Bab 3. Teori Comonotonic. 3.1 Pengurutan Variabel Acak

Ukuran: px
Mulai penontonan dengan halaman:

Download "Bab 3. Teori Comonotonic. 3.1 Pengurutan Variabel Acak"

Transkripsi

1 Bab 3 Teor Comonotonc Pada bab n konsep teor comonotonc akan dpaparkan dar awal dan berakhr pada konsep teor n untuk jumlah dar peubah - peubah acak 1. Setelah tu untuk membantu pemahaman akan dberkan sebuah contoh yang sangat berkatan dengan kepentngan tugas akhr n pada bab selanjutnya. 3.1 Pengurutan Varabel Acak Sebelum membahas masalah pengurutan varabel acak, perlu dtekankan bahwa varabel acak yang dgunakan d buku n adalah varabel acak yang memlk mean yang terbatas. Konsep yang dgunakan untuk mengurutkan varabel acak adalah konsep urutan stop loss dan convex. Untuk suatu varabel acak berlaku dengan lm x(1 F (x)) = lm xf (x) = 0 x!1 x! 1 F (x) = Prf xg 1 Semua de ns (kecual de ns 21), teorema, bukt, dan penjelasan d bab n dkutp dar paper [1] The Concept of Comonotoncty n Actuaral Scence and Fnance : Theory karangan J. Dhaene dkk. De ns 21 dkutp dar paper [7] Upper and Lower Bound for Sums of Random Varables karangan R. Kaas dkk. 21

2 BAB 3. TEORI COMONOTONIC 22 dan E[] = Z 0 F (x)dx + Z 1 (1 F (x)) dx: (3.1) 1 Persamaan terakhr dapat kta dapatkan dengan cara sebaga berkut 0 E[] = Z 1 xf(x)dx = Z 0 xf(x)dx Z 1 x [ f(x)] dx E[] = Z 0 xdf (x) Z 1 xd (1 F (x)) : Dengan ntegral parsal kta akan dapatkan 1 0 E[] = xf (x)j 0 1 Z 0 1 Z1 F (x)dx x(1 F (x))j (1 F (x)) dx E[] = Z 0 F (x)dx + Z 1 (1 F (x)) dx 1 0 yang sesua dengan persamaan (3.1). Persamaan n akan kta mod kas menjad E[( 0) + ] = Z 1 (1 F (x)) dx 0 dengan 8 < ( d) + = maxf d; 0g = : 0 d ; > d ; d : De ns 18 Stop Loss Premum dde nskan sebaga E Z1 ( d) + = d [1 F (x)] dx ; 1 < d < 1: (3.2) De ns 19 Msalkan dan Y adalah dua buah peubah acak. Kta katakan melebh Y dalam urutan stop loss, dnotaskan dengan sl Y, jka dan hanya jka memlk stop loss premum yang lebh rendah dar Y E ( d) + E (Y d)+ ; 1 < d < 1:

3 BAB 3. TEORI COMONOTONIC 23 Berkutnya kta akan membuktkan bahwa untuk suatu keadaan yang sesua dengan de ns d atas, kta akan mendapatkan E[] E[Y ]: Untuk membuktkan pernyataan d atas kta akan memsalkan bahwa d adalah suatu blangan yang kecl. Dengan pemsalan n kta dapat mengklam kebenaran pernyataan d atas untuk semua nla d yang lebh besar. Msalkan d < 0 maka E Z1 ( d) + = [1 F (x)] dx = Z 0 [1 F (x)] dx + Z 1 [1 F (x)] dx d d + E Z0 ( d) + = d 0 Z 1 F (x)dx + [1 F (x)] dx lm d+e Z 0 ( d) + = lm d! 1 d! 1 d d 0 F (x)dx+ lm d! 1 Z 1 0 [1 F (x)] dx = E[]: Dengan demkan untuk d! 1, de ns (19) membawa kta kepada hasl yang menunjukkan bahwa E[] E[Y ]: De ns 20 Msalkan dan Y adalah dua buah peubah acak. Kta katakan melebh Y dalam urutan convex, dnotaskan dengan cx Y, jka dan hanya E[] = E[Y ] dan E ( d) + E (Y d)+ ; 1 < d < 1: De ns 21 Msalkan dan Y adalah dua buah peubah acak. Kta katakan melebh Y dalam urutan convex, dnotaskan dengan cx Y, jka dan hanya E[f()] E[f(Y )] untuk semua fungs convex f.

4 BAB 3. TEORI COMONOTONIC 24 Proposs 22 Jka cx Y maka V ar[x] V ar[y ]: Bukt. V ar[] = E[ 2 ] E[] 2 Oleh karena E[] = E[Y ] maka kta cukup membuktkan bahwa E[ 2 ] E[Y 2 ]: Perhatkan bahwa f() = 2 adalah fungs convex. Dengan demkan berlaku E[f()] = E[ 2 ] E[f(Y )] = E[Y 2 ]: Jad jelas terbukt bahwa V ar[] V ar[y ]: 3.2 Invers Fungs Dstrbus Pada bahasan mengena teor peluang nvers fungs dstrbus kumulatf tdak djelaskan karena fungs dstrbus kumulatf bsa saja merupakan suatu fungs yang tdak turun sehngga dapat terjad kemungknan terdapatnya beberapa ttk yang mempunya nla fungs yang sama. Akan tetap pada bahasan n akan djelaskan de ns nvers fungs dstrbus yang "basa" dpaka, yatu dengan memaka sfat fungs dstrbus kumulatf yang tdak turun dan kontnu kanan. Invers fungs dstrbus kumulatf F (x) = Prf xg dde nskan sebaga suatu fungs tak turun yang kontnu kr (p) = nffx 2 R j F (x) p ; p 2 [0; 1]g: (3.3) Adapun sfat yang perlu dperhatkan adalah untuk setap x 2 R dan p 2 [0; 1] berlaku (p) x, F (x) p: Akan tetap pada pembahasan d buku n kta tdak akan mende nskan nvers fungs dstrbus sepert pada pengertan d atas. Untuk tu akan dde nskan suatu bentuk yang lan, yatu + (p) = supfx 2 R j F (x) p ; p 2 [0; 1]g (3.4) suatu fungs tak turun yang kontnu kanan.

5 BAB 3. TEORI COMONOTONIC 25 Dengan kedua bentuk d atas kta akan mendapatkan bahwa untuk setap p 2 [0; 1], plhan yang tepat untuk nvers F d ttk p ada pada nterval tutup dengan ketentuan bahwa F 1 (p); F (p) sup? = 1 nf? = 1 (0) = 1 F (0) = 1: Hal yang patut menjad catatan adalah nvers F d ttk p tdaklah harus (p) atau F (p) akan tetap merupakan salah satu bagan dar selang tutup yang dbentuk oleh keduanya. Selan tu (p) dan F (p) mempunya nla nte d selang (0; 1) : Untuk seterusnya kta akan memaka ketentuan bahwa p 2 (0; 1) : Oleh karena nvers F d ttk p berada pada suatu selang maka kta akan mende nskan nvers untuk F d ttk p sepert berkut () (p) = (p) + (1 )F (p) ; p 2 (0; 1) 2 [0; 1] : (3.5) Secara otomats () (p) adalah suatu fungs yang tak turun. Sfat yang dapat dtark dar de ns n adalah 1() (p) F (p) + (p) ; p 2 (0; 1) : Apabla gra k dar F dtnjau maka ketga nla 1() (p); F (p); dan + (p) hanya akan berbeda pada saat ketganya berada pada suatu segmen horzontal dengan nla p yang sama. Sekarang msalkan bahwa terdapat d dmana 0 < F (d) < 1. Dengan demkan nla dar (F (d)) dan + (F (d)) berhngga dan (F (d)) d + (F (d)): Jad untuk suatu d 2 [0; 1], d dapat dtulskan menjad d = d (F (d)) + (1 d )+ (F (d)) = ( d) (F (d)) :

6 BAB 3. TEORI COMONOTONIC 26 Hasl n mengakbatkan untuk suatu peubah acak dan untuk suatu d dmana 0 < F (d) < 1; terdapat d 2 [0; 1] sedemkan sehngga ( d) (F (d)) = d: Pada teorema berkut n akan djelaskan hubungan antara nvers fungs dstrbus dar peubah acak dan fungs monoton g(). Teorema 23 Msalkan dan g() adalah suatu peubah acak dan msalkan 0 <p <1. bernla real 1. Jka g adalah fungs yang tdak turun dan kontnu kr maka g() 1 (p) = g(f (p)): (3.6) 2. Jka g adalah fungs yang tdak turun dan kontnu kanan maka + g() (p) = g(f (p)): (3.7) 3. Jka g adalah fungs yang tdak nak dan kontnu kr maka + g() 1 (p) = g(f (1 p)): (3.8) 4. Jka g adalah fungs yang tdak nak dan kontnu kanan maka g() (p) = g(f (1 p)): (3.9) Bukt. Akan dbuktkan untuk masng-masng krtera. 1. Msalkan g adalah fungs yang tdak turun dan kontnu kr. Pernyataan d bawah n salng ekuvalen. g() (p) x, nffg(z) 2 R j F g()(g(z)) pg x g() (p) x, nffg(z) 2 R j Prfg() g(z)g pg x g() (p) x, nffz 2 R j Prf zg pg supfy j g(y) xg g() (p) x, (p) supfy j g(y) xg g() 1 (p) x, g(f (p)) x

7 BAB 3. TEORI COMONOTONIC Msalkan g adalah fungs yang tdak turun dan kontnu kanan. Pernyataan d bawah n salng ekuvalen. + g() (p) x, supfg(z) 2 R j F g()(g(z)) pg x + g() (p) x, supfg(z) 2 R j Prfg() g(z)g pg x + g() (p) x, supfz 2 R j Prf zg pg nffy j g(y) xg + g() + g() (p) x, F (p) nffy j g(y) xg (p) x, g(f (p)) x 3. Msalkan g adalah fungs yang tdak nak dan kontnu kr. Pernyataan d bawah n salng ekuvalen. + g() (p) x, supfg(z) 2 R j F g()(g(z)) pg x + g() (p) x, supfg(z) 2 R j Prfg() g(z)g pg x + g() (p) x, nffz 2 R j Prf zg 1 pg supfy j g(y) xg + g() (p) x, (1 p) supfy j g(y) xg + g() 1 (p) x, g(f (1 p)) x 4. Msalkan g adalah fungs yang tdak nak dan kontnu kanan. Pernyataan d bawah n salng ekuvalen. g() (p) x, nffg(z) 2 R j F g()(g(z)) pg x g() (p) x, nffg(z) 2 R j Prfg() g(z)g pg x g() (p) x, supfz 2 R j Prf zg 1 pg nffy j g(y) xg g() g() (p) x, F (1 p) nffy j g(y) xg (p) x, g(f (1 p)) x Oleh karena peubah acak ; 1() (U); F (U); dan + (U) berasal dar fungs dstrbus yang sama maka dapat dkatakan bahwa = d (U) = d () (U) = d + (U):

8 BAB 3. TEORI COMONOTONIC Teor Comonotonc untuk Hmpunan Teor comonotonc akan djelaskan pertama kal untuk suatu hmpunan dar n-vektor d R n : Sebuah n-vektor (x 1 ; :::; x n ) akan dnotaskan dengan x. Untuk dua buah n-vektor x dan y, notas x y akan dgunakan untuk menjelaskan urutan perkomponen atau dengan kata lan x y 8 = 1; 2; :::; n: De ns 24 Hmpunan A R n dkatakan comonotonc jka untuk setap x dan y d A berlaku salah satu dar x y atau y x: Untuk suatu hmpunan A R n notas A ;j akan dgunakan untuk menjelaskan proyeks hmpunan A pada bdang (,j). A ;j dde nskan sebaga A ;j = f(x ; x j ) j x 2 Ag: Lemma 25 Hmpunan A R n dkatakan comonotonc jka dan hanya jka A ;j comonotonc untuk setap 6= j d f1; 2; :::; ng: Bukt. Akan dbuktkan bahwa jka A ;j comonotonc untuk setap 6= j d f1; 2; :::; ng maka hmpunan A R n dkatakan comonotonc. Jka A ;j comonotonc untuk setap 6= j d f1; 2; :::; ng maka dapat dbentuk kumpulan vektor dalam suatu hmpunan A dmana untuk setap vektor x dan y d dalam A berlaku x y atau y x: Dengan demkan, sesua de ns d atas, A adalah suatu hmpunan yang comonotonc. Akan dbuktkan jka hmpunan A R n comonotonc maka A ;j comonotonc untuk setap 6= j d f1; 2; :::; ng: Jka hmpunan A R n comonotonc maka A ;j = f(x ; x j ) j x Ag adalah hmpunan-hmpunan yang comonotonc karena setap elemen dar A ;j adalah bagan dar elemen A. Dar kedua hasl d atas dapat dtark kesmpulan bahwa hmpunan A R n dkatakan comonotonc jka dan hanya jka A ;j comonotonc untuk setap 6= j d f1; 2; :::; ng:

9 BAB 3. TEORI COMONOTONIC Teor Comonotonc untuk Vektor Acak Suatu hmpunan A R n dkatakan support dar jka Prf 2 Ag = 1. De ns berkut n akan terkat dengan support dar suatu vektor acak. De ns 26 Suatu vektor acak dkatakan comonotonc jka mempunya support yang comonotonc. Teorema 27 Suatu vektor acak dkatakan comonotonc jka dan hanya jka salah satu pernyataan ekuvalen n berlaku. 1. Vektor acak mempunya support yang comonotonc. 2. Untuk setap x = (x 1 ; :::; x n ) berlaku F (x) = mnff 1 (x 1 ); :::; F n (x n )g: 3. Untuk suatu peubah acak unform (0,1) U berlaku d = 1 (U); :::; n (U) : 4. Terdapat suatu peubah acak Z dan sebuah fungs yang tdak turun f ( = 1; 2; :::; n) sehngga d = (f 1 (Z); :::; f n (Z)) : Bukt. Asumskan kta mempunya vektor acak dengan support comonotonc B. (1) ) (2) Msalkan x 2 R n dan de nskan A j = fx 2 B j y j x j g: Karena sfat comonotonc pada hmpunan B (vektor-vektor pada B telah terurut) maka terdapat sedemkan sehngga A = \ n j=1a j : Dengan demkan F (x) = Prf 2 \ n j=1a j g = Prf 2 A g = F (x ) = mnff 1 (x 1 ); :::; F n (x n )g:

10 BAB 3. TEORI COMONOTONIC 30 Persamaan d atas tmbul karena sfat dar A A j F (x ) F j (x j ) 8j = 1; 2; :::; n: 8j = 1; 2; :::; n sehngga (2) ) (3) Asumskan bahwa F (x) = mnff 1 (x 1 ); :::; F n (x n )g 8x = (x 1 ; :::; x n ) : Prf 1 (U) x 1 ; :::; n (U) x n g = PrfU F 1 (x 1 ); :::; U F n (x n )g Prf 1 (U) x 1 ; :::; n (U) x n g = PrfU mnff 1 (x 1 ); :::; F n (x n )gg Prf 1 (U) x 1 ; :::; n (U) x n g = mnff 1 (x 1 ); :::; F n (x n )g: Apabla kta bandngkan dengan maka dapat dtark kesmpulan bahwa F (x) = mnff 1 (x 1 ); :::; F n (x n )g d = 1 (U); :::; n (U) : (3) ) (4) Dengan jelas kta telah mendapatkan salah satu fungs yang tdak turun yatu 1 (x) dmana peubah acaknya adalah U yatu peubah acak unform (0,1). (4) ) (1) Asumskan bahwa terdapat suatu peubah acak Z dengan support B dan sebuah fungs yang tdak turun f d = (f 1 (Z); :::; f n (Z)) : ( = 1; 2; :::; n) sehngga Hmpunan keluaran dar yang mungkn adalah f(f 1 (z); :::; f n (z)) j z 2 Bg dmana sudah past hmpunan n bersfat comonotonc. Dengan demkan juga bersfat comonotonc. Dengan menggunakan cara yang serupa dengan pembuktan teorema d atas maka dapat dhaslkan Hal n dkarenakan = d ( 1) 1 (U); :::; (n) (U) : Prf( 1) 1 (U) x 1 ; :::; (n) n (U) x n g = PrfU F 1 (x 1 ); :::; U F n (x n )g n

11 BAB 3. TEORI COMONOTONIC 31 sehngga Prf( 1) 1 (U) x 1 ; :::; (n) n (U) x n g = mnff 1 (x 1 ); :::; F n (x n )g dengan 2 [0; 1]. U Unform (0; 1). Hal n mengakbatkan Jka U Unform (0; 1) maka 1 Untuk selanjutnya notas c d = 1 (1 U); :::; n (1 U) : = ( c 1; :::; c n) akan dgunakan untuk menjelaskan vektor acak comonotonc dar vektor acak : Dar teorema d atas telah dbuktkan bahwa hmpunan keluaran / ouput dar c adalah f 1 (p); :::; n (p) j 0 < p < 1g: Hmpunan d atas belum tentu terhubung dalam suatu kurva. Hal n dkarenakan oleh sfat fungs F (x ) yang tdak turun. Andakan F (x ) adalah suatu fungs yang monoton nak maka hmpunan d atas terhubung dalam satu kurva. Untuk melhat bentuk keterhubungan dar hmpunan n maka akan dde nskan suatu hmpunan kurva terhubung dar c sebaga berkut f () 1 (p); :::; () n (p) j 0 < p < 1; 0 1g: Untuk lebh jelasnya akan dberkan contoh sebaga berkut Contoh 28 Sebaga contoh, hanya akan dberkan contoh dengan dstrbus yang dskrt. Msalkan Unform f0; 1; 2; 3g sedangkan Y Bnomal(3; 1): 2 Jka dan Y bersfat salng bebas maka support dar (,Y) adalah f(x; y) j x 2 f0; 1; 2; 3g; y 2 f0; 1; 2; 3gg: Support dar vektor acak ( c ; Y c ) adalah f (p); Y (p) j 0 < p < 1g

12 BAB 3. TEORI COMONOTONIC 32 dengan (p); Y (p) = (0; 0) untuk 0 < p 1 8 = (0; 1) untuk 1 8 < p 2 8 = (1; 1) untuk 2 8 < p 4 8 = (2; 2) untuk 4 8 < p 6 8 = (3; 2) untuk 6 8 < p 7 8 = (3; 3) untuk 7 8 < p 1: Hmpunan kurva terhubung dar ( c ; Y c ) dapat dbuat dengan menghubungkan keenam ttk d atas sepert pada gambar berkut. Gambar 3.1: Hmpunan Kurva Terhubung antara c dan Y c

13 BAB 3. TEORI COMONOTONIC Jumlah Peubah Acak Comonotonc Dalam subbab n notas S c akan dpaka untuk menjelaskan jumlah dar komponen vektor acak comonotonc c = ( c 1; :::; c n):dengan demkan Teorema 29 dar jumlah peubah acak comonotonc S c dberkan oleh () S c = c 1 + ::: + c n: nvers fungs dstrbus () S c S c (p) = () (p); 0 < p < 1; 0 1: Bukt. Msalkan = ( 1 ; :::; n ) dan vektor comonotonc-nya adalah c = ( c 1; :::; c n): Dengan melhat hasl dar teorema sebelumnya maka ddapatkan dengan g(u) = S c = c 1 + ::: + c n d = g(u) (u); o < u < 1: Jelas bahwa g adalah suatu fungs yang tdak turun dan kontnu kr. Dengan memanfaatkan hasl dar persamaan (3.6) ddapatkan Dengan demkan S (p) = 1 c g(u) (p) = g(fu (p)) = g(p); 0 < p < 1: Sc (p) = g(p) = D lan phak juga berlaku S c = c 1 + ::: + c n (p); 0 < p < 1: d = h(u) dengan g(u) = + (u); 0 < u < 1:

14 BAB 3. TEORI COMONOTONIC 34 Jelas bahwa g adalah suatu fungs yang tdak turun dan kontnu kanan. Dengan memanfaatkan hasl dar persamaan (3.7) ddapatkan + S c (p) = F h(u) (p) = h(f U (p)) = h(p); 0 < p < 1: Dengan demkan + S c (p) = h(p) = Dar kedua hasl d atas ddapatkan + (p); 0 < p < 1: () S 1 c (p) = FSc (p) + (1 )FS (p) c = (p) + (1 ) = = (p) + (1 )+ (p) + (p) () (p); 0 < p < 1; 0 1: Berkut n adalah sfat-sfat dar jumlah peubah acak comonotonc S c : 1. Oleh karena S c = n P (0; 1) () (p) maka berlaku untuk suatu U Unform S c d = () (U): 2. Hmpunan kurva terhubung dar S c dberkan oleh f() S c (p) j 0 < p < 1; 0 1g atau ( () (p) j 0 < p < 1; 0 1 ) :

15 BAB 3. TEORI COMONOTONIC Untuk masng-masng nla peluang p = f0; 1g berlaku + S c (0) = S c (0) = + S c (1) = S c (1) = (0) = 1 + (0) (1) + (1) = +1: 4. Apabla dberkan suatu nvers fungs dstrbus ; fungs dstrbus kumulatf dar S c dapat dtentukan dengan F S c(x) = supfp 2 (0; 1) j F S c(x) pg = supfp 2 (0; 1) j Sc (p) xg ( ) = sup p 2 (0; 1) j (p) x : Perhatkan bahwa untuk sebarang peubah acak berlaku F selalu nak, kontnu d (0,1) dan F kontnu, selalu nak d (0,1). Dengan memaka fakta n akan ddapat bahwa F S c selalu nak dan kontnu d + S c (0); S c (1) apabla F dan kontnu. selalu nak Bukt. Pernyataan F selalu nak, kontnu d (0,1) mengakbatkan F selalu nak, kontnu d (0,1)

16 BAB 3. TEORI COMONOTONIC 36 atau F selalu nak, Sc kontnu d (0,1). Dengan kata lan ddapatkan hasl bahwa F selalu nak, F S c selalu nak d + S c (0); S c (1) : D lan ss ddapatkan bahwa pernyataan F kontnu, selalu nak d (0,1) mengakbatkan atau F kontnu, selalu nak d (0,1) F kontnu, Sc selalu nak d (0,1). Dengan kata lan ddapatkan hasl bahwa F kontnu, F S c kontnu d + S c (0); S c (1) : Dar kedua hasl n ddapatkan pernyataan bahwa F S c selalu nak dan kontnu d + S c (0); S c (1) apabla F dan kontnu. selalu nak Pernyataan d atas juga mengakbatkan untuk suatu x dmana + S c (0) < x < Sc (1); berlaku (F S c(x)) = x: Teorema 30 Stop Loss Premum dar jumlah komponen comonotonc S c dar suatu vektor acak ( c 1; :::; c n) dberkan oleh dengan E (S c d) + = E ( d ) + ; F S (0) < d < c Sc (1) (3.10) d = ( d) (F S c(d)); ( = 1; 2; :::; n); d 2 [0; 1] :

17 BAB 3. TEORI COMONOTONIC 37 Bukt. Msalkan d 2 + S c (0); S c (1 ). Dengan demkan 0 < F S c(d) < 1: Selanjutnya akan dbuktkan terlebh dahulu bahwa support terhubung dar c hanya memlk satu ttk potong dengan bdang fx j x 1 + ::: + x n = dg: Msalkan terdapat dua ttk potong antara support terhubung dar c dengan bdang fx j x 1 + ::: + x n = dg yatu y dan z: Oleh karena y dan z adalah anggota dar support terhubung dar c maka berlaku salah satu dar y z atau y z: Msalkan berlaku y z: Dengan demkan 8 = 1; 2; :::; n berlaku y z atau y z : Akan tetap hal n jelas melanggar fakta bahwa y dan z adalah anggota dar bdang fx j x 1 + ::: + x n = dg dmana seharusnya berlaku y = z : Hal yang serupa berlaku untuk kasus y z dan kasus dmana terdapat lebh dar dua ttk potong antara support terhubung dar c dengan bdang fx j x 1 + ::: + x n = dg: Selanjutnya ddapat bahwa d adalah ttk potong tunggal antara support terhubung dar c dengan bdang fx j x 1 + ::: + x n = dg:hal n dkarenakan untuk 0 < F S c(d) < 1 terdapat d 2 [0; 1] dmana d = ( d) S (F c Sc(d)): Dengan kata lan d adalah anggota dar support terhubung dar c : D lan ss berlaku dengan d = d d = ( d) (F S c(d)); ( = 1; 2; :::; n); d 2 [0; 1] : Hal n mengatakan bahwa d adalah anggota dar bdang fx j x 1 +:::+x n = dg: Jad d adalah satu-satunya ttk potong antara support terhubung dar c dengan bdang fx j x 1 + ::: + x n = dg:

18 BAB 3. TEORI COMONOTONIC 38 Sekarang msalkan x c adalah anggota dar support terhubung dar c : Dengan demkan berlaku Selanjutnya (x c 1 + ::: + x c n d) + = (x c 1 d 1 ) + + ::: + (x c n d n ) + : E (S c d) + = E ( c 1 + ::: + c n d) + = E (1 c d 1 ) + + ::: + (n c d n ) + h = E (U) d + = E ( d ) + : Proposs 31 Jka d + S c (0) maka E[(Sc d) + ] = n P E[ ] d: Bukt. Pernyataan berart Dengan kata lan Jad Dengan demkan d + S c (0) d supfxr j F S c(x) 0g: E[(S c d) + ] = F S c(d) = 0g: S c > d: E[(S c d) + ] = E[(S c d) + ] = E[( d ) + ] E[ d ] E[ ] d:

19 BAB 3. TEORI COMONOTONIC 39 Proposs 32 Jka d S c (1) maka E[(Sc d) + ] = 0: Bukt. Pernyataan berart Dengan kata lan Jad d S c (1) d nffxr j F S c(x) 1g: F S c(d) = 1: S c d: Dengan demkan jelas bahwa E[(S c d) + ] = 0: Ekspres dar stop loss premum dapat dbentuk dalam persamaan lan yatu jka + S (0) < d < c Sc (1) maka E[(S c d) + ] = E[ ( d) (F S c(d)) ] = E[ (F S c(d)) + ] (1 F S c(d)) : + ( d) (F S c(d)) (F S c(d)) Bukt. E[ ( d) (F S c(d)) + ] = Z 1 ( d ) (F S c (d)) [1 F (x)] dx E[ ( d) (F S c(d)) + ] = Z 1 (F S c (d)) [1 F (x)] dx ( d ) (F S c (d)) Z (F S c (d)) [1 F (x)] dx

20 BAB 3. TEORI COMONOTONIC 40 Oleh karena ( d) (F S c(d)) dan (F S c(d)) mempunya nla yang sama pada fungs F (x), yatu F S c(d) maka ( d ) (F S c (d)) Z (F S c (d)) Jad [1 F (x)] dx = h ( d) (F S c(d)) (F S c(d)) (1 F S c(d)) : E[ ( d) (F S c(d)) ] = + Z 1 (F S c (d)) [1 F (x)] dx ( d ) (F S c (d)) Z (F S c (d)) [1 F (x)] dx E[ ( d) (F S c(d)) ] = E[ (F S c(d)) ] + h ( d) (F S c(d)) (F S c(d)) (1 F S c(d)) : + Dalam kasus F adalah suatu fungs yang monoton nak maka ( d) (F S c(d)) = (F S c(d)) sehngga E[ ( d) (F S c(d)) + ] = E[ (F S c(d)) + ]: 3.6 Batas Atas Comonotonc untuk Jumlah Peubah Acak Pada subbab n akan djelaskan batas atas dar jumlah peubah acak S = 1 +:::+ n dmana fungs dstrbus margnal dar 1 ; :::; n dberkan. Batas atas akan dtentukan dalam urutan (aturan convex). Oleh karena tu batas atas n akan dsebut sebaga batas atas convex untuk S = 1 + ::: + n :

21 BAB 3. TEORI COMONOTONIC 41 Teorema 33 Untuk suatu vektor acak ( 1 ; :::; n ) berlaku Bukt. Oleh karena maka hanya perlu dbuktkan bahwa 1 + ::: + n cx c 1 + ::: + c n: E [( 1 + ::: + n )] = E [( c 1 + ::: + c n)] E ( 1 + ::: + n d) + E ( c 1 + ::: + c n d) + untuk semua d dmana d 2 + S c (0); S c (1) : Sebelumnya perlu dketahu dahulu bahwa untuk setap (x 1 ; :::; x n ) dan (d 1 ; :::; d n ) dmana d 1 + ::: + d n = d berlaku Dengan demkan (x 1 d 1 ) + ::: + (x n d n ) (x 1 d 1 ) + + ::: + (x n d n ) + : ((x 1 d 1 ) + ::: + (x n d n )) + ((x 1 d 1 ) + + ::: + (x n d n ) + ) + ((x 1 d 1 ) + ::: + (x n d n )) + (x 1 d 1 ) + + ::: + (x n d n ) + : Dengan memaka sfat n maka ddapatkan E (( 1 d 1 ) + ::: + ( n d n )) + E [(1 d 1 ) + + ::: + ( n d n ) + ] E ( 1 + ::: + n d) + E [( d ) + ] sehngga terbukt bahwa E ( 1 + ::: + n d) + E ( c 1 + ::: + n c d) + : Jad terbukt sudah bahwa 1 + ::: + n cx 1 c + ::: + n: c Hasl nlah yang menunjukkan batas atas convex untuk S = 1 + ::: + n dan oleh karena c berlaku bersfat comonotonc 8 = 1; 2; :::; n maka sudah past V ar [S c ] V ar [S] :

22 BAB 3. TEORI COMONOTONIC 42 Untuk lebh jelasnya akan dberkan contoh dengan peubah acak yang berdstrbus lognormal. Untuk selanjutnya contoh n akan sangat membantu pemahaman pada bagan aplkas teor comonotonc untuk pencaran batas atas harga ops asa. Contoh 34 Contoh untuk varabel lognormal. Msalkan kta mempunya vektor acak ( 1 1 ; :::; n n ) dmana 6= 0 8 = 1; 2; :::; n. Msalkan pula LN( ; 2 ) atau dengan kata lan ln( ) N( ; 2 ): Dengan demkan berlaku E[ ] = exp( ) V ar[ ] = exp(2 + 2 ) e 2 1 : Sekarang akan dcar terlebh dahulu nvers fungs dstrbus dar F (x) = p: Perhatkan bahwa persamaan d atas sama dengan Prf xg = p: Apabla > 0 Pr f xg = Pr x = p: Berdasarkan sfat dar peubah acak lognormal maka! Prf x g = ln( x ) = p sehngga atau Apabla < 0 1 (p) = ln( x ) exp + 1 (p) = x: (3.11) Prf xg = Pr x = p:

23 BAB 3. TEORI COMONOTONIC 43 Dengan demkan atau 1 Pr x = p Pr x = 1 p: Dar persamaan d atas bsa ddapatkan atau Akhrnya ddapatkan ln( x )! = 1 p ln( x ) = 1 (1 p) = 1 (p): exp 1 (p) = x: (3.12) Dar kedua hasl pada persamaan (3.11) dan (3.12) ddapatkan (p) = x = exp + sgn( ) 1 (p) (3.13) dmana 0 < p < 1 8 < 1 bla > 0 sgn( ) = : 1 bla < 0 Stop loss premum untuk varabel dtentukan oleh : E[( d ) + ] = exp( ) (d ;1 ) d (d ;2 ) dmana sedangkan d ;1 = + 2 ln(d ) d ;2 = d ;1 = ln(d ) E[(d ) + ] = E[( d ) + ] E [ ] + d = exp( ) ( d ;1 ) + d ( d ;2 ) :

24 BAB 3. TEORI COMONOTONIC 44 Sekarang akan dcar E[ ( d ) + ] untuk tap konds : Apabla > 0 E[ ( d ) + ] = E[( d ) + ] (3.14) = exp( ) (d ;1 ) d (d ;2 ) : Apabla < 0 E[ ( d ) + ] = E[(d ) + ] (3.15) = exp( ) ( d ;1 ) d ( d ;2 ) : Jad dar hasl pada persamaan (3.14) dan (3.15) ddapatkan E[ ( d ) + ] = exp( ) (sgn( )d ;1 ) d (sgn( )d ;2 ) : Beralh kepada kasus jumlah peubah acak lognormal, sekarang de nskan (3.16) S = dan S c = Sesua dengan convex order maka berlaku (U): S cx S c : Oleh karena S (F c Sc(x)) = x dan dengan bantuan persamaan (3.13) maka berlaku juga dengan (F S c(x)) = x exp + sgn( ) 1 ((F S c(x))) = x + S c (0) < x < S c (1):

25 BAB 3. TEORI COMONOTONIC 45 Sekarang akan dcar E[(S c d) + ] dmana + S c (0) < d < S c (1) E[(S c d) + ] = = E[( (F S c(d))) + ] E[ ( exp + sgn( ) 1 (F S c(d)) ) + ]: Dengan menggunakan hasl pada persamaan (3.16) ddapatkan E[(S c d) + ] = dengan exp( ) (sgn( )d ;1 ) (3.17) exp + sgn( ) 1 (F S c(d)) (sgn( )d ;2 ) d ;1 = + 2 ln(exp [ + sgn( ) 1 (F S c(d))]) = + 2 sgn( ) 1 (F S c(d)) = sgn( ) 1 (F S c(d)) sehngga sgn( )d ;1 = sgn( ) 1 (F S c(d)) (3.18) dan d ;2 = ln(exp [ + sgn( ) 1 (F S c(d))]) = sgn( ) 1 (F S c(d))) = sgn( ) 1 (F S c(d))) sehngga Berkutnya sgn( )d ;2 = 1 (F S c(d))): (sgn( )d ;2 ) = 1 (F S c(d))) = 1 (1 F S c(d))) = 1 F S c(d): (3.19)

26 BAB 3. TEORI COMONOTONIC 46 Dengan kata lan, persamaan (3.18) dan (3.19) membuat persamaan (3.17) menjad E[(S c d) + ] = exp( ) sgn( ) 1 (F S c(d)) d [1 F S c(d)] : (3.20) 3.7 Batas Bawah Comonotonc untuk Jumlah Peubah Acak Pada subbab sebelumnya telah djelaskan mengena batas atas convex untuk S = 1 + ::: + n : Penjelasan pada subbab n akan memperlengkap batas convex untuk S = 1 + ::: + n yatu dengan menambahkan konsep batas bawah convex untuk S = 1 +:::+ n : Idenya berasal dar ekspektas bersyarat dar suatu varabel acak yang selalu lebh kecl secara urutan (aturan convex) darpada varabel acaknya sendr. Teorema 35 Untuk suatu vektor acak dan suatu varabel acak berlaku E [ j ] cx : Bukt. Dar sfat suatu fungs convex kta mendapatkan bahwa untuk suatu fungs convex v berlaku E [v ( 1 + ::: + n )] = E [E [v ( 1 + ::: + n ) j ]] E [v (E [ 1 + ::: + n j ])] : D lan hal kta dapatkan bahwa E [v (E [ 1 + ::: + n j ])] = E [v (E [ 1 j ] + ::: + E [ 1 j ])] : sehngga E [v ( 1 + ::: + n )] E [v (E [ 1 j ] + ::: + E [ 1 j ])] :

27 BAB 3. TEORI COMONOTONIC 47 Dar hasl n telah dbuktkan pernyataan d atas adalah benar. Msalkan S = 1 + ::: + n dan de nskan S l = E [S j ] = E [ 1 + ::: + n j ] = E [ j ] : Dengan demkan dar teorema d atas ddapatkan S l cx S: Varabel S l nlah yang akan menjad batas bawah convex untuk S = 1 + ::: + n : Sepert pada batas atas convex, akan dtunjukkan bahwa V ar S l V ar [S] : Dengan memanfaatkan sfat dar fungs convex dan karena f() = 2 adalah suatu fungs convex maka E (E [S j ]) 2 E E S 2 j = E S 2 : Dengan demkan terlhat jelas bahwa V ar S l = V ar [E [S j ]] = E (E [S j ]) 2 E [E [S j ]] 2 = E (E [S j ]) 2 E [S] 2 E S 2 E [S] 2 = V ar [S] :

BEBERAPA SIFAT TERKAIT SUBMODUL SEMIPRIMA

BEBERAPA SIFAT TERKAIT SUBMODUL SEMIPRIMA BEBERAPA SIFAT TERKAIT SUBMODUL SEMIPRIMA A-3 Dan Aresta Yuwanngsh 1 1 Mahasswa S Matematka UGM dan.aresta17@yahoo.com Abstrak Dberkan R merupakan rng dengan elemen satuan, M R-modul kanan, dan R S End

Lebih terperinci

BAB X RUANG HASIL KALI DALAM

BAB X RUANG HASIL KALI DALAM BAB X RUANG HASIL KALI DALAM 0. Hasl Kal Dalam Defns. Hasl kal dalam adalah fungs yang mengatkan setap pasangan vektor d ruang vektor V (msalkan pasangan u dan v, dnotaskan dengan u, v ) dengan blangan

Lebih terperinci

BAB III FUNGSI MAYOR DAN MINOR. Pada bab ini akan dibahas konsep-konsep dasar dari fungsi mayor dan fungsi

BAB III FUNGSI MAYOR DAN MINOR. Pada bab ini akan dibahas konsep-konsep dasar dari fungsi mayor dan fungsi BAB III FUNGSI MAYOR DAN MINOR Pada bab n akan dbahas konsep-konsep dasar dar fungs mayor dan fungs mnor dar suatu fungs yang terdefns pada suatu nterval tertutup. Pendefnsan fungs mayor dan mnor tersebut

Lebih terperinci

BAB III HASILKALI TENSOR PADA RUANG VEKTOR. Misalkan V ruang vektor atas lapangan F. Suatu transformasi linear f L ( V, F )

BAB III HASILKALI TENSOR PADA RUANG VEKTOR. Misalkan V ruang vektor atas lapangan F. Suatu transformasi linear f L ( V, F ) 28 BAB III HASILKALI TENSOR PADA RUANG VEKTOR III.1 Ruang Dual Defns III.1.2: Ruang Dual [10] Msalkan V ruang vektor atas lapangan F. Suatu transformas lnear f L ( V, F ) dkatakan fungsonal lnear (atau

Lebih terperinci

BAB I PENDAHULUAN Latar Belakang dan Permasalahan

BAB I PENDAHULUAN Latar Belakang dan Permasalahan BAB I PENDAHULUAN 1.1. Latar Belakang dan Permasalahan Matematka dbag menjad beberapa kelompok bdang lmu, antara lan analss, aljabar, dan statstka. Ruang barsan merupakan salah satu bagan yang ada d bdang

Lebih terperinci

Teori Himpunan. Modul 1 PENDAHULUAN. impunan sebagai koleksi (pengelompokan) dari objek-objek yang

Teori Himpunan. Modul 1 PENDAHULUAN. impunan sebagai koleksi (pengelompokan) dari objek-objek yang Modul 1 Teor Hmpunan PENDAHULUAN Prof SM Nababan, PhD Drs Warsto, MPd mpunan sebaga koleks (pengelompokan) dar objek-objek yang H dnyatakan dengan jelas, banyak dgunakan dan djumpa dberbaga bdang bukan

Lebih terperinci

Bab 1 Ruang Vektor. R. Leni Murzaini/0906577381

Bab 1 Ruang Vektor. R. Leni Murzaini/0906577381 Bab 1 Ruang Vektor Defns Msalkan F adalah feld, yang elemen-elemennya dnyatakansebaga skalar. Ruang vektor atas F adalah hmpunan tak kosong V, yang elemen-elemennya merupakan vektor, bersama dengan dua

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 2.1 Fuzzy Set Pada tahun 1965, Zadeh memodfkas teor hmpunan dmana setap anggotanya memlk derajat keanggotaan yang bernla kontnu antara 0 sampa 1. Hmpunan n dsebut dengan hmpunaan

Lebih terperinci

BAB III PEMBAHASAN. Pada bab ini akan dibahas mengenai ring embedding dan faktorisasi. tunggal pada ring komutatif tanpa elemen kesatuan.

BAB III PEMBAHASAN. Pada bab ini akan dibahas mengenai ring embedding dan faktorisasi. tunggal pada ring komutatif tanpa elemen kesatuan. BAB III PEMBAHASAN Pada bab n akan dbahas mengena rng embeddng dan faktorsas tunggal pada rng komutatf tanpa elemen kesatuan. A. Rng Embeddng Defns 3.1 (Malk et al. 1997: 318 Suatu rng R dkatakan embedded

Lebih terperinci

DISTRIBUSI HASIL PENGUKURAN DAN NILAI RATA-RATA

DISTRIBUSI HASIL PENGUKURAN DAN NILAI RATA-RATA DISTRIBUSI HASIL PENGUKURAN DAN NILAI RATA-RATA Dstrbus Bnomal Msalkan dalam melakukan percobaan Bernoull (Bernoull trals) berulang-ulang sebanyak n kal, dengan kebolehjadan sukses p pada tap percobaan,

Lebih terperinci

IV. UKURAN SIMPANGAN, DISPERSI & VARIASI

IV. UKURAN SIMPANGAN, DISPERSI & VARIASI IV. UKURAN SIMPANGAN, DISPERSI & VARIASI Pendahuluan o Ukuran dspers atau ukuran varas, yang menggambarkan derajat bagamana berpencarnya data kuanttatf, dntaranya: rentang, rentang antar kuartl, smpangan

Lebih terperinci

RANGKAIAN SERI. 1. Pendahuluan

RANGKAIAN SERI. 1. Pendahuluan . Pendahuluan ANGKAIAN SEI Dua elemen dkatakan terhubung ser jka : a. Kedua elemen hanya mempunya satu termnal bersama. b. Ttk bersama antara elemen tdak terhubung ke elemen yang lan. Pada Gambar resstor

Lebih terperinci

UJI PRIMALITAS. Sangadji *

UJI PRIMALITAS. Sangadji * UJI PRIMALITAS Sangadj * ABSTRAK UJI PRIMALITAS. Makalah n membahas dan membuktkan tga teorema untuk testng prmaltas, yatu teorema Lucas, teorema Lucas yang dsempurnakan dan teorema Pocklngton. D sampng

Lebih terperinci

KAJIAN DAN ALGORITMA PELABELAN PSEUDO EDGE-MAGIC. memiliki derajat maksimum dan tidak ada titik yang terisolasi. Jika n i adalah

KAJIAN DAN ALGORITMA PELABELAN PSEUDO EDGE-MAGIC. memiliki derajat maksimum dan tidak ada titik yang terisolasi. Jika n i adalah BAB III KAJIAN DAN ALGORITMA PELABELAN PSEUDO EDGE-MAGIC III. Batas Bawah Magc Number pada Pelabelan Total Pseudo Edge-Magc Teorema 3.. Anggap G = (,E) adalah sebuah graf dengan n-ttk dan m-ss dan memlk

Lebih terperinci

BAB IV HASIL PENELITIAN DAN PEMBAHASAN

BAB IV HASIL PENELITIAN DAN PEMBAHASAN BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Deskrps Data Hasl Peneltan Satelah melakukan peneltan, penelt melakukan stud lapangan untuk memperoleh data nla post test dar hasl tes setelah dkena perlakuan.

Lebih terperinci

BAB 1 PENDAHULUAN. Pertumbuhan dan kestabilan ekonomi, adalah dua syarat penting bagi kemakmuran

BAB 1 PENDAHULUAN. Pertumbuhan dan kestabilan ekonomi, adalah dua syarat penting bagi kemakmuran BAB 1 PENDAHULUAN 1.1. Latar Belakang Pertumbuhan dan kestablan ekonom, adalah dua syarat pentng bag kemakmuran dan kesejahteraan suatu bangsa. Dengan pertumbuhan yang cukup, negara dapat melanjutkan pembangunan

Lebih terperinci

ANALISIS BENTUK HUBUNGAN

ANALISIS BENTUK HUBUNGAN ANALISIS BENTUK HUBUNGAN Analss Regres dan Korelas Analss regres dgunakan untuk mempelajar dan mengukur hubungan statstk yang terjad antara dua varbel atau lebh varabel. Varabel tersebut adalah varabel

Lebih terperinci

BAB VB PERSEPTRON & CONTOH

BAB VB PERSEPTRON & CONTOH BAB VB PERSEPTRON & CONTOH Model JST perseptron dtemukan oleh Rosenblatt (1962) dan Mnsky Papert (1969). Model n merupakan model yang memlk aplkas dan pelathan yang lebh bak pada era tersebut. 5B.1 Arstektur

Lebih terperinci

BILANGAN RAMSEY SISI DARI r ( P, )

BILANGAN RAMSEY SISI DARI r ( P, ) Charul Imron dan dy Tr Baskoro, Blangan Ramsey Ss BILANGAN RAMSY SISI DARI r ( P, ) (Ramsey Number from the Sde r ( P, ) ) Charul Imron dan dy Tr Baskoro Jurusan Matemátca, FMIPA ITS Surabaya mron-ts@matematka.ts.ac.d

Lebih terperinci

BAB II TINJAUAN PUSTAKA

BAB II TINJAUAN PUSTAKA BAB II TINJAUAN PUSTAKA 2.1 Penjadwalan Baker (1974) mendefnskan penjadwalan sebaga proses pengalokasan sumber-sumber dalam jangka waktu tertentu untuk melakukan sejumlah pekerjaan. Menurut Morton dan

Lebih terperinci

Catatan Kuliah 12 Memahami dan Menganalisa Optimisasi dengan Kendala Ketidaksamaan

Catatan Kuliah 12 Memahami dan Menganalisa Optimisasi dengan Kendala Ketidaksamaan Catatan Kulah Memaham dan Menganalsa Optmsas dengan Kendala Ketdaksamaan. Non Lnear Programmng Msalkan dhadapkan pada lustras berkut n : () Ma U = U ( ) :,,..., n st p B.: ; =,,..., n () Mn : C = pk K

Lebih terperinci

DIMENSI PARTISI GRAF GIR

DIMENSI PARTISI GRAF GIR Jurnal Matematka UNAND Vol. 1 No. 2 Hal. 21 27 ISSN : 2303 2910 c Jurusan Matematka FMIPA UNAND DIMENSI PARTISI GRAF GIR REFINA RIZA Program Stud Matematka, Fakultas Matematka dan Ilmu Pengetahuan Alam,

Lebih terperinci

BAB I PENDAHULUAN. 1.1 Latar Belakang

BAB I PENDAHULUAN. 1.1 Latar Belakang BAB I PENDAHULUAN. Latar Belakang Matematka sebaga bahasa smbol yang bersfat unversal memegang peranan pentng dalam perkembangan suatu teknolog. Matematka sangat erat hubungannya dengan kehdupan nyata.

Lebih terperinci

Bab 1 PENDAHULUAN Latar Belakang

Bab 1 PENDAHULUAN Latar Belakang 11 Bab 1 PENDAHULUAN 1.1. Latar Belakang Perbankan adalah ndustr yang syarat dengan rsko. Mula dar pengumpulan dana sebaga sumber labltas, hngga penyaluran dana pada aktva produktf. Berbaga kegatan jasa

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI 2 LNDSN TEORI 2. Teor engamblan Keputusan Menurut Supranto 99 keputusan adalah hasl pemecahan masalah yang dhadapnya dengan tegas. Suatu keputusan merupakan jawaban yang past terhadap suatu pertanyaan.

Lebih terperinci

Kecocokan Distribusi Normal Menggunakan Plot Persentil-Persentil yang Distandarisasi

Kecocokan Distribusi Normal Menggunakan Plot Persentil-Persentil yang Distandarisasi Statstka, Vol. 9 No., 4 47 Me 009 Kecocokan Dstrbus Normal Menggunakan Plot Persentl-Persentl yang Dstandarsas Lsnur Wachdah Program Stud Statstka Fakultas MIPA Unsba e-mal : Lsnur_w@yahoo.co.d ABSTRAK

Lebih terperinci

BAB IV PEMBAHASAN MODEL

BAB IV PEMBAHASAN MODEL BAB IV PEMBAHASAN MODEL Pada bab IV n akan dlakukan pembuatan model dengan melakukan analss perhtungan untuk permasalahan proses pengadaan model persedaan mult tem dengan baya produks cekung dan jont setup

Lebih terperinci

SEARAH (DC) Rangkaian Arus Searah (DC) 7

SEARAH (DC) Rangkaian Arus Searah (DC) 7 ANGKAAN AUS SEAAH (DC). Arus Searah (DC) Pada rangkaan DC hanya melbatkan arus dan tegangan searah, yatu arus dan tegangan yang tdak berubah terhadap waktu. Elemen pada rangkaan DC melput: ) batera ) hambatan

Lebih terperinci

MULTIVARIATE ANALYSIS OF VARIANCE (MANOVA) MAKALAH Untuk Memenuhi Tugas Matakuliah Multivariat yang dibimbing oleh Ibu Trianingsih Eni Lestari

MULTIVARIATE ANALYSIS OF VARIANCE (MANOVA) MAKALAH Untuk Memenuhi Tugas Matakuliah Multivariat yang dibimbing oleh Ibu Trianingsih Eni Lestari MULTIVARIATE ANALYSIS OF VARIANCE (MANOVA) MAKALAH Untuk Memenuh Tugas Matakulah Multvarat yang dbmbng oleh Ibu Tranngsh En Lestar oleh Sherly Dw Kharsma 34839 Slva Indrayan 34844 Vvn Octana 34633 UNIVERSITAS

Lebih terperinci

Dekomposisi Nilai Singular dan Aplikasinya

Dekomposisi Nilai Singular dan Aplikasinya A : Dekomposs Nla Sngular dan Aplkasnya Gregora Aryant Dekomposs Nla Sngular dan Aplkasnya Oleh : Gregora Aryant Program Stud Penddkan Matematka nverstas Wdya Mandala Madun aryant_gregora@yahoocom Abstrak

Lebih terperinci

( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) IV. PEMBAHASAN

( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) IV. PEMBAHASAN 8 IV PEMBAHASAN 4 Aum Berkut n aum yang dgunakan dalam memodelkan permanan a Harga paar P ( merupakan fung turun P ( kontnu b Fung baya peruahaan- C ( fung baya peruahaan- C ( merupakan fung nak C ( C

Lebih terperinci

Contoh 5.1 Tentukan besar arus i pada rangkaian berikut menggunakan teorema superposisi.

Contoh 5.1 Tentukan besar arus i pada rangkaian berikut menggunakan teorema superposisi. BAB V TEOEMA-TEOEMA AGKAIA 5. Teorema Superposs Teorema superposs bagus dgunakan untuk menyelesakan permasalahan-permasalahan rangkaan yang mempunya lebh dar satu sumber tegangan atau sumber arus. Konsepnya

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 Pengertan Regres Regres pertama kal dpergunakan sebaga konsep statstka oleh Sr Francs Galton (1822 1911). Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang

Lebih terperinci

Sifat-sifat Operasi Perkalian Modular pada Graf Fuzzy

Sifat-sifat Operasi Perkalian Modular pada Graf Fuzzy SEMINAR MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 07 Sfat-sfat Operas Perkalan Modular pada raf Fuzzy T - 3 Tryan, ahyo Baskoro, Nken Larasat 3, Ar Wardayan 4,, 3, 4 Unerstas Jenderal Soedrman transr@yahoo.com.au

Lebih terperinci

ALJABAR LINIER LANJUT

ALJABAR LINIER LANJUT ALABAR LINIER LANUT Ruang Bars dan Ruang Kolom suatu Matrks Msalkan A adalah matrks mnatas lapangan F. Bars pada matrks A merentang subruang F n dsebut ruang bars A, dnotaskan dengan rs(a) dan kolom pada

Lebih terperinci

LAMPIRAN A PENURUNAN PERSAMAAN NAVIER-STOKES

LAMPIRAN A PENURUNAN PERSAMAAN NAVIER-STOKES LAMPIRAN A PENURUNAN PERSAMAAN NAVIER-STOKES Hubungan n akan dawal dar gaya yang beraks pada massa fluda. Gaya-gaya n dapat dbag ke dalam gaya bod, gaya permukaan, dan gaya nersa. a. Gaya Bod Gaya bod

Lebih terperinci

BAB 2 LANDASAN TEORI. Universitas Sumatera Utara

BAB 2 LANDASAN TEORI. Universitas Sumatera Utara BAB 2 LANDASAN TEORI 2.1 Pengertan Analsa Regres Dalam kehdupan sehar-har, serng kta jumpa hubungan antara satu varabel terhadap satu atau lebh varabel yang lan. Sebaga contoh, besarnya pendapatan seseorang

Lebih terperinci

APLIKASI PERKONGRUENAN DALAM MENYELESAIKAN SISTEM PERSAMAAN LINEAR DUA PEUBAH. Yuni Yulida dan Muhammad Ahsar K

APLIKASI PERKONGRUENAN DALAM MENYELESAIKAN SISTEM PERSAMAAN LINEAR DUA PEUBAH. Yuni Yulida dan Muhammad Ahsar K Jurnal Matematka Murn dan Terapan Vol. 3 No. Desember 009: 4-6 APLIKASI PERKONGRUENAN DALAM MENYELESAIKAN SISTEM PERSAMAAN LINEAR DUA PEUBAH Yun Yulda dan Muhammad Ahsar K Program Stud Matematka Unverstas

Lebih terperinci

BAB I PENDAHULUAN. Analisis regresi merupakan metode statistika yang digunakan untuk

BAB I PENDAHULUAN. Analisis regresi merupakan metode statistika yang digunakan untuk BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan metode statstka ang dgunakan untuk meramalkan sebuah varabel respon Y dar satu atau lebh varabel bebas X, selan tu juga dgunakan untuk

Lebih terperinci

(1.1) maka matriks pembayaran tersebut dikatakan mempunyai titik pelana pada (r,s) dan elemen a

(1.1) maka matriks pembayaran tersebut dikatakan mempunyai titik pelana pada (r,s) dan elemen a Lecture 2: Pure Strategy A. Strategy Optmum Hal pokok yang sesungguhnya menad nt dar teor permanan adalah menentukan solus optmum bag kedua phak yang salng bersang tersebut yang bersesuaan dengan strateg

Lebih terperinci

SEMI RING POLINOM ATAS ALJABAR MAX-PLUS

SEMI RING POLINOM ATAS ALJABAR MAX-PLUS JMP : Volume 4 Nomor 2, Desember 2012, hal. 289-297 SEMI RING POLINOM ATAS ALJABAR MAX-PLUS Suroto Prod Matematka, Jurusan MIPA, Fakultas Sans dan Teknk Unverstas Jenderal Soedrman e-mal : suroto_80@yahoo.com

Lebih terperinci

SISTEM LINEAR MAX-PLUS KABUR WAKTU INVARIANT AUTONOMOUS

SISTEM LINEAR MAX-PLUS KABUR WAKTU INVARIANT AUTONOMOUS SISTEM LINEAR MAX-PLUS KABUR WAKTU INVARIANT AUTONOMOUS A8 M. Andy Rudhto 1 1 Program Stud Penddkan Matematka FKIP Unverstas Sanata Dharma Kampus III USD Pangan Maguwoharjo Yogyakarta 1 e-mal: arudhto@yahoo.co.d

Lebih terperinci

BAB V INTEGRAL KOMPLEKS

BAB V INTEGRAL KOMPLEKS 6 BAB V INTEGRAL KOMPLEKS 5.. INTEGRAL LINTASAN Msal suatu lntasan yang dnyatakan dengan : (t) = x(t) + y(t) dengan t rl dan a t b. Lntasan dsebut lntasan tutup bla (a) = (b). Lntasan tutup dsebut lntasan

Lebih terperinci

BAB I PENDAHULUAN. 1.1 Latar Belakang. Di dalam matematika mulai dari SD, SMP, SMA, dan Perguruan Tinggi

BAB I PENDAHULUAN. 1.1 Latar Belakang. Di dalam matematika mulai dari SD, SMP, SMA, dan Perguruan Tinggi Daftar Is Daftar Is... Kata pengantar... BAB I...1 PENDAHULUAN...1 1.1 Latar Belakang...1 1.2 Rumusan Masalah...2 1.3 Tujuan...2 BAB II...3 TINJAUAN TEORITIS...3 2.1 Landasan Teor...4 BAB III...5 PEMBAHASAN...5

Lebih terperinci

Pembayaran harapan yang berkaitan dengan strategi murni pemain P 2. Pembayaran Harapan bagi Pemain P1

Pembayaran harapan yang berkaitan dengan strategi murni pemain P 2. Pembayaran Harapan bagi Pemain P1 Lecture : Mxed Strategy: Graphcal Method A. Metode Campuran dengan Metode Grafk Metode grafk dapat dgunakan untuk menyelesakan kasus permanan dengan matrks pembayaran berukuran n atau n. B. Matrks berukuran

Lebih terperinci

II. TEORI DASAR. Definisi 1. Transformasi Laplace didefinisikan sebagai

II. TEORI DASAR. Definisi 1. Transformasi Laplace didefinisikan sebagai II. TEORI DASAR.1 Transormas Laplace Ogata (1984) mengemukakan bahwa transormas Laplace adalah suatu metode operasonal ang dapat dgunakan untuk menelesakan persamaan derensal lnear. Dengan menggunakan

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB 1 ENDAHULUAN 1.1 Latar Belakang Manusa dlahrkan ke duna dengan ms menjalankan kehdupannya sesua dengan kodrat Illah yakn tumbuh dan berkembang. Untuk tumbuh dan berkembang, berart setap nsan harus

Lebih terperinci

BAB IV PEMBAHASAN HASIL PENELITIAN PENGARUH PENGGUNAAN METODE GALLERY WALK

BAB IV PEMBAHASAN HASIL PENELITIAN PENGARUH PENGGUNAAN METODE GALLERY WALK BAB IV PEMBAASAN ASIL PENELITIAN PENGARU PENGGUNAAN METODE GALLERY WALK TERADAP ASIL BELAJAR MATA PELAJARAN IPS MATERI POKOK KERAGAMAN SUKU BANGSA DAN BUDAYA DI INDONESIA A. Deskrps Data asl Peneltan.

Lebih terperinci

ANALISIS DATA KATEGORIK (STK351)

ANALISIS DATA KATEGORIK (STK351) Suplemen Respons Pertemuan ANALISIS DATA KATEGORIK (STK351) 7 Departemen Statstka FMIPA IPB Pokok Bahasan Sub Pokok Bahasan Referens Waktu Korelas Perngkat (Rank Correlaton) Bag. 1 Koefsen Korelas Perngkat

Lebih terperinci

BAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER

BAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER BAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER 5.1 Pembelajaran Dengan Fuzzy Program Lner. Salah satu model program lnear klask, adalah : Maksmumkan : T f ( x) = c x Dengan batasan : Ax b x 0 n m mxn Dengan

Lebih terperinci

BAB II KAJIAN TEORI. 2.1 Pendahuluan. 2.2 Pengukuran Data Kondisi

BAB II KAJIAN TEORI. 2.1 Pendahuluan. 2.2 Pengukuran Data Kondisi BAB II KAJIAN TEORI 2.1 Pendahuluan Model penurunan nla konds jembatan yang akan destmas mengatkan data penurunan konds jembatan dengan beberapa varabel kontnu yang mempengaruh penurunan kondsnya. Data

Lebih terperinci

BAB II PENDEKATAN PROBABILITAS DAN MODEL TRAFIK

BAB II PENDEKATAN PROBABILITAS DAN MODEL TRAFIK Dktat Rekayasa Trafk BB II PDKT PROBBILITS D MODL TRFIK 2. Pendahuluan Trafk merupakan perstwa-perstwa kebetulan yang pada dasarnya tdak dketahu kapan datangnya dan berapa lama akan berlangsung. Maka untuk

Lebih terperinci

PENDAHULUAN Latar Belakang

PENDAHULUAN Latar Belakang PENDAHULUAN Latar Belakang Menurut teor molekuler benda, satu unt volume makroskopk gas (msalkan cm ) merupakan suatu sstem yang terdr atas sejumlah besar molekul (kra-kra sebanyak 0 0 buah molekul) yang

Lebih terperinci

PADA GRAF PRISMA BERCABANG

PADA GRAF PRISMA BERCABANG PELABELAN TOTAL SUPER (a, d)-busur ANTI AJAIB PADA GRAF PRISMA BERCABANG Achmad Fahruroz,, Dew Putre Lestar,, Iffatul Mardhyah, Unverstas Gunadarma Depok Program Magster Fakultas MIPA Unverstas Indonesa

Lebih terperinci

INFERENSI FUNGSI KETAHANAN DENGAN METODE KAPLAN-MEIER

INFERENSI FUNGSI KETAHANAN DENGAN METODE KAPLAN-MEIER Tatk Wdharh dan Naschah ska Andran (Inferens Fungs Ketahanan dengan Metode Kaplan-Meer INFERENI FUNGI KETAHANAN DENGAN METODE KAPLAN-MEIER Tatk Wdharh dan Naschah ska Andran Jurusan Matematka FMIPA UNDIP

Lebih terperinci

APLIKASI FUZZY LINEAR PROGRAMMING UNTUK MENGOPTIMALKAN PRODUKSI LAMPU (Studi Kasus di PT. Sinar Terang Abadi )

APLIKASI FUZZY LINEAR PROGRAMMING UNTUK MENGOPTIMALKAN PRODUKSI LAMPU (Studi Kasus di PT. Sinar Terang Abadi ) APLIKASI FUZZY LINEAR PROGRAMMING UNTUK MENGOPTIMALKAN PRODUKSI LAMPU (Stud Kasus d PT. Snar Terang Abad ) Bagus Suryo Ad Utomo 1203 109 001 Dosen Pembmbng: Drs. I Gst Ngr Ra Usadha, M.S Jurusan Matematka

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PEDAHULUA. Latar Belakang Rsko ddentfkaskan dengan ketdakpastan. Dalam mengambl keputusan nvestas para nvestor mengharapkan hasl yang maksmal dengan rsko tertentu atau hasl tertentu dengan rsko yang

Lebih terperinci

Didownload dari ririez.blog.uns.ac.id BAB I PENDAHULUAN

Didownload dari ririez.blog.uns.ac.id BAB I PENDAHULUAN BAB I PENDAHULUAN Sebuah jarngan terdr dar sekelompok node yang dhubungkan oleh busur atau cabang. Suatu jens arus tertentu berkatan dengan setap busur. Notas standart untuk menggambarkan sebuah jarngan

Lebih terperinci

Bab III Analisis Rantai Markov

Bab III Analisis Rantai Markov Bab III Analss Ranta Markov Sstem Markov (atau proses Markov atau ranta Markov) merupakan suatu sstem dengan satu atau beberapa state atau keadaan, dan dapat berpndah dar satu state ke state yang lan pada

Lebih terperinci

BAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE

BAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE BAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE 6B.1 Pelathan ADALINE Model ADALINE (Adaptve Lnear Neuron) dtemukan oleh Wdrow & Hoff (1960) Arstekturnya mrp dengan perseptron Perbedaan

Lebih terperinci

UJI NORMALITAS X 2. Z p i O i E i (p i x N) Interval SD

UJI NORMALITAS X 2. Z p i O i E i (p i x N) Interval SD UJI F DAN UJI T Uj F dkenal dengan Uj serentak atau uj Model/Uj Anova, yatu uj untuk melhat bagamanakah pengaruh semua varabel bebasnya secara bersama-sama terhadap varabel terkatnya. Atau untuk menguj

Lebih terperinci

BAB III HIPOTESIS DAN METODOLOGI PENELITIAN

BAB III HIPOTESIS DAN METODOLOGI PENELITIAN BAB III HIPOTESIS DAN METODOLOGI PENELITIAN III.1 Hpotess Berdasarkan kerangka pemkran sebelumnya, maka dapat drumuskan hpotess sebaga berkut : H1 : ada beda sgnfkan antara sebelum dan setelah penerbtan

Lebih terperinci

BAB IV PEMBAHASAN HASIL PENELITIAN

BAB IV PEMBAHASAN HASIL PENELITIAN BAB IV PEMBAHASAN HASIL PENELITIAN A. Hasl Peneltan Pada peneltan yang telah dlakukan penelt selama 3 mnggu, maka hasl belajar matematka pada mater pokok pecahan d kelas V MI I anatussbyan Mangkang Kulon

Lebih terperinci

Rekayasa Trafik Telekomunikasi

Rekayasa Trafik Telekomunikasi Rekayasa Trafk Telekomunkas TEU9948 INDAR SURAHMAT emodelan Interval Waktu engetahuan yang mendasar pemodelan nterval waktu adalah teor robabltas engetahuan Dasar robabltas Jka A dan B kejadan sembarang,

Lebih terperinci

Pendeteksian Data Pencilan dan Pengamatan Berpengaruh pada Beberapa Kasus Data Menggunakan Metode Diagnostik

Pendeteksian Data Pencilan dan Pengamatan Berpengaruh pada Beberapa Kasus Data Menggunakan Metode Diagnostik Pendeteksan Data Penclan dan Pengamatan Berpengaruh pada Beberapa Kasus Data Menggunakan Metode Dagnostk Sally Indra 1, Dod Vonanda, Rry Srnngsh 3 1 Student of Mathematcs Department State Unversty of Padang,

Lebih terperinci

Interpretasi data gravitasi

Interpretasi data gravitasi Modul 7 Interpretas data gravtas Interpretas data yang dgunakan dalam metode gravtas adalah secara kualtatf dan kuanttatf. Dalam hal n nterpretas secara kuanttatf adalah pemodelan, yatu dengan pembuatan

Lebih terperinci

MEREDUKSI SISTEM PERSAMAAN LINEAR FUZZY PENUH DENGAN BILANGAN FUZZY TRAPESIUM

MEREDUKSI SISTEM PERSAMAAN LINEAR FUZZY PENUH DENGAN BILANGAN FUZZY TRAPESIUM MEREDUKSI SISTEM PERSAMAAN LINEAR FUZZY PENUH DENGAN BILANGAN FUZZY TRAPESIUM Tut Susant, Mashad, Sukamto Mahasswa Program S Matematka Dosen Jurusan Matematka Fakultas Matematka dan Ilmu Pengetahuan Alam

Lebih terperinci

III PEMBAHASAN. merupakan cash flow pada periode i, dan C. berturut-turut menyatakan nilai rata-rata dari V. dan

III PEMBAHASAN. merupakan cash flow pada periode i, dan C. berturut-turut menyatakan nilai rata-rata dari V. dan Pada bab n akan dbahas mengena penyelesaan masalah ops real menggunakan pohon keputusan bnomal. Dalam menentukan penlaan proyek, dapat dgunakan beberapa metode d antaranya dscounted cash flow (DF). DF

Lebih terperinci

SUMBER BELAJAR PENUNJANG PLPG 2016 MATA PELAJARAN/PAKET KEAHLIAN GURU KELAS SD

SUMBER BELAJAR PENUNJANG PLPG 2016 MATA PELAJARAN/PAKET KEAHLIAN GURU KELAS SD SUMBER BELAJAR PENUNJANG PLPG 0 MATA PELAJARAN/PAKET KEAHLIAN GURU KELAS SD BAB V STATISTIKA Dra.Hj.Rosdah Salam, M.Pd. Dra. Nurfazah, M.Hum. Drs. Latr S, S.Pd., M.Pd. Prof.Dr.H. Pattabundu, M.Ed. Wdya

Lebih terperinci

BAB II DASAR TEORI. 2.1 Definisi Game Theory

BAB II DASAR TEORI. 2.1 Definisi Game Theory BAB II DASAR TEORI Perkembangan zaman telah membuat hubungan manusa semakn kompleks. Interaks antar kelompok-kelompok yang mempunya kepentngan berbeda kemudan melahrkan konflk untuk mempertahankan kepentngan

Lebih terperinci

ANALISIS REGRESI. Catatan Freddy

ANALISIS REGRESI. Catatan Freddy ANALISIS REGRESI Regres Lner Sederhana : Contoh Perhtungan Regres Lner Sederhana Menghtung harga a dan b Menyusun Persamaan Regres Korelas Pearson (Product Moment) Koefsen Determnas (KD) Regres Ganda :

Lebih terperinci

III. METODE PENELITIAN. Penelitian ini merupakan studi eksperimen yang telah dilaksanakan di SMA

III. METODE PENELITIAN. Penelitian ini merupakan studi eksperimen yang telah dilaksanakan di SMA III. METODE PENELITIAN A. Waktu dan Tempat Peneltan Peneltan n merupakan stud ekspermen yang telah dlaksanakan d SMA Neger 3 Bandar Lampung. Peneltan n dlaksanakan pada semester genap tahun ajaran 2012/2013.

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI.1 Pengertan Regres Regres pertama kal dgunakan sebaga konsep statstka oleh Sr Francs Galton (18 1911).Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang selanjutnya

Lebih terperinci

P n e j n a j d a u d a u l a a l n a n O pt p im i a m l a l P e P m e b m a b n a g n k g i k t Oleh Z r u iman

P n e j n a j d a u d a u l a a l n a n O pt p im i a m l a l P e P m e b m a b n a g n k g i k t Oleh Z r u iman OTIMISASI enjadualan Optmal embangkt Oleh : Zurman Anthony, ST. MT Optmas pengrman daya lstrk Dmaksudkan untuk memperkecl jumlah keseluruhan baya operas dengan memperhtungkan rug-rug daya nyata pada saluran

Lebih terperinci

BAB.3 METODOLOGI PENELITIN 3.1 Lokasi dan Waktu Penelitian Penelitian ini di laksanakan di Sekolah Menengah Pertama (SMP) N. 1 Gorontalo pada kelas

BAB.3 METODOLOGI PENELITIN 3.1 Lokasi dan Waktu Penelitian Penelitian ini di laksanakan di Sekolah Menengah Pertama (SMP) N. 1 Gorontalo pada kelas 9 BAB.3 METODOLOGI PENELITIN 3. Lokas dan Waktu Peneltan Peneltan n d laksanakan d Sekolah Menengah Pertama (SMP) N. Gorontalo pada kelas VIII. Waktu peneltan dlaksanakan pada semester ganjl, tahun ajaran

Lebih terperinci

Pendahuluan. 0 Dengan kata lain jika fungsi tersebut diplotkan, grafik yang dihasilkan akan mendekati pasanganpasangan

Pendahuluan. 0 Dengan kata lain jika fungsi tersebut diplotkan, grafik yang dihasilkan akan mendekati pasanganpasangan Pendahuluan 0 Data-data ang bersfat dskrt dapat dbuat contnuum melalu proses curve-fttng. 0 Curve-fttng merupakan proses data-smoothng, akn proses pendekatan terhadap kecenderungan data-data dalam bentuk

Lebih terperinci

JURNAL MATEMATIKA DAN KOMPUTER Vol. 5. No. 3, , Desember 2002, ISSN :

JURNAL MATEMATIKA DAN KOMPUTER Vol. 5. No. 3, , Desember 2002, ISSN : JURNAL MATEMATIKA AN KOMPUTER Vol. 5. No. 3, 161-167, esember 00, ISSN : 1410-8518 PENGARUH SUATU ATA OBSERVASI ALAM MENGESTIMASI PARAMETER MOEL REGRESI Hern Utam, Rur I, dan Abdurakhman Jurusan Matematka

Lebih terperinci

BAB III METODOLOGI PENELITIAN. Penelitian ini dilaksanakan di SMA Negeri I Tibawa pada semester genap

BAB III METODOLOGI PENELITIAN. Penelitian ini dilaksanakan di SMA Negeri I Tibawa pada semester genap 5 BAB III METODOLOGI PENELITIAN 3. Lokas Dan Waktu Peneltan Peneltan n dlaksanakan d SMA Neger I Tbawa pada semester genap tahun ajaran 0/03. Peneltan n berlangsung selama ± bulan (Me,Jun) mula dar tahap

Lebih terperinci

III. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Al-Azhar 3 Bandar Lampung yang terletak di

III. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Al-Azhar 3 Bandar Lampung yang terletak di III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMP Al-Azhar 3 Bandar Lampung yang terletak d Jl. Gn. Tanggamus Raya Way Halm, kota Bandar Lampung. Populas dalam peneltan n adalah

Lebih terperinci

Configural Frequency Analysis untuk Melihat Penyimpangan pada Model Log Linear

Configural Frequency Analysis untuk Melihat Penyimpangan pada Model Log Linear SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2016 Confgural Frequency Analyss untuk Melhat Penympangan pada Model Log Lnear Resa Septan Pontoh 1, Def Y. Fadah 2 1,2 Departemen Statstka FMIPA

Lebih terperinci

BAB I PENDAHULUAN 1.1 Latar Belakang

BAB I PENDAHULUAN 1.1 Latar Belakang BAB I PENDAHULUAN. Latar Belakang Manova atau Multvarate of Varance merupakan pengujan dalam multvarate yang bertujuan untuk mengetahu pengaruh varabel respon dengan terhadap beberapa varabel predktor

Lebih terperinci

PERBANDINGAN MODEL DATA RESPON BERGANDA BERULANG DARI SEBARAN NORMAL BAKU, LOGNORMAL, DAN GAMMA

PERBANDINGAN MODEL DATA RESPON BERGANDA BERULANG DARI SEBARAN NORMAL BAKU, LOGNORMAL, DAN GAMMA Prosdng Semnar Nasonal Sans dan Penddkan Sans IX, Fakultas Sans dan Matematka, UKSW Salatga, 21 Jun 2014, Vol 5, No.1, ISSN :2087-0922 PERBANDINGAN MODEL DATA RESPON BERGANDA BERULANG DARI SEBARAN NORMAL

Lebih terperinci

2.1 Sistem Makroskopik dan Sistem Mikroskopik Fisika statistik berangkat dari pengamatan sebuah sistem mikroskopik, yakni sistem yang sangat kecil

2.1 Sistem Makroskopik dan Sistem Mikroskopik Fisika statistik berangkat dari pengamatan sebuah sistem mikroskopik, yakni sistem yang sangat kecil .1 Sstem Makroskopk dan Sstem Mkroskopk Fska statstk berangkat dar pengamatan sebuah sstem mkroskopk, yakn sstem yang sangat kecl (ukurannya sangat kecl ukuran Angstrom, tdak dapat dukur secara langsung)

Lebih terperinci

I. PENGANTAR STATISTIKA

I. PENGANTAR STATISTIKA 1 I. PENGANTAR STATISTIKA 1.1 Jens-jens Statstk Secara umum, lmu statstka dapat terbag menjad dua jens, yatu: 1. Statstka Deskrptf. Statstka Inferensal Dalam sub bab n akan djelaskan mengena pengertan

Lebih terperinci

BAB III METODE PENELITIAN. Pada penelitian ini, penulis memilih lokasi di SMA Negeri 1 Boliyohuto khususnya

BAB III METODE PENELITIAN. Pada penelitian ini, penulis memilih lokasi di SMA Negeri 1 Boliyohuto khususnya BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Peneltan 3.1.1 Tempat Peneltan Pada peneltan n, penuls memlh lokas d SMA Neger 1 Bolyohuto khususnya pada sswa kelas X, karena penuls menganggap bahwa lokas

Lebih terperinci

SOLUTION INSTITUT TEKNOLOGI BANDUNG FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM PROGRAM STUDI FISIKA

SOLUTION INSTITUT TEKNOLOGI BANDUNG FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM PROGRAM STUDI FISIKA ISTITUT TEKOLOGI BADUG FAKULTAS MATEMATIKA DA ILMU PEGETAHUA ALAM PROGRAM STUDI FISIKA FI-500 Mekanka Statstk SEMESTER/ Sem. - 06/07 PR#4 : Dstrbus bose Ensten dan nteraks kuat Kumpulkan d Selasa 9 Aprl

Lebih terperinci

BAB 4 PERHITUNGAN NUMERIK

BAB 4 PERHITUNGAN NUMERIK Mata kulah KOMPUTASI ELEKTRO BAB PERHITUNGAN NUMERIK. Kesalahan error Pada Penelesaan Numerk Penelesaan secara numers dar suatu persamaan matemats kadang-kadang hana memberkan nla perkraan ang mendekat

Lebih terperinci

III. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Negeri 13 Bandar Lampung. Populasi dalam

III. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Negeri 13 Bandar Lampung. Populasi dalam III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMP Neger 3 Bandar Lampung. Populas dalam peneltan n yatu seluruh sswa kelas VIII SMP Neger 3 Bandar Lampung Tahun Pelajaran 0/03 yang

Lebih terperinci

PELABELAN TOTAL SISI TAK BERATURAN PADA GRAF GABUNGAN BIPARTIT LENGKAP

PELABELAN TOTAL SISI TAK BERATURAN PADA GRAF GABUNGAN BIPARTIT LENGKAP JMP : Volume 1 Nomor 2, Oktober 2009 PELABELAN TOTAL SISI TAK BERATURAN PADA GRAF GABUNGAN BIPARTIT LENGKAP Tryan dan Nken Larasat Fakultas Sans dan Teknk, Unverstas Jenderal Soedrman Purwokerto, Indonesa

Lebih terperinci

I PENDAHULUAN II LANDASAN TEORI

I PENDAHULUAN II LANDASAN TEORI I PENDAHULUAN Latar elakang Sekolah merupakan salah satu bagan pentng dalam penddkan Oleh karena tu sekolah harus memperhatkan bagan-bagan yang ada d dalamnya Salah satu bagan pentng yang tdak dapat dpsahkan

Lebih terperinci

MATERI KULIAH STATISTIKA I UKURAN. (Nuryanto, ST., MT)

MATERI KULIAH STATISTIKA I UKURAN. (Nuryanto, ST., MT) MATERI KULIAH STATISTIKA I UKURAN (Nuryanto, ST., MT) Ukuran Statstk Ukuran Statstk : 1. Ukuran Pemusatan Bagamana, d mana data berpusat? Rata-Rata Htung = Arthmetc Mean Medan Modus Kuartl, Desl, Persentl.

Lebih terperinci

BAB 1 PENDAHULUAN. Universitas Sumatera Utara

BAB 1 PENDAHULUAN. Universitas Sumatera Utara BAB 1 ENDAHULUAN 1.1 Latar Belakang Secara umum dapat dkatakan bahwa mengambl atau membuat keputusan berart memlh satu dantara sekan banyak alternatf. erumusan berbaga alternatf sesua dengan yang sedang

Lebih terperinci

Teori Himpunan. Modul 1 PENDAHULUAN

Teori Himpunan. Modul 1 PENDAHULUAN Modul 1 Teor Hmpunan Dr. Subanar K PENDHULUN arena banyak karakterstk dar masalah probabltas dapat dnyatakan secara formal dan dmodelkan secara rngkas dengan menggunakan notas hmpunan elementer, maka pertama-tama

Lebih terperinci

REGRESI DAN KORELASI LINEAR SEDERHANA. Regresi Linear

REGRESI DAN KORELASI LINEAR SEDERHANA. Regresi Linear REGRESI DAN KORELASI LINEAR SEDERHANA Regres Lnear Tujuan Pembelajaran Menjelaskan regres dan korelas Menghtung dar persamaan regres dan standard error dar estmas-estmas untuk analss regres lner sederhana

Lebih terperinci

PRAKTIKUM 6 Penyelesaian Persamaan Non Linier Metode Newton Raphson Dengan Modifikasi Tabel

PRAKTIKUM 6 Penyelesaian Persamaan Non Linier Metode Newton Raphson Dengan Modifikasi Tabel PRAKTIKUM 6 Penyelesaan Persamaan Non Lner Metode Newton Raphson Dengan Modfkas Tabel Tujuan : Mempelajar metode Newton Raphson dengan modfkas tabel untuk penyelesaan persamaan non lner Dasar Teor : Permasalahan

Lebih terperinci

TEORI KESALAHAN (GALAT)

TEORI KESALAHAN (GALAT) TEORI KESALAHAN GALAT Penyelesaan numerk dar suatu persamaan matematk hanya memberkan nla perkraan yang mendekat nla eksak yang benar dar penyelesaan analts. Berart dalam penyelesaan numerk tersebut terdapat

Lebih terperinci

BAB 2 LANDASAN TEORI. estimasi, uji keberartian regresi, analisa korelasi dan uji koefisien regresi.

BAB 2 LANDASAN TEORI. estimasi, uji keberartian regresi, analisa korelasi dan uji koefisien regresi. BAB LANDASAN TEORI Pada bab n akan durakan beberapa metode yang dgunakan dalam penyelesaan tugas akhr n. Selan tu penuls juga mengurakan tentang pengertan regres, analss regres berganda, membentuk persamaan

Lebih terperinci

BAB I Rangkaian Transient. Ir. A.Rachman Hasibuan dan Naemah Mubarakah, ST

BAB I Rangkaian Transient. Ir. A.Rachman Hasibuan dan Naemah Mubarakah, ST BAB I angkaan Transent Oleh : Ir. A.achman Hasbuan dan Naemah Mubarakah, ST . Pendahuluan Pada pembahasan rangkaan lstrk, arus maupun tegangan yang dbahas adalah untuk konds steady state/mantap. Akan tetap

Lebih terperinci

BAB IX. STATISTIKA. CONTOH : HASIL ULANGAN MATEMATIKA 5 SISWA SBB: PENGERTIAN STATISTIKA DAN STATISTIK:

BAB IX. STATISTIKA. CONTOH : HASIL ULANGAN MATEMATIKA 5 SISWA SBB: PENGERTIAN STATISTIKA DAN STATISTIK: BAB IX. STATISTIKA. CONTOH : HASIL ULANGAN MATEMATIKA 5 SISWA SBB: PENGERTIAN STATISTIKA DAN STATISTIK: BAB IX. STATISTIKA Contoh : hasl ulangan Matematka 5 sswa sbb: 6 8 7 6 9 Pengertan Statstka dan

Lebih terperinci

III. METODE PENELITIAN. Penelitian ini dilakukan di MTs Negeri 2 Bandar Lampung dengan populasi siswa

III. METODE PENELITIAN. Penelitian ini dilakukan di MTs Negeri 2 Bandar Lampung dengan populasi siswa III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlakukan d MTs Neger Bandar Lampung dengan populas sswa kelas VII yang terdr dar 0 kelas yatu kelas unggulan, unggulan, dan kelas A sampa dengan

Lebih terperinci