Lampiran 1. Beberapa Definisi dan Lema Teknis
|
|
- Harjanti Cahyadi
- 7 tahun lalu
- Tontonan:
Transkripsi
1 DAFTAR PUSTAKA Browder, A Mathematical Analysis : An Introduction. Springer. New York. Dudley, R.M Real Analysis and Probability. Wadsworth & Brooks. California. Durret, R Probability : Theory and Examples. Ed. ke-2. Duxbury Press. New York. Grimmett, G.R. and D.R. Stirzaker Probability and Random Processes. Ed. ke-2. Clarendon Press. Oxford. Helmers, R On estimating the intensity of oil-polution in the North-Sea. CWI Note BS-N9501. Helmers, R. and Zitikis, R On estimation of Poisson intensity function. Annals Institute of Statistical Mathematics, 51,2, Helmers, R., Mangku, I W., and Zitikis, R Consistent estimation of the intensity function of a cyclic Poisson process. Journal of Multivariate Analysis, 84, Helmers, R., Mangku, I W., and Zitikis, R Statistical properties of a kerneltype estimator of the intensity function of a cyclic Poisson process. Journal of Multivariate Analysis, 92, Helmers, R., Mangku, I W., and Zitikis, R A non-parametric estimator for the doubly-periodic Poisson intensity function. Statistical Methodology, 4, Helmers, R. and Mangku, I W Estimating the intensity of a cyclic Poisson process in the presence of linear trend. Accepted by Annals Institute of Statistical Mathematics. Herniwati Kekonsistenan Penduga Turunan Pertama dan Turunan Kedua dari Fungsi Intensitas suatu Proses Poisson Periodik. Departemen Matematika IPB. Skripsi. Bogor. Hogg, R.V., Mc Kean, J.W. and Craig, A.T Introduction to Mathematical Statistics. Ed. ke-6. Prentice Hall, Upper Saddle River. New Jersey. Mangku, I W Nearest neighbor estimation of the intensity function of a cyclic Poisson process. CWI Report PNA-R9914.
2 Mangku, I W Estimating the Intensity of a Cyclic Poisson Process. University of Amsterdam, Amsterdam. Mangku, I W A note on estimation of the global intensity of a cyclic Poisson process in the presence of linear trend. Journal of Mathematics and Its Aplications, 4. Mangku, I W. 2006a. Weak and strong convergence of a kernel-type estimator for the intensity of a periodic Poisson process. Journal of Mathematics and Its Aplications, 5. Mangku, I W. 2006b. Asymptotic normality of a kernel-type estimator for the intensity of a periodic Poisson process. Journal of Mathematics and Its Aplications, 5. Ross, S. M Introduction to Probability Model. Ed. ke-8. Academic Press Inc. Orlando, Florida. Serfling, R. J Approximation Theorems of Mathematical Statistics. John Wiley & Sons. New York. Taylor, H.M. and S. Karlin An Introduction to Stochastic Modeling. Academic Press, Inc. Orlando, Florida. Wheeden, R.L. and A. Zygmund Measure and Integral : An Introduction to Real Analysis. Marcel Dekker, Inc. New York.
3 LAMPIRAN
4 Lampiran 1. Beberapa Definisi dan Lema Teknis Ruang Contoh, Kejadian, dan Peluang Suatu percobaan yang dapat diulang dalam kondisi yang sama, yang hasilnya tidak bisa diprediksi secara tepat tapi kita bisa mengetahui semua kemungkinan hasil yang muncul disebut percobaan acak. Definisi 13 (Ruang Contoh) Ruang contoh adalah himpunan semua hasil yang mungkin dari suatu percobaan acak, dan dinotasikan dengan Ω. (Grimmett and Stirzaker 1992) Definisi 14 (Kejadian) Kejadian adalah suatu himpunan bagian dari ruang contoh Ω. (Grimmett and Stirzaker 1992) Definisi 15 (Kejadian Lepas) Kejadian A dan B disebut saling lepas jika irisan dari keduanya adalah himpunan kosong ( ). (Grimmett and Stirzaker 1992) Definisi 16 (Medan-σ) Medan-σ adalah suatu himpunan F yang anggotanya terdiri atas himpunan bagian ruang contoh Ω, yang memenuhi syarat berikut: 1. F. 2. Jika A F, maka A c F. 3. Jika A 1, A 2, F, maka Ai F. i= 1
5 Misalkan Ω= ( himpunan bilangan nyata ) dan F adalah himpunan dari semua selang terbuka di. Jika B F sehingga B adalah medan-σ, maka B disebut medan-σ Borel yang anggotanya disebut himpunan Borel. Definisi 17 (Ukuran Peluang) Misalkan Ω adalah ruang contoh suatu percobaan dan F adalah medan-σ pada Ω. Suatu fungsi P yang memetakan unsur-unsur F ke himpunan bilangan nyata, atau P : F disebut ukuran peluang jika: 1. P tak negatif, yaitu untuk setiap A F, P(A) P bersifat aditif tak hingga, yaitu jika A 1, A 2, F dengan A j A k =, j k, n n. n = 1 n = 1 maka Ρ A = Ρ( A ) 3. P bernorma satu, yaitu P(Ω) = 1. Pasangan (Ω, F, P ) disebut ruang ukuran peluang atau ruang probabilitas. Definisi 18 (Kejadian Saling Bebas) Kejadian A dan B dikatakan saling bebas jika: Ρ( A B) =Ρ( A) Ρ ( B). Secara umum, himpunan kejadian A i ; i I dikatakan saling bebas jika: Ρ Ai = Ρ i J i J ( A) untuk setiap himpunan bagian J dari I. i (Grimmett and Stirzaker 1992)
6 Peubah Acak dan Fungsi Sebaran Definisi 19 (Peubah Acak) Misalkan Ω adalah ruang contoh dari suatu percobaan acak. Fungsi yang terdefinisi pada Ω yang memetakan setiap unsur ω Ω ke satu dan hanya satu bilangan real (ω) = x disebut peubah acak. Ruang dari adalah himpunan bagian bilangan real A = x : x = (ω), ω Ω. Peubah acak dinotasikan dengan huruf kapital, misalnya, Y, Z. Sedangkan nilai peubah acak dinotasikan dengan huruf kecil seperti x, y, z. Setiap peubah acak memiliki fungsi sebaran. Definisi 20 (Peubah Acak Diskret) Peubah acak dikatakan diskret jika semua himpunan nilai dari peubah acak tersebut merupakan himpunan tercacah. Definisi 21 (Fungsi Sebaran) Misalkan adalah peubah acak dengan ruang A. Misalkan kejadian A=(-,x] A, maka peluang dari kejadian A adalah p ( A) ( x) F ( x) Fungsi F disebut fungsi sebaran dari peubah acak. =Ρ =. Definisi 22 (Fungsi Kerapatan Peluang) Fungsi kerapatan peluang dari peubah acak diskret adalah fungsi p : [0,1] yang diberikan oleh: ( ) ( ) p x =Ρ = x.
7 Definisi 23 (Peubah Acak Poisson) Suatu peubah acak disebut peubah acak Poisson dengan parameter λ, λ > 0, jika fungsi kerapatan peluangnya diberikan oleh k λ λ ( ) ( ). p k =Ρ = k = e, k! untuk k = 0, 1, (Ross 2003) Lema 5 (Jumlah Peubah Acak Poisson) Misalkan dan Y adalah peubah acak yang saling bebas dan memiliki sebaran Poisson dengan parameter berturut-turut λ 1 dan λ 2. Maka +Y memiliki sebaran Poisson dengan parameter λ 1 + λ 2. (Taylor and Karlin 1984) Bukti: lihat Taylor and Karlin Nilai Harapan, Ragam dan Momen Definisi 24 (Nilai Harapan) Misalkan adalah peubah acak diskret dengan fungsi kerapatan peluang ( ) ( ) p x =Ρ = x. Nilai harapan dari, dinotasikan dengan E(), adalah, x x ( ) x ( x ) x p ( x ) Ε = Ρ = = jika jumlah di atas konvergen mutlak. Definisi 25 (Ragam) Misalkan adalah peubah acak diskret dengan fungsi kerapatan peluang p ( x ) dan nilai harapan E(). Maka ragam dari, dinotasikan dengan Var ( ) atau 2 σ, adalah ( ) (( ) ) ( x ( )) p ( x) σ =Ε Ε = Ε. x
8 Definisi 26 (Momen ke-k) Jika k adalah bilangan bulat positif, maka momen ke-k atau m k dari peubah acak k adalah m k ( ) =Ε. Definisi 27 (Momen Pusat ke-k) Jika k adalah bilangan bulat positif, maka momen pusat ke-k atau σ k dari peubah k ( 1 ) acak adalah ( ) σ k =Ε m. Nilai harapan dari peubah acak juga merupakan rataan atau momen pertama dari. Nilai rataan dari kuadrat perbedaan jarak antara peubah acak dengan rataannya disebut ragam atau variance dari. Ragam merupakan momen pusat ke-2 dari peubah acak. Definisi 28 (Fungsi Indikator) Misalkan A adalah suatu kejadian. Fungsi indikator dari A adalah suatu fungsi [ ] Ι : Ω 0,1, yang diberikan oleh: A 1, jikaω A Ι A ( ω) = 0, jika ω A. (Grimmett and Stirzaker 1992) Dengan fungsi indikator kita dapat menyatakan hal berikut : A ( A) ΕΙ =Ρ. Kekonvergenan Peubah Acak Terdapat beberapa cara untuk menginterpretasikan pernyataan kekonvergenan barisan peubah acak, n untuk n. Definisi 29 (Kekonvergenan Dalam Peluang)
9 Misalkan 1, 2,, n adalah barisan peubah acak pada suatu ruang peluang (Ω, F, P ). Barisan peubah acak n dikatakan konvergen dalam peluang ke, dinotasikan untuk n. n p, jika untuk setiap 0 ε > berlaku ( ε ) 0 Ρ >, n (Grimmett and Stirzaker 1992) Penduga Definisi 30 (Statistik) Statistik adalah suatu fungsi dari satu atau lebih peubah acak yang tidak tergantung pada satu atau beberapa parameter yang nilainya tidak diketahui. Definisi 31 (Penduga) Misalkan 1, 2,, n adalah contoh acak. Suatu statistik U( 1, 2,, n ) yang digunakan untuk menduga fungsi parameter g(θ), dikatakan sebagai penduga (estimator) bagi g(θ), dilambangkan oleh gˆn ( θ ). Bilamana nilai 1 = x 1, 2 = x 2,, n = x n, maka nilai U( 1, 2,, n ) disebut sebagai dugaan (estimate) bagi g(θ). Definisi 32 (Penduga Tak Bias) (i) Suatu penduga yang nilai harapannya sama dengan parameter g(θ), yaitu E[U( 1, 2,, n )] = g(θ) disebut penduga tak bias bagi parameter g(θ). Jika sebaliknya, penduga di atas disebut berbias. (ii) Jika Ε U( ) = g( θ ) lim 1, 2,, n n, maka U( 1, 2,, n ) disebut sebagai penduga tak bias asimtotik. Definisi 33 (Penduga Konsisten)
10 Suatu penduga yang konvergen dalam peluang ke parameter g(θ), disebut penduga konsisten bagi g(θ). Definisi 34 (MSE suatu Penduga) Mean Square Error (MSE) dari suatu penduga U bagi parameter g(θ) didefinisikan sebagai MSE(U) = E(U-g(θ)) 2 = (Bias(U)) 2 + Var(U), dengan Bias(U) = EU - g(θ). Definisi 35 (Fungsi Terintegralkan Lokal) Fungsi intensitas λ adalah terintegralkan lokal, jika untuk sembarang himpunan Borel terbatas B kita peroleh μ ( B) λ( ) = s ds <. B (Dudley 1989) Definisi 36 (O(.) dan o(.)) Simbol-simbol ini merupakan cara untuk membandingkan besarnya dua fungsi u(x) dan v(x) dengan x menuju suatu limit L. u x = O( v x ), x L, menyatakan bahwa (i) Notasi ( ) ( ) ( ) ( ) u x v x terbatas, untuk x L. u x = o( v x ), x L, menyatakan bahwa (ii) Notasi ( ) ( ) ( ) ( ) u x v x 0, untuk x L. (Serfling 1980) Definisi 37 (Titik Lebesgue) Kita katakan s adalah titik Lebesgue dari λ jika berlaku h 1 lim λ( s+ x) λ( s) dx= 0 h 0 2h. h (Wheeden and Zygmund 1977)
11 Lema 6 (Teorema Fubini) Misalkan (, A, μ 1 ) dan (Y, B, μ 2 ) adalah dua ruang ukuran σ-finit. Jika f 0 atau f dμ < maka f ( x, y) μ 2( dy) μ 1( dx) = f d μ f ( x, y) μ1( dx) μ2( dy) Y xy =. Y Bukti: lihat Durret (Durret 1996) Lema 7 (Formula Young dari Teorema Taylor) Misalkan g memiliki turunan ke-n yang berhingga pada suatu titik x. Maka k = 1! ( k ) ( x ) k n ( ) ( ) n g g( y ) = g( x ) + y x + o y x, k untuk y x. (Serfling 1980) Bukti: lihat Serfling Lema 8 (Pertidaksamaan Chebyshev) Jika adalah peubah acak dengan rataan μ dan ragam σ 2, maka untuk setiap k > 0, 2 σ Ρ μ k. 2 k (Ross 2003) Bukti: lihat Ross 2003.
12 Lampiran 2. Program Simulasi ## Random<-function(wsize,tau) maxlambda< LAB<-(maxlambda)*wsize N<-rpois(1,LAB) points<-runif(n,0,wsize) lambda<-2*exp(cos((2*pi*points)/tau)) p<-lambda/maxlambda p[p<0]<-1e-06 p[p>=1]< hold<-rbinom(n,1,p)==1 selected<-points[hold] return(selected) ## 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*band) Dugaan<-(sum(vdt)*tau)/wsize return(dugaan) ## Penduga<-function(wsize,titik,band,tau,M) Dugaan<-1:M for(m in 1:M) Data<-Random(wsize,tau) Dugaan[m]<-Duga(Data,wsize,titik,band,tau)
13 Rata2<-mean(Dugaan) Dev<-(sd(Dugaan))^2 return(rata2,dev) ## Penduga1<-function(wsize,titik,band,tau,M) titik1<-titik+band titik2<-titik-band Dugaan_Turunan1<-1:M for(m in 1:M) Data<-Random(wsize,tau) Dugaan1<-Duga(Data,wsize,titik1,band,tau) Dugaan2<-Duga(Data,wsize,titik2,band,tau) Dugaan_Turunan1[m]<-((Dugaan1-Dugaan2)/(2*band)) Rata2_Turunan1<-mean(Dugaan_Turunan1) Dev_Turunan1<-(sd(Dugaan_Turunan1))^2 return(rata2_turunan1,dev_turunan1) ## Penduga2<-function(wsize,titik,band,tau,M) titik3<-titik+(2*band) titik4<-titik-(2*band) Dugaan_Turunan2<-1:M for(m in 1:M) Data<-Random(wsize,tau) Dugaan<-Duga(Data,wsize,titik,band,tau) Dugaan3<-Duga(Data,wsize,titik3,band,tau) Dugaan4<-Duga(Data,wsize,titik4,band,tau) Dugaan_Turunan2[m]<-((Dugaan3+Dugaan4-(2*Dugaan))/(4*(band)^2)) Rata2_Turunan2<-mean(Dugaan_Turunan2) Dev_Turunan2<-(sd(Dugaan_Turunan2))^2 return(rata2_turunan2,dev_turunan2) ##
14
II. 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 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 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 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 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 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 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 terperinciLampiran 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 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 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 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 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 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 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 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 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 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 terperinciLAMPIRAN. Kajadian adalah suatu himpunan bagian dari ruang contoh Ω. (Grimmett dan Stirzaker, 2001) Definisi A.3 (Medan-σ)
LAMPIRAN 55 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
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 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 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 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 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 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 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 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 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 terperinciPENDUGAAN FUNGSI RAGAM PADA PROSES POISSON PERIODIK MAJEMUK FITRIANI IDA MAKHMUDAH
PENDUGAAN FUNGSI RAGAM PADA PROSES POISSON PERIODIK MAJEMUK FITRIANI IDA MAKHMUDAH SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2016 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI SERTA PELIMPAHAN
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 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 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 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 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 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 terperinciSEBARAN ASIMTOTIK PENDUGA KOMPONEN PERIODIK FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN FUNGSI PANGKAT RO FAH NUR RACHMAWATI
SEBARAN ASIMTOTIK PENDUGA KOMPONEN PERIODIK FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN FUNGSI PANGKAT RO FAH NUR RACHMAWATI SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2010 PERNYATAAN
Lebih terperinciKEKUATAN KONVERGENSI DALAM PROBABILITAS DAN KONVERGENSI ALMOST SURELY
KEKUATAN KONVERGENSI DALAM PROBABILITAS DAN KONVERGENSI ALMOST SURELY Joko Sungkono* Abstrak : Tujuan yang ingin dicapai pada tulisan ini adalah mengetahui kekuatan konvergensi dalam probabilitas dan konvergensi
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 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 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 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 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 terperinciHukum Iterasi Logaritma
Hukum Iterasi Logaritma Sorta Purnawanti 1, Helma 2, Dodi Vionanda 3 1 Mathematics Department State University of Pag, Indonesia 2,3 Lecturers of Mathematics Department State University of Pag, Indonesia
Lebih terperinciDISTRIBUSI WAKTU BERHENTI PADA PROSES PEMBAHARUAN. Sudarno Jurusan Matematika FMIPA UNDIP. Abstrak
DISTRIBUSI WAKTU BERHENTI PADA PROSES PEMBAHARUAN Sudarno Jurusan Matematika FMIPA UNDIP Abstrak Dalam proses stokhastik yang mana kejadian dapat muncul kembali membentuk proses pembahauruan. Proses pembaharuan
Lebih terperinciDASAR-DASAR TEORI PELUANG
DASAR-DASAR TEORI PELUANG Herry P. Suryawan 1 Ruang Peluang Definisi 1.1 Diberikan himpunan tak kosong Ω. Aljabar-σ (σ-algebra pada Ω adalah koleksi subhimpunan A dari Ω dengan sifat (i, Ω A (ii jika A
Lebih 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 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 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 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 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 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 terperinciPenentuan Daerah Kritis Terbaik dengan Teorema Neyman- Pearson
Vol. 6, No.1, 44-48, Juli 2009 Penentuan Daerah Kritis Terbaik dengan Teorema Neyman- Pearson Georgina M. Tinungki Abstrak Terdapat beberapa metode untuk membangun uji statistik yang baik, diantaranya
Lebih terperinciPENAKSIR RASIO UNTUK VARIANSI POPULASI MENGGUNAKAN KOEFISIEN VARIASI DAN KURTOSIS PADA SAMPLING ACAK SEDERHANA
PENAKSIR RASIO UNTUK VARIANSI POPULASI MENGGUNAKAN KOEFISIEN VARIASI DAN KURTOSIS PADA SAMPLING ACAK SEDERHANA Erpan Gusnawan 1, Arisman Adnan 2, Haposan Sirait 2 1 Mahasiswa Program Studi S1 Matematika
Lebih terperinciPEMILIHAN MODEL REGRESI LINIER DENGAN BOOTSTRAP. Tarno. Jurusan Matematika FMIPA UNDIP Semarang. Subanar Jurusan Matematika FMIPA UGM Yogyakarta
PEMILIHAN MODEL REGRESI LINIER DENGAN BOOTSTRAP Tarno Jurusan Matematika FMIPA UNDIP Semarang Subanar Jurusan Matematika FMIPA UGM Yogyakarta Abstrak Tulisan ini membicarakan tentang penerapan bootstrap
Lebih terperinciSIFAT-SIFAT STATISTIK PENDUGA FUNGSI NILAI HARAPAN PADA PROSES POISSON PERIODIK MAJEMUK DENGAN TREN FUNGSI PANGKAT INTAN FITRIA SARI
SIFAT-SIFAT STATISTIK PENDUGA FUNGSI NILAI HARAPAN PADA PROSES POISSON PERIODIK MAJEMUK DENGAN TREN FUNGSI PANGKAT INTAN FITRIA SARI SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2016 PERNYATAAN
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 terperinciRANCANGAN KURIKULUM PROGRAM DOKTOR STATISTIKA (STK) DALAM KERANGKA KUALIFIKASI NASIONAL INDONESIA (KKNI)
RANCANGAN KURIKULUM PROGRAM DOKTOR STATISTIKA (STK) DALAM KERANGKA KUALIFIKASI NASIONAL INDONESIA (KKNI) PROGRAM DOKTOR STATISTIKA DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN IPA 2 0 1 2 I. Deskripsi
Lebih terperinciREFLEKSIVITAS PADA RUANG ORLICZ DENGAN KEKONVERGENAN RATA-RATA
REFLEKSIVITAS PADA RUANG ORLICZ DENGAN KEKONVERGENAN RATA-RATA Mila Apriliani Utari, Encum Sumiaty, Sumanang Muchtar Departemen Pendidikan Matematika FPMIPA Universitas Pendidikan Indonesia *Coresponding
Lebih terperinciITERASI TIGA LANGKAH PADA PEMETAAN ASIMTOTIK NON- EKSPANSIF
ITERASI TIGA LANGKAH PADA PEMETAAN ASIMTOTIK NON- EKSPANSIF Agung Anggoro, Siti Fatimah 1, Encum Sumiaty 2 Departemen Pendidikan Matematika FPMIPA UPI *Surel: agung.anggoro@student.upi.edu ABSTRAK. Misalkan
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 terperinciPENDUGAAN FUNGSI SEBARAN DAN FUNGSI KEPEKATAN PELUANG WAKTU TUNGGU PROSES POISSON PERIODIK NADIROH
PENDUGAAN FUNGSI SEBARAN DAN FUNGSI KEPEKATAN PELUANG WAKTU TUNGGU PROSES POISSON PERIODIK NADIROH DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2011
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 terperinciPROSES PERCABANGAN PADA DISTRIBUSI POISSON
PROSES PERCABANGAN PADA DISTRIBUSI POISSON Nur Alfiani Santoso, Respatiwulan, dan Nughthoh Arfawi Kurdhi Program Studi Matematika FMIPA UNS Abstrak. Proses percabangan merupakan suatu proses stokastik
Lebih 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 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 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 terperinciPEMODELAN HUBUNGAN PELANGGAN DAN PERUSAHAAN MENGGUNAKAN RANTAI MARKOV ADITYA PRAYUDANTO
PEMODELAN HUBUNGAN PELANGGAN DAN PERUSAHAAN MENGGUNAKAN RANTAI MARKOV ADITYA PRAYUDANTO DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2013 PERNYATAAN
Lebih terperinciHUKUM ITERASI LOGARITMA. TUGAS AKHIR untuk memenuhi sebagian persyaratan memperoleh gelar sarjana sains SORTA PURNAWANTI NIM.
HUKUM ITERASI LOGARITMA TUGAS AKHIR untuk memenuhi sebagian persyaratan memperoleh gelar sarjana sains SORTA PURNAWANTI NIM. 00290 PROGRAM STUDI MATEMATIKA JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU
Lebih 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 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 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 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 terperinciBAB I PENDAHULUAN. dapat dianggap mendekati normal dengan mean μ = μ dan variansi
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Matematika merupakan salah satu cabang ilmu pengetahuan yang melambangkan kemajuan zaman. Oleh karena itu matematika banyak digunakan oleh cabang ilmu lain
Lebih terperinciMENAKSIR PARAMETER µ DARI N( µ, ) DENGAN METODE BAYES
MENAKSIR PARAMETER µ DARI N( µ, ) DENGAN METODE BAYES Hartayuni Saini 1 1 Jurusan Matematika, FMIPA-UNTAD. e-mail: yunh3_chendist@yahoo.co.id Abstrak Untuk menaksir nilai µ dari N(µ, ) umumnya digunakan
Lebih terperinciBAB II TINJAUAN PUSTAKA
3 BAB II TINJAUAN PUSTAKA.1 Ruag Cotoh, Kejadia da Peluag Defiisi.1 (Ruag cotoh da kejadia) Suatu percobaa yag dapat diulag dalam kodisi yag sama, yag hasilya tidak bisa diprediksi secara tepat tetapi
Lebih 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 7 DISTRIBUSI-COMPOUND DAN GENERALIZED SPASIAL MUHAMMAD NUR AIDI
7.1. Pendahuluan BAB 7 DISTRIBUSI-COMPOUND DAN GENERALIZED SPASIAL MUHAMMAD NUR AIDI Pada bab sebelumnya, penyebaran spatial (konfigurasi spasial) dimana ditunjukan sebagai ragam sampel quadran. Bab ini
Lebih terperinciPENAKSIRAN PARAMETER REGRESI LINIER DENGAN METODE BOOTSTRAP MENGGUNAKAN DATA BERDISTRIBUSI NORMAL DAN UNIFORM
BIAStatistics (2015) Vol. 9, 2, hal. 28-32 PENAKSIRAN PARAMETER REGRESI LINIER DENGAN METODE BOOTSTRAP MENGGUNAKAN DATA BERDISTRIBUSI NORMAL DAN UNIFORM Munawar Jurusan Matematika FMIPA Universitas Syiah
Lebih terperinciPenggabungan dan Pemecahan. Proses Poisson Independen
Penggabungan dan Pemecahan Proses Poisson Independen Hanna Cahyaningtyas 1, Respatiwulan 2, Pangadi 3 1 Mahasiswa Program Studi Matematika/FMIPA, Universitas Sebelas Maret 2 Dosen Program Studi Statistika/FMIPA,
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 terperinciPENAKSIR RATA-RATA DISTRIBUSI EKSPONENSIAL TERPOTONG. Agustinus Simanjuntak ABSTRACT
PENAKSIR RATA-RATA DISTRIBUSI EKSPONENSIAL TERPOTONG Agustinus Simanjuntak Mahasiswa Program Studi S1 Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Riau Kampus Bina Widya Pekanbaru
Lebih terperinciPENDUGAAN TURUNAN PERTAMA DAN TURUNAN KEDUA DARI FUNGSI INTENSITAS SUATU PROSES POISSON PERIODIK SYAMSURI
PENDUGAAN TURUNAN PERTAMA DAN TURUNAN KEDUA DARI FUNGSI INTENSITAS SUATU PROSES POISSON PERIODIK SYAMSURI SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2007 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI
Lebih terperinciANALISA SISTEM ANTRIAN M/M/1/N DENGAN RETENSI PELANGGAN YANG MEMBATALKAN ANTRIAN
Analisa Sistem Antrian (Ayi Umar Nawawi) 11 ANALISA SISTEM ANTRIAN M/M/1/N DENGAN RETENSI PELANGGAN YANG MEMBATALKAN ANTRIAN ANALYSIS OF M/M/1/N QUEUEUING SYSTEM WITH RETENTION OF RENEGED CUSTOMERS Oleh:
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 terperinciK NEAREST NEIGHBOR DALAM IMPUTASI MISSING DATA. Susanti, Shantika Martha, Evy Sulistianingsih INTISARI
Buletin Ilmiah Math. Stat. dan Terapannya (Bimaster) Volume 07, No. 1 (2018), hal 9-14. K NEAREST NEIGHBOR DALAM IMPUTASI MISSING DATA Susanti, Shantika Martha, Evy Sulistianingsih INTISARI Missing data
Lebih terperinci0. Pendahuluan. 0.1 Notasi dan istilah, bilangan kompleks
0. Pendahuluan Analisis Fourier mempelajari berbagai teknik menganalisis sebuah fungsi dengan menguraikannya sebagai deret atau integral fungsi tertentu (yang sifat-sifatnya telah kita kenal dengan baik,
Lebih terperinciPENENTUAN HARGA PREMI BERDASARKAN FUNGSI PERMINTAAN DAN TITIK KESETIMBANGANNYA DALAM PORTOFOLIO HETEROGEN
PENENTUAN HARGA PREMI BERDASARKAN FUNGSI PERMINTAAN DAN TITIK KESETIMBANGANNYA DALAM PORTOFOLIO HETEROGEN (PREMIUM PRICING BASED ON DEMAND FUNCTION AND EQUILIBRIUM POINT IN HETEROGENOUS PORTOFOLIO) Usep
Lebih terperinciPENENTUAN PROBABILITAS ABSORPSI DAN EKSPEKTASI DURASI PADA MASALAH KEBANGKRUTAN PENJUDI
PENENTUAN PROBABILITAS ABSORPSI DAN EKSPEKTASI DURASI PADA MASALAH KEBANGKRUTAN PENJUDI Aditya Candra Laksmana, Respatiwulan, dan Ririn Setiyowati Program Studi Matematika Fakultas Matematika dan Ilmu
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 terperinciPEMODELAN KELAHIRAN MURNI DAN KEMATIAN MURNI DENGAN DUA JENIS KELAMIN DENGAN PROSES STOKASTIK
Jurnal Matematika UNAND Vol. 3 No. 2 Hal. 72 79 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PEMODELAN KELAHIRAN MURNI DAN KEMATIAN MURNI DENGAN DUA JENIS KELAMIN DENGAN PROSES STOKASTIK FEBI OKTORA
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 terperinciIII PEMBAHASAN. dengan kendala. Solusi dari permasalahan di atas diberikan oleh Teorema 1 berikut. Teorema 1 R = R (X) didefinisikan oleh
4 III PEMBAHASAN 3.1. Meminimumkan Peluang Keangkrutan (Ruin Proaility) Keijakan suatu perusahaan asuransi dalam memilih kontrak reasuransi sangatlah penting, salah satu pendekatan rasional untuk memilih
Lebih terperinciBAB 5 FUNDAMENTAL DISTRIBUSI PELUANG MUHAMMAD NUR AIDI
BAB 5 FUNDAMENTAL DISTRIBUSI PELUANG MUHAMMAD NUR AIDI 5.1. Pendahuluan Untuk mendeteksi bagaimana konfigurasi titik dalam ruang apakah bersifat acak atau random, regular, ataupun cluster (kelompok); pertama-tama
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 terperinciKata Kunci: Analisis Regresi Linier, Penduga OLS, Penduga GLS, Autokorelasi, Regresor Bersifat Stokastik
Jurnal Matematika UNAND Vol. 3 No. 4 Hal. 168 176 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PERBANDINGAN PENDUGA ORDINARY LEAST SQUARES (OLS) DAN GENERALIZED LEAST SQUARES (GLS) PADA MODEL REGRESI
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 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 terperinciSISTEM ANTRIAN MODEL GEO/G/1 DENGAN VACATION
SISTEM ANTRIAN MODEL GEO/G/1 DENGAN VACATION Novita Eka Chandra 1, Supriyanto 2, dan Renny 3 1 Universitas Islam Darul Ulum Lamongan, novitaekachandra@gmail.com 2 Universitas Jenderal Soedirman, supriyanto
Lebih terperinciPENDUGAAN PARAMETER STATISTIK INDUSTRI 1
PENDUGAAN PARAMETER STATISTIK INDUSTRI 1 Agustina Eunike, ST., MT., MBA Mengetahui populasi dan membuat pernyataan peluang mengenai elemen yang diambil dari populasi tersebut Tidak mengetahui distribusi
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 terperinciPEMODELAN KEMATIAN YANG DIAKIBATKAN OLEH PEMBUNUHAN DAN BUNUH DIRI DI LITHUANIA PADA TAHUN RIDWAN FIRDAUS
PEMODELAN KEMATIAN YANG DIAKIBATKAN OLEH PEMBUNUHAN DAN BUNUH DIRI DI LITHUANIA PADA TAHUN 2003-2004 RIDWAN FIRDAUS DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN
Lebih terperinci