 3 No, April 27, pp 4-47 Reliabilitas Suatu Mesin Menggunakan Rantai Markov (Studi Kasus: Mesin Proofer Di Pabrik Roti Super Jam Banten) Mega Novia Andriani,
Lebih terperinciPENGANTAR ANALISIS FUNGSIONAL
PENGANTAR ANALISIS FUNGSIONAL SUMANANG MUHTAR GOZALI KBK ANALISIS UNIVERSITAS PENDIDIKAN INDONESIA BANDUNG 2010 2 KATA PENGANTAR Bismillahirrahmanirrahim Segala puji bagi Allah Rabb semesta alam. Shalawat
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 terperinciPENDAHULUAN LANDASAN TEORI
1 PENDAHULUAN Latar Belakang Dalam kehidupan sehari-hari, banyak permasalahan yang dapat dimodelkan dengan proses stokastik. Proses stokastik dapat dibedakan menjadi dua yaitu proses stokastik dengan waktu
Lebih terperinciBAB II LANDASAN TEORI. ilmiah. Pencacahan atau pengukuran karakteristik suatu objek kajian yang
BAB II LANDASAN TEORI 2.1 Konsep Dasar Peluang Pada dasarnya statistika berkaitan dengan penyajian dan penafsiran hasil yang berkemungkinan (hasil yang belum dapat ditentukan sebelumnya) yang muncul dalam
Lebih terperinciANALISA SIFAT-SIFAT ANTRIAN M/M/1 DENGAN WORKING VACATION
ANALISA SIFAT-SIFAT ANTRIAN M/M/1 DENGAN WORKING VACATION Oleh: Desi Nur Faizah 1209 1000 17 JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA
Lebih terperinciSATUAN ACARA PERKULIAHAN UNIVERSITAS GUNADARMA
Mata Kuliah : Matematika Diskrit 2 Kode / SKS : IT02 / 3 SKS Program Studi : Sistem Komputer Fakultas : Ilmu Komputer & Teknologi Informasi. Pendahuluan 2. Vektor.. Pengantar mata kuliah aljabar linier.
Lebih terperinciPengantar Proses Stokastik
Bab 3: Rantai Markov Diskrit Atina Ahdika, S.Si, M.Si Statistika FMIPA Universitas Islam Indonesia Rantai Markov Rantai Markov Rantai Markov Misalkan sebuah proses stokastik {X t } dengan t = 0, 1, 2,....
Lebih terperinciII. TINJAUAN PUSTAKA. real. T dinamakan himpunan indeks dari proses atau ruang parameter yang
II. TINJAUAN PUSTAKA 2.1 Proses Stokastik Stokastik proses = { ( ), } adalah kumpulan dari variabel acak yang didefinisikan pada ruang peluang (Ω, ς, P) yang nilai-nilainya pada bilangan real. T dinamakan
Lebih terperinciHukum Iterasi Logaritma
Hukum Iterasi Logaritma Sorta Purnawanti 1, Helma 2, Dodi Vionanda 3 1 Mathematics Department State University of Pag, Indonesia 2,3 Lecturers of Mathematics Department State University of Pag, Indonesia
Lebih terperinciMATERI ALJABAR LINEAR LANJUT RUANG VEKTOR
MATERI ALJABAR LINEAR LANJUT RUANG VEKTOR Disusun oleh: Dwi Lestari, M.Sc email: dwilestari@uny.ac.id JURUSAN PENDIDIKAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS NEGERI YOGYAKARTA
Lebih terperinciMETODE PSEUDO ARC-LENGTH DAN PENERAPANNYA PADA PENYELESAIAN SISTEM PERSAMAAN NONLINIER TERPARAMETERISASI
Jurnal Matematika UNAND Vol. 5 No. 4 Hal. 9 17 ISSN : 233 291 c Jurusan Matematika FMIPA UNAND METODE PSEUDO ARC-LENGTH DAN PENERAPANNYA PADA PENYELESAIAN SISTEM PERSAMAAN NONLINIER TERPARAMETERISASI RAHIMA
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 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 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 terperinciII. TINJAUAN PUSTAKA
II. TINJAUAN PUSTAKA Dalam proses penelitian untuk mengkaji karakteristik penduga distribusi generalized gamma dengan metode generalized moment ini, penulis menggunakan definisi, teorema dan konsep dasar
Lebih terperinciMATRIKS UNITER, SIMILARITAS UNITER DAN MATRIKS NORMAL. Anis Fitri Lestari. Mahasiswa Universitas Muhammadiyah Ponorogo ABSTRAK
MATRIKS UNITER, SIMILARITAS UNITER DAN MATRIKS NORMAL Anis Fitri Lestari Mahasiswa Universitas Muhammadiyah Ponorogo ABSTRAK Matriks normal merupakan matriks persegi yang entri-entrinya bilangan kompleks
Lebih terperinciDistribusi Peluang Kontinyu STATISTIK INDUSTRI 1. Distribusi Peluang Kontinyu. Distribusi Diskrit Uniform. Distribusi Diskrit Uniform 13/11/2013
3//203 STATISTIK INDUSTRI Agustina Eunike, ST., MT., MBA Rata-rata dan Variansi Rumus Umum: Distribusi Peluang Diskrit dan Kontinyu UNIFORM Distribusi Diskrit Uniform Distribusi Diskrit Uniform Contoh:
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 terperinciTRANSFORMASI LINIER PADA RUANG BANACH
TRANSFORMASI LINIER PADA RUANG BANACH Nur Aeni, S.Si., M.Pd Jurusan Matematika, Fakultas Sains dan Teknologi, UINAM nuraeniayatullah@gmail.com ABSTRAK Info: Jurnal MSA Vol. 2 No. 1 Edisi: Januari Juni
Lebih terperinciANALISIS ESTIMASI PERUBAHAN MINAT MAHASISWA UNIVERSITAS SUMATERA UTARA TERHADAP TUJUH OPERATOR GSM
Saintia Matematika Vol., No. 2 (2), pp. 9 9. ANALISIS ESTIMASI PERUBAHAN MINAT MAHASISWA UNIVERSITAS SUMATERA UTARA TERHADAP TUJUH OPERATOR GSM Hasoloan M Nababan, Open Darnius Sembiring, Ujian Sinulingga
Lebih terperinciPenentuan Momen ke-5 dari Distribusi Gamma
Jurnal Penelitian Sains Volume 6 Nomor (A) April 0 Penentuan Momen ke-5 dari Distribusi Gamma Robinson Sitepu, Putra B.J. Bangun, dan Heriyanto Jurusan Matematika Fakultas MIPA Universitas Sriwijaya, Indonesia
Lebih terperinciII. LANDASAN TEORI. 2. P bersifat aditif tak hingga, yaitu jika dengan. 2.1 Ruang Contoh, Kejadian dan Peluang
II. LANDASAN TEORI 2.1 Ruang Contoh, Kejadian dan Peluang Dalam suatu percobaan sering kali diperlukan pengulangan yang dilakukan dalam kondisi yang sama. Semua kemungkinan hasil yang akan muncul akan
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 terperinciTOPOLOGI RUANG LINEAR
TOPOLOGI RUANG LINEAR Nila Kurniasih Jurusan Pendidikan Matematika FKIP Universitas Muhammadiyah Purworejo Jalan KHA. Dahlan 3 Purworejo e-mail: kurniasih.nila@yahoo.co.id Abstrak Tulisan ini bertujuan
Lebih terperinciCreated By Aristastory.Wordpress.com BAB I PENDAHULUAN. Teori sistem dinamik adalah bidang matematika terapan yang digunakan untuk
BAB I PENDAHULUAN 1.1 Latar Belakang Teori sistem dinamik adalah bidang matematika terapan yang digunakan untuk memeriksa kelakuan sistem dinamik kompleks, biasanya dengan menggunakan persamaan diferensial
Lebih terperinciVARIABEL KOMPLEKS SUMANANG MUHTAR GOZALI KBK ALJABAR & ANALISIS
VARIABEL KOMPLEKS SUMANANG MUHTAR GOZALI KBK ALJABAR & ANALISIS UNIVERSITAS PENDIDIKAN INDONESIA BANDUNG 2009 2 DAFTAR ISI DAFTAR ISI 2 1 Sistem Bilangan Kompleks (C) 1 1 Pendahuluan...............................
Lebih terperinciAljabar Linear Elementer
BAB I RUANG VEKTOR Pada kuliah Aljabar Matriks kita telah mendiskusikan struktur ruang R 2 dan R 3 beserta semua konsep yang terkait. Pada bab ini kita akan membicarakan struktur yang merupakan bentuk
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 terperinciBAB III PROSES POISSON MAJEMUK
BAB III PROSES POISSON MAJEMUK Pada bab ini membahas tentang proses stokastik, proses Poisson dan proses Poisson majemuk yang akan diaplikasikan pada bab selanjutnya. 3.1 Proses Stokastik Koleksi atau
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2. Pengertian Distribusi Eksponensial Distribusi eksponensial adalah distribusi yang paling penting dan paling sederhana kegagalan mesin penghitung otomatis dan kegagalan komponen
Lebih terperinciCatatan Kuliah. MA4181 PENGANTAR PROSES STOKASTIK Smart and Stochastic. disusun oleh Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah MA4181 PENGANTAR PROSES STOKASTIK Smart and Stochastic disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2014 Tentang MA4181 (Pengantar)
Lebih terperinciBAB II TINJAUAN PUSTAKA
5 BAB II TINJAUAN PUSTAKA 2.1 Model Life Table Life table adalah tabel mengenai angka kematian menurut umur yaitu berkaitan dengan peluang bertahan hidup menurut umur. (Coale & Demeny 1983) Dengan menggunakan
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 terperinciMENENTUKAN NILAI EIGEN DAN VEKTOR EIGEN MATRIKS INTERVAL TUGAS AKHIR
MENENTUKAN NILAI EIGEN DAN VEKTOR EIGEN MATRIKS INTERVAL TUGAS AKHIR Diajukan sebagai Salah Satu Syarat untuk Memperoleh Gelar Sarjana Sains pada Jurusan Matematika oleh DEVI SAFITRI 10654004470 FAKULTAS
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 terperinciRANCANGAN KURIKULUM PROGRAM DOKTOR STATISTIKA (STK) DALAM KERANGKA KUALIFIKASI NASIONAL INDONESIA (KKNI)
RANCANGAN KURIKULUM PROGRAM DOKTOR STATISTIKA (STK) DALAM KERANGKA KUALIFIKASI NASIONAL INDONESIA (KKNI) PROGRAM DOKTOR STATISTIKA DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN IPA 2 0 1 2 I. Deskripsi
Lebih terperinciBAB IV MODEL HIDDEN MARKOV
BAB IV MODEL HIDDEN MARKOV 4.1 State dan Proses Observasi Semua proses didefinisikan pada ruang peluang (Ω, F, P). Misalnya X = {X : k N} adalah rantai Markov dengan state berhingga yang bersifat homogen
Lebih terperinciBAB I PENDAHULUAN Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Keputusan yang nyata biasanya dibuat dalam keadaan ketidakpastian. Untuk memodelkan ketidakpastian, selama ini digunakan teori probabilitas yang ditemukan
Lebih terperinciPROSES PERCABANGAN PADA DISTRIBUSI POISSON
PROSES PERCABANGAN PADA DISTRIBUSI POISSON Nur Alfiani Santoso, Respatiwulan, dan Nughthoh Arfawi Kurdhi Program Studi Matematika FMIPA UNS Abstrak. Proses percabangan merupakan suatu proses stokastik
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 terperinciBAB II LANDASAN TEORI. dalam penulisan skripsi ini. Teori-teori yang digunakan berupa definisi-definisi serta
BAB II LANDASAN TEORI Pada bab ini akan diuraikan beberapa teori-teori yang digunakan sebagai acuan dalam penulisan skripsi ini. Teori-teori yang digunakan berupa definisi-definisi serta teorema-teorema
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 terperinciModel Hibrida ARIMA dan Fuzzy Time Series Markov Chain
SEMINAR MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2017 Model Hibrida ARIMA dan Fuzzy Time Series Markov Chain Dennis Frisca Ayudya, Dewi Retno Sari Saputro Program Studi Matematika Universitas Sebelas Maret
Lebih terperinciDASAR-DASAR ANALISIS MATEMATIKA
(Bekal untuk Para Sarjana dan Magister Matematika) Dosen FMIPA - ITB E-mail: hgunawan@math.itb.ac.id. December 11, 2007 Misalkan f terdefinisi pada suatu himpunan H. Kita katakan bahwa f naik pada H apabila
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI. Sistem Pendulum Terbalik Dalam penelitian ini diperhatikan sistem pendulum terbalik seperti pada Gambar di mana sebuah pendulum terbalik dimuat dalam motor yang bisa digerakkan.
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 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 terperinciMODEL STOKASTIK PERTUMBUHAN POPULASI (PURE BIRTH PROCESS)
Jurnal Euclid, Vol. 4, No. 1, p.675 MODEL STOKASTIK PERTUMBUHAN POPULASI (PURE BIRTH PROCESS) Surya Amami Pramuditya 1, Tonah 2 1,2 Pendidikan Matematika FKIP Universitas Swadaya Gunung Jati Cirebon amamisurya@fkip-unswagati.ac.id
Lebih terperinciPENERAPAN MODEL REGRESI LINIER BAYESIAN UNTUK MENGESTIMASI PARAMETER DAN INTERVAL KREDIBEL
PENERAPAN MODEL REGRESI LINIER BAYESIAN UNTUK MENGESTIMASI PARAMETER DAN INTERVAL KREDIBEL Vania Mutiarani 1, Adi Setiawan, Hanna Arini Parhusip 3 1 Mahasiswa Program Studi Matematika FSM UKSW, 3 Dosen
Lebih terperinciEdy Sarwo Agus Wibowo, Yuni Yulida, Thresye
Jurnal Matematika Murni dan Terapan εpsilon Vol.7 No.2 (2013) Hal. 12-19 PENYELESAIAN SISTEM PERSAMAAN DIFERENSIAL LINIER MELALUI DIAGONALISASI MATRIKS Edy Sarwo Agus Wibowo, Yuni Yulida, Thresye Program
Lebih terperinciBAB II TINJAUAN PUSTAKA. X(t) disebut ruang keadaan (state space). Satu nilai t dari T disebut indeks atau
BAB II TINJAUAN PUSTAKA 2.1 Proses Stokastik Menurut Gross (2008), proses stokastik adalah himpunan variabel acak Semua kemungkinan nilai yang dapat terjadi pada variabel acak X(t) disebut ruang keadaan
Lebih terperinci