4. Sebaran Peluang Kontinyu
|
|
- Ade Jayadi
- 7 tahun lalu
- Tontonan:
Transkripsi
1 4. Sebaran Peluang Kontinyu EL00-Probabilitas dan Statistik Dosen: Andriyan B. Suksmono
2 Isi 1. Sebaran normal/gauss. Luas daerah di bawah kurva normal 3. Hampiran normal untuk sebaran binomial 4. Sebaran Gamma, Eksponensial, dan Chikuadrat 5. Sebaran Weibull
3 4.1 Sebaran Normal/Gauss
4 Pendahuluan Sebaran normal adalah sebaran paling penting dalam Statistika. 1733, DeMoivre mengembangkan ekspresi matematika untuk kurva normal. Gauss ( ) menurunkan persamaan normal ketika mempelajari kesalahan dari eksperimen berulang. Sebaran normal n(x; μ, σ) dari peubah acak X bergantung pada mean μ dan variansi σ.
5 Konsep SEBARAN NORMAL. Fungsi kerapatan (peluang) dari peubah acak normal X, dengan mean μ dan variansi σ, adalah dimana π= dan e=.7188 n ( x; μ, σ ) = 1 e πσ 1 x μ σ σ 0.5 σ 1 σ = σ μ μ 1 μ % %Fig.4.1: Gaussian Curve n(x,mu,sigma) % mean=0.0 and sigma=1 % mu=0.0;sigma=1.0 x=-10:0.1:10; g=(1/sqrt(*pi)/sigma)*exp(-0.5*(x-mu).^/sigma^); figure(1); plot(x,g); % %Fig.4.: Two Gaussian Curves n(x,mu,sigma) % with mu1=-.0, mu=.0 and sigma=1 % mu1=-;mu=4;sigma=1.0 x=-10:0.1:10; g1=(1/sqrt(*pi)/sigma)*exp(-0.5*(x-mu1).^/sigma^); g=(1/sqrt(*pi)/sigma)*exp(-0.5*(x-mu).^/sigma^); figure(1); plot(x,g1,'r-',x,g,'b:');
6 Kurva normal dng berbagai μ dan σ σ σ σ >σ σ >σ μ = μ μ 1 μ > μ % %Fig.4.3: Two Gaussian Curves n(x,mu,sigma) % with mu1=mu=0.0 and sigma1<sigma % mu1=0.0;mu=0.0;sigma1=1.0;sigma=3 x=-10:0.1:10; g1=(1/sqrt(*pi)/sigma1)*exp(-0.5*(x-mu1).^/sigma1^); g=(1/sqrt(*pi)/sigma)*exp(-0.5*(x-mu).^/sigma^); figure(1); plot(x,g1,'r-',x,g,'b:'); % %Fig.4.3: Two Gaussian Curves n(x,mu,sigma) % with mu1<mu and sigma1 < sigma % mu1=-4.0;mu=.0;sigma1=1.0;sigma=3 x=-10:0.1:10; g1=(1/sqrt(*pi)/sigma1)*exp(-0.5*(x-mu1).^/sigma1^); g=(1/sqrt(*pi)/sigma)*exp(-0.5*(x-mu).^/sigma^); figure(1); plot(x,g1,'r-',x,g,'b:');
7 Sifat-sifat kurva normal 1. Modus, yaitu titik dalam sumbu mendatar dimana kurva mencapai maksimum adalah x = μ. Kurva simetrik terhadap mean μ 3. Kurva memiliki titik infleksi pada x = μ±σ, yaitu telungkup (concave) kebawah saat μ-σ<x<μ+σ, dan telungkup keatas didaerah lainnya. 4. Semakin jauh dari mean μ, kurva mendekati sumbu mendatar secara asimptotis. 5. Luas daerah dibawah kurva (diatas sumbu mendatar) sama dengan 1.
8 Bukti μ adalah mean E 1 x μ 1 σ ( X ) = xe dx πσ Dng membuat z=(x-μ)/σ dan dx = σ dz, maka akan kita peroleh E ( X ) = ( μ + σz) = μ 1 πσ 1 π e z e dz + z σ Integral pertama adalah μ dikalikan dng luas daerah dibawah kurva normal (=1), dng demikian hasilnya adalah μ Integral kedua adalah integral terhadap fungsi ganjil, hasilnya akan sama dengan nol. Dengan demikian: E(X) = μ dz π ze z dz
9 E Bukti σ adalah variansi 1 x μ 1 σ [( ) ] X μ = ( x μ) e dx πσ Dng membuat z=(x-μ)/σ => (x-μ) =z σ dandx= σ dz, maka E σ [( X μ) ] = π z e z dz Integrasi perbagian dng u=z dan dv= z exp(-z /), sehingga du=dz dan v=-exp(-z /), diperoleh E [( ) ] X μ = = σ σ π ze z = σ ( ) + e z dz
10 Luas daerah di bawah kurva normal
11 Integrasi fs sebaran dan Nilai Peluang Setiap kurva dari sebaran peluang kontinyu atau fungsi kerapatan dibuat sedemikian hingga daerah dibawah kurva yang dibatasi dua ordinatnya, x=x 1 dan x=x, sama dengan nilai peluang dari peubah acak X antara x=x 1 dan x=x. Dng demikian, untuk gambar 4.5 dibawah: ( ) ( ) dx e dx x n x X x P x x x x x = = < < , ; σ μ πσ σ μ μ x 1 x x
12 Luas ditentukan oleh μ dan σ Gambar 4.6 menunjukkan, untuk selang x 1 dan x yang sama, luas daerah dibawah kurva bisa berlainan. Nilainya bergantung juga pada μ dan σ. μ 1 x 1 x x μ Gambar 4.6
13 Transformasi peubah acak Untuk beberapa keperluan, perlu dilakukan tabulasi nilai peluang sebaran normal dalam selang tertentu. Ini tidak mungkin dilakukan untuk semua kombinasi μ dan σ. Untunglah kita bisa melakukan transformasi sebarang observasi normal ke sebaran baku yang memiliki mean nol dan variansi satul. Tranformasi yang dipakai: Z=(X-μ)/σ Jika X memiliki nilai batas x 1 dan x, maka luas daerah antar batas tsb akan sama dengan luas dibawah kurva normal baku yang memiliki batas z 1 =(x 1 -μ)/σ dan z =(x -μ)/σ. Akibatnya: P ( x < X < x ) 1 = = z z 1 1 πσ n x x 1 e 1 x μ σ dx = ( z;0,1) dz = P( z < Z < z ) dimana Z adalah peubah acak normal dengan mean nol dan variansi satu 1 1 π z z 1 e z dz
14 Sebaran Normal Baku Def Sebaran dari peubah acak normal dengan mean nol dan variansi 1 disebut sebagai sebaran normal baku σ σ=1 Z = (X- μ)/σ x x 1 x μ z 1 z 0 z Dalam buku teks, sebaran normal baku diberikan pada Tabel IV di lampiran.
15 z- n(z;0,1)dz
16 Contoh 4.1 Soal: Diberikan suatu sebaran normal dengan μ=50 dan σ=10, tentukan peluang X bernilai antara 45 dan 6 Jawab: nilai z yang terkait dengan x 1 =45 dan x = 6 adalah z 1 = (45-50)/10 = -0.5 z = (6-50)/10 = 1. Dengan demikian P(45<X<6) = P(-0.5<Z<1.) Dari Tabel IV, kita peroleh P(45<X<6) = P(-0.5<Z<1.) = P(Z<1.) - P(Z<-0.5) = = z
17 Sebaran normal baku dan T. Chebysev T. Chebysev mengatakan bahwa peluang suatu peubah acak berada dalam simpangan baku, sedikitnya ¾. Untuk sebaran normal baku, z untuk x 1 =μ-σ dan x =μ+σ dapat dihitung sbb z 1 = [(μ-σ)-μ]/σ = -, dan z = [(μ+σ)-μ]/σ =, dan Dengan demikian, P(μ-σ<X< μ+σ) = P(-<Z<) = P(Z<) P(Z<-) = (Tabel IV) = Hasil ini jauh lebih kuat daripada yang diberikan oleh Teorema Chebysev.
18 Contoh 4. Soal: Sejenis batere tertentu rata-rata akan habis listriknya dalam 3.0 tahun dengan simpangan baku 0.5 tahun. Jika waktu hidup batere tersebar normal, tentukan peluang bahwa suatu batere tertentu akan habis listriknya dalam.3 tahun! Jawab: Peluang yang dimaksud dilukiskan pada gambar 4.9. Untuk menentukan P(X<.3), kita perlu menghitung luas dibawah kurva normal dari - dampai.3. Transformasi ke kurva normal baku memberikan z=(.3-3)/0.5 = Berdasarkan Tabel IV diperoleh P(X<.3) = P(Z<-1.4) = σ=
19 Contoh 4.3 Soal: Sebuah pabrik memproduksi bola lampu yng memiliki waktu hidup tersebar normal dengan mean 800 jam dan simpangan baku 40 jam. Tentukan peluang suatu bola lampu produksi pabrik tsb terletak antara 778 dan 834 jam. Jawab: Sebaran spt dilukiskan pada Gb nilai z untuk x 1 =778 dan x =834 adalah z 1 = ( )/40 = z = ( )/40 = 0.85 Dengan demikian P(778<X<834) = P(-0.55<Z<0.85) = P(Z<0.85) P(Z<-0.55) = = σ= x
20 Contoh 4.4 Soal: Suatu jenis komponen akan direject jika berada diluar persyaratan 1.50±d. Hasil pengukuran tersebar normal dengan mean 1.50 dan simpangan baku 0.. Tentukan nilai d sehingga spesifikasi ini meliput 95% pengukuran. Jawab: Dalam soal ini akan ditentukan nilai z sehingga prosentase terpenuhi, lalu kembalikan menjadi x dengan rumus x=σz+μ. Dari Tabel IV diperolah 0.95 = P(-1.96 <Z<1.96)) Jadi: d = (0.)(1.96)+1.50 atau: d = (0.)(1.96) = 0.39 σ=
21 Contoh 4.5 Soal: Suatu mesin pembuat resistor dengan sebaran normal. Mean dari resistor 40 ohm dan simpangan bakunya ohm. Akurasi bisa berapapun, tentukan prosentase resistor yang melebihi 43 ohm Jawab: Prosentasi ditentukan dengan mengalikan frekuensi dengan 100%. Kita akan menghitung nilai peluang disebelah kanan 43 pd gambar 4.1. Ini bisa dilihat pada Tabel IV setelah dihitung z-nya, yaitu z = (43-40)/ = 1.5 Dengan demikian P(X>43) = P(Z>1.5) = 1-P(Z<1.5) = σ=.0 = Jadi, ada 6.68% resistor yang nilainya diatas 43 Ohm 40 43
22 Contoh 4.6 Soal: Tentukan prosentase dari resistor spt pada soal sebelumnya yang melebihi 43 ohm jika resistansi diukur pada nilai ohm terdekat. Jawab: Soal ini sedikit berbeda dari sebelumnya, nilai 43 ohm diassign untuk semua resistor yng terletak dalam selang Jadi, kita menghitung nilai aproksimasi sebaran diskrit deng sebaran normal yang kontinyu. Dari gambar 4.13 dpt dihitung z = ( )/ =1.75 jadi P(X>43.5) = P(Z>1.75) = 1 P(Z<1.75) = = Jadi ada 4.01% resistor yang melebihi 43 ohm diukur dng ohm terdekat. Perbedaan sebesar 6.68%-4.01% =.67% dng jawab sebelumnya adalah kontribusi resistor yang lebih dari 43 tapi kurang dari 43.5 (tercatat sbg 43 ohm) σ=.0
23 4.3 Hampiran sebaran binomial dengan sebaran normal
24 Hampiran sebaran Nilai b(x;n,p) telah ditabulasi untuk n kecil. Jika tdk ada di tabel, kita harus menghitung sendiri. Ini bisa dilakukan secara hampiran. Sebelumnya telah dijelaskan bahwa sebaran Poisson dapat dipakai sebagai hampiran sebaran binomial jika n besar dan p mendekati 1. Keduaduanya sebaran diskrit. Akan diperlihatkan bahwa sebaran normal dapat menjadi hampiran yang cukup teliti untuk sebaran binomial, jika n besar dan p mendekati ½.
25 Teorema Teorema 4.1 Jika X suatu peubah acak binomial dengan mean μ=np dan variansi σ =npq, maka batas dari sebaran np npq ketika n adalah sebaran normal n(z;0,1) Z = X
26 Contoh Tinjau sebaran binomial b(x;15,0.4). Untuk x=4, kita dapatkan b(4;15,0.4)=0.168 Nilai tsb didekati dng kurva dibawah kurva normal dng batas antara x1=3.5 sampai dengan x=4.5 z1=(3.5-6)/1.9 = z=(4.5-6)/1.9 = Jika X peubah acak binomial dan Z peubah acak normal, maka P(X=4) = b(4;5, 0.4) ~ P(-1.316<Z<-0.789) = P(Z<-0.789) P(Z<-1.316) = = cukup dekat dengan nilai b(4;15,0.4) = 0.168
27 Contoh Pendekatan ini sangat berguna untuk menghitung jumlah binomial untuk n besar. Andaikan kita akan menghitung peluang X bernilai antara 7 dan 9 (inklusif) dari soal sebelumnya, maka P(7 X 9) = 9 7 b(x;15,0.4) = 9 0 b(x;15,0.4) b(x;15,0.4) = = Dengan pendekatan normal, kita akan hitung luas daerah dibawah kurva normal dengan batas antara x1=6.5 sampai dengan x=9.5. Nilai z1, z ybs adalah z1 = (6.5-6)/1.9 = 0.63; z= (9.5-6)/1.9 =1.84 P(7 X 9) ~ P(0.63 Z 1.84) = P(Z<1.84) P(Z<0.63) = =
28 Latihan No:, 3 No: 15, 16
29 4.4 Sebaran Gamma, Eksponensial, dan Chi-kuadrat
30 Fungsi Gamma Teorema 4. Fungsi gamma didefinisikan sebagai dimana α >0. Γ ( α ) = 0 x α 1 e x substitusi dengan u=x α-1 dan dv=e -x dx, kemudian integrasi parsial, akan menghasilkan Γ(α) dx = -e -x x α e -x (α-1)x α- dx = (α-1) 0 e -x x α- dx Kita peroleh rumus rekursi Γ(α) = (α-1)γ(α-1) = (α-1) (α-)γ(α-) = dst. Untuk α=n bulat positif, maka: Γ(n) = (n-1)(n-) Γ(1). Perdefinisi Γ(1) = 0 e -x dx =1. Dengan demikian, maka Γ(n) = (n-1)! Salah satu sifat fungsi gamma yang penting adalah Γ(1/) = π
31 Sebaran Gamma SEBARAN GAMMA. Peubah acak kontinyu X memiliki sebaran gamma dengan parameter α dan β, jika fungsi kerapatannya diberikan oleh f ( x) = 0 ( α ) dimana α>0 dan β>0. 1 = x 1 α 1 β x e α β Γ, x > 0, lainnya f(x) α=1, β=1 0.5 α=, β=1 α=4, β= x Grafik sebaran gamma. Jika α=1, sebaran menjadi eksponensial.
32 Sebaran eksponensial SEBARAN EKSPONENSIAL. Peubah acak kontinyu X akan memiliki sebaran eksponensial dengan parameter β jika fungsi kerapatannya diberikan oleh dimana β>0. f ( x) = = 0 1 e β x β, x > 0, lainnya Sebaran eksponensial memiliki banyak aplikasi dalam statistik, khususnya menyangkut teori keandalan (reliability) dan teori antrian ( queueing theory).
33 Contoh 4.10 Soal: Suatu sistem mengandung komponen tertentu yang waktu kegagalannya (dalam tahun) diberikan oleh peubah acak T yang memiliki sebaran eksponensial dengan parameter β=5. Jika 5 dari komponen ini dipasang pada berbagai sistem, berapa peluang diantaranya tetap berfungsi setelah 8 tahun? Jawab: Peluang suatu komponen tetap berfungsi setelah 8 tahun diberikan oleh P(T>8) = (1/5) 8 e -t/5 dt = e -8/5 ~0. Andaikan X menyatakan jumlah komponen yang masih berfungsi stlh 8 tahun. Maka dengan sebaran binomial P(X ) = 5 b(x;5,0.) = 1-01 b(x;5,0.) = = 0.67
34 Sebaran Chi-kuadrat Kasus khusus kedua untuk sebaran gamma diperoleh ketika α=v/, dan β=. Sebaran yang dihasilkan disebut sebaran chi-kuadrat dengan derajat bebas v. SEBARAN CHI-KUADRAT. Peubah acak kontinyu X memiliki sebaran peluang chi-kuadrat, dengan derajat bebas v, jika fungsi kerapatan peluangnya diberikan oleh f ( x) = = 0 v x 1 1 v Γ dimana v bilangan bulat positif. v x e, x > 0, lainnya Sebaran Chi-kuadrat adalah salah satu perangkat penting dalam bidang pengujian hipotesis.
35 Mean dan variansi TEOREMA 4. Mean dan variansi dari sebaran gamma adalah μ = αβ dan σ = αβ COROLLARY 1. Mean dan variansi dari sebaran eksponensial adalah μ=β dan σ =β COROLLARY. Mean dan variansi dari sebaran chi-kuadrat adalah μ=v dan σ =v
36 4.5 Sebaran Weibull
37 Pengantar Teknologi modern memungkinkan dibuatnya sistem/perangkat yang operasi maupun keselamatannya tergantung dari berbagai komponen. Contoh: sekering dpt terbakar, kolom beton dapat roboh, atau pengindera panas dapat gagal. Komponen yang sama dalam pengaruh lingkungan sama dapat mengalami kegagalan dlm waktu berbeda dan tak teramalkan. Waktu kegagalan atau waktu hidup komponen diukur dari saat mula tertentu sampai gagal dinyatakan dengan peubah acak T dan fungsi rapat peluang f(t). Salah satu yang terpenting dalam permasalahan keandalan adalah sebaran Weibull.
38 Sebaran Weibull SEBARAN WEIBULL. Peubah acak kontinyu T disebut memiliki sebaran Weibull dengan parameter α dan β, jika fungsi kerapatan peluangnya diberikan oleh dimana α>0 dan β>0. f ( t) = αβ t = 0 β 1 e αt β, t > 0, lainnya f(t) β=1 β= β= Sebaran Weibull (α=1) t
39 Mean dan variansi Terlihat kurva berbeda-beda untuk parameter yang berlainan, khususnya β. Jika β=1, sebaran Weibull menjadi sebaran eksponensial. Untuk β>1, kurva mendekati bentuk lonceng dan mirip kurva normal, tapi punya skewness. TEOREMA 4.3 Mean dan variansi dari sebaran Weibull adalah: μ = α -1/β Γ(1+1/β) σ = α -/β {Γ(1+/β) [Γ(1+1/β)] }
40 Aplikasi Untuk menerapkan sebaran Weibull dalam teori keandalan, definisikan keandalan dari produk sebagai peluang bahwa produk ini berfungsi secara benar untuk sedikitnya dalam waktu tertentu dalam kondisi percobaan tertentu pula. Jadi, jika R(t) keandalan komponen pada saat t, maka R(t) = P(T>t) = 1 f(t) dt = 1-F(t) dimana F(t) adalah sebaran kumulatif dari T. Peluang bersyarat bahwa suatu komponen akan gagal dalam selang T=t sampai T= t + Δt, diberikan komponen ini tahan sampai t, adalah [F(t+Δt) F(t)] / R(t)
41 Laju kegagalan adalah Z () t lim = Δ t 0 f = 1 F () t F() t Lanjutan ( t + Δt) F( t) Δt 1 R () t Karena R(t) = 1-F(t) dan R (t) = -F (t), kita dapat menuliskan persamaan diferensial berikut = F R '( t) () t Z(t) = -R (t)/r(t) = -d[ln R(t)]/dt dan kemudian dengan memecahkan ln[r(t)] = - Z(t) dt = f R () t () t, atau R(t) = exp(- Z(t)dt) + c dimana c menyatakan asumsi awal R(0) =1 atau F(0) = 1-R(0) =0. Terlihat bahwa pengetahuan fungsi kerapatan f(t) atau laju kegagalan Z(t) saling menentukan.
42 Contoh 4.11 Soal: Tunjukkan bahwa fungsi laju kegagalan diberikan oleh Z(t) = αβt β-1, t>0 jika dan hanya jika sebaran waktu ke kegagalan adalah sebaran Weibull dengan fungsi kerapatan f(t) = αβt β-1 exp(-αt β ), t>0 Jawab: asumsikan bahwa Z(t) = αβt β-1, t>0. Maka kita dapat menuliskan f(t) = Z(t) R(t), dimana R(t) = exp(- Z(t)dt) = exp(- αβt β-1 dt) = exp(αt β +c) dari kondisi R(0) = 1, kita temukan c=0. Maka R(t) = exp(-αt β ) dan f(t) = αβt β-1 exp(-αt β ), t>0
43 Lanjutan Dengan mengasumsikan f(t) = αβt β-1 exp(-αt β ), t>0 maka Z(t) ditentukan dengan menuliskan Z(t) = f(t)/r(t) dimana R(t) = 1-F(t) = 1-0t αβx β-1 exp(-αx β )dx, = 1+ 0t d(exp(-αx β )) = exp (-αt β ) Maka Z(t) = αβt β-1 exp(-αt β )/exp(-αt β ) = αβt β-1, t>0 Dlm contoh ini, laju kegagalan menurun thd waktu jika β<1, meningkat jika β>1, dan konstan jika β=1. Dari sudut pandang β=1 sebaran Weibull menjadi eksponensial, asumsi kegagalan konstan sering diacu sebagai asumsi eksponensial.
44 Selesai
DISTRIBUSI NORMAL. Pertemuan 3. Distribusi Normal_M. Jainuri, M.Pd 1
DISTRIBUSI NORMAL Pertemuan 3 1 Distribusi Normal Pertama kali diperkenalkan oleh Abraham de Moivre (1733). De Moivre menemukan persamaan matematika untuk kurva normal yang menjadi dasar dalam banyak teori
Lebih terperinciSTATISTIKA. Muhamad Nursalman Pendilkom/Ilkom UPI
STATISTIKA Muhamad Nursalman Pendilkom/Ilkom UPI 1 Daftar Isi Bab 1 Peluang Bab Peubah Acak Bab 3 Distribusi Peluang Diskret Bab 4 Distribusi Peluang Kontinu Bab 5 Fungsi Peubah Acak Bab 6 Teori Penaksiran
Lebih terperinciDistribusi Probabilitas : Gamma & Eksponensial
Distribusi Probabilitas : Gamma & Eksponensial 11 Debrina Puspita Andriani E-mail : debrina.ub@gmail.com / debrina@ub.ac.id 2 Outline Distribusi Gamma Distribusi Eksponensial 3 Distribusi Gamma Tidak selamanya
Lebih terperinciProbabilitas dan Statistika Distribusi Peluang Kontinyu 1. Adam Hendra Brata
Probabilitas dan Statistika Distribusi Peluang Kontinyu 1 Adam Hendra Brata Variabel Acak Kontinyu - Variabel Acak Kontinyu Suatu variabel yang memiliki nilai pecahan didalam range tertentu Distribusi
Lebih terperinciBeberapa Distribusi Peluang. Bahan Kuliah II2092 Probabilitas dan Statistik Oleh: Rinaldi Munir Sekolah Teknik Elektro dan Informatika ITB
Beberapa Distribusi Peluang Kontinu Bahan Kuliah II2092 Probabilitas dan Statistik Oleh: Rinaldi Munir Sekolah Teknik Elektro dan Informatika ITB 1 Distribusi Seragam Kontinu Distribusi Seragam kontinu
Lebih terperinciDISTRIBUSI NORMAL. Pertemuan 3. 1 Pertemuan 3_Statistik Inferensial
DISTRIBUSI NORMAL Pertemuan 3 1 Pertemuan 3_Statistik Inferensial Distribusi Normal Pertama kali diperkenalkan oleh Abraham de Moivre (1733). De Moivre menemukan persamaan matematika untuk kurva normal
Lebih terperinciBAHAN AJAR STATISTIKA DASAR Matematika STKIP Tuanku Tambusai Bangkinang 4. BEBERAPA DISTRIBUSI PELUANG DISKRET
Pertemuan 7. BAHAN AJAR STATISTIKA DASAR Matematika STKIP Tuanku Tambusai Bangkinang 4. BEBERAPA DISTRIBUSI PELUANG DISKRET 4. Pendahuluan 4.2 Distribusi seragam diskret 4.3 Distribusi binomial dan multinomial
Lebih terperinciKumpulan pasangan nilai-nilai dari variabel acak X dengan probabilitas nilai-nilai variabel random X, yaitu P(X=x) disebut distribusi probabilitas X
Kumpulan pasangan nilai-nilai dari variabel acak X dengan probabilitas nilai-nilai variabel random X, yaitu P(X=) disebut distribusi probabilitas X (distribusi X) Diskrit Seragam Binomial Hipergeometrik
Lebih terperinci5. Fungsi dari Peubah Acak
5. Fungsi dari Peubah Acak EL2002-Probabilitas dan Statistik Dosen: Andriyan B. Suksmono Sebaran cuplikan (n-1)s 2 / σ 2 TEOREMA 5.16 Jika S 2 adalah variansi dari cuplikan acak berukuran n yang diambil
Lebih terperinciSTATISTICS. Oleh: Hanung N. Prasetyo DISTRIBUSI NORMAL WEEK 6 TELKOM POLTECH/HANUNG NP
STATISTICS WEEK 6 Oleh: Hanung N. Prasetyo DISTRIBUSI NORMAL Pengantar: Dalam pokok bahasan disini memuat beberapa distribusi kontinyu yang sangat penting di bidang statistika. diantaranya distribusi normal.
Lebih terperinciDistribusi Diskrit dan Kontinu yang Penting. Oleh Azimmatul Ihwah
Distribusi Diskrit dan Kontinu yang Penting Oleh Azimmatul Ihwah Distribusi Diskrit Fungsi probabilitas dari variabel random diskrit dapat dinyatakan dalam formula matematik tertentu yang dinamakan fungsi
Lebih terperinciMODUL II DISTRIBUSI PELUANG DISKRIT DAN KONTINU
DISTRIBUSI PELUANG DISKRIT DAN KONTINU A. TUJUAN PRAKTIKUM Melalui praktikum Modul II ini diharapkan praktikan dapat: 1. Mengenal jenis dan karakteristik dari beberapa distribusi peluang. 2. Menguji dan
Lebih terperinciDistribusi Normal. Statistika (MAM 4137) Syarifah Hikmah JS
Distribusi Normal Statistika (MAM 4137) Syarifah Hikmah JS Outline Kurva normal Luas daerah di bawah kurva normal Penerapan sebaran normal DISTRIBUSI NORMAL model distribusi kontinyu yang paling penting
Lebih terperinciBEBERAPA DISTRIBUSI PELUANG KONTINU. Normal, Gamma, Eksponensial, Khi-Kuadrat, Student dan F
BEBERAPA DISTRIBUSI PELUANG KONTINU Normal, Gamma, Eksponensial, Khi-Kuadrat, Student dan F Distribusi Normal Distribusi yang terpenting dalam bidang statistika, penemu : DeMoivre (733) dan Gauss Bergantung
Lebih terperinciPENS. Probability and Random Process. Topik 5. Beberapa jenis Distribusi Variabel Acak. Prima Kristalina April 2015
Program Pasca Sarjana Terapan Politeknik Elektronika Negeri Surabaya Probability and Random Process Topik 5. Beberapa jenis Distribusi Variabel Acak Prima Kristalina April 215 1 Outline 1. Beberapa macam
Lebih 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 terperinci6. Teori Estimasi. EL2002-Probabilitas dan Statistik. Dosen: Andriyan B. Suksmono
6. Teori Estimasi EL2002-Probabilitas dan Statistik Dosen: Andriyan B. Suksmono Pendahuluan Inferensi statistik adalah metoda untuk menarik inferensi atau membuat generalisasi dari suatu populasi. Ada
Lebih terperinci2. Peubah Acak (Random Variable)
. Peubah Acak (Random Variable) EL00-Probabilitas dan Statistik Dosen: Andriyan B. Suksmono Isi 0. Review dari EL009 KonsepPeubahAcak Sebaran Peluang Diskrit Sebaran Peluang Kontinyu Sebaran Empiris Sebaran
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2. Probabilitas Probabilitas adalah suatu nilai untuk mengukur tingkat kemungkinan terjadinya suatu peristiwa (event) akan terjadi di masa mendatang yang hasilnya tidak pasti (uncertain
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 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 terperinci5. Fungsi dari Peubah Acak
5. Fungsi dari Peubah Acak EL00-Probabilitas dan Statistik Dosen: Andrian B. Suksmono Isi. Transformasi Peubah Acak. Fungsi Pembangkit Momen 3. Pencuplikan Acak 4. Teori Pencuplikan 5. Pencuplikan Sebaran
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Teori Probabilitas (Peluang) Probabilitas adalah suatu nilai untuk mengukur tingkat kemungkinan terjadinya suatu peristiwa (event) akan terjadi di masa mendatang yang hasilnya
Lebih terperinciMakalah Statistika Distribusi Normal
Makalah Statistika Distribusi Normal Disusun Oleh: Dwi Kartika Sari 23214297 2EB16 Fakultas Ekonomi Jurusan Akuntansi Universitas Gunadarma 2015 Kata Pengantar Puji syukur kehadirat Tuhan Yang Maha Esa
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 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 terperinciKonsep Dasar Statistik dan Probabilitas
Konsep Dasar Statistik dan Probabilitas Pengendalian Kualitas Statistika Ayundyah Kesumawati Prodi Statistika FMIPA-UII September 30, 2015 Ayundyah (UII) Konsep Dasar Statistik dan Probabilitas September
Lebih terperinciDistribusi Probabilitas Kontinyu Teoritis
Distribusi Probabilitas Kontinyu Teoritis Suprayogi Dist. Prob. Teoritis Kontinyu () Distribusi seragam kontinyu (continuous uniform distribution) Distribusi segitiga (triangular distribution) Distribusi
Lebih terperinciMA5283 STATISTIKA Bab 3 Inferensi Untuk Mean
MA5283 STATISTIKA Bab 3 Inferensi Untuk Mean Orang Cerdas Belajar Statistika Silabus Silabus dan Tujuan Peubah acak kontinu, distribusi dan Tabel normal, penaksiran titik dan selang, uji hipotesis untuk
Lebih 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 terperinciDISTRIBUSI PROBABILITAS KONTINYU. Nur Hayati, S.ST, MT Yogyakarta, Maret 2016
DISTRIBUSI PROBABILITAS KONTINYU Nur Hayati, S.ST, MT Yogyakarta, Maret 2016 DISTRIBUSI PELUANG KONTINYU Berbeda dengan variabel random diskrit, sebuah variabel random kontinyu adalah variabel yang dapat
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 terperinciMA2181 Analisis Data - U. Mukhaiyar 1
DISTRIBUSI KONTINU Uniform Normal Gamma & Eksponensial MA 2181 Analisis Data Utriweni Mukhaiyar September 20 By NN 2008 DISTRIBUSI UNIFORM Distribusi kontinu yang paling sederhana Notasi: X ~ U (a,b) f.k.p:
Lebih terperinciDISTRIBUSI KONTINU. Utriweni Mukhaiyar
DISTRIBUSI KONTINU Uniform Normal Gamma & Eksponensial MA 2081 Statistika ti tik Dasar Utriweni Mukhaiyar Maret 2012 By NN 2008 Distribusi Uniform Distribusi kontinu yang paling sederhana Notasi: X ~ U
Lebih terperinci4.1.1 Distribusi Binomial
4.1.1 Distribusi Binomial Perhatikan sebuah percobaan dengan ciri-ciri sebagai berikut : Hanya menghasilkan (diperhatikan) dua peristiwa atau kategori, misal S (sukses) dan G (gagal) Dilakukan sebanyak
Lebih terperinciRELIABILITAS & FUNGSI HAZARD. 05/09/2012 MK. Analisis Reliabilitas Darmanto, S.Si.
RELIABILITAS & FUNGSI HAZARD 1 RELIABILITAS Peluang bahwa suatu produk atau jasa akan beroperasi dengan baik dalam jangka waktu tertentu (durabilitas) pada kondisi pengoperasian sesuai dengan desain (suhu,
Lebih terperinciDISTRIBUSI KONTINU. Uniform Normal Gamma & Eksponensial. MA3181 Teori Peluang 3 November 2014 Utriweni Mukhaiyar
DISTRIBUSI KONTINU Uniform Normal Gamma & Eksponensial MA3181 Teori Peluang 3 November 2014 Utriweni Mukhaiyar Distribusi Uniform 2 Distribusi kontinu yang paling sederhana Notasi: X ~ U (a,b) f.k.p: f(x)
Lebih terperinciTugas Kelompok. Mata Kuliah Metodologi Penelitian Kuantitatif. Judul Makalah Revisi DISTRIBUSI PELUANG
Tugas Kelompok Mata Kuliah Metodologi Penelitian Kuantitatif Judul Makalah Revisi DISTRIBUSI PELUANG Kajian Buku Pengantar Statistika Pengarang Nana Sudjana Tugas dibuat untuk memenuhi tugas mata kuliah
Lebih terperinciBinomial Distribution. Dyah Adila
Binomial Distribution Dyah Adila Binomial Distribution adalah bentuk percobaan yang memiliki syarat-syarat sebagai berikut: 1. Percobaan dilakukan sebanyak n kali. 2. Setiap percobaan memiliki dua hasil
Lebih terperinciDISTRIBUSI ERLANG DAN PENERAPANNYA. Rini Kurniasih 1, Getut Pramesti 2 Mahasiswi Pendidikan Matematika FKIP UNS, Dosen Pendidikan Matematika FKIP UNS
DISTRIBUSI ERLANG DAN PENERAPANNYA Rini Kurniasih 1, Getut Pramesti 2 Mahasiswi Pendidikan Matematika FKIP UNS, Dosen Pendidikan Matematika FKIP UNS nia.rini.purita2316@gmail.com, getut.uns@gmail.com ABSTRAK
Lebih terperinciDISTRIBUSI TEORITIS. P(M) = p = probabilitas untuk mendapat bola merah (sukses) 30
DISTRIBUSI TEORITIS Distribusi teoritis merupakan alat bagi kita untuk menentukan apa yang dapat kita harapkan, apabila asumsi-asumsi yang kita buat benar. Distribusi teoritis memungkinkan para pembuat
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Distribusi Normal Salah satu distribusi frekuensi yang paling penting dalam statistika adalah distribusi normal. Distribusi normal berupa kurva berbentuk lonceng setangkup yang
Lebih terperinciDISTRIBUSI PELUANG TEORITIS
Distribusi Teoritis 1/ 15 DISTRIBUSI PELUANG TEORITIS 1. Pendahuluan Titik-titik contoh di dalam Ruang Sampel (S) dapat disajikan dalam bentuk numerik/bilangan.. PEUBAH ACAK Fungsi yang mendefinisikan
Lebih terperinciSTK 211 Metode statistika. Materi 4 Peubah Acak dan Sebaran Peluang
STK 211 Metode statistika Materi 4 Peubah Acak dan Sebaran Peluang 1 Pendahuluan Soal ujian masuk PT diselenggarakan dengan sistem pilihan berganda. Jika jawaban benar diberi nilai 4, salah dikurangi 1
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 PENDAHULUAN 1.1 Latar Belakang Dalam teori probabilitas dan statistika, distribusi binomial adalah distribusi probabilitas diskret jumlah keberhasilan dalam n percobaan ya/tidak (berhasil/gagal)
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 terperinciDISTRIBUSI PELUANG KONTINYU DISTRIBUSI PROBABILITAS
DISTRIBUSI PROBABILITAS Berbeda dengan variabel random diskrit, sebuah variabel random kontinyu adalah variabel yang dapat mencakup nilai pecahan maupun mencakup range/ rentang nilai tertentu. Karena terdapat
Lebih terperinciBAB II DISTRIBUSI PROBABILITAS
BAB II DISTRIBUSI PROBABILITAS.1. VARIABEL RANDOM Definisi 1: Variabel random adalah suatu fungsi yang memetakan ruang sampel (S) ke himpunan bilangan Real (R), dan ditulis X : S R Contoh (Variabel random)
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 terperinciStatistik Dasar. 1. Pendahuluan Persamaan Statistika Dalam Penelitian. 2. Penyusunan Data Dan Penyajian Data
Statistik Dasar 1. Pendahuluan Persamaan Statistika Dalam Penelitian 2. Penyusunan Data Dan Penyajian Data 3. Ukuran Tendensi Sentral, Ukuran Penyimpangan 4. Momen Kemiringan 5. Distribusi Normal t Dan
Lebih terperinciBIOSTATISTIK HIPOTESIS UNTUK PROPORSI MARIA ALMEIDA ( ) NURTASMIA ( ) SOBRI ( )
BIOSTATISTIK UJI HIPOTESIS UNTUK PROPORSI MARIA ALMEIDA (20611003) NURTASMIA (20611022) SOBRI (20611027) : Tahapan-tahapan dalam uji hipotesis 1.Membuat hipotesis nol (H o ) dan hipotesis alternatif (H
Lebih terperinciPengantar Statistika Matematika II
Bab 6: Statistika FMIPA Universitas Islam Indonesia Inferensi Statistik Pendahuluan Inferensi Statistik Inferensi statistik adalah metode untuk menarik kesimpulan mengenai suatu populasi. Inferensi statistik
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 terperinciDISTRIBUSI TEORITIS. Variabel Acak Distribusi Teoritis Binomial Normal
DISTRIBUSI TEORITIS DISTRIBUSI TEORITIS Variabel Acak Distribusi Teoritis Binomial Normal Variabel acak adalah sebuah besaran yang merupakan hasil dari percobaan acak yang secara untung-untungan, dapat
Lebih terperinciDistribusi Peluang Teoritis. Titik-titik contoh di dalam Ruang Sampel (S) dapat disajikan dalam bentuk numerik/bilangan.
Distribusi Peluang Teoritis. Pendahuluan Titik-titik contoh di dalam Ruang Sampel (S) dapat disajikan dalam bentuk numerik/bilangan. Peubah Acak Fungsi yang mendefinisikan titik-titik contoh dalam ruang
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 terperinciSTATISTIKA II (BAGIAN
STATISTIKA II (BAGIAN - ) Oleh : WIJAYA email : zeamays_hibrida@yahoo.com FAKULTAS PERTANIAN UNIVERSITAS SWADAYA GUNUNG JATI CIREBON 008 Wijaya : Statistika II (Bagian-) 0 VI. PENGUJIAN HIPOTESIS Hipotesis
Lebih terperinciBAB 9 DISTRIBUSI PELUANG KONTINU
BAB 9 DISTRIBUSI PELUANG KONTINU A. Pengertian Distribusi Peluang Kontinu Distribusi peluang kontinu adalah peubah acak yang dapat memperoleh semua nilai pada skala kontinu. Ruang sampel kontinu adalah
Lebih terperinciNilai harapan suatu variabel acak x ditulis E (x) didefinisikan E (x) = Σ x. f (x) Var (x) = σ x 2 = E [ x E (x) ] 2 = E (x 2 ) { E (x) } 2
Pertemuan ke- 4 BAB III POPULASI, SAMPEL & DISTRIBUSI TEORITIS VARIABEL DISKRIT DAN FUNGSI PROBABILITAS 3.1 Variabel Random atau Variabel Acak Variabel yang nilainya merupakan suatu bilangan yang ditentukan
Lebih terperinciDISTRIBUSI PROBABILITAS
DISTRIBUSI PROBABILITAS DISTRIBUSI PROBABILITAS Peluang terjadinya nilai variabel random X yang meliputi semua nilai ditentukan melalui distribusi peluang. Distribusi peluang suatu variabel random X adalah
Lebih terperinciDistribusi Normal Distribusi normal, disebut pula distribusi Gauss, adalah distribusi probabilitas yang paling banyak digunakan dalam berbagai
Distribusi Normal Distribusi normal, disebut pula distribusi Gauss, adalah distribusi probabilitas yang paling banyak digunakan dalam berbagai analisis statistika. Distribusi normal baku adalah distribusi
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 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 terperinciStatistika Farmasi
Bab 3: Distribusi Data Statistika FMIPA Universitas Islam Indonesia Distribusi Data Teori dalam statistika berkaitan dengan peluang Konsep dasar peluang tersebut berkaitan dengan peluang distribusi, yaitu
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 terperinciBab 2 DISTRIBUSI PELUANG
Bab 2 DISTRIBUSI PELUANG PENDAHULUAN Setiap peristiwa akan mempunyai peluangnya masingmasing, dan peluang terjadinya peristiwa itu akan mempunyai penyebaran yang mengikuti suatu pola tertentu yang di sebut
Lebih terperinciMetode Statistika. Konsep Peubah Acak dan Sebaran Peluang (Random Variable Concept and Probability Distribution)
Metode Statistika Konsep Peubah Acak dan Sebaran Peluang (Random Variable Concept and Probability Distribution) Konsep Peubah Acak Peubah acak merupakan suatu fungsi yang memetakan ruang kejadian (daerah
Lebih terperinciDISTRIBUSI TEORITIS DISTRIBUSI TEORITIS
DISTRIBUSI TEORITIS DISTRIBUSI TEORITIS Variabel Acak Distribusi Teoritis Binomial Normal 1 Variabel acak adalah sebuah besaran yang merupakan hasil dari percobaan acak yang secara untung-untungan, dapat
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 terperinciSTK 203 TEORI STATISTIKA I
STK 203 TEORI STATISTIKA I V. SEBARAN FUNGSI PEUBAH ACAK V. Sebaran Fungsi Peubah Acak 1 Sebaran Fungsi Peubah Acak Dalam banyak kasus untuk melakukan inferensi terhadap suatu parameter kita lebih banyak
Lebih terperinciBAB V HASIL DAN PEMBAHASAN
17 BAB V HASIL DAN PEMBAHASAN 5.1. Pemeriksaan Data Pengamatan struktur tegakan dilakukan dilima petak ukur dengan luasan masing-masing satu hektar. Sample atau contoh diambil menggunakan metode purposive
Lebih terperinciDISTRIBUSI SATU PEUBAH ACAK
0 DISTRIBUSI SATU PEUBAH ACAK Dalam hal ini akan dibahas macam-macam peubah acak, distribusi peluang, fungsi densitas, dan fungsi distribusi. Pada pembahasan selanjutnya, fungsi peluang untuk peubah acak
Lebih 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 terperinciPeubah acak X yang berdistribusi normal dengan rataan sebagai: 2 ) X ~ N(,
0 DISTRIBUSI NORMAL UMUM Distribusi normal umum ini merupakan distribusi dari peubah acak kontinu yang paling banyak sekali dipakai sebagai pendekatan yang baik dari distribusi lainnya dengan persyaratan
Lebih terperinciMetode Statistika STK211/ 3(2-3)
Metode Statistika STK211/ 3(2-3) Pertemuan V Peubah Acak dan Sebaran Peubah Acak Septian Rahardiantoro - STK IPB 1 Pertemuan minggu lalu kita sudah belajar mengenai cara untuk membuat daftar kemungkinan-kemungkinan
Lebih terperinciBAB II TINJAUAN TEORITIS. Menurut Darnius, O (2006, Hal : 53) simulasi dapat diartikan sebagai suatu
BAB II TINJAUAN TEORITIS 2.1 Pendahulauan Menurut Darnius, O (2006, Hal : 53) simulasi dapat diartikan sebagai suatu rekayasa suatu model logika ilmiah untuk melihat kebenaran/kenyataan model tersebut.
Lebih terperinciOUT LINE. Distribusi Probabilitas Normal. Pengertian Distribusi Probabilitas Normal. Distribusi Probabilitas Normal Standar
3 OUT LINE Pengertian Distribusi Probabilitas Normal Distribusi Probabilitas Normal Distribusi Probabilitas Normal Standar Penerapan Distribusi Probabilitas Normal Standar Pendekatan Normal Terhadap Binomial
Lebih terperinciPertemuan ke Nilai Harapan (Mean atau Rata rata) dan Varians Distribusi Kontinu
Pertemuan ke 5 4.1 Nilai Harapan (Mean atau Rata rata) dan Varians Distribusi Kontinu Fungsi Probabilitas dengan variabel kontinu terdiri dari : 1. Distribusi Normal 2. Distribusi T 3. Distribusi Chi Kuadrat
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 terperinciSTATISTIKA EKONOMI I Chapter 4 Distribusi Probabilitas Normal dan Binomial Chapter 5 Teori Sampling
STATISTIKA EKONOMI I Chapter 4 Distribusi Probabilitas Normal dan Binomial Chapter 5 Teori Sampling Rengganis Banitya Rachmat rengganis.rachmat@gmail.com 4. Distribusi Probabilitas Normal dan Binomial
Lebih terperinciTINJAUAN PUSTAKA Asuransi Kelompok Penyakit Lanjut Usia (Lansia) di Indonesia
3 TINJAUAN PUSTAKA Asuransi Asuransi berasal dari kata assurance atau insurance, yang berarti jaminan atau pertanggungan. Asuransi dalam Undang-Undang No.2 Th 1992 tentang usaha perasuransian adalah perjanjian
Lebih terperinci25/09/2013. Konsep Peubah Acak. Metode Statistika (STK211) Peubah Acak Diskret. Kuis. Tipe Peubah Acak
Konsep Peubah Acak Metode Statistika (STK11) Pertemuan V Konsep Peubah Acak dan Sebaran Peluang (Random Variable Concept and Probability Distribution) Peubah acak merupakan suatu fungsi yang memetakan
Lebih terperinciMakalah Sebagai Salah Satu Tugas dalam Mata Kuliah ANALISIS STATISTIK. Oleh: 1. Trilius Septaliana KR ( ) 2. Aisyah ( )
MOMEN, KEMIRINGAN DAN KERUNCINGAN, DISTRIBUSI NORMAL, DISTRIBUSI T, DISTRIBUSI F, DISTRIBUSI BINOMIAL, DISTRIBUSI POISSON, UJI NORMALITAS DAN HOMOGENITAS, UJI F DAN t, HIPOTESIS, DAN ANOVA Makalah Sebagai
Lebih terperinciBAB II PENGANTAR SOLUSI PERSOALAN FISIKA MENURUT PENDEKATAN ANALITIK DAN NUMERIK
BAB II PENGANTAR SOLUSI PERSOALAN FISIKA MENURUT PENDEKATAN ANALITIK DAN NUMERIK Tujuan Instruksional Setelah mempelajari bab ini pembaca diharapkan dapat: 1. Menjelaskan cara penyelesaian soal dengan
Lebih terperinciPERTEMUAN 2 STATISTIKA DASAR MAT 130
PERTEMUAN 2 STATISTIKA DASAR MAT 130 Data 1. Besaran Statistika berbicara tentang data dalam bentuk besaran (dimensi) Besaran adalah sesuatu yang dapat dipaparkan secara jelas dan pada prinsipnya dapat
Lebih terperinciKURVA NORMAL. (Sumber: Buku Metode Statistika tulisan Sudjana)
KURVA NORMAL (Sumber: Buku Metode Statistika tulisan Sudjana) Distribusi Normal (Distribusi GAUSSE) Kurva Normal Suatu alat statistik yang sangat penting untuk menaksir dan meramalkan peristiwa-peristiwa
Lebih terperinciPengantar Statistika Matematika II
Pengantar a Matematika II Atina Ahdika, S.Si., M.Si. Prodi a FMIPA Universitas Islam Indonesia March 20, 2017 atinaahdika.com t F Parameter adalah karakteristik dari populasi (misal θ) adalah karakteristik
Lebih 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 terperinciPERCOBAAN 5 DISTRIBUSI PROBABILITAS KHUSUS
PERCOBAAN 5 DISTRIBUSI PROBABILITAS KHUSUS 5.1. Tujuan : Setelah melaksanakan praktikum ini mahasiswa diharapkan mampu : Membedakan beberapa jenis distribusi probabilitas variabel acak Menggunakan fungsi
Lebih terperinciDISTRIBUSI PROBABILITAS FERDIANA YUNITA
DISTRIBUSI PROBABILITAS FERDIANA YUNITA DEFINISI DISTRIBUSI PROBABILITAS Model untuk variable acak, yg menggambarkan cara probabilitas tersebar pada semua nilai yang mungkin terjadi dari variable acak
Lebih terperinciII. TINJAUAN PUSTAKA. Dalam bab ini akan dijelaskan mengenai teori-teori yang mendukung dalam
4 II. TINJAUAN PUSTAKA Dalam bab ini akan dijelaskan mengenai teori-teori yang mendukung dalam menentukan momen, kumulan, dan fungsi karakteristik dari distribusi log-logistik (α,β). 2.1 Distribusi Log-Logistik
Lebih terperinciKonsep Dasar Statistik dan Probabilitas
Konsep Dasar Statistik dan Probabilitas Pengendalian Kualitas Statistika Ayundyah Kesumawati Prodi Statistika FMIPA-UII October 7, 2015 Ayundyah (UII) Konsep Dasar Statistik dan Probabilitas October 7,
Lebih terperinciKONSEP DASAR PROBABILITAS DAN DISTRIBUSI PROBABILITAS LELY RIAWATI, ST, MT.
KONSEP DASAR PROBABILITAS DAN DISTRIBUSI PROBABILITAS LELY RIAWATI, ST, MT. EKSPERIMEN suatu percobaan yang dapat diulang-ulang dengan kondisi yang sama CONTOH : Eksperimen : melempar dadu 1 kali Hasilnya
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 terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA Asap atau polutan yang dibuang melalui cerobong asap pabrik akan menyebar atau berdispersi di udara, kemudian bergerak terbawa angin sampai mengenai pemukiman penduduk yang berada
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 terperinciBAB VI DISTRIBUSI PROBABILITAS MENERUS
BAB VI DISTRIBUSI ROBABILITAS MENERUS 6. Distribusi Uniform (seragam) Menerus Distribusi seragam menerus merupakan distribusi yang paling sederhana. Karaketristik distribusi ini adalah fungsi kepadatannya
Lebih terperinciBAB 2 TINJAUAN TEORITIS. Menurut Open Darnius (2006, hal: 53) simulasi dapat diartikan sebagai suatu
xiv BAB 2 TINJAUAN TEORITIS 2.1 Pendahuluan Menurut Open Darnius (2006, hal: 53) simulasi dapat diartikan sebagai suatu rekayasa dari suatu model secara logika ilmiah merupakan suatu metode alternatif
Lebih terperinciSTK 511 Analisis statistika. Materi 3 Sebaran Peubah Acak
STK 511 Analisis statistika Materi 3 Sebaran Peubah Acak 1 Konsep Peluang 2 Peluang Peluang dapat diartikan sebagai ukuran kemungkinan terjadinya suatu kejadian Untuk memahami peluang diperlukan pemahaman
Lebih terperinciDISTRIBUSI PROBABILITAS DAN TERMINOLOGI KEANDALAN
#7 DISTRIBUSI PROBABILITAS DAN TERMINOLOGI KEANDALAN 7.1. Pendahuluan Pada pembahasan terdahulu, keandalan hanya dievaluasi sebagai suatu sistem rekayasa (engineering) dengan tidak menggunakan distribusi
Lebih terperinci