LAMPIRAN. Kajadian adalah suatu himpunan bagian dari ruang contoh Ω. (Grimmett dan Stirzaker, 2001) Definisi A.3 (Medan-σ)
|
|
- Glenna Iskandar
- 7 tahun lalu
- Tontonan:
Transkripsi
1 LAMPIRAN 55
2 56 LAMPIRAN Lampiran 1. Beberapa Definisi dan Lema Teknis Ruang Contoh, Kejadian, dan Peluang Berbagai macam kejadian diperoleh melalui pengamatan dari serangkaian percobaan yang dilakukan dalam kondisi yang sama. Dalam banyak kasus, hasil percobaan tersebut bergantung pada faktor kebetulan dan tidak dapat diprediksi dengan tepat. Tetapi, kita bisa mengetahui semua kemungkinan hasil untuk setiap percobaan. Definisi A.1 (Ruang contoh) Himpunan semua hasil dari suatu percobaan acak disebut ruang contoh dan dinotasikan dengan Ω. Definisi A.2 (Kejadian) Kajadian adalah suatu himpunan bagian dari ruang contoh Ω. Definisi A.3 (Medan-σ) Medan-σ adalah himpunan yang anggotanya merupakan himpunan bagian dari Ω yang memenuhi syarat-syarat sebagai berikut: a) b jika,,, maka c) jika. Medan-σ terkecil mengandung semua selang berbentuk,,, disebut medan Borel, dan anggotanya disebut himpunan Borel.
3 57 Definisi A.4 (Ukuran Peluang) Ukuran peluang P pada Ω, adalah suatu fungsi : 0,1 yang memenuhi a) 0, dan Ω 1. b Jika,,, adalah himpunan angota anggota yang saling lepas yaitu untuk semua pasangan, dengan maka:. Definisi A.5 (Kejadian saling bebas) Kejadian-kejadian A dan B dikatakan saling bebas jika: Secara umum, himpunan kejadian ; dikatakan saling bebas jika: untuk semua himpunan bagian terhingga J dari I. Peubah Acak dan Fungsi Sebaran Definisi A.6 (Peubah acak) Peubah acak adalah suatu fungsi : Ω dengan sifat bahwa Ω untuk setiap. Peubah acak dinotasikan dengan huruf capital seperti X, Y, dan Z. Sedangkan nilai peubah acak dinotasikan dengan huruf kecil seperti x, y, dan z. Setiap peubah acak mempunyai sebaran, sebagaimana didefinisikan berikut ini. Definisi A.7 (Fungsi Sebaran) Fungsi sebaran dari peubah acak X adalah fungsi 0,1 diberikan oleh.
4 58 Definisi A.8 (Peubah acak diskrit) Peubah acak X disebut diskrit jika nilainya hanya pada himpunan bagian tercacah,, dari. Definisi A.9 (Fungsi kepekatan peluang) Fungsi kepekatan peluang dari peubah acak diskrit X adalah fungsi : 0,1 yang diberikan oleh:. Definisi A.10 (Peubah acak Poisson) Jika suatu peubah acak X nilai-nilainya dalam himpunan {0,1,2, } dengan fungsi kepekatan peluang!, untuk 0,1,2, dengan 0, maka X dikatakan memiliki sebaran Poisson dengan parameter. Nilai Harapan, Ragam, Momen Definisi A.11 (Nilai harapan, momen, ragam) Misalkan X adalah peubah acak diskrit dengan fungsi kepekatan peluang p(x). Nilai harapan dari peubah acak X adalah. Moment ke-k, dengan k merupakan bilangan bulat positif, dari suatu peubah acak X adalah. Misalkan momen ke-1,. Maka momen pusat ke-k atau dari peubah acak X adalah.
5 59 Nilai harapan dari peubah acak X merupakan momen pertama dari X, sedangkan ragam merupakan momen pusat ke-2 dari peubah acak X. Ragam (Varian) dari X, dan dilambangkan dengan atau adalah nilai harapan dari kuadrat perbedaan antara peubah acak X dengan nilai harapannya, yaitu. (Hogg et al, 2005) Penduga dan Sifat-sifatnya Definisi A.12 (Statistik) Statistik adalah suatu fungsi dari satu atau lebih peubah acak yang tidak bergantung pada satu atau beberapa parameter. (Hogg et al, 2005) Definisi A.13 (Penduga) Misalkan,,, adalah contoh acak. Suatu statistik,,, yang digunakan untuk menduga fungsi parameter dikatakan sebagai penduga (estimator) bagi, yang dinotasikan sebagai. Nilai,,, dari U dengan nilai pengamatan,, disebut sebagai dugaan (estimate) bagi. Definisi A.14 (Penduga tak bias) (Hogg et al, 2005) a) Suatu statistik yang nilai harapannya sama dengan parameter, dituliskan, disebut penduga tak bias bagi. Selainnya statistik dikatakan berbias. b) Jika lim, maka penduga disebut penduga tak bias asimtotik. (Hogg et al, 2005)
6 60 Definisi A.15 (Penduga konsisten) Suatu statistik yang konvergen dalam peluang ke suatu parameter, disebut penduga konsisten bagi. Definisi A.16 (MSE suatu penduga) (Hogg et al, 2005) Mean Square Error (MSE) dari suatu penduga W untuk parameter adalah fungsi dari yang didefinisikan oleh. Dengan kata lain MSE adalah nilai harapan kuadrat dari selisih antara penduga W dan parameter. Dari sini diperoleh:. Definisi A.17 (O(.)) (Cassella dan Berger, 2002) Simbol O(.) dibaca big-o-h, ini merupakan suatu cara untuk membandingkan besarnya dua fungsi dan dengan x menuju suatu limit L. Notasi, Menyatakan bahwa terbatas, untuk. (Serfling, 1980) Definisi A.18 (o(h)) Suatu fungsi f disebut o(h), 0, jika lim 0. Hal ini berarti bahwa 0 lebih cepat daripada 0. (Ross, 2007) Dengan menggunakan definisi 31 dan 32 maka didapatkan hal-hal sebagai berikut: a) Suatu barisan bilangan nyata {a n } disebut terbatas dan ditulis 1 untuk, jika ada bilangan terhingga A dan B sehingga untuk semua bilangan asli n. b) Suatu barisan yang konvergen ke nol untuk, dapat dituliskan 1, untuk. (Purcell and Varberg, 1998)
7 61 62Definisi A.19 (Fungsi indikator) Misalkan A adalah suatu kejadian. Fungsi indikator dari A adalah suatu fungsi Ω 0,1, yang diberikan oleh 1, jika ω 0, jika ω. (Grimmett and Stirzaker, 2001) Definisi A.20 (Konvergen dalam peluang) Misalkan,,, adalah barisan peubah acak pada suatu ruang peluang Ω,,. Barisan peubah acak dikatakan konvergen dalam peluang ke X, dinotasikan, jika untuk setiap 0 berlaku: 0, untuk. Definisi A.21 (Konvergen dalam sebaran) Misalkan,,, adalah barisan peubah acak pada suatu ruang peluang Ω,,. Barisan peubah acak dikatakan konvergen dalam sebaran ke X, dinotasikan, jika untuk setiap x pada fungsi yang kontinu berlaku, untuk. Definisi A.22 (Titik Lebesque) Suatu titik s dikatakan titik Lebesgue dari fungsi jika 1 lim 0. 2 (Wheeden and Zygmund, 1977)
8 62 Lema A.1 (Formula Young dari Teorema Taylor) Misalkan g memiliki turunan ke-n yang terhingga pada suatu titik x. Maka,! untuk. Bukti: Lihat Serfling (1980) Lema A.2 (Pertidaksamaan Chebyshev) Jika X adalah peubah acak dengan nilai harapan dari ragam, maka untuk setiap k > 0, berlaku:. (Ross, 2007) Bukti: Lihat Lampiran 2. Lema A.3 (Ketaksamaan Cauchy-Schwarz) Jika X dan Y adalah peubah acak dengan momen kedua terbatas maka dan akan bernilai sama dengan jika dan hanya jika 0 1 atau untuk suatu konstanta a. Bukti: Lihat lampiran 3 Lema A.4 (Momen dan momen pusat peubah acak Poisson) Jika X adalah peubah acak Poisson dengan parameter μ, maka i.. (A.1) ii.. (A.2) iii. 3. (A.3) iv (A.4) v. 3. (A.5) (Grimmet dan Stirzaker, 2001) Bukti: Lihat lampiran 4.
9 63 Lampiran 2. Lema A.2 (Pertidaksamaan Chebyshev) Jika X adalah peubah acak dengan nilai harapan dari ragam, maka untuk setiap k > 0, berlaku:. Bukti: Karena adalah peubah acak tak negatif, maka dapat digunakan pertidaksamaan Markov di atas, dengan a = k, sehingga diperoleh dan akhirnya dipeoleh. Jadi Lema A.2 terbukti.
10 64 Lampiran 3. Lema A.3 (Ketaksamaan Cauchy-Schwarz) Jika X dan Y adalah peubah acak dengan momen kedua terbatas maka dan akan bernilai sama dengan jika dan hanya jika 0 1 atau untuk suatu konstanta a. Bukti: Pilih salah satu dari 0 1 atau 0 1. Pada kasus pertama, persamaan akan terpenuhi karena kedua ruas mempunyai nilai nol, sehingga kita dapat mengasumsikan 0 1, yang berarti bahwa X mempunyai suatu nilai 0 dengan peluang positif, sehingga 0. Didefinisikan fungsi kuadrat 2. Fungsi kuadrat di atas akan bernilai minimum pada saat sehingga 0. Untuk setiap yang real ganti dengan 2 2 sehingga 0 Di satu sisi, hal ini berimplikasi bahwa.
11 65 Dan di sisi lain jika sama akan 0. Jika menempati nilai yang tidak nol dengan peluang yang positif, akan didapatkan 0. Hal ini mengakibatkan kontradiksi, maka haruslah 01. Jadi terbukti.
12 66 Lampiran 4. Lema A.4 (Momen pusat) Jika X adalah peubah acak Poisson dengan parameter μ, maka i.. (A.1) ii.. (A.2) iii. 3. (A.3) iv (A.4) v. 3. (A.5) Bukti: Untuk membuktikan persamaan-persamaan di atas digunakan fungsi pembangkit peluang untuk peubah acak Poisson dan Teorema A.1 adalah sebagai berikut!. Teorema A.1 Jika X memiliki fungsi pembangkit peluang, maka i. ii. Secara umum dapat ditulis Bukti: (Grimmet dan Stirzaker, 2001) Berdasarkan teorema dan persamaan (A.6) maka A. 6 (A.7) (A.8) (A.9) (A.10) Dari persamaan (A.7) secara langsung dapat membuktikan persamaan (A.1). Kemudian akan dibuktikan persamaan (A.2), (A.3), (A.4), dan (A.5). Untuk membuktikan persamaan (A.2) digunakan persamaan (A.7) dan (A.8) sehingga 1
13 67. Untuk membuktikan persamaan (A.3) digunakan persamaan (A.7), (A.8), dan (A.9) sehingga Untuk membuktikan persamaan (A.4) digunakan persamaan (A.7), (A.8), (A.9), dan (A.10) sehingga Dengan menggunakan persamaan (A.1), (A.2), (A.3), dan (A.4) maka dapat dibuktikan persamaan (A.5) sebagai berikut
14 68 Lampiran 5. Program-program Simulasi A. Program membangkitkan realisasi proses Poisson periodik untuk interval pengamatan [0,500] Random<-function(wsize,tau) { maxlambda< LAB<-(maxlambda)*wsize N<-rpois(1,LAB) points<-runif(n,0,wsize) lambda<-2*exp(sin((2*pi*points)/tau))+0.02*points p<-lambda/maxlambda p[p<0]<-1e-06 p[p>=1]< hold<-rbinom(n,1,p)==1 selected<-points[hold] return(selected) } # Bangkitkan Proses Poisson dgn wsize=500 dan tau=10 Data<-Random(500,5) Data B. Program membangkitkan Penduga dan grafiknya untuk interval pengamatan interval pengamatan [0,500] Duga<-function(Data,wsize,titik,band,tau) { K<-floor((wsize-titik)/tau) vdt<-1:k for(k in 1:K) { pusat<-titik+(k-1)*tau bawah<-pusat-band atas<-pusat+band sample<-data[data>=bawah&data<=atas] vdt[k]<-length(sample)/(2*k*band) } Dugaan<-((sum(vdt)/log((wsize/tau),base = exp(1))) -( *((wsize/log((wsize/tau),base = exp(1)))))) return(dugaan) } Penduga<-function(Data,wsize,a,b,band,tau) { x<-seq(a,b,0.1) yduga<-seq(a,b,0.1) K<-length(yduga) for(k in 1:K) { titik1<-x[k] yduga[k]<-duga(data,wsize,titik1,band,tau)
15 69 } return(yduga) } #a,b adalah batas bawah dan batas atas interval yang dievaluasi #Program menampilkan gambar fungsi sebenarnya VS fungsi dugaan Gambar<-function(a,b,tau) { x<-seq(a,b,0.1) ytrue<-2*exp(sin((2*pi*x)/tau)) *x plot(x,ytrue,xlim=c(0,10),ylim=c(-2,6),type="l",col=4) par(new=t) plot(x,yduga,xlim=c(0,10),ylim=c(-2,6),type="l",col=6) } # Untuk me-run program gunakan # yduga<-penduga(data,wsize,a,b,band,tau) # Untuk meng-create gambar fungsi sebenarnya VS fungsi dugaan gunakan: # Gambar1<-Gambar(a,b,tau) # Nilai variabel a dan b pada Penduga dan Gambar harus sama # Evaluasi penduga pada selang [0,10], n=500, band=0.8, tau=10 yduga<-penduga(data,500,0,10,0.8,10) Gambar1<-Gambar(0,10,10) C. Program memeriksa kenormalan asimtotik Penduga<-function(wsize,titik,band,tau,L) { Dugaan<-1:L for(l in 1:L) { Data<-Random(wsize,tau) Dugaan[l]<-Duga(Data,wsize,titik,band,tau) } return(dugaan) } dugaan<-penduga(1000,12, ,10,500) mean(dugaan) var(dugaan) qqnorm(dugaan,col=4) qqline(dugaan) D. Program Menentukan lambda dan bandwith optimum untuk interval pengamatan interval pengamatan [0,500] ### Menentukan Bandwith Optimum untuk wsize=500 ### Isikan data tentang tau dan titik s tau<-10 s<-12 lambda<-2*exp(sin((2*pi*s)/tau)) *s lambdaturunan2<-0.32*(pi^2)*((cos((2*pi*s)/tau))^2 -sin((2*pi*s)/tau))*exp(sin((2*pi*s)/tau))
16 70 bandwith<-(((9*lambda*tau)/(2*(lambdaturunan2)^2))/500)^(1/5) lambda bandwith E. Program pendekatan asimtotik nilai harapan dan ragam penduga ### Pendekatan Nilai Harapan untuk tau=5 n=500&1000, ### Isikan data tentang "s" dan "band" s<-6 band< lambdac<-2*exp(sin((2*pi*s)/5)) lambdacturunan2<-0.32*(pi^2)*((cos((2*pi*s)/5))^2- sin((2*pi*s)/5))*exp(sin((2*pi*s)/5)) PendekatanNilaiHarapan<-lambdaC+(lambdaCturunan2*(band^2))/6 PendekatanNilaiHarapan
Lampiran A. Beberapa Definisi dan Lema Teknis
LAMPIRAN 33 Lampiran A. Beberapa Definisi dan Lema Teknis Ruang Contoh, Kejadian dan Peluang Definisi A.1 (Ruang contoh dan kejadian) Suatu percobaan yang dapat diulang dalam kondisi yang sama, yang hasilnya
Lebih terperinciLampiran 1. Beberapa Definisi dan Lema Teknis
Lampiran 1. Beberapa Definisi dan Lema Teknis Ruang Contoh, Kejadian dan Peluang Suatu percobaan yang dapat diulang dalam kondisi yang sama, yang hasilnya tidak dapat diprediksi dengan tepat tetapi kita
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 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 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 terperinciDefenisi 15 (Kejadian) Kejadian adalah suatu himpunan bagian dari Nang contoh a. (Grimmett dan Stirzaker 2001)
Lampiran: Beberapa Definisi dan Lema Teknis Ruang contoh, kejadian dan peluang Berbagai macam pengamatan diperoleh melalui penggulangan percobaan yang dilakukan dalam kondisi yang sama. Dalarn banyak kasus,
Lebih terperinciABSTRACT JOKO DWI SURAWU. Keywords:
ABSTRACT JOKO DWI SURAWU. Asymptotic Distribution of an Estimator for Periodic Component of Intensity Function of a Periodic Poisson Process in the Presence of Linear Trend. Supervised by I WAYAN MANGKU
Lebih terperinciBAB 3 REVIEW SIFAT-SIFAT STATISTIK PENDUGA KOMPONEN PERIODIK
BAB 3 REVIEW SIFAT-SIFAT STATISTIK PENDUGA KOMPONEN PERIODIK 3. Perumusan Penduga Misalkan N adalah proses Poisson non-homogen pada interval 0, dengan fungsi intensitas yang tidak diketahui. Fungsi intensitas
Lebih terperinciIII. HASIL DAN PEMBAHASAN
III. HASIL DAN PEMBAHASAN 3.1 Perumusan Masalah Misalkan adalah proses Poisson nonhomogen pada interval dengan fungsi intensitas yang tidak diketahui. Fungsi intensitas diasumsikan terintegralkan lokal
Lebih terperinciBAB 4 KEKONSISTENAN PENDUGA DARI FUNGSI SEBARAN DAN FUNGSI KEPEKATAN WAKTU TUNGGU DARI PROSES POISSON PERIODIK DENGAN TREN FUNGSI PANGKAT
29 BAB 4 KEKONSISTENAN PENDUGA DARI FUNGSI SEBARAN DAN FUNGSI KEPEKATAN WAKTU TUNGGU DARI PROSES POISSON PERIODIK DENGAN TREN FUNGSI PANGKAT 4.1 Perumusan Penduga Misalkan adalah proses Poisson nonhomogen
Lebih terperinci( x) LANDASAN TEORI. ω Ω ke satu dan hanya satu bilangan real X( ω ) disebut peubah acak. Ρ = Ρ. Ruang Contoh, Kejadian dan Peluang
LANDASAN TEORI Ruang Contoh Kejadian dan Peluang Suatu percobaan yang dapat diulang dalam ondisi yang sama yang hasilnya tida dapat dipredisi secara tepat tetapi ita dapat mengetahui semua emunginan hasil
Lebih terperinciSIFAT-SIFAT STATISTIKA TIKA ORDE-2 FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN LINEAR DAN MODIFIKASINYA NENENG MILA MARLIANA
SIFAT-SIFAT STATISTIKA TIKA ORDE-2 PENDUGA TIPE KERNEL L BAGI K KOMPONEN PERIODIK FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN LINEAR DAN MODIFIKASINYA NENENG MILA MARLIANA SEKOLAH PASCASARJANASARJANA
Lebih terperinciLampiran 1. Beberapa Definisi dan Lema Teknis
DAFTAR PUSTAKA Browder, A. 1996. Mathematical Analysis : An Introduction. Springer. New York. Dudley, R.M. 1989. Real Analysis and Probability. Wadsworth & Brooks. California. Durret, R. 1996. Probability
Lebih terperinci( s) PENDAHULUAN tersebut, fungsi intensitas (lokal) LANDASAN TEORI Ruang Contoh, Kejadian dan Peluang
Latar Belaang Terdapat banya permasalahan atau ejadian dalam ehidupan sehari hari yang dapat dimodelan dengan suatu proses stoasti Proses stoasti merupaan permasalahan yang beraitan dengan suatu aturan-aturan
Lebih terperinciPENDUGAAN KOMPONEN PERIODIK FUNGSI INTENSITAS BERBENTUK FUNGSI PERIODIK KALI TREN FUNGSI PANGKAT PROSES POISSON NON-HOMOGEN WINDIANI ERLIANA
PENDUGAAN KOMPONEN PERIODIK FUNGSI INTENSITAS BERBENTUK FUNGSI PERIODIK KALI TREN FUNGSI PANGKAT PROSES POISSON NON-HOMOGEN WINDIANI ERLIANA DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciKEKONSISTENAN PENDUGA FUNGSI SEBARAN DAN FUNGSI KEPEKATAN PELUANG WAKTU TUNGGU PROSES POISSON PERIODIK DENGAN TREN LINEAR TITA ROBIAH AL ADAWIYAH
KEKONSISTENAN PENDUGA FUNGSI SEBARAN DAN FUNGSI KEPEKATAN PELUANG WAKTU TUNGGU PROSES POISSON PERIODIK DENGAN TREN LINEAR TITA ROBIAH AL ADAWIYAH DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
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 terperinciBAB 3 REVIEW PENDUGAAN FUNGSI INTENSITAS LOKAL DAN GLOBAL DARI PROSES POISSON PERIODIK DENGAN TREN FUNGSI PANGKAT
9 BAB 3 REVIEW PENDUGAAN FUNGSI INTENSITAS LOKAL DAN GLOBAL DARI PROSES POISSON PERIODIK DENGAN TREN FUNGSI PANGKAT Misalkan adalah proses Poisson nonhomogen pada interval dengan fungsi intensitas yang
Lebih terperinciSEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR
SEBARAN ASIMTOTIK PENDUGA KOMPONEN PERIODIK FUNGSI INTENSITAS BERBENTUK PERKALIAN FUNGSI PERIODIK DENGAN TREN LINEAR DARI SUATU PROSES POISSON NON-HOMOGEN LIA YULIAWATI SEKOLAH PASCASARJANA INSTITUT PERTANIAN
Lebih terperinciPENDUGAAN FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN FUNGSI PANGKAT MENGGUNAKAN METODE TIPE KERNEL
PENDUGAAN FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN FUNGSI PANGKAT MENGGUNAKAN METODE TIPE KERNEL Ro fah Nur Rachmawati Jurusan Matematika, Fakultas Sains dan Teknologi, Binus University Jl.
Lebih terperinciBAB IV SIMULASI PEMBANDINGAN PERILAKU PENDUGA FUNGSI INTENSITAS LOKAL PROSES POISSON PERIODIK DENGAN BANDWIDTH OPTIMAL DAN BANDWIDTH OPTIMAL ASIMTOTIK
BAB IV SIMULASI PEMBANDINGAN PERILAKU PENDUGA FUNGSI INTENSITAS LOKAL PROSES POISSON PERIODIK DENGAN BANDWIDTH OPTIMAL DAN BANDWIDTH OPTIMAL ASIMTOTIK Pada bagian ini dilakukan simulasi untuk membandingkan
Lebih terperincipada Definisi 2.28 ada dan nilainya sama dengan ( ) ( ) Untuk memperoleh hasil di atas, ruas kiri persamaan (25) ditulis sebagai berikut ( )
LAMPIRAN 21 Lampiran 1 (Pembuktian Lema 2.1 Lema 2.1 (Eksistensi Fungsi Intensitas global Jika ([ ] adalah proses Poisson periodik dengan fungsi intensitas, maka ([ ] pada Definisi 2.28 ada dan nilainya
Lebih terperinciKEKONVERGENAN MSE PENDUGA KERNEL SERAGAM FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN FUNGSI PANGKAT
KEKONVERGENAN MSE PENDUGA KERNEL SERAGAM FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN FUNGSI PANGKAT Ro fah Nur Rachmawati Mathematics & Statistics Department, School of Computer Science, Binus
Lebih terperinciII. TINJAUAN PUSTAKA. Dalam mengkaji penelitian Karakteristik Penduga Parameter Distribusi Log
II. TINJAUAN PUSTAKA Dalam mengkaji penelitian Karakteristik Penduga Parameter Distribusi Log Normal Menggunakan Metode Generalized Moment digunakan beberapa definisi, dan teorema yang berkaitan dengan
Lebih terperinciKAJIAN BANDWIDTH OPTIMAL PADA PENDUGAAN FUNGSI INTENSITAS LOKAL PROSES POISSON PERIODIK SURASNO
KAJIAN BANDWIDTH OPTIMAL PADA PENDUGAAN FUNGSI INTENSITAS LOKAL PROSES POISSON PERIODIK SURASNO SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2009 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI Dengan
Lebih terperinciBAB IV REDUKSI BIAS PADA PENDUGAAN
BAB IV REDUKSI BIAS PADA PENDUGAAN 4.1. Asimtotik Orde-2 Berdasarkan hasil simulasi pada Helmers dan Mangku (2007) kasus kernel seragam, aproksimasi asimtotik orde pertama pada ragam dan bias, gagal memprediksikan
Lebih terperinciBukti : Dengan menggunakan aturan peluang total (law of total probability), dapat kita nyatakan. e e n. n k
LAMPIRAN Lampiran 1. Pembuktian Lema 1 Lema 1 (Jumlah Peubah Acak Poisson) Misalkan X dan Y adalah peubah acak yang saling bebas dan memiliki sebaran Poisson dengan parameter berturut-turut λ 1 dan λ.
Lebih terperinciBAB II LANDASAN TEORI
4 BAB II LANDASAN TEORI Teori yang ditulis dalam bab ini merupakan beberapa landasan yang digunakan untuk menganalisis sebaran besarnya klaim yang berekor kurus (thin tailed) dan yang berekor gemuk (fat
Lebih terperinciBAB IV SEBARAN ASIMTOTIK PENDUGA TURUNAN PERTAMA DAN KEDUA DARI KOMPONEN PERIODIK FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN LINEAR
3 BAB IV SEBARAN ASIMTOTIK PENDUGA TURUNAN PERTAMA DAN KEDUA DARI KOMPONEN PERIODIK FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN LINEAR 4.. Sebaran asimtotik dari,, Teorema 4. ( Normalitas Asimtotik
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 21 Beberapa Pengertian Definisi 1 [Ruang Contoh] Ruang contoh adalah himpunan semua hasil yang mungkin dari suatu percobaan acak, dan dinotasikan dengan (Grimmet dan Stirzaker,1992)
Lebih 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 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 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 terperinciII. TINJAUAN PUSTAKA
II. TINJAUAN PUSTAKA 2.1 Distribusi Logistik Distribusi logistik merupakan distribusi yang memiliki fungsi kepekatan peluang kontinu. Bentuk kurva distribusi logistik adalah simetris dan uni modal. Bentuk
Lebih terperinci(T.8) SEBARAN ATIMTOTIK FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN FUNGSI PANGKAT
(T.8) SEBARAN ATIMTOTIK FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN FUNGSI PANGKAT Ro fah Nur Rachmawati Universitas Bina Nusantara Jl. K.H. Syahdan No. 9 Palmerah Jakarta Barat 11480 rrachmawati@binus.edu
Lebih terperinciPENDUGAAN FUNGSI SEBARAN DALAM MODEL NONPARAMETRIK RONI WIJAYA
PENDUGAAN FUNGSI SEBARAN DALAM MODEL NONPARAMETRIK RONI WIJAYA DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2013 PERNYATAAN MENGENAI SKRIPSI DAN SUMBER
Lebih terperinciBAB 4 SEBARAN ASIMTOTIK PENDUGA KOMPONEN PERIODIK
BAB 4 SEBARAN ASIMTOTIK PENDUGA KOMPONEN PERIODIK 4. Sebaran Asimtotik,, Teorema 4. (Sebaran Normal Asimtotik,, ) Misalkan fungsi intensitas seperti (3.2) dan terintegralkan lokal. Jika kernel K adalah
Lebih terperinciSEBARAN ASIMTOTIK PENDUGA TURUNAN N PERTAMA DAN KEDUA DARI KOMPONEN PERIODIK FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN LINEAR
SEBARAN ASIMTOTIK PENDUGA TURUNANN PERTAMA DAN KEDUA DARI KOMPONE EN PERIODIK FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN LINEAR SALIWATI SEKOLAH PASCASARJANAA INSTITUT PERTANIAN BOGOR BOGOR
Lebih terperinciLANDASAN TEORI. Distribusi Gamma adalah salah satu keluarga distribusi probabilitas kontinu.
II. LANDASAN TEORI Distribusi Gamma adalah salah satu keluarga distribusi probabilitas kontinu. Distribusi ini merupakan distribusi fungsi padat yang terkenal luas dalam bidang matematika. Distribusi gamma
Lebih terperinciPENDUGAAN KOMPONEN PERIODIK FUNGSI INTENSITAS BERBENTUK FUNGSI PERIODIK KALI TREN LINEAR SUATU PROSES POISSON NON-HOMOGEN WENTI ISMAYULIA
PENDUGAAN KOMPONEN PERIODIK FUNGSI INTENSITAS BERBENTUK FUNGSI PERIODIK KALI TREN LINEAR SUATU PROSES POISSON NON-HOMOGEN WENTI ISMAYULIA DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciTINJAUAN PUSTAKA. Generalized Eksponensial Menggunakan Metode Generalized Momen digunakan. merupakan penjabaran definisi dan teorema yang digunakan:
II. TINJAUAN PUSTAKA Dalam tinjauan pustaka penelitian Karakteristik Penduga Parameter Distribusi Generalized Eksponensial Menggunakan Metode Generalized Momen digunakan beberapa definisi dan teorema yang
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Proses Poisson Periodik Definisi 2.1 (Proses stokastik) Proses stokastik X = {X(t), t T } adalah suatu himpunan dari peubah acak yang memetakan suatu ruang contoh Ω ke suatu
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 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 terperinciII. TINJAUAN PUSTAKA. Dalam proses penelitian untuk mengkaji karakteristik penduga GMM pada data
5 II. TINJAUAN PUSTAKA Dalam proses penelitian untuk mengkaji karakteristik penduga GMM pada data panel ini, penulis menggunakan definisi, teorema dan konsep dasar yang berkaitan dengan pendugaan parameter,
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 terperinciII. TINJAUAN PUSTAKA. Ruang sampel S adalah himpunan semua hasil dari suatu percobaan. Kejadian E
5 II. TINJAUAN PUSTAKA 2.1 Konsep Dasar Peluang Ruang sampel S adalah himpunan semua hasil dari suatu percobaan. Kejadian E adalah himpunan bagian dari ruang sampel. Peluang suatu kejadian P(E) adalah
Lebih terperinciII. LANDASAN TEORI ( ) =
II. LANDASAN TEORI 2.1 Fungsi Definisi 2.1.1 Fungsi Bernilai Real Fungsi bernilai real adalah fungsi yang domain dan rangenya adalah himpunan bagian dari real. Definisi 2.1.2 Limit Fungsi Jika adalah suatu
Lebih terperinciBAB III INTEGRAL LEBESGUE. Pada bab sebelumnya telah disebutkan bahwa ruang dibangun oleh
BAB III INTEGRAL LEBESGUE Pada bab sebelumnya telah disebutkan bahwa ruang dibangun oleh fungsi-fungsi terukur dan memenuhi sifat yang berkaitan dengan integral Lebesgue. Kajian mengenai keterukuran suatu
Lebih terperinciBAB V KEKONVERGENAN BARISAN PADA DAN KETERKAITAN DENGAN. Pada subbab 4.1 telah dibahas beberapa sifat dasar yang berlaku pada koleksi
BAB V KEKONVERGENAN BARISAN PADA DAN KETERKAITAN DENGAN Pada subbab 4.1 telah dibahas beberapa sifat dasar yang berlaku pada koleksi semua fungsi yang terintegralkan Lebesgue, 1. Sebagaimana telah dirumuskan
Lebih terperinciII.TINJAUAN PUSTAKA. Dalam proses penelitian untuk mengkaji karakteristik pendugaan distribusi
II.TINJAUAN PUSTAKA Dalam proses penelitian untuk mengkaji karakteristik pendugaan distribusi generalized weibull menggunakan metode generalized momen ini, penulis menggunakan definisi dan konsep dasar
Lebih terperinciKEKONSISTENAN PENDUGA FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN LINEAR. Oleh: LIA NURLIANA
KEKONSISTENAN PENDUGA FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN LINEAR Oleh: LIA NURLIANA PROGRAM STUDI MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR
Lebih terperinciII. LANDASAN TEORI. sementara grafik distribusi F tidak simetrik dan umumnya sedikit positif seperti
4 II. LANDASAN TEORI 2.1 Distribusi F Distribusi F merupakan salah satu distribusi kontinu. Dengan variabel acak X memenuhi batas X > 0, sehingga luas daerah dibawah kurva sama dengan satu, sementara grafik
Lebih terperinciTINJAUAN PUSTAKA. Dalam menentukan penduga parameter dari distribusi G3F dan karakteristik dari
II. TINJAUAN PUSTAKA Dalam menentukan penduga parameter dari distribusi G3F dan karakteristik dari penduga tersebut, maka dalam hal ini penulis menggunakan beberapa definisi dan teorema yang berkaitan
Lebih 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 terperinciKALKULUS BAB I. PENDAHULUAN DEPARTEMEN TEKNIK KIMIA
KALKULUS BAB I. PENDAHULUAN DEPARTEMEN TEKNIK KIMIA BAB I Bilangan Real dan Notasi Selang Pertaksamaan Nilai Mutlak Sistem Koordinat Cartesius dan Grafik Persamaan Bilangan Real dan Notasi Selang Bilangan
Lebih terperinciPENDUGAAN FUNGSI INTENSITAS BERBENTUK EKSPONENSIAL DARI FUNGSI PERIODIK DITAMBAH TREN LINEAR PADA PROSES POISSON NON-HOMOGEN SALMUN K.
PENDUGAAN FUNGSI INTENSITAS BERBENTUK EKSPONENSIAL DARI FUNGSI PERIODIK DITAMBAH TREN LINEAR PADA PROSES POISSON NON-HOMOGEN SALMUN K. NASIB SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2014 PERNYATAAN
Lebih terperinciSistem Bilangan Real. Pendahuluan
Sistem Bilangan Real Pendahuluan Kalkulus didasarkan pada sistem bilangan real dan sifat-sifatnya. Sistem bilangan real adalah himpunan bilangan real yang disertai operasi penjumlahan dan perkalian sehingga
Lebih terperinciLANDASAN TEORI. Secara umum, himpunan kejadian A i ; i I dikatakan saling bebas jika: Ruang Contoh, Kejadian, dan Peluang
2 LANDASAN TEORI Ruag Cotoh, Kejadia, da Peluag Percobaa acak adalah suatu percobaa yag dapat diulag dalam kodisi yag sama, yag hasilya tidak dapat diprediksi secara tepat tetapi dapat diketahui semua
Lebih terperinciMemahami definisi barisan tak hingga dan deret tak hingga, dan juga dapat menentukan
4 BARISAN TAK HINGGA DAN DERET TAK HINGGA JUMLAH PERTEMUAN : 5 PERTEMUAN TUJUAN INSTRUKSIONAL KHUSUS : Memahami definisi barisan tak hingga dan deret tak hingga, dan juga dapat menentukan kekonvergenan
Lebih terperinciI. PENDAHULUAN. merangkum, dan mempresentasikan data dengan cara informatif. Sedangkan
I. PENDAHULUAN 1.1 Latar Belakang Statistika merupakan ilmu tentang pengumpulan, pengaturan, analisis, dan pendugaan data untuk membantu proses pengambilan keputusan secara lebih efisien. Ilmu statistika
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Proses Poisson Periodik Definisi 2.1 (Proses stokastik) Proses stokastik, adalah suatu himpunan dari peubah acak yang memetakan suatu ruang contoh Ω ke suatu ruang states. Jadi,
Lebih terperinciBAB II LANDASAN TEORI. Pada Bab Landasan Teori ini akan dibahas mengenai definisi-definisi, dan
BAB II LANDASAN TEORI Pada Bab Landasan Teori ini akan dibahas mengenai definisi-definisi, dan teorema-teorema yang akan menjadi landasan untuk pembahasan pada Bab III nanti, diantaranya: fungsi komposisi,
Lebih terperinciMINGGU KE-11 HUKUM BILANGAN BESAR LEMAH DAN KUAT
MINGGU KE-11 HUKUM BILANGAN BESAR LEMAH DAN KUAT HUKUM BILANGAN BESAR LEMAH DAN KUAT Misalkan X 1, X 2, X 3... barisan variabel random. Kita tulis S n = n X i. Dalam subbab ini kita akan menjawab pertanyaan
Lebih terperinciBAB II KAJIAN TEORI. hasil percobaan yang berbeda dan masing-masing mempunyai. itu menyusun kejadian, maka probabilitas kejadian
BAB II KAJIAN TEORI A. Probabilitas Teorema 2.1 (Walpole, 1992) Probabilitas menunjukan suatu percobaan mempunyai hasil percobaan yang berbeda dan masing-masing mempunyai kemungkinan yang sama untuk terjadi,
Lebih terperinciPEUBAH ACAK DAN SEBARANNYA
LOGO STATISTIKA MATEMATIKA I PEUBAH ACAK DAN SEBARANNYA Hazmira Yozza Izzati Rami HG Jurusan Matematika FMIPA Universitas Andalas Percobaan : Pelemparan dua mata uang AA AG GA GG S X Definisi 2.1. Peubah
Lebih terperinciII. TINJAUAN PUSTAKA. Menurut Herrhyanto & Gantini (2009), peubah acak X dikatakan berdistribusi
II. TINJAUAN PUSTAKA 2.1 Distribusi Normal Umum Menurut Herrhyanto & Gantini (2009), peubah acak X dikatakan berdistribusi normal umum, jika dan hanya jika fungsi densitasnya berbentuk: ; Penulisan notasi
Lebih terperinciBAB II TINJAUAN PUSTAKA
3 BAB II TINJAUAN PUSTAKA 2.1 Proses Poisson Periodik Definisi 2.1 (Proses stokastik) Proses stokastik X = {X(t), t T} adalah suatu himpunan dari peubah acak yang memetakan suatu ruang contoh ke suatu
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 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 terperinciTINJAUAN PUSTAKA. Distribusi Weibull adalah distribusi yang paling banyak digunakan untuk waktu
II. TINJAUAN PUSTAKA. Distribusi Weibull Distribusi Weibull adalah distribusi yang paling banyak digunakan untuk waktu hidup dalam tekhnik ketahanan. Distribusi ini adalah distribusi serbaguna yang dapat
Lebih terperinciKONSISTENSI ESTIMATOR
KONSISTENSI ESTIMATOR TUGAS STATISTIKA MATEMATIKA II Oleh 1. Wahyu Nikmatus S. (121810101010) 2. Vivie Aisyafi F. (121810101050) 3. Rere Figurani A. (121810101052) 4. Dwindah Setiari W. (121810101054)
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 terperinciBAB II KAJIAN PUSTAKA
4 BAB II KAJIAN PUSTAKA Pada sub bab ini akan diberikan beberapa definisi dan teori yang mendukung rancangan Sequential Probability Ratio Test (SPRT) yaitu percobaan dan ruang sampel, peubah acak dan fungsi
Lebih terperinciEstimasi Titik. (Point Estimation) Minggu ke 1-3. Prof. Dr. Sri Haryatmi, M. Sc. Universitas Gadjah Mada
Estimasi Titik (Point Estimation) Minggu ke 1-3 Prof. Dr. Sri Haryatmi, M. Sc. Universitas Gadjah Mada 2014 Prof. Dr. Sri Haryatmi, M. Sc. (UGM) Daftar Isi 2014 1 / 33 DAFTAR ISI 1 Minggu 1 Pertemuan 1
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
3 BAB 2 TINJAUAN PUSTAKA 2.1 Proses Poisson Periodik Definisi 2.1 (Proses stokastik) Proses stokastik adalah suatu himpunan dari peubah acak yang memetakan suatu ruang contoh ke suatu ruang state. Jika
Lebih terperinciBAB III FUNGSI TERUKUR LEBESGUE. Setelah dibahas mengenai ukuran Lebesgue dan beberapa sifatnya pada
BAB III FUNGSI TERUKUR LEBESGUE Setelah dibahas mengenai ukuran Lebesgue dan beberapa sifatnya pada Bab II, selanjutnya pada bab ini akan dipelajari gagasan mengenai fungsi terukur Lebesgue. Gagasan mengenai
Lebih terperinciBAB I PENDAHULUAN. Integral Lebesgue merupakan suatu perluasan dari integral Riemann.
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Integral Lebesgue merupakan suatu perluasan dari integral Riemann. Sebagaimana telah diketahui, pengkonstruksian integral Riemann dilakukan dengan cara pemartisian
Lebih terperinciII. TINJAUAN PUSTAKA
II. INJAUAN PUSAKA.1 Penduga Area Kecil Rao (003) mengemukakan bahwa suatu area disebut kecil apabila contoh yang diambil pada area tersebut tidak mencukupi untuk melakukan pendugaan langsung dengan hasil
Lebih terperinciBAB III KEKONVERGENAN LEMAH
BAB III KEKONVERGENAN LEMAH Bab ini membahas inti kajian tugas akhir. Di dalamnya akan dibahas mengenai kekonvergenan lemah beserta sifat-sifat yang terkait dengannya. Sifatsifat yang dikaji pada bab ini
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 terperinciURAIAN POKOK-POKOK PERKULIAHAN
Pertemuan ke-: 10, 11, dan 12 Penyusun : Kosim Rukmana Materi: Barisan Bilangan Real 7. Barisan dan Limit Barisan 6. Teorema Limit Barisan 7. Barisan Monoton URAIAN POKOK-POKOK PERKULIAHAN 7. Barisan dan
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 terperinciPersamaan dan Pertidaksamaan Linear
MATERI POKOK Persamaan dan Pertidaksamaan Linear MATERI BAHASAN : A. Persamaan Linear B. Pertidaksamaan Linear Modul.MTK X 0 Kalimat terbuka adalah kalimat matematika yang belum dapat ditentukan nilai
Lebih terperinciSistem Bilangan Riil
Sistem Bilangan Riil Pendahuluan Kalkulus didasarkan pada sistem bilangan riil dan sifat-sifatnya. Sistem bilangan riil adalah himpunan bilangan riil yang disertai operasi penjumlahan dan perkalian sehingga
Lebih terperinciKONSEP DASAR TERKAIT METODE BAYES
KONSEP DASAR TERKAIT METODE BAYES 2.3. Peubah Acak dan Distribusi Peluang Pada statistika kita melakukan percobaan dimana percobaan tersebut akan menghasilkan suatu peluang. Ruang sampel pada percobaan
Lebih terperinciPENDUGAAN FUNGSI NILAI HARAPAN PADA PROSES POISSON PERIODIK MAJEMUK DENGAN TREN LINEAR BONNO ANDRI WIBOWO
PENDUGAAN FUNGSI NILAI HARAPAN PADA PROSES POISSON PERIODIK MAJEMUK DENGAN TREN LINEAR BONNO ANDRI WIBOWO DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2014
Lebih terperinciLANDASAN TEORI. Dalam proses penelitian pendekatan distribusi generalized t(,,, ), ), melalui distribusi generalized beta 2
5 II. LANDASAN TEORI Dalam proses penelitian pendekatan distribusi generalized t terhadap distribusi gamma dan melalui distribusi generalized beta 2 distribusi generalized diperlukan gamma beberapa konsep
Lebih terperinciINTERVAL, PERTIDAKSAMAAN, DAN NILAI MUTLAK
INTERVAL, PERTIDAKSAMAAN, DAN NILAI MUTLAK Departemen Matematika FMIPA IPB Bogor, 2012 (Departemen Matematika FMIPA IPB) Kalkulus I Bogor, 2012 1 / 19 Topik Bahasan 1 Sistem Bilangan Real 2 Interval 3
Lebih terperinciPERTIDAKSAMAAN
PERTIDAKSAMAAN A. Pengertian 1. Notasi Pertidaksamaan Misalnya ada dua bilangan riil a dan b. Ada beberapa notasi yang bisa dibuat yaitu: a. a dikatakan kurang dari b, ditulis a b jika dan hanya jika a
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 LANDASAN TEORI
BAB II LANDASAN TEORI.1 Peubah Acak dan Distribusinya.1.1 Peubah Acak Definisi.1: Peubah acak adalah suatu fungsi yang menghubungkan sebuah bilangan real dengan setiap unsur di dalam ruang contoh, (Walpole
Lebih terperinciSistem Bilangan Riil
Sistem Bilangan Riil Sistem bilangan N : 1,,,. Z :,-,-1,0,1,,.. N : bilangan asli Z : bilangan bulat Q : bilangan rasional R : bilangan real Q : q R a b, a, b Z, b Q Irasional Contoh Bil Irasional,, 0
Lebih terperinci11. FUNGSI MONOTON (DAN FUNGSI KONVEKS)
11. FUNGSI MONOTON (DAN FUNGSI KONVEKS) 11.1 Definisi dan Limit Fungsi Monoton Misalkan f terdefinisi pada suatu himpunan H. Kita katakan bahwa f naik pada H apabila untuk setiap x, y H dengan x < y berlaku
Lebih terperinciPENDUGAAN FUNGSI NILAI HARAPAN PADA PROSES POISSON PERIODIK MAJEMUK DENGAN TREN FUNGSI PANGKAT INTAN FITRIA SARI
PENDUGAAN FUNGSI NILAI HARAPAN PADA PROSES POISSON PERIODIK MAJEMUK DENGAN TREN FUNGSI PANGKAT INTAN FITRIA SARI DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih terperinciSistem Bilangan Ri l
Sistem Bilangan Riil Sistem bilangan N : bilangan asli Z : bilangan bulat Q : bilangan rasional R : bilangan real N : 1,,,. Z :,-,-1,0,1,,.. Q : a q =, a, b Z, b 0 b R = Q Irasional Contoh Bil Irasional,,π
Lebih terperinciII. LANDASAN TEORI. Pada bab ini akan diberikan beberapa definisi dan teorema yang berkaitan dengan
II. LANDASAN TEORI Pada bab ini akan diberikan beberapa definisi dan teorema yang berkaitan dengan penelitian. Dalam menyelesaikan momen, kumulan dan fungsi karakteristik dari distribusi generalized lambda
Lebih 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 terperinciSistem Bilangan Riil. Pendahuluan
Sistem Bilangan Riil Pendahuluan Kalkulus didasarkan pada sistem bilangan riil dan sifat-sifatnya. Sistem bilangan riil adalah himpunan bilangan riil yang disertai operasi penjumlahan dan perkalian sehingga
Lebih terperinciSTK 203 TEORI STATISTIKA I
STK 203 TEORI STATISTIKA I II. PEUBAH ACAK DISKRET II. Peubah Acak Diskret 1 PEUBAH ACAK DISKRET Definisi 2.1. (Peubah Acak) : Peubah Acak Y adalah suatu fungsi yang memetakan seluruh anggota ruang contoh
Lebih terperinci