Bagian 2. Probabilitas. Struktur Probabilitas. Probabilitas Subyektif. Metode Frekuensi Relatif Kejadian untuk Menentukan Probabilitas
|
|
- Ratna Budiman
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Probabilitas Bagian Probabilitas A) = peluang (probabilitas) bahwa kejadian A terjadi 0 < A) < 1 A) = 0 artinya A pasti terjadi A) = 1 artinya A tidak mungkin terjadi Penentuan nilai probabilitas: Metode Klasikal Menggunakan Frekuensi Relatif Kejadian Dengan carai subyektif Metode Klasikal untuk menentukan Probabilitas Metode ini menggunakan: Eksperimen, yaitu proses yang menghasilkan outcome, dan Event, yaitu outcome dari suatu ekrperimen ne E) = N N = total banyaknya outcome yang mungkin pada suatu eksperimen n e = banyaknya outcome di mana event E terjadi Pada metode ini probabilitas dapat ditentukan sebelum eksperimen dilakukan (a priori) Metode Frekuensi Relatif Kejadian untuk Menentukan Probabilitas Pada metode ini probabilitas suatu event didapat dari banyaknya event tersebut terjadi di masa lalu, dibagi dengan banyak total kesempatan event tersebut terjadi. Probabilitas Subyektif Hanya didasarkan atas perasaan, intuisi, atau pengetahuan orang yang menentukan probabilitas Meskipun bukan merupakan cara yang ilmiah, namun pendekatan ini dapat saja menghasilkan probabilitas yang cukup akurat Struktur Probabilitas Eksperimen. Contoh: Mencatat kurs US$ terhadap rupiah setiap hari Senin pukul 9 pagi selama 1 bulan Event. Contoh: mendapati kurs US$ terhadap rupiah kurang dari Elementary Event: adalah event yang tidak dapat dipecah lagi menjadi event lain. Ruang sampel (sample space): adalah daftar atau tabel lengkap yang memuat semua elementary event pada suatu eksperimen. 6
2 Struktur Probabilitas (lanjutan) Contoh Ruang : Wawancara dengan pertanyaan jenis penanaman modal (PMA atau PMDN), maka ruang sampelnya adalah: Utk 1 responden: {PMA, PMDN} Utk responden: {PMA-PMA, PMA-PMDN, PMDN-PMA, PMDN-PMDN} Struktur Probabilitas (lanjutan) Union = atau = gabungan. Simbol: U. Intersection = dan = irisan. Simbol:. Contoh: Jika diketahui = {1, 4, 7, 9} dan Y = {, 3, 4, 5, 6}, maka UY = {1,, 3, 4, 5, 6, 7, 9} Y = {4} Y S Y S UY Y Struktur Probabilitas (lanjutan) Mutually Exclusive Events: adalah kejadiankejadian yang tidak mempunyai irisan. Artinya, kejadian yang satu meniadakan kejadian yang Y lainnya; kedua kejadian tidak dapat terjadi secara simultan. Jadi: Y) = 0 apabila dan Y mutually exclusive. Struktur Probabilitas (lanjutan) Independent Events: adalah kejadian-kejadian satu sama lain tidak saling mempengaruhi. Artinya, terjadi atau tidak terjadinya satu kejadian tidak mempengaruhi Y terjadi atau tidak terjadinya kejadian yang lainnya. Jadi: Y) = ) dan Y ) = Y) apabila dan Y adalah kejadian independen. Y) artinya probabilitas bahwa terjadi apabila diketahui Y telah terjadi. Struktur Probabilitas (lanjutan) Collectively Exhaustive Events: adalah daftar semua kejadian elementer (elementary events) yang mungkin terjadi pada sebuah eksperimen. Jadi sebuah ruang sampel selalu terdiri atas Collectively Exhaustive Events. Komplemen dari kejadian A, diberi notasi A yang artinya bukan A adalah semua kejadian elementer pada suatu eksperimen yang bukan A. Jadi: A)+A ) = 1 S Aturan hitungan mn Untuk suatu operasi yang dapat dilakukan dengan m cara dan operasi ke dua yang dapat dilakukan dengan n cara, maka kedua operasi dapat terjadi dalam mn cara. Aturan ini dapat dikembangkan untuk tiga atau lebih operasi. A A 7
3 Pengambilan dari Suatu Populasi Pengambilan sampel berukuran n dari dari populasi berukuran N dengan penggantian (with replacement) akan menghasilkan N n kemungkinan Pengambilan sampel berukuran n dari dari populasi berukuran N tanpa penggantian (without replacement) akan menghasilkan N N! C n N kemungkinan = = n n!( N n)! Marginal, Union, Joint, and Conditional Probabilities Marginal Probability: A) = probabilitas bahwa A terjadi Union Probability: AUB) = probabilitas bahwa A atau B terjadi Joint Probability: AB) = A B) = probabilitas bahwa A dan B terjadi Conditional Probability: A B) = probabilitas bahwa A terjadi apabila diketahui B telah terjadi Aturan Perjumlahan Aturan Umum Perjumlahan: UY) = ) + Y) Y) Aturan Khusus Perjumlahan: Apabila dan Y adalah kejadian yang mutually exclusive, maka UY) = ) + Y) Aturan Perkalian Aturan Umum Perkalian: Y) = ) * Y ) = Y) * Y) Aturan Khusus Perkalian: Apabila dan Y adalah kejadian yang independen, maka UY) = ) * Y) Aturan untuk Probabilitas Bersyarat (Conditional Probability) Probabilitas bahwa terjadi apabila diketahui Y telah terjadi Y ) )* Y ) P ( Y ) = = Y ) Y ) Contoh Soal tentang Probabilitas Di sebuah kota, diketahui bahwa: 41% penduduk mempunyai sepeda motor 19% mempunyai sepeda motor dan mempunyai mobil % mempunyai mobil Apakah kepemilikan sepeda motor dan kepemilikan mobil di kota tersebut independen? Gunakan data di atas untuk menjawabnya. Bila seorang penduduk di kota tersebut diambil secara acak berapa probabilitas bahwa ia memiliki sepeda motor dan tidak memiliki mobil? Bila seorang penduduk di kota tersebut diambil secara acak dan diketahui ia memiliki mobil, berapa probabilitas bahwa ia tidak memiliki sepeda motor? Bila seorang penduduk di kota tersebut diambil secara acak, berapakah probabilitas bahwa ia tidak memiliki sepeda motor dan tidak memiliki mobil? 8
4 Jawab S M S = memiliki sepeda motor; M = memiliki mobil S) = 0.41, SM) = 0.19, M) = 0.. Karena S)M) SM), maka kepemilikan sepeda motor dan kepemilikan mobil tidak independen. dengan diagram Venn didapatkan SM ) = 0.. S M) = S M) / M) = 0.03 / 0. = S M ) = 0.56 (dari diagram Venn) Contoh Soal tentang Probabilitas Hasil sebuah survai yang menanyakan Apakah Anda mempunyai komputer dan/atau kalkulator di rumah? adalah sebagai berikut. Apakah kepemilikan kalkulator dan kepemilikan komputer independen? Kalkulator Komputer Ya Tdk Ya Tdk 3 15 Jawab A = memiliki komputer; B = memiliki kalkulator Kalkulator Ya Komputer Ya Tdk 49 A) = = B) = = AB) = = A)*B) = 0.653*0.76 = AB) A dan B tidak independen Tdk Bagian 3 Variabel Acak Diskret Variabel Acak () Variabel Acak Diskret Variabel acak diskret: hanya mempunyai sejumlah terbatas nilai Variabel acak kontinu: dapat mempunyai tak hingga nilai Rata-rata µ = E( ) = * ) ) f() Deviasi Standar σ = ( µ ) * ) ) =1 f ( x) dx =1 9
5 Distribusi Binomial Distribusi Binomial n = # trials = # sukses p = probabilitas sukses pada satu trial q = 1 - p = probabilitas gagal pada satu trial Rata-rata Distribusi Binomial µ = n* p Deviasi Standar Distribusi Binomial n! ) = p!( n )! σ = q n n * p * q Distribusi Binomial (lanjutan) Terjadi pada: eksperimen yang terdiri atas n trials, dengan setiap trial mempunyai probabilitas sukses p (konstan) MINITAB: Calc -> Probability Distribution -> Binomial Distribusi Poisson Distribusi Poisson: λ e ) =! = 0, 1,,. λ = rata-rata e =.7188 Rata-rata Distribusi Poisson µ = λ Deviasi standar Distribusi Poisson σ = λ Distribusi Poisson merepresentasikan kejadian yang amat jarang. = banyaknya kejadian tersebut terjadi pada suatu waktu atau area MINITAB: Calc -> Probability Distribution -> Poisson λ Bagian 4 Distribusi Normal dan Normal Standar Distribusi Normal (=Gauss) Parameter: µ = rata-rata, dan σ = deviasi standar f(x) Variabel Acak Kontinu µ 10
6 Distribusi Normal dan Normal Standar (lanjutan) Distribusi Normal Standar = distribusi normal untuk µ = 0 dan σ = 1. Konversi dari yang terdistribusi normal ke Z yang terdistribusi normal standar: µ z = σ MINITAB: Calc -> Probability Distribution -> Normal Pilihan Distribusi Probabilitas di dalam MINTAB Calc -> Probability Distribution -> [nama distribusinya, misalnya Normal]. Ada 3 Pilihan: Probability Density Cumulative Probability Inverse Cumulative Probabilty Probability Density Cumulative Probability f(x) f(x) f(input) = output (untuk kontinu) = input) = output (untuk diskret) < input) = output output output µ input µ input Inverse Cumulative Probabilty f(x) < output) = input Contoh Soal Distribusi Kontinu Contoh: Diketahui terdistribusi normal dengan rata-rata 10 dan deviasi standar 15. Carilah x agar >x) = 5%. intput µ output Ans: x =
7 Pendekatan Normal untuk Binomial Binomial: diskret, parameter n dan p Normal: kontinu, parameter µ dan σ Untuk n besar, distribusi binomial akan menyerupai distribusi normal. Jadi untuk masalah binomial dengan n besar, dapat didekati dengan distribusi normal Ingat: Untuk diskret: =x) = ada nilai Untuk kontinu: =x) = 0 Contoh Pendekatan Normal untuk Binomial Untuk yang terdistribusi bimonial dengan n = 80 dan p = 0.3, carilah =4) >30) 30<<34) <33) Jawab: Untuk distribusi bimonial: Rata-rata = µ = np = 80*0.3 = 4 Deviasi Standar = σ = n * p * q = Rata-rata dan deviasi standar tersebut digunakan sebagai parameter distribusi normal = 4) = 3.5 < < 4.5) = < Z < ) diskret kontinu = -0.1 < Z < 0.1) = * = koreksi kontinuitas Cek dengan rumus Binomial: 80! 4 = 4) = !(80 4)! 80 4 = > 30) = > 30.5) = Z > ) diskret kontinu = Z > ) = = koreksi kontinuitas < 34) = 30.5 < < 34.5) = < Z < ) = < Z <.5617) diskret kontinu = = koreksi kontinuitas ) = < 33.5) = Z < ) = Z <.3177) diskret kontinu koreksi kontinuitas = = Distribusi Eksponensial Distribusi Eksponensial (lanjutan) x f ( x) = λe λ Adalah distribusi kontinu dengan x 0 λ > 0 e = Adalah kelompok distribusi dengan parameter = λ yang terjadi pada = 0 Mempunyai ekor di sebelah kanan Nilai x mulai dari nol sampai tak hingga Puncaknya selalu ada di = 0 Kurvanya selalu mengecil untuk yang membesar Menunjukkan distribusi probabilitas untuk waktu antara kejadian acak Rata-rata dan deviasi standarnya: 1 µ = dan λ 1 σ = λ 1
8 f() λ Distribusi Eksponensial (lanjutan) x ) 0 = e λx 0 Contoh Soal Distribusi Eksponensial Di restoran sebuah kota kecil kedatangan pelanggan dapat dianggap terdistribusi Poisson dengan rata-rata 3. pelanggan per 30 menit. Berapa menit waktu rata-rata antar kedatangan pelanggan di restoran tersebut? Berapa probabilitas bahwa antar kedatangan pelanggan ada selang 1 jam atau kurang? Berapa probabilitas bahwa dua pelanggan datang dengan selang waktu kedatangan 15 menit atau lebih? x 0 Jawab µ = 1/3. = Jadi rata-rata 0.313*30 menit = 9.39 menit waktu antar kedatangan pelanggan 1 jam = interval, yaitu * 30 menit. Jadi x =. >) = 1-exp( -3.*) = menit = 0.5 interval. Jadi x = 0.5. >0.5) = exp( -3.*0.5) = 0.0 Bagian 5 Sampling dan Distribusi Sampling Sampling (pengambilan sampel) Dapat menghemat biaya Dapat menghemat waktu Untuk sumberdaya yang terbatas, pengambilan sampel dapat memperluas cakupan studi Bila proses riset bersifat destruktif, pengambilan sampel dapat menghemat produk Apabila akses ke seluruh populasi tidak dapat dilakukan, pengambilan sampel adalah satusatunya pilihan Random Sampling Simple random sampling Stratified random sampling Systematic random sampling Cluster random sampling 13
9 Nonrandom Sampling Convenience sampling Judgement sampling Quota sampling Sampling Distribution (distribusi sampling) untuk Rata-rata Populasi Rata-rata = µ Deviasi standar = σ Rata-rata sampel = Rata-rata sampel = Jadi Variabel acak Rata-rata sampel = Teorema Limit Tengah untuk Ratarata Sampling Distribution (distribusi sampling) untuk Proporsi Apabila sampel berukuran n besar (>30) diambil dari populasi yang mempunyai rata-rata µ dan deviasi standar σ, maka rata-rata sampel akan terdistribusi normal dengan rata-rata µ dan deviasi standar σ/ n Khusus: apabila populasinya terdistribusi normal, maka n pada teorema di atas tidak harus besar. Jadi Z µ σ n = adalah normal standar Proporsi = p Λ pˆ Populasi Proporsi = P Variabel acak Proporsi = Proporsi = p Λ p Λ Teorema Limit Tengah untuk Proporsi Apabila sampel berukuran n diambil dari populasi yang proporsinya P, dengan n*p > 5 dan n*q > 5, maka proporsi sampel p Λ akan terdistribusi normal dengan rata-rata P dan deviasi standar (P*Q/n). Jadi Z = pˆ P P* Q adalah Normal standar n Bagian 6 Estimasi untuk Populasi Tunggal 14
10 Statistika Inferensial Populasi Estimasi Interval untuk µ Selang kepercayaan σ 100(1-α)% untuk µ ± Zα pada sampel besar: n σ σ Artinya: P µ Zα + Zα = 100(1 α)% n n Distribusi Normal Standar Simpulkan (estimasi) tentang parameter mendapatkan statistik α 1-α α Note: apabila σ tidak diketahui dapat digantikan dengan s Estimasi: Estimasi titik, estimasi interval, uji hipotesa Z α 0 Z α Z Estimasi Interval untuk µ (lanjutan) MINITAB: Stat -> Basic Statistics -> 1-sample z Estimasi Interval untuk µ (lanjutan) Output MINITAB: Confidence Intervals The assumed sigma = 10 Variable N Mean StDev SE Mean 95.0 % CI HrgTanah ( 890.9, 957.5) Estimasi Interval untuk µ, sampel kecil. Asumsi: Populasi terdistribusi Normal Selang kepercayaan 100(1-α)% untuk µ pada sampel kecil: s P tα, n 1 n t ± α,n 1 s n s Artinya: µ + t α = 100(1 α )%, n 1 n Estimasi Interval untuk µ sampel kecil (lanjutan) MINITAB: Stat -> Basic Statistics -> 1-sample t α 1-α distribusi t dengan df = n-1 α t α, n 1 0 t α, n 1 t 15
Histogram (contoh MINITAB) Distribusi Frekuensi. Ungrouped Data vs Grouped data Range Class midpoint Frekuensi Relatif Frekuensi Kumulatif
Kursus Statistika Dasar Bagian Statistika Deskriptif Pengelompokan Statistika Statistika Deskriptif: statistika yang menggunakan data pada suatu kelompok untuk menjelaskan atau menarik kesimpulan mengenai
Lebih terperinciSekoin uang logam mempunyai dua permukaan H dan T dilemparkan berkali kali. Hasil yg diperoleh pada setiap pelemparan apakah H atau T di catat Hasil
Pertemuan 13 &14 Sekoin uang logam mempunyai dua permukaan H dan T dilemparkan berkali kali. Hasil yg diperoleh pada setiap pelemparan apakah H atau T di catat Hasil dari keseluruhan event yang didapat
Lebih terperinciESTIMASI. Arna Fariza PENDAHULUAN
ESTIMASI Arna Fariza PENDAHULUAN MATERI LALU Karena adanya berbagai alasan seperti banyaknya individu dalam populasi amatan, maka penelitian keseluruhan terhadap populasi tersebut tidaklah ekonomis, baik
Lebih terperinci28/09/2012 SAMPLE SPACE, SAMPLE POINTS, EVENTS. ω Ω
SAMPLE SPACE, SAMPLE POINTS, EVENTS Sample space,ω, Ω adalah sekumpulan semua sample points,ω, ω yang mungkin; dimana ω Ω Contoh 1. Melemparkan satu buah koin:ω={gambar,angka} Contoh 2. Menggelindingkan
Lebih 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 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 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 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 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 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 terperinciSTATISTIKA II IT
STATISTIKA II IT-011227 Ummu Kalsum UNIVERSITAS GUNADARMA 2017 Keterlambatan : KONTRAK KULIAH MOHON KETERLAMBATAN TIDAK LEBIH 15 MENIT Sanksi atau hukuman, sebagai contoh: Menguraikan pengetahuan tentang
Lebih terperinciLAB MANAJEMEN DASAR MODUL STATISTIKA 1
LAB MANAJEMEN DASAR MODUL STATISTIKA 1 Nama : NPM/Kelas : Fakultas/Jurusan : Hari dan Shift Praktikum : Fakultas Ekonomi Universitas Gunadarma Kelapa dua E531 1 UKURAN STATISTIK Pendahuluan Ukuran statistik
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 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 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 terperinciDISTRIBUSI PROBABILITAS DISKRIT TEORITIS 2. Distribusi Hipergeometrik
DISTRIBUSI PROBABILITAS DISKRIT TEORITIS 2 TI2131 TEORI PROBABILITAS MINGGU KE-10 Distribusi Hipergeometrik Eksperimen hipergeometrik memiliki karakteristik sebagai berikut: 1. sebuah sampel random berukuran
Lebih terperinciUmmu Kalsum UNIVERSITAS GUNADARMA
Ummu Kalsum UNIVERSITAS GUNADARMA 2016 Inferensia Statistika : Mencakup semua metode yang digunakan untuk penarikan kesimpulan atau generalisasi mengenai populasi dengan melakukan pengambilan sampel (sampling)
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 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 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 PROBABILITAS STATISTIKA UNIPA SBY
PENGANTAR PROBABILITAS GANGGA ANURAGA POKOK BAHASAN Konsep dasar probabilitas Teori himpunan Permutasi Kombinasi Koefisien binomial Koefisien multinomial Probabilitas Aksioma probabilitas Probabilitas
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 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 terperinciProbabilitas dan Proses Stokastik
Probabilitas dan Proses Stokastik Tim ProStok Jurusan Teknik Elektro - FTI Institut Teknologi Sepuluh Nopember Surabaya, 2014 O U T L I N E 1. Capaian Pembelajaran 2. Pengantar dan 3. Contoh 4. Ringkasan
Lebih terperinciANALISIS DATA SECARA RANDOM PADA APLIKASI MINITAB DENGAN MENGGUNAKAN DISTRIBUSI PELUANG
LAPORAN RESMI PRAKTIKUM PENGANTAR METODE STATISTIKA MODUL 3 ANALISIS DATA SECARA RANDOM PADA APLIKASI MINITAB DENGAN MENGGUNAKAN DISTRIBUSI PELUANG Oleh : Diana Nafkiyah 1314030028 Nilamsari Farah Millatina
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 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 terperinciSTATISTIK PERTEMUAN VII
STATISTIK PERTEMUAN VII Distribusi Sampling Distribusi Sampling merupakan distribusi teoritis (distribusi kemungkinan) dari semua hasil sampel yang mungkin, dengan ukuran sampel yang tetap N, pada statistik
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 terperinciBiostatistika (KUI 611) TOPIK 3: VARIABEL RANDOM & DISTRIBUSI PROBABILITAS
Biostatistika (KUI 611) TOPIK 3: VARIABEL RANDOM & DISTRIBUSI PROBABILITAS 1 Probabilitas Perlunya pengetahuan tentang probabilitas dalam Biostatistik Pengertian probabilitas, variabel random dan distribusi
Lebih terperinciPROBABILITAS (PELUANG) PENGERTIAN PROBABILITAS
PROBABILITAS (PELUANG) PENGERTIAN PROBABILITAS Dalam kehidupan sehari-hari kita sering mendengar dan menggunakan kata probabilitas (peluang). Kata ini mengisyaratkan bahwa kita berhadapan dengan sesuatu
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 terperinciReview Teori Probabilitas
Rekayasa Trafik 1 Review Teori Probabilitas Rekayasa Trafik Outline Arti Probabilitas Counting Method Random Variable Discrete RV Continuous RV Multiple RVs Rekayasa Trafik 2 Arti Probabilitas Rekayasa
Lebih terperinciHidup penuh dengan ketidakpastian
BAB 2 Probabilitas Hidup penuh dengan ketidakpastian Tidak mungkin bagi kita untuk dapat mengatakan dengan pasti apa yang akan terjadi dalam 1 menit ke depan tapi Probabilitas akan memprediksikan masa
Lebih terperinciSTATISTIK INDUSTRI 1. Random Variable. Distribusi Peluang. Distribusi Peluang Diskrit. Distribusi Peluang Diskrit 30/10/2013 DISKRIT DAN KONTINYU
STATISTIK INDUSTRI 1 Agustina Eunike, ST., MT., MBA Distribusi Peluang DISKRIT DAN KONTINYU Random Variable Random variable / peubah acak: Suatu fungsi yang mengaitkan suatu bilangan real dengan tiap elemen
Lebih terperinciDISTRIBUSI PROBABILITAS
BAB 7 DISTRIBUSI PROBABILITAS Kompetensi Menjelaskan distribusi probabilitas Indikator 1. Menjelaskan distribusi hipergeometris 2. Menjelaskan distribusi binomial 3. Menjelaskan distribusi multinomial
Lebih terperinciHaryoso Wicaksono, S.Si., M.M., M.Kom. 26
Distribusi probabilita kontinu, yaitu apabila random variabel yang digunakan kontinu. Probabilita dihitung untuk nilai dalam suatu interval tertentu. Probabilita di suatu titik = 0. Probabilita untuk random
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 terperinciALJABAR SET & AKSIOMA PROBABILITAS
ALJABAR SET & AKSIOMA PROBABILITAS Pokok Bahasan Sample Space Event Aljabar Set Prinsip dan Aksioma Probabilitas Equally Likely Event Conditional Probability Independent Event Sample Space dan Event Eksperimen
Lebih terperinciSTATISTIKA INDUSTRI 2 TIN 4004
STATISTIKA INDUSTRI 2 TIN 4004 Pertemuan 3 Outline: Uji Hipotesis: Uji t Uji Proportional Referensi: Johnson, R. A., Statistics Principle and Methods, 4 th Ed. John Wiley & Sons, Inc., 2001. Walpole, R.E.,
Lebih terperinciDISTRIBUSI POISSON Pendahuluan Rumus Pendekatan Peluang Poisson untuk Binomial P ( x ; µ ) = (e µ. µ X ) / X! n. p Rumus Proses Poisson
DISTRIBUSI POISSON Pendahuluan Distribusi poisson diberi nama sesuai dengan penemunya yaitu Siemon D. Poisson. Distribusi ini merupakan distribusi probabilitas untuk variabel diskrit acak yang mempunyai
Lebih terperinciModel dan Simulasi Universitas Indo Global Mandiri
Model dan Simulasi Universitas Indo Global Mandiri Nomor random >> angka muncul secara acak (random/tidak terurut) dengan probabilitas untuk muncul yang sama. Probabilitas/Peluang merupakan ukuran kecenderungan
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 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 terperinciDATA COLLECTION PLAN SAMPLING
DATA COLLECTION PLAN Tipe data ada 2 macam: 1. Data kualitatif (categorical), misalnya: status perkawinan, partai politik, warna mata (defined categories). 2. Data kuantitatif (numerical), terdiri atas
Lebih terperinciDistribusi Peluang. Kuliah 6
Distribusi Peluang Kuliah 6 1. Diskrit 1. Bernoulli 2. Binomial 3. Poisson Distribution 2. Kontinu 1. Normal (Gaussian) 2. t 3. F 4. Chi Kuadrat Distribusi Peluang 1.1. Distribusi Bernoulli Distribusi
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 terperinci1. PENGERTIAN. Manfaat Sampling :
1. PENGERTIAN Sampel adalah sebagian dari anggota populasi yang dipilih dengan cara tertentu yang akan diteliti sifat-sifatnya dalam penelitian. Nilai-nilai yang berasal dari data sampel dinamakan dengan
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 terperinciDistribusi Sampling. Ayundyah K., M.Si. PROGRAM STUDI STATISTIKA UNIVERSITAS ISLAM INDONESIA 2015
Distribusi Sampling Ayundyah K., M.Si. PROGRAM STUDI STATISTIKA UNIVERSITAS ISLAM INDONESIA 2015 Populasi dan Sampel Unit adalah entitas (wujud) tunggal, biasanya orang atau suatu obyek, yang diinginkan
Lebih terperinciSTATISTICS. WEEK 4 Hanung N. Prasetyo POLYTECHNIC TELKOM/HANUNG NP
STATISTICS WEEK 4 Hanung N. Prasetyo Pendahuluan: Penyajian distribusi probabilitas dalam bentuk grafis, tabel atau melalui rumusan tidak masalah, yang ingin dilukiskan adalah perilaku (kelakuan) perubah
Lebih terperinciSTATISTIKA INDUSTRI 2 TIN 4004
STATISTIKA INDUSTRI 2 TIN 4004 Pertemuan 2 Outline: Uji Hipotesis: Langkah-langkah Uji Hipotesis Jenis Uji Hipotesis satu populasi Uji Z Referensi: Walpole, R.E., Myers, R.H., Myers, S.L., Ye, K., Probability
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 terperinciDISTRIBUSI PROBABILITAS (PELUANG)
DISTRIBUSI PROBABILITAS (PELUANG) Distribusi Probabilitas (Peluang) Distribusi? Probabilitas? Distribusi Probabilitas? JURUSAN PENDIDIKAN FISIKA FPMIPA UNIVERSITAS PENDIDIKAN INDONESIA Distribusi = sebaran,
Lebih terperinciWilcoxon Signed-Rank Test Single-Sample (Ade Heryana, SST, MKM) April 16, 2017
BINOMIAL SIGN TEST FOR A SINGLE-SAMPLE (Uji Tanda Binomial untuk Satu Sampel) Oleh: Ade Heryana, SST, MKM Prodi Kesehatan Masyarakat, FIKES Univ. Esa Unggul PENDAHULUAN Uji Binomial Sign Single-sample
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 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 terperinciSTK511 Analisis Statistika. Pertemuan 3 Sebaran Peluang Peubah Acak
STK511 Analisis Statistika Pertemuan 3 Sebaran Peluang Peubah Acak Beberapa Konsep Dasar Percobaan statistika: kegiatan yang hasil akhir keluarannya tidak diketahui di awal, tetapi kemungkinan-kemungkinannya
Lebih terperinciSTATISTIKA BISNIS PENDUGAAN STATISTIKA. Deden Tarmidi, SE., M.Ak., BKP. Modul ke: Fakultas Ekonomi dan Bisnis. Program Studi Akuntansi
Modul ke: STATISTIKA BISNIS PENDUGAAN STATISTIKA Fakultas Ekonomi dan Bisnis Deden Tarmidi, SE., M.Ak., BKP. Program Studi Akuntansi www.mercubuana.ac.id PENDAHULUAN Data yang sudah didapat dari populasi
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 terperinciMODUL DISTRIBUSI PROBABILITAS EKSPONENSIAL
MODUL DISTRIBUSI PROBABILITAS EKSPONENSIAL Tujuan Praktikum: Membantu mahasiswa memahami materi Distribusi Eksponensial Pengambilan keputusan dari suatu kasus dengan menggunakan kaidah dan syarat Distribusi
Lebih terperinciLearning Outcomes Sebaran Kontinu Nilai Harapan dan Ragam Beberapa Sebaran Kontinu. Peubah Acak Kontinu. Julio Adisantoso.
Beberapa 27 April 2014 Beberapa Learning Outcome Outline Mahasiswa dapat mengerti dan menentukan peubah acak diskret Mahasiswa dapat memahami dan menghitung nilai harapan Mahasiswa dapat memahami dan menghitung
Lebih terperinciBAB 8 DISTRIBUSI PELUANG DISKRIT
BAB 8 DISTRIBUSI PELUANG DISKRIT A. Peluang Peluang atau yang sering disebut sebagai probabilitas dapat dipandang sebagai cara untuk mengungkapkan ukuran ketidakpastian/ ketidakyakinan/ kemungkinan suatu
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 terperinciEstimasi dan Confidence Interval
Estimasi dan Confidence Interval Tjipto Juwono, Ph.D. June 2017 TJ (SU) Estimasi dan Confidence Interval June 2017 1 / 31 Point Estimate Point Estimate: Adalah suatu nilai tunggal (point) yang diperoleh
Lebih terperinciEstimasi dan Confidence Interval
Estimasi dan Confidence Interval Tjipto Juwono, Ph.D. April 5, 2016 TJ (SU) Estimasi dan Confidence Interval April 2016 1 / 30 Point Estimate Point Estimate: Adalah suatu nilai tunggal (point) yang diperoleh
Lebih terperinciBAB 2 LANDASAN TEORI. Dalam penulisan skripsi ini, dijabarkan beberapa aksioma dan teorema yakni sebagai berikut :
BAB 2 LANDASAN TEORI 2.1 Aksioma dan Teorema Dalam penulisan skripsi ini, dijabarkan beberapa aksioma dan teorema yakni sebagai berikut : Aksioma 1 Untuk setiap kejadian, non-negatif.. Yakni bahwa probabilitas
Lebih terperinciDistribusi Sampling 6.2. Debrina Puspita Andriani /
6. Debrina Puspita Andriani E-mail : debrina.ub@gmail.com / debrina@ub.ac.id Outline Pengertian dan Konsep Dasar Distribusi Sampling Distribusi Sampling Mean Distribusi Sampling Proporsi Distribusi Sampling
Lebih terperinciSTATISTIKA INDUSTRI 2 TIN 4004
STATISTIKA INDUSTRI 2 TIN 4004 Pertemuan 3 Outline: Uji Hipotesis: Uji Z: Proportional Populasi Uji Hipotesis 2 populasi: Uji Z Uji pooled t-test Uji paired t-test Referensi: Johnson, R. A., Statistics
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 terperinciStatistika (MMS-1001)
Statistika (MMS-1001) Dr. Danardono, MPH danardono@ugm.ac.id Program Studi Statistika Jurusan Matematika FMIPA UGM Materi dan Jadual Tatap Muka Pokok Bahasan Sub Pokok Bahasan 1. Statistika Deskriptif
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 terperinciDistribusi Probabilitas Diskrit: Poisson
Distribusi Probabilitas Diskrit: Poisson 7.2 Debrina Puspita Andriani E-mail : debrina.ub@gmail.com / debrina@ub.ac.id 2 Outline Pendahuluan Pendekatan Binomial Poisson Distribusi Poisson Kapan distribusi
Lebih terperinciBAB 5 PENENTUAN POPULASI DAN SAMPEL PENELITIAN. Populasi adalah wilayah generalisasi yang terdiri atas obyek atau
BAB 5 PENENTUAN POPULASI DAN SAMPEL PENELITIAN 5.1. Populasi dan Sampel Populasi adalah wilayah generalisasi yang terdiri atas obyek atau subyek yang memiliki kuantitas atau kualitas tertentu yang ditentukan
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 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 terperinciProbabilitas. Oleh Azimmatul Ihwah
Probabilitas Oleh Azimmatul Ihwah Teori Probabilitas Life is full of uncertainty Dimana terkadang kita tidak tahu apa yang akan terjadi semenit kemudian. Namun suatu kejadian dapat diperkirakan lebih sering
Lebih terperinciSEJARAH DISTRIBUSI POISSON
SEJARAH DISTRIBUSI POISSON Distribusi poisson disebut juga distribusi peristiwa yang jarang terjadi, ditemukanolehs.d. Poisson (1781 1841), 1841), seorang ahli matematika berkebangsaan Perancis. Distribusi
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 terperinci(ESTIMASI/ PENAKSIRAN)
ESTIMASI PENDAHULUAN Karena adanya berbagai alasan seperti banyaknya individu dalam populasi amatan, maka penelitian keseluruhan terhadap populasi tersebut tidaklah ekonomis, baik tenaga, waktu, maupun
Lebih terperinciProbabilitas. Tujuan Pembelajaran
Probabilitas 1 Tujuan Pembelajaran 1.Menjelaskan Eksperimen, Hasil,, Ruang Sampel, & Peluang 2. Menjelaskan bagaimana menetapkan peluang 3. Menggunakan Tabel Kontingensi, Diagram Venn, atau Diagram Tree
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 terperinciUJI STATISTIK NON PARAMETRIK. Widha Kusumaningdyah, ST., MT
UJI STATISTIK NON PARAMETRIK Widha Kusumaningdyah, ST., MT SIGN TEST Sign Test Digunakan untuk menguji hipotesa tentang MEDIAN dan DISTRIBUSI KONTINYU. Pengamatan dilakukan pada median dari sebuah distribusi
Lebih terperinciPemilihan Data (Sampel) Penelitian
Pemilihan Data (Sampel) Penelitian 1. Populasi dan Sampel Populasi yaitu sekelompok orang, kejadian atau segala sesuatu yang mempunyai karakteristik tertentu. Populasi adalah keseluruhan subjek penelitian
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 terperinciPenduga : x p s r b. Pertemuan Ke 9. BAB V PENDUGAAN PARAMETER
Pertemuan Ke 9. BAB V PENDUGAAN PARAMETER 5.1 Pengertian Pendugaan Parameter. Pendugaan merupakan suatu bagian dari statistik inferensia yaitu suatu pernyataan mengenai parameter populasi yang tidak diketahui
Lebih terperinciMuhammad Arif Rahman https://arifelzainblog.lecture.ub.ac.id/
Muhammad Arif Rahman arifelzain@ub.ac.id Populasi Keseluruhan objek penelitian atau keseluruhan elemen yang akan diteliti. Sampel Sebagian dari populasi Representatif dapat memberi gambaran yang tepat
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 terperinciBAB 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI 2.1 Teori Probabilitas (Peluang) Kehidupan sehari-hari sering dihadapkan dengan beberapa pilihan yang harus ditentukan memilih yang mana. Biasanya dihadapkan dengan kemungkinankemungkinan
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 terperinciBAB II PROBABILITAS Ruang sampel (sample space)
BAB II ROBABILITAS 2.1. Ruang sampel (sample space) Data diperoleh baik dari pengamatan kejadian yang tak dapat dikendalikan atau dari percobaan yang dikendalikan dalam laboratorium. Untuk penyederhanaan
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 2 TINJAUAN TEORITIS. Menurut Open Darnius (2009, hal : 53) simulasi dapat diartikan sebagai suatu
BAB 2 TINJAUAN TEORITIS 2.1 Pendahuluan Menurut Open Darnius (2009, hal : 53) simulasi dapat diartikan sebagai suatu rekayasa dari suatu model secara logika ilmiah merupakan suatu metode alternatif untuk
Lebih terperinciMK Statistik Bisnis 2 MultiVariate. Haryoso Wicaksono, S.Si., M.M., M.Kom. 1
Haryoso Wicaksono, S.Si., M.M., M.Kom. 1 Descriptive Statistics mengandung metoda dan prosedur yang digunakan untuk pengumpulan, pengorganisasian, presentasi dan memberikan karakteristik terhadap himpunan
Lebih terperinciPEMBAHASAN UTS 2015/2016 STATISTIKA 1
PEMBAHASAN UTS 2015/2016 STATISTIKA 1 1. pernyataan berikut ini menjelaskan definisi dan cakupan statistika deskriptif, KECUALI : a. statistika deskriptif mendeskripsikan data yang telah dikumpulkan (Organizing)
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 terperinciSTATISTIKA LINGKUNGAN
STATISTIKA LINGKUNGAN TEORI PROBABILITAS Probabilitas -pendahuluan Statistika deskriptif : menggambarkan data Statistik inferensi kesimpulan valid dan perkiraan akurat ttg populasi dengan mengobservasi
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 terperinciMetode Sampling dan Teorema Central Limit
Metode Sampling dan Teorema Central Limit Tjipto Juwono, Ph.D. Oct 28, 2016 TJ (SU) Metode Sampling dan Teorema Central Limit Oct 2016 1 / 52 Mengapa Perlu Sampling? Contoh Kita ingin mengetahui elektabilitas
Lebih terperinci