3. Sebaran Peluang Diskrit
|
|
- Sudirman Indradjaja
- 7 tahun lalu
- Tontonan:
Transkripsi
1 3. Sebaran Peluang Disrit EL2002-Probabilitas dan Statisti Dosen: Andriyan B. Susmono
2 Isi 1. Sebaran seragam (uniform) 2. Sebaran binomial dan multinomial 3. Sebaran hipergeometri 4. Sebaran Poisson 5. Sebaran binomial negatif dan geometri
3 3.1 Sebaran seragam
4 Sebaran seragam (uniform) Merupaan sebaran peluang disrit yang paling sederhana dimana suatu peubah aca memilii nilai peluang yang semuanya sama Sebaran Seragam: Jia suatu peubah aca X dengan nilai x 1, x 2,, x, memilii peluang yang sama, maa sebaran disrit seragamnya diberian oleh f(x;) = (1/) ; x= x 1, x 2,, x \ Notasi f(x;) dipaai sbg pengganti f(x) untu menegasan etergantungan f pada ; Contoh 3.1: Dalam pelantunan dadu, setiap anggota dari ruang cuplian S={1, 2, 3, 4, 5, 6} muncul dengan peluang (1/6). Dengan demiian, sebaran peluangnya adalah seragam dengan f(x;6) = 1/6 ; x=1, 2, 3, 4, 5, 6. 1/6 f(x;6) x
5 Mean dan Variansi Teorema 3.1: Mean dan variansi dari sebaran peluang seragam f(x;) adalah = = i x i 1 1 μ ( ) = = i x i μ σ BUKTI ( ) ( ) = = = = = = = i i i i i i i x x x f x X E ; μ ( ) [ ] ( ) ( ) ( ) ( ) = = = = = = = i i i i i i i x x x f x X E ; μ μ μ μ σ
6 Contoh 3.3 Berdasaran contoh 3.1 ttg pelemparan dadu, maa ita peroleh mean dan variansi sbb μ = (1/6)( ) = 3.5 σ 2 = {(1-3.5) 2 + (2-3.5) 2 + (3-3.5) 2 + (4-3.5) 2 +(5-3.5) 2 + (6-3.5) 2 }/6 = 35/12
7 3.2 Sebaran Binomial dan Multinomial
8 Sebaran binomial Esperimen berulang yang menghasilan dua macam eluaran dng label berhasil atau gagal disebut sebagai esperimen binomial. Esperimen binomial harus memenuhi sifat-sifat beriut ini: 1. Esperimen terdiri dari n buah percobaan berulang 2. Setiap percobaan memberian hasil yang dapat disebut atau dilabeli sebagai berhasil atau gagal. 3. Peluang berhasil yang disebut p bersifat tetap sepanjang percobaan. 4. Percobaan yang satu bersifat bebas secara statisti dari percobaan yang lain. Contoh esperimen binomial: pengamatan eluaran H dari pelantunan oin Pengambilan aca artu menghasilan artu warna hitam dari satu set artu, setelah diambil artu diembalian dan dioco Pada asus terahir, jia artu ta diembalian, p aan berubah dari ½ menjadi 26/51 atau 25/51, dengan demiian syarat 3 td dipenuhi. Aibatnya, esperimen ini td bisa disebut sbg esperimen binomial
9 Ilustrasi Tinjau percobaan binomial dari pengambilan tiga buah produ dari proses manufatur secara aca, emudian diamati dan dilasifiasian sebagai cacat atau tida cacat. Jia produ cacat, pengamatan disebut berhasil. Jumlah eberhasilan ini disebut sbg peubah aca X yang bernilai bulat antara 0 sampai 3. Beriut ini 8 emunginan hasilnya: Hasil pengamatan x NNN 0 NDN 1 NND 1 DNN 1 NDD 2 DND 2 DDN 2 DDD 3 Produ dipilih secara aca dari proses manufatur yang menghasilan 25% produ cacat, maa P(NDN)=P(N)P(D)P(N) = (3/4)(1/4)(3/4) = 9/64 Peluang hasil yang lain dapat dihitung dengan cara yang sama. Hasil perhitungan sebaran peluang dari X sbb: x f(x) 27/64 27/64 9/64 1/64
10 Peubah aca binomial Definisi 3.1: Jumlah eberhasilan X dalam percobaan binomial disebut sebagai peubah aca binomial. Sebaran peluang dari peubah aca binomial X disebut sebaran binomial dan ditulisan sbg b(x; n, p) arena nilainya bergantung pada jumlah percobaan dan peluang suses untu percobaan yang diberian. Untu sebaran peluang binomial X pada contoh sebelumnya, nilai atau banyanya produ cacat adalah: P(X=2) = f(2) = b(2;3,1/4) Formula umum untu b(x; n, p) Tinjau peluang x buah suses dan n-x gagal untu urutan tertentu. Karena percobaan saling bebas, nilai peluang aan sama dengan peralian peluang masing-masing. Setiap suses muncul dng peluang p, sedangan gagal dng peluang q=1 p. Dengan demiian peluang satu esperimen adalah p x q n-x. Jumlah total titi cuplian dari x suses dan n-x gagal adalah partisi eluaran esperimen edalam dua elompo, x dielompo pertama dan n-x dielompo edua, yani C(n,x). Dng demiian hslnya adalah C(n,x) dialian dengan p x q n-x. Kita formulasian sbb:
11 Rumus sebaran binomial SEBARAN BINOMIAL. Jia suatu percobaan binomial menghasilan eluaran berhasil/suses dengan peluang p dan gagal dengan peluang q=1-p, maa sebaran peluang dari peubah aca binomial X, yani banyanya eberhasilan dalam n buah percobaan yang saling bebas adalah n x n x b( x; n, p) = p q ; x = 0,1, 2,..., n x Untu asus dimana n=3 dan p=1/4, sebaran peluang X yng menyataan banyanya produ cacat, dpt ditulis sbg (bandingan dng tabel hasil sebelumnya) b(x;3, 1/4) = C(3,x)(1/4) x (3/4) 3-x ; x = 0, 1, 2, 3 Contoh 3.4: Peluang bahwa omponen tertentu lolos uji ejut adalah ¾. Tentuan peluang bahwa tepat dua dari empat omponen lolos uji ejut. Jawab: Dengan mengasumsian uji ini saling bebas dan p=3/4 dari setiap pengujian, maa b(2;4,3/4) = C(4,2)(3/4) 2 (1/4) 2 = [4!/(2!2!)](3 2 /4 4 ) = 27/128
12 Nilai peluang Seringali ita perlu menghitung P(X<r) atau P(a X b). Ini bisa ditentuan dengan penjumlahan binomial B(r;n,p)= r x=0 b(x;n,p) yang nilainya sudah ditabulasian (lihat Table II dalam Buu acuan). Beriut ini contoh pemaaian tabel tsb. Contoh 3.5: peluang seorang pasien dapat sembuh dari suatu jenis penyait langa adalah 0.4. Jia ada 15 orang yang terinfesi, berapa peluang bahwa: (1) sediitnya 10 orang sembuh, (2) 3~8 orang sembuh, dan (3) tepat 5 orang sembuh. Jawab: P(X 10) =1-P(X<10) = 1-9 x=0b(x;15,0.4) = = P(3 X 8) = 8 x=0b(x;15,0.4)- 2 x=0b(x;15,0.4) = = P(X=5) = b(5;15,0.4) = 5 x=0b(x;15,0.4)- 4 x=0b(x;15,0.4) = =
13 Mean dan variansi sebaran binomial Torema 3.2: Nilai mean dan variansi dari sebaran binomial b(x;n,p) adalah μ = np dan σ 2 = npq Buti: andaian I j menyataan eluaran bernilai 0 atau 1 dng peluang masing-masing q dan p. I j disebut sebagai peubah Bernoulli atau lbh tepat lagi peubah indiator arena I j =0 adalah indiator egagalan, sedangan I j =1 menyataan eberhasilan. Dengan demiian, jumlah eberhasilan adalah X=I 1 + I 2 + +I n. Mean dr sebarang nilai I j adalah E(I j ) =0 q + 1 p = p. Berdasaran Corollary dari Teorema 2.4, mean menjadi μ = E(X) = E(I 1 ) + E(I 2 ) + + E(I n ) = p + p + + p = np Sedangan variansi dari sebarang I j adalah σ 2 Ij = E[(I j -p) 2 ] = E(I 2 j) p 2 =[ 0 2 q+1 2 p ] p 2 = p(1-p) = pq Berdasar Teorema 2.11, Corollary 1, maa: σ 2 Ij = σ 2 I1 + σ 2 I2 + + σ 2 In = pq + pq + + pq = npq
14 Contoh 3.6 Soal: Dengan teorema Chebyshev, tentuan dan tafsiran interval μ±2σ untu contoh 3.5 Jawab: Karena contoh 3.5 adalah esperimen binomial dengan n=15 dan p=0.4, dari Teorema 3.2 ita dapatan μ = (15)(0.4) = 6 dan σ 2 =(15)(0.4)(0.6) = 3.6 atau σ= 3.6 = Dengan demiian, interval yang dimasud adalah 6±2(1.897) atau dari sampai dengan Teorema Chebyshev menyataan bahwa laju penyembuhan 15 pasien aibat penyait tsb punya peluang sediitnya ¾ untu jatuh diantara dan
15 Sebaran multinomial Jia hasil esperimen buan hanya dua macam tetapi lebih, esperimen binomial berubah menjadi esperimen multinomial. Contoh: Klasifiasi produ manufatur menjadi 3 golongan: berat, ringan, atau masih dapat diterima (acceptable) Pencatatan ecelaaan lalulintas diperempatan jalan menurut harihari dalam seminggu Penarian artu secara aca, emudian digolongan sebagai salah satu dari{,,, }. Secara umum, jia percobaan menghasilan macam eluaran E 1, E 2,, E dengan peluang p 1, p 2,, p, maa sebaran multinomial menyataan peluang peristiwa E 1 terjadi x 1 ali, E 2 muncul x 2 ali,, dan E muncul x ali dalam percobaan saling bebas dimana x 1 + x x = n. Kita tulisan sebaran peluang multinomial sebagai f(x 1, x 2,, x ; p 1, p 2,, p, n) Jelas bahwa p 1 + p p = 1.
16 Perhitungan sebaran multinomial Kita ambil analogi dengan asus binomial. Setiap percobaan saling bebas, arena itu untu urutan tertentu, ada x 1 eluaran dari E 1, x 2 eluaran dari E 2,, x eluaran dari E, dengan peluang p 1 x1, p 2 x2,.., p x. Total jumlah urutan dng eluaran yang sama untu n percobaan aan sama dengan jumlah partisi n benda edalam elompo, x 1 elompo pertama, x 2 elompo edua,, x elompo e-, yang dapat dilauan sebanya n n! x1, x2,..., x = x1! x2!... x! cara. Setiap partisi muncul secara mutually exclusive dengan peluang yang sama, sehingga diperoleh sebaran multinomial.
17 Rumus sebaran multinomial SEBARAN MULTINOMIAL. Jia suatu percobaan dapat memberian -jenis hasil E 1, E 2,, E dengan peluang p 1, p 2,, p, maa sebaran peluang dari peubah aca X 1, X 2,, X, yang menyataan emunculan dari E 1, E 2,, E didalam n-ali percobaan yang saling-bebas adalah f x1 x2 x ( x, x,..., x ; p, p,..., p, n) = p p... p x1, x2,..., x n 1 2 dimana i= 1 x i = n dan i= 1 p i = 1 Istilah sebaran multinomial muncul arena suu-suu espansi multinomial (p 1 + p p ) 2 beraitan dengan semua nilai yang mungin dari f(x 1, x 2,, x ; p 1, p 2,, p, n)
18 Contoh 3.7 Soal: Jia sepasang dadu dilantunan 6 ali, berapa peluang mendapatan jumlah total 7 atau 11 sebanya 2-ali, eduanya tepat sama sebanya 1-ali, dan ombinasi lain sebanya 3-ali? Jawab: Kejadian yang muncul ita sebut Mata Dadu E 1 : jumlah total mata edua 7 atau 11 E 2 : muncul pasangan dadu dng mata sama E 3 : buan pasangan bermata sama maupun jumlah total-nya 7 atau 11 Masing-masing dengan peluang p 1 = (6+2)/36= 2/9, p 2 = 6/36=1/6, dan p 3 = 22/36=11/18. Nilai peluang tetap untu 6 ali pelantunan. Dengan menggunaan sebaran multinomial x 1 = 2, x 2 =1, dan x 3 = 3, nilai peluangnya adalah f 2,1,3; 2 1, ,,6 = 18 2,1,3 = 6! 2!1!3! =
19 Bab 2: 58, 61, 64 Bab3: 7 Latihan
20 3.3 Sebaran Hipergeometri
21 Pendahuluan Contoh sebelumnya menunjuan bahwa sebaran binomial tida berlau untu, misalnya, pengambilan 3 artu merah dalam 5 ali pengambilan aca tanpa mengembalian dan mengoco lagi. Tinjau pengambilan 5 artu secara aca lalu hitung peluang munculnya 3 artu merah dari 26 yang ada dan 2 artu hitam dari 26 sisanya. Ada C(26,3) cara untu mengambil artu merah dan C(26,2) cara untu artu hitam. Jadi, total aan ada C(26,3) C(26,2) untu esperimen ini. Tetapi, ada C(52,5) cara untu mengambil 5 dari 52 artu tanpa penggantian sehingga peluang terambil 3 artu merah dan 2 hitam adalah. C(26,3) C(26,2)/C(52,5) = Contoh diatas menggambaran esperimen hipergeometri. Kita ingin menghitung peluang x buah dari pengambilan benda yang dinamaan suses dan n - x gagal dari N- benda yang dilabeli sebagai gagal jia n buah cuplian aca diambil dari N benda. Ada dua sifat dasar esperiman hipergeometri 1. Pencuplian dilauan scr aca sebanya n diambil dari N buah benda 2. dari N item digolongan suses, sdngan N- sisanya disebut gagal,
22 Peubah aca hipergeometri Definisi 3.2. Banyanya X suses dalam suatu esperimen hipergeometri disebut sebagai peubah aca hipergeometri. Sebaran peluang dari peubah aca hipergeometri X disebut sebagai sebaran hipergeometri dan ditulisan sebagai h(x; N, n, ) arena nilainya bergantung pada: jumlah eberhasilan diambil dari umpulan yang berisi N benda ita memilih n buah dari umpulan N benda tsb
23 Ilustrasi Tinjau contoh 3.8 beriut. Suatu omite yang terdiri dari 5 orang dipilih secara aca dari 3 orang Kimiawan dan 5 Fisiawan. Tentuan sebaran peluang dari jumlah Kimiawan dalam omite tsb. Jawab: Andaian peubah aca X menyataan jumlah Kimiawan dalam omite, edua syarat esperimen hipergeometri menjadi terpenuhi. Dng demiian: P(X=0) = h(0; N=8, n=5, =3) = C(3,0) C(5,5)/C(8,5) = 1/56 P(X=1) = h(1;8,5,3) = C(3,1) C(5,4)/C(8,5) = 15/56 P(X=2) = h(2;8,5,3) = C(3,2) C(5,3)/C(8,5) = 30/56 P(X=3) = h(3;8,5,3) = C(3,3) C(5,2)/C(8,5) = 10/56 Dalam bentu tabel x h(x; 8, 5, 3) 1/56 15/56 30/56 10/56 Dan dalam bentu formula h(x;8,5,3) = C(3,x) C(5, 5-x)/C(8,5), x=0, 1, 2, 3
24 Sebaran hipergeometri SEBARAN HIPERGEOMETRIK. Sebaran peluang dari peubah aca hipergeometri X, yani jumlah suses dari cuplian aca sejumlah n yang terambil dari N benda, dimana buah diantaranya disebut suses dan N- disebut gagal, adalah h N x n x N n ( x; N, n, ) =, x = 0,1, 2,..., n Contoh: Sejumlah 40 buah omponen eletroni dapat diterima jia cacat-nya tida lebih dari tiga buah. Pencuplian dilauan dengan cara memilih 5 omponen scr aca dan menolanya jia ada yang cacat. Jia ada 3 dari 40 omponen ini cacat, tentuan peluang tepat satu satu dari cuplian ini cacat. Jawab: Ini adalah sebaran hipergeometri dengan n=5, N=40, =3 dan x=1. Dengan demiian, peluang tepat satu buah cacat adalah h(1; 40, 5, 3) = C(3,1) C(37,4)/ C(40,5) =
25 Mean dan Variansi Teorema 3.3 Mean dan variansi dari sebaran hipergeometri h(x; N, n, ) adalah, masing-masing, μ = n/n, dan σ 2 = [(N-n)/(N-1)] n (/N) [1- (/N)] Buti: lihat textboo Pendeatan. Jia n jauh lebih ecil daripada N, perubahan peluang antar pengamatan menjadi ecil. Aibatnya, esperimen lebih mirip e percobaan binomial dan sebarannya aan menjadi sebaran binomial dengan p=/n. Mean dan variansi dapat dideati dengan rumus beriut: μ = np = n/n, dan σ 2 = npq = n (/N) [1- (/N)]
26 Contoh-2 Contoh 3.10: Dengan teorema Chebysev, hitung dan tafsiran interval μ±2σ dalam contoh 3.9 Jawab: Karena contoh 3.9 merupaan percobaan hipergeometri dengan N=40, n=5, dan =3, maa dengan Teorema 3.3 aan diperoleh μ = (5)(3)/40 = 3/8 = dan σ 2 = [(40-5)/(39)](5)(3/40)[1-(3/40)] = Aar uadrat variansi memberian simpangan bau sebesar σ= Dengan demiian, interval yang dicari adalah 0.375±(2)(0.558) atau sampai Berdasaran teorema Chebysev, jumlah omponen cacat etia 5 omponen dipilih secara aca dari 40 buah, 3 diantaranya cacat, punya peluang sediitnya ¾ untu berada dalam selang sampai 1.491
27 Generalisasi Tinjau N umpulan benda yang dipartisi edalam sel A 1, A 2,, A dengan a 1 benda berada di sel pertama, a 2 dalam sel edua,, a dalam sel e-. Kita aan menghitung peluang cuplian aca sejumlah n menghasilan x 1 benda dari A 1, x 2 benda dari A 2,, x benda dari A. Tulisan peluang ini sebagai f(x 1, x 2,, x ; a 1, a 2,, a, N,n) Besar ruang cuplian adalah C(N, n). Ada C(a 1,x 1 ) cara untu memilih x 1 benda dari A 1, dan masing-masing ada C(a 2,x 2 ) cara untu memilih x 2 benda dari A 2. Jadi, ita dapat memilih x 1 benda dari A 1 dan x 2 benda dari A 2 sebanya C(a 1,x 1 ) C(a 2,x 2 ) cara. Demiian seterusnya, ita dapat memilih n-buah benda yang terdiri dari x 1 buah anggota A 1, x 2 benda dari A 2,, x benda dari A sebanya C(a 1,x 1 ) C(a 2,x 2 ) C(a,x ). Kita rumusan hasil ini sbb.
28 Perluasan sebaran hipergeometri EKSTENSI DARI SEBARAN HIPEGEOMETRIK. Jia seumpulan N- buah benda dapat dipartisi menjadi buah sel A 1, A 2,, A yang masing-masing memilii a 1, a 2,, a anggota, maa sebaran peluang dari peubah aca X 1, X 2,, X yang menyataan jumlah anggota terpilih dari A 1, A 2,, A dalam cuplian aca beruuran n adalah dengan ( ) = n N x a x a x a n N a a a x x x f ,,,...,, ;,...,, N a dan n x i i i i = = = = 1 1
29 Contoh 3.12 Soal: Suatu elompo yang terdiri dari 10 orang dipaai untu survei biologi. Dalam elompo terdapat 3 orang berdarah O, 4 berdarah A, dan 3 berdarah B. Tentuan peluang dari suatu cuplian aca sebesar 5 orang mengandung 1 orang berdarah O, 2 orang berdarah A, dan 2 orang berdarah B. Jawab: Dengan formula perluasan dimana x 1 =1, x 2 =2, x 3 =2, a 1 =3, a 2 =4, a 3 =3, N=10, dan n=5, maa nilai peluangnya adalah P= f(1, 2, 2;3, 4, 3, 10, 5) = C(3,1)C(4,2)C(3,2)/C(10,5) = 3/14
30 3.4 Sebaran Poisson
31 Percobaan Poisson Percobaan yng menghasilan peubah aca X, yng menyataan jumlah eberhasilan dalam selang watu atau daerah tertentu, disebut percobaan Poisson. Sifat-sifat: Jumlah eberhasilan dalam suatu selang watu aatu daerah tertentu, bebas terhadap peristiwa dlm selang atau daerah lain. Peluang satu eberhasilan selama selang watu pende atau daerah ecil sebanding dengan lamanya (durasi) selang atau besarnya daerah tsb, dan td bergantung pada jumlah eberhasilan yang terjadi diluar selang atau daerah ini. Peluang lebih dari satu eberhasilan dalam selang atau daerah tsb sangat ecil (dapat diabaian). Contoh percobaan Poisson: edatangan panggilan telepon per jam, jumlah libur seolah arena terjadi banjir selama musim hujan, jumlah pertandingan sepabola yang dibatalan aibat hujan dalam musim pertandingan tertentu.
32 Peubah aca dan Sebaran Poisson Def. 3.3: Jumlah X buah eberhasilan dalam percobaan Poisson disebut sebagai peubah aca Poisson. SEBARAN POISSON. Sebaran peluang dari peubah aca Poisson X, yang menyataan jumlah eberhasilan dalam suatu selang watu atau daerah tertentu, adalah μ x e μ p( x; μ ) =, x = 0,1, 2,... x! dimana μ adalah rata-rata eberhasilan selama selang watu atau daerah terntentu dan e = (bilangan alami). Tabel III dalam buu tes menampilan jumlah sebaran Poisson P(r; μ) = r x=0 p(x; μ).
33 Contoh 3.13 Soal:Dalam percobaan teramati rata-rata ada 4 buah partiel radioatif yang melewati alat pencacah selama selang watu 1 milideti. Berapa peluang ada 6 partiel yang masu alat tsb dalam selama milideti tertentu? Jawab: Dengan menggunaan tabel sebaran Poisson (Tabel III) untu x=6 dan μ=4, ita peroleh p(6;4)= e /6! = 6 x=0 p(x; 4) - 5 x=0 p(x; 4) = =
34 Mean dan variansi Teorema 3.4 Mean dan variansi dari sebaran Poisson p(x;μ) memilii nilai sama, yaitu μ. Contoh: dalam soal 3.13 dimana μ=4, maa variansinya σ 2 =4 atau σ=2. Berdasaran teorema Chebyshev, maa ita bisa mengataan bahwa peubah aca Poisson ini memilii peluang sediitnya ¾ (yani 1-1/2 2 ) untu jatuh dalam selang μ±2σ = 4 ± 2(2), atau dalam selang 0 sampai dengan 8.
35 Kaitan dengan sebaran binomial Teorema 3.5 Andaian X suatu peubah aca binomial dengan sebaran peluang b(x;n,p). Ketia n, p 0, dan μ=np onstan, maa b(x; n, p) p(x; n) Contoh Dalam suatu proses manufatur produ gelas, munculnya cacat atau gelembung menyulitan penjualan produ tsb. Dietahui bahwa untu setiap 1000 produ ini, aan ada 1 produ yang memilii 1 atau lebih cacat gelembung. Berapa peluang dari cuplian aca sebanya 8000 menghasilan urang dari 7 produ yang memilii cacat gelembung ini? Jawab: Sesungguhnya ini adalah esperimen binomial dengan n=8000 dan p=1/1000= Karena p mendeati nol dan n sangat tinggi, ita bisa memaai pendeatan Poisson dng μ=(8000)(0.001) = 8. Jadi, jia X menyataan banyanya gelembung, maa P(X<7) = 6 x=0 b(x; 8000, 0.001) 6 x=0 p(x; 8) =
36 3.5 Sebaran Binomial Negatif dan Sebaran Geometri
37 Pecobaan binomial negatif Percobaan binomial negatif bersifat mirip dengan percobaan binomial (biasa), ecuali percobaan dilauan berulang sampai jumlah tertentu suses tercapai. Jadi, yang dihitung adalah peluang terjadinya suses e- pada percobaan e-x. Contoh: suatu obat efetif terhadap 60% asus. Aan dihitung peluang pasien e-5 yang sembuh (S) adalah pasien e-7 yang diberi obat. Kita sebut F jia pengobatan tida berhasil. Jadi, ita aan menghitung peluang ejadian, misalnya, SFSSSFS, yng muncul dng peluang (0.6)(0.4)(0.6) (0.6) (0.6)(0.4)(0.6) = (0.6) 5 (0.4) 2. Kita juga harus mencacah semua ombinasi S dan F yng demiian, dng batasan urutan terahir adalah S; yani C(7-1,5-1) = C(6,4) = 15. Dengan demiian: P(X=7)=C(6,4) (0.6) 5 (0.4) 2 =
38 Peubah aca dan sebaran binomial negatif Definisi 3.4 Jumlah percobaan X yang menghasilan suses dalam esperimen binomial negatif disebut sebagai peubah aca binomial negatif. SEBARAN BINOMIAL NEGATIF. Jia percobaan berulang yang saling bebas dapat menghasilan suses dengan peluang p dan gagal dengan peluang q=1-p, maa sebaran peluang dari peubah aca X, yani banyanya percobaan yang menghasilan suses e-, diberian oleh b * x 1 1 ( x;, n) = p x, x =, + 1, + 2,...
39 Contoh 3.16 Tentuan peluang seseorang yang melantunan 3 eping oin mendapatan semua H atau semua T untu edua alinya dalam 5 ali pelantunan. Jawab: ini adalah esperimen binomial negatif dengan x=5, =2, dan p=1/4, sehingga: b*(5;2,1/4)= C(4,1)(1/4) 2 (3/4) 2 = (4!/(1!3!)) (3 3 /4 5 ) = 27/256
40 Sebaran geometri Kasus dimana sebaran binomial negatif memilii =1 menghasilan sebaran peluang dari banyanya percobaan yang menghasilan satu suses. Contoh: pelantunan uang hingga muncul H. Sebaran yang demiian disebut sebagai sebaran geometri g(x;p). SEBARAN GEOMETRIK. Jia percobaan berulang yang saling bebas menghasilan suses dengan peluang p dan gagal dengan peluang q=1-p, maa sebaran peluang dari peubah aca X, yani banyanya percobaan hingga suses pertama muncul, diberian oleh g(x;p) = pq x-1, x = 1, 2, 3,
41 Contoh 3.17 Soal: Dalam suatu proses manufatur, dietahui bahwa rata-rata 1 dari 100 item (bagian produ) cacat. Berapaah peluang bahwa 5 item teramati sebelum suatu cacat ditemuan? Jawab: dengan sebaran geometri dimana x=5 dan p=0.01 diperoleh g(5; 0.01) = (0.01)(0.99) 4 =
42 Selesai
DISTRIBUSI PROBABILITAS DISKRIT TEORITIS 1. Distribusi Seragam Diskrit
DISTRIBUSI PROBABILITAS DISKRIT TEORITIS 1 TI2131 TEORI PROBABILITAS MINGGU KE-9 Distribusi Seragam Disrit Jia sebuah variabel random X mengambil nilai x 1, x 2,, x dengan probabilitas yang sama, maa distribusi
Lebih terperincimungkin muncul adalah GA, GG, AG atau AA dengan peluang masing-masing
. DISTRIUSI INOMIL pabila sebuah oin mata uang yang memilii dua sisi bertulisan ambar () dan nga () dilempar satu ali, maa peluang untu mendapatan sisi ambar adalah,5 atau. pabila oin tersebut dilempar
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 terperinciBeberapaDistribusiPeluang. Bahan Kuliah II2092 Probabilitas dan Statistik Oleh: Rinaldi Munir Sekolah Teknik Elektro dan Informatika ITB
BeberapaDistribusiPeluang Diskrit Bahan Kuliah II2092 Probabilitas dan Statistik Oleh: Rinaldi Munir Sekolah Teknik Elektro dan Informatika ITB Pengantar Pengamatanyang dihasilkanmelaluipercobaanyang berbeda
Lebih terperinciAgar Xn berperilaku acak yang dapat dipertanggungjawabkan :
ara memperoleh data Zaman dahulu, dgn cara : 1. Melempar dadu 2. Mengoco artu Zaman modern (>1940), dgn cara membentu bilangan aca secara numeri/ aritmati(menggunaan omputer), disebut Pseudo Random Number
Lebih terperinciOSN 2014 Matematika SMA/MA
Soal 5. Suatu barisan bilangan asli a 1, a 2, a 3,... memenuhi a + a l = a m + a n untu setiap bilangan asli, l, m, n dengan l = mn. Jia m membagi n, butian bahwa a m a n. Solusi. Andaian terdapat bilangan
Lebih terperinciBAB IV PERHITUNGAN HARGA PREMI BERDASARKAN FUNGSI PERMINTAAN PADA TITIK KESETIMBANGAN
BAB IV PERHITUNGAN HARGA PREMI BERDASARKAN FUNGSI PERMINTAAN PADA TITIK KESETIMBANGAN Berdasaran asumsi batasan interval pada bab III, untu simulasi perhitungan harga premi pada titi esetimbangan, maa
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Statisti Inferensia Tujuan statisti pada dasarnya adalah melauan desripsi terhadap data sampel, emudian melauan inferensi terhadap data populasi berdasaran pada informasi yang
Lebih terperinciBAB 3 PRINSIP SANGKAR BURUNG MERPATI
BAB 3 PRINSIP SANGKAR BURUNG MERPATI 3. Pengertian Prinsip Sangar Burung Merpati Sebagai ilustrasi ita misalan terdapat 3 eor burung merpati dan 2 sangar burung merpati. Terdapat beberapa emunginan bagaimana
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 terperinciBAB III PENENTUAN HARGA PREMI, FUNGSI PERMINTAAN, DAN TITIK KESETIMBANGANNYA
BAB III PENENTUAN HARGA PREMI, FUNGSI PERMINTAAN, DAN TITIK KESETIMBANGANNYA Pada penelitian ini, suatu portfolio memilii seumlah elas risio. Tiap elas terdiri dari n, =,, peserta dengan umlah besar, dan
Lebih terperinciDistribusi Probabilitas Diskrit. Dadan Dasari
Distribusi Probabilitas Diskrit Dadan Dasari Daftar Isi DIstribusi Uniform Distribusi Binomial DIstribusi Multinomial Distribusi Hipergeometrik Distribusi Poisson Distribusi Probabilitas Uniform Diskrit
Lebih terperinciBAB 5 RUANG VEKTOR UMUM. Dr. Ir. Abdul Wahid Surhim, MT.
BAB 5 RUANG VEKTOR UMUM Dr. Ir. Abdul Wahid Surhim, MT. KERANGKA PEMBAHASAN. Ruang Vetor Nyata. Subruang. Kebebasan Linier 4. Basis dan Dimensi 5. Ruang Baris, Ruang Kolom dan Ruang Nul 6. Ran dan Nulitas
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belaang Model Loglinier adalah salah satu asus husus dari general linier model untu data yang berdistribusi poisson. Model loglinier juga disebut sebagai suatu model statisti
Lebih terperinciDeret Pangkat. Ayundyah Kesumawati. June 23, Prodi Statistika FMIPA-UII
Keonvergenan Kesumawati Prodi Statistia FMIPA-UII June 23, 2015 Keonvergenan Pendahuluan Kalau sebelumnya, suu suu pada deret ta berujung berupa bilangan real maa ali ini ita embangan suu suunya dalam
Lebih terperinciII. TINJAUAN PUSTAKA. sebuah teknik yang baru yang disebut analisis ragam. Anara adalah suatu metode
3 II. TINJAUAN PUSTAKA 2.1 Analisis Ragam (Anara) Untu menguji esamaan dari beberapa nilai tengah secara sealigus diperluan sebuah teni yang baru yang disebut analisis ragam. Anara adalah suatu metode
Lebih terperinciBAB III METODE SCHNABEL
BAB III METODE SCHNABEL Uuran populasi tertutup dapat diperiraan dengan teni Capture Mar Release Recapture (CMRR) yaitu menangap dan menandai individu yang diambil pada pengambilan sampel pertama, melepasan
Lebih terperinciPenggunaan Induksi Matematika untuk Mengubah Deterministic Finite Automata Menjadi Ekspresi Reguler
Penggunaan Indusi Matematia untu Mengubah Deterministic Finite Automata Menjadi Espresi Reguler Husni Munaya - 353022 Program Studi Teni Informatia Seolah Teni Eletro dan Informatia Institut Tenologi Bandung,
Lebih terperinciOptimasi Non-Linier. Metode Numeris
Optimasi Non-inier Metode Numeris Pendahuluan Pembahasan optimasi non-linier sebelumnya analitis: Pertama-tama mencari titi-titi nilai optimal Kemudian, mencari nilai optimal dari fungsi tujuan berdasaran
Lebih terperinciSah Tidaknya Sidik Ragam. Data Bermasalah. Data Bermasalah PERANCANGAN PERCOBAAN (DATA BERMASALAH)
Sah Tidanya Sidi Ragam PERANCANGAN PERCOBAAN (DATA BERMASALAH) Oleh: Dr. Ir. Dirvamena Boer, M.Sc.Agr. HP: 081 385 065 359 Universitas Haluoleo, Kendari dirvamenaboer@yahoo.com http://dirvamenaboer.tripod.com/
Lebih terperinciUji Alternatif Data Terurut Perbandingan antara Uji Jonckheere Terpstra dan Modifikasinya Ridha Ferdhiana 1 Statistics Peer Group
Uji Alternatif Data Terurut Perbandingan antara Uji Joncheere Terpstra dan Modifiasinya Ridha Ferdhiana Statistics Peer Group Jurusan Matematia FMIPA Universitas Syiah Kuala Banda Aceh, Aceh, 23 email:
Lebih terperinciAplikasi diagonalisasi matriks pada rantai Markov
J. Sains Dasar 2014 3(1) 20-24 Apliasi diagonalisasi matris pada rantai Marov (Application of matrix diagonalization on Marov chain) Bidayatul hidayah, Rahayu Budhiyati V., dan Putriaji Hendiawati Jurusan
Lebih terperinci3.1 TEOREMA DASAR ARITMATIKA
3. TEOREMA DASAR ARITMATIKA Definisi 3. Suatu bilangan bulat > disebut (bilangan) rima, jia embagi ositif bilangan tersebut hanya dan. Jia bilangan bulat lebih dari satu buan bilangan rima disebut (bilangan)
Lebih terperinciMENGHITUNG PELUANG PERSEBARAN TRUMP DALAM PERMAINAN CONTRACT BRIDGE
MENGHITUNG PELUANG PERSEBARAN TRUMP DALAM PERMAINAN CONTRACT BRIDGE Desfrianta Salmon Barus - 350807 Jurusan Teni Informatia, Institut Tenologi Bandung Bandung e-mail: if807@students.itb.ac.id ABSTRAK
Lebih terperinciBAB IV APLIKASI PADA MATRIKS STOKASTIK
BAB IV : ALIKASI ADA MARIKS SOKASIK 56 BAB IV ALIKASI ADA MARIKS SOKASIK Salah satu apliasi dari eori erron-frobenius yang paling terenal adalah penurunan secara alabar untu beberapa sifat yang dimilii
Lebih terperinciMENYELESAIKAN PERSAMAAN DIFFERENSIAL BILANGAN BULAT DAN BILANGAN RASIONAL
MENYELESAIKAN PERSAMAAN DIFFERENSIAL BILANGAN BULAT DAN BILANGAN RASIONAL Sarta Meliana 1, Mashadi 2, Sri Gemawati 2 1 Mahasiswa Program Studi S1 Matematia 2 Dosen Jurusan Matematia Faultas Matematia dan
Lebih terperinciBAB III ANALISIS DISKRIMINAN. analisis multivariat dengan metode dependensi (dimana hubungan antar variabel
BAB III ANALISIS DISKRIMINAN 3.1 Pengertian Analisis Disriminan Analisis disriminan merupaan sala satu metode yang digunaan dalam analisis multivariat dengan metode dependensi (dimana ubungan antar variabel
Lebih terperinciIII. METODOLOGI PENELITIAN. Penelitian ini menggunakan data sekunder bersifat runtun waktu (time series)
III. METODOLOGI PENELITIAN A. Jenis dan Sumber Data Penelitian ini menggunaan data seunder bersifat runtun watu (time series) dalam periode tahunan dan data antar ruang (cross section). Data seunder tersebut
Lebih terperinciRINGKASAN SKRIPSI MODUL PERKALIAN
RINGKASAN SKRIPSI MODUL PERKALIAN SAMSUL ARIFIN 04/177414/PA/09899 DEPARTEMEN PENDIDIKAN NASIONAL UNIVERSITAS GADJAH MADA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM YOGYAKARTA 2008 HALAMAN PENGESAHAN
Lebih terperinciSoal-Jawab Fisika OSN x dan = min. Abaikan gesekan udara. v R Tentukan: a) besar kelajuan pelemparan v sebagai fungsi h. b) besar h maks.
Soal-Jawab Fisia OSN - ( poin) Sebuah pipa silinder yang sangat besar (dengan penampang lintang berbentu lingaran berjarijari R) terleta di atas tanah. Seorang ana ingin melempar sebuah bola tenis dari
Lebih terperinciDISTRIBUSI PROBABILITAS DISKRIT TEORITIS 2. Distribusi Hipergeometrik
DISTRIBUSI PROBABILITAS DISKRIT TEORITIS 2 TI2131 TEORI PROBABILITAS MINGGU KE-10 Distribusi Hipergeometrik Eksperimen hipergeometrik memiliki karakteristik sebagai berikut: 1. sebuah sampel random berukuran
Lebih terperinci4. 1 Spesifikasi Keadaan dari Sebuah Sistem
Dalam pembahasan terdahulu ita telah mempelajari penerapan onsep dasar probabilitas untu menggambaran sistem dengan jumlah partiel ang cuup besar (N). Pada bab ini, ita aan menggabungan antara statisti
Lebih terperinciBAB ELASTISITAS. Pertambahan panjang pegas
BAB ELASTISITAS 4. Elastisitas Zat Padat Dibandingan dengan zat cair, zat padat lebih eras dan lebih berat. sifat zat padat yang seperti ini telah anda pelajari di elas SLTP. enapa Zat pada lebih eras?
Lebih terperinciBEBERAPA SIFAT HIMPUNAN KRITIS PADA PELABELAN AJAIB GRAF BANANA TREE. Triyani dan Irham Taufiq Universitas Jenderal Soedirman
JMP : Volume 4 Nomor 2, Desember 2012, hal. 271-278 BEBERAPA SIFAT HIMPUNAN KRITIS PADA PELABELAN AJAIB GRAF BANANA TREE Triyani dan Irham Taufiq Universitas Jenderal Soedirman trianisr@yahoo.com.au ABSTRACT.
Lebih terperinciBeberapa Distribusi Peluang Diskrit
Beberapa Distribusi Peluang Diskrit Departemen Teknik Informatika Institut Teknologi Bandung Page 1 Isi : Distribusi Seragam Distribusi Binomial Distribusi Multinomial Page 2 Distribusi
Lebih terperinci2.1 Bilangan prima dan faktorisasi prima
BAB 2 BILANGAN PRIMA 2.1 Bilangan prima dan fatorisasi prima Definisi 2.1.1. Bilangan bulat p > 1 diataan prima jia ia hanya mempunyai pembagi p dan 1. Dengan ata lain bilangan prima tida mempunyai pembagi
Lebih terperinciSISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER. Abstrak
SISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER Oleh : Pandapotan Siagia, ST, M.Eng (Dosen tetap STIKOM Dinamia Bangsa Jambi) Abstra Sistem pengenal pola suara atau yang lebih dienal dengan
Lebih terperinciSISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER
SISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER Pandapotan Siagian, ST, M.Eng Dosen Tetap STIKOM Dinamia Bangsa - Jambi Jalan Sudirman Theoo Jambi Abstra Sistem pengenal pola suara atau
Lebih terperinciSTATISTIKA. Muhamad Nursalman Pendilkom/Ilkom UPI
STATISTIKA Muhamad Nursalman Pendilkom/Ilkom UPI 1 Daftar Isi Bab 1 Peluang Bab Peubah Acak Bab 3 Distribusi Peluang Diskret Bab 4 Distribusi Peluang Kontinu Bab 5 Fungsi Peubah Acak Bab 6 Teori Penaksiran
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belaang Masalah untu mencari jalur terpende di dalam graf merupaan salah satu masalah optimisasi. Graf yang digunaan dalam pencarian jalur terpende adalah graf yang setiap sisinya
Lebih terperinciUJI BARTLETT. Elty Sarvia, ST., MT. Fakultas Teknik Jurusan Teknik Industri Universitas Kristen Maranatha Bandung. Scheffe Multiple Contrast Procedure
8/9/01 UJI TUKEY UJI DUNCAN UJI BARTLETT UJI COCHRAN UJI DUNNET Elty Sarvia, ST., MT. Faultas Teni Jurusan Teni Industri Universitas Kristen Maranatha Bandung Macam Metode Post Hoc Analysis The Fisher
Lebih terperinciSUATU KLAS BILANGAN BULAT DAN PERANNYA DALAM MENGKONSTRUKSI BILANGAN PRIMA
SUATU KLAS BILANGAN BULAT DAN PERANNYA DALAM MENGKONSTRUKSI BILANGAN PRIMA I Nengah Suparta dan I. B. Wiasa Jurusan Pendidian MatematiaUniversitas Pendidian Ganesha E-mail: isuparta@yahoo.com ABSTRAK:
Lebih terperinciBAB III DIMENSI PARTISI GRAF KIPAS DAN GRAF KINCIR
BAB III DIMENSI PARTISI GRAF KIPAS DAN GRAF KINCIR 3. Dimensi Partisi Graf Kipas (F n ) Berdasaran Proposisi dan Proposisi, semua graf G selain graf P n dan K n memilii 3 pd(g) n -. Lebih husus, graf Kipas
Lebih terperinciINTEGRAL NUMERIK KUADRATUR ADAPTIF DENGAN KAIDAH SIMPSON. Makalah. Disusun guna memenuhi tugas Mata Kuliah Metode Numerik. yang dibimbing oleh
INTEGRAL NUMERIK KUADRATUR ADAPTIF DENGAN KAIDAH SIMPSON Maalah Disusun guna memenuhi tugas Mata Kuliah Metode Numeri yang dibimbing oleh Dr. Nur Shofianah Disusun oleh: M. Adib Jauhari Dwi Putra 146090400111001
Lebih terperinciBAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK
BAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK Proses pengenalan dilauan dengan beberapa metode. Pertama
Lebih terperinciBAB II KONSEP DAN DEFINISI
6 BAB II KONSEP DAN DEFINISI Pada bab ini aan dijelasan onsep dan definisi-definisi yang digunaan dalam metode pada penelitian ini. 2.1 DATA TRANSAKSI isalan = { 1, 2, 3,..., } adalah himpunan semua produ
Lebih terperinciMATA KULIAH MATEMATIKA TEKNIK 2 [KODE/SKS : KD / 2 SKS] Ruang Vektor
MATA KULIAH MATEMATIKA TEKNIK [KODE/SKS : KD4 / SKS] Ruang Vetor FIELD: Ruang vetor V atas field salar K adalah himpunan ta osong dengan operasi penjumlahan vetor dan peralian salar. Himpunan ta osong
Lebih terperinciANALISIS TEORITIS DAN EMPIRIS UJI CRAPS DARI DIEHARD BATTERY OF RANDOMNESS TEST UNTUK PENGUJIAN PEMBANGKIT BILANGAN ACAKSEMU
ANALISIS TEORITIS DAN EMPIRIS UJI CRAPS DARI DIEHARD BATTERY OF RANDOMNESS TEST UNTUK PENGUJIAN PEMBANGKIT BILANGAN ACAKSEMU Sari Agustini Hafman dan Arif Fachru Rozi 2,2 Lembaga Sandi Negara e-mail: sari.hafman@lemsaneg.go.id,
Lebih terperinciKENNETH CHRISTIAN NATHANAEL
KENNETH CHRISTIAN NATHANAEL. Sistem Bilang Real. Fungsi dan Grafi. Limit dan Keontinuan 4. Limit Ta Hingga 5. Turunan Fungsi 6. Turunan Fungsi Trigonometri 7. Teorema Rantai 8. Turunan Tingat Tinggi 9.
Lebih terperinciKumpulan soal-soal level seleksi Kabupaten: Solusi: a a k
Kumpulan soal-soal level selesi Kabupaten: 1. Sebuah heliopter berusaha menolong seorang orban banjir. Dari suatu etinggian L, heliopter ini menurunan tangga tali bagi sang orban banjir. Karena etautan,
Lebih terperinciKARAKTERISTIK POHON FUZZY
KARAKTERISTIK POHON FUZZY Yuli Stiawati 1, Dwi Juniati 2, 1 Jurusan Matematia, Faultas Matematia dan Ilmu Pengetahuan Alam, Universitas Negeri Surabaya, 60231 2 Jurusan Matematia, Faultas Matematia dan
Lebih terperinciFISIKA. Kelas X GETARAN HARMONIS K-13. A. Getaran Harmonis Sederhana
K-13 Kelas X FISIKA GETARAN HARMONIS TUJUAN PEMBELAJARAN Setelah mempelajari materi ini, amu diharapan memilii emampuan sebagai beriut. 1. Memahami onsep getaran harmonis sederhana pada bandul dan pegas
Lebih terperinciMENENTUKAN TURUNAN DAN SIFAT-SIFAT TURUNAN DARI FUNGSI 1/f(x) DAN h(x)/f(x) ABSTRACT
MENENTUKAN TURUNAN DAN SIFAT-SIFAT TURUNAN DARI FUNGSI 1/(x DAN h(x/(x Yuliana Saitri 1, Sri Gemawati 2, Musraini 2 1 Mahasiswa Program Studi S1 Matematia 2 Dosen Jurusan Matematia Faultas Matematia dan
Lebih terperinciBAB 3 LANGKAH PEMECAHAN MASALAH
BAB 3 LANGKAH PEMECAHAN MASALAH 3.1 Penetapan Kriteria Optimasi Gambar 3.1 Bagan Penetapan Kriteria Optimasi Sumber: Peneliti Determinasi Kinerja Operasional BLU Transjaarta Busway Di tahap ini, peneliti
Lebih terperinciTUGAS I RANCANGAN PERCOBAAN BAB I
TUGAS I RANCANGAN PERCOBAAN Nama : Dwi Shinta Marselina A. Pengertian Desain Esperimen BAB I Desain Esperimen Merupaan langah-langah lengap yang perlu di ambil jauh sebelum esperimen dilauan supaya data
Lebih terperinciPENERAPAN DYNAMIC PROGRAMMING DALAM WORD WRAP Wafdan Musa Nursakti ( )
PENERAPAN DYNAMIC PROGRAMMING DALAM WORD WRAP Wafdan Musa Nursati (13507065) Program Studi Teni Informatia, Seolah Teni Eletro dan Informatia, Institut Tenologi Bandung Jalan Ganesha No. 10 Bandung, 40132
Lebih terperinciPENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL. Sutriani Hidri. Ja faruddin. Syafruddin Side, ABSTRAK
PENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL Syafruddin Side, Jurusan Matematia, FMIPA, Universitas Negeri Maassar email:syafruddinside@yahoo.com Info: Jurnal MSA Vol. 3
Lebih terperinciImplementasi Algoritma Pencarian k Jalur Sederhana Terpendek dalam Graf
JURNAL TEKNIK POMITS Vol. 2, No., (203) ISSN: 2337-3539 (230-927 Print) Implementasi Algoritma Pencarian Jalur Sederhana Terpende dalam Graf Anggaara Hendra N., Yudhi Purwananto, dan Rully Soelaiman Jurusan
Lebih terperinciANALISIS PERBANDINGAN KOMULAN TERHADAP BEBERAPA JENIS DISTRIBUSI KHUSUS Analysis of Comulans Comparative on some Types of Special Distribution
Jurnal Bareeng Vol. 8 No. Hal. 5 0 (04) ANALISIS PRBANDINGAN OMULAN TRHADAP BBRAPA JNIS DISTRIBUSI HUSUS Analysis of Comulans Comparative on some Types of Special Distribution ABRAHAM ZACARIA WATTIMNA,
Lebih terperinciBAB 2 TEORI PENUNJANG
BAB EORI PENUNJANG.1 Konsep Dasar odel Predictive ontrol odel Predictive ontrol P atau sistem endali preditif termasu dalam onsep perancangan pengendali berbasis model proses, dimana model proses digunaan
Lebih terperinciANALISA STATIK DAN DINAMIK GEDUNG BERTINGKAT BANYAK AKIBAT GEMPA BERDASARKAN SNI DENGAN VARIASI JUMLAH TINGKAT
Jurnal Sipil Stati Vol. No. Agustus (-) ISSN: - ANALISA STATIK DAN DINAMIK GEDUNG BERTINGKAT BANYAK AKIBAT GEMPA BERDASARKAN SNI - DENGAN VARIASI JUMLAH TINGKAT Revie Orchidentus Francies Wantalangie Jorry
Lebih terperinciANALISIS VARIANSI (ANOVA)
ANALISIS VARIANSI (ANOVA) ANOVA = Analisis Varians (Anava) = Analisis Ragam = Sidi Ragam Diperenalan oleh R.A. Fisher (195) disebut uji F pengembangan dari uji t dua sampel bebas (independent samples t
Lebih terperinciDISTRIBUSI PROBABILITAS (PELUANG)
DISTRIBUSI PROBABILITAS (PELUANG) Distribusi Probabilitas (Peluang) Distribusi? Probabilitas? Distribusi Probabilitas? JURUSAN PENDIDIKAN FISIKA FPMIPA UNIVERSITAS PENDIDIKAN INDONESIA Distribusi = sebaran,
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar belakang
BAB PENDAHULUAN. Latar belaang Metode analisis yang telah dibicaraan hingga searang adalah analisis terhadap data mengenai sebuah arateristi atau atribut (jia data itu ualitatif) dan mengenai sebuah variabel,
Lebih terperinciKORELASI ANTARA DUA SINYAL SAMA BERBEDA JARAK PEREKAMAN DALAM SISTEM ADAPTIF. Sri Arttini Dwi Prasetyawati 1. Abstrak
KORELASI ANARA DUA SINYAL SAMA BERBEDA JARAK PEREKAMAN DALAM SISEM ADAPIF Sri Arttini Dwi Prasetyawati 1 Abstra Masud pembahasan tentang orelasi dua sinyal adalah orelasi dua sinyal yang sama aan tetapi
Lebih terperinciDISTRIBUSI PROBABILITAS
DISTRIBUSI PROBABILITAS DISTRIBUSI PROBABILITAS Peluang terjadinya nilai variabel random X yang meliputi semua nilai ditentukan melalui distribusi peluang. Distribusi peluang suatu variabel random X adalah
Lebih terperinciBahan Minggu II, III dan IV Tema : Kerangka acuan inersial dan Transformasi Lorentz Materi :
Bahan Minggu II, III dan IV Tema : Keranga auan inersial dan Transformasi Lorent Materi : Terdaat dua endeatan ang digunaan untu menelusuri aedah transformasi antara besaran besaran fisis (transformasi
Lebih terperinciKumpulan soal-soal level seleksi provinsi: solusi:
Kumpulan soal-soal level selesi provinsi: 1. Sebuah bola A berjari-jari r menggelinding tanpa slip e bawah dari punca sebuah bola B berjarijari R. Anggap bola bawah tida bergera sama seali. Hitung ecepatan
Lebih terperinciPEBANDINGAN METODE ROBUST MCD-LMS, MCD-LTS, MVE-LMS, DAN MVE-LTS DALAM ANALISIS REGRESI KOMPONEN UTAMA
PEBANDINGAN METODE ROBUST MCD-LMS, MCD-LTS, MVE-LMS, DAN MVE-LTS DALAM ANALISIS REGRESI KOMPONEN UTAMA Sear Wulandari, Nur Salam, dan Dewi Anggraini Program Studi Matematia Universitas Lambung Mangurat
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 PENDAHULUAN 1.1 Latar Belaang Keadaan dunia usaha yang selalu berubah membutuhan langah-langah untu mengendalian egiatan usaha di suatu perusahaan. Perencanaan adalah salah satu langah yang diperluan
Lebih terperinciDISTRIBUSI DISKRIT. MA 2081 Statistika Dasar Utriweni Mukhaiyar
DISTRIBUSI DISKRIT Uniform (seragam) Bernoulli Binomial Poisson Beberapa distribusi lainnya : MULTINOMIAL, HIPERGEOMETRIK, GEOMETRIK, BINOMIAL NEGATIF MA 081 Statistika Dasar Utriweni Mukhaiyar 5 Maret
Lebih terperinciBAB 8 DISTRIBUSI PELUANG DISKRIT
BAB 8 DISTRIBUSI PELUANG DISKRIT A. Peluang Peluang atau yang sering disebut sebagai probabilitas dapat dipandang sebagai cara untuk mengungkapkan ukuran ketidakpastian/ ketidakyakinan/ kemungkinan suatu
Lebih terperinciAnalisis Varians = Analysis of Variance = ANOVA
Analisis Varians Analysis of Variance ANOVA. Pendahuluan. Distribusi F χ² pengujian beberapa (>) proporsi ANOVA pengujian beberapa (>) nilai rata-rata Dasar perhitungan ANOVA ditetapan oleh Ronald A. Fisher.
Lebih terperinciPELABELAN FUZZY PADA GRAF. Siti Rahmah Nurshiami, Suroto, dan Fajar Hoeruddin Universitas Jenderal Soedirman.
JMP : Volume 6 Nomor, Juni 04, hal. - PELABELAN FUZZY PADA GRAF Siti Rahmah Nurshiami, Suroto, dan Fajar Hoeruddin Universitas Jenderal Soedirman email : oeytea0@gmail.com ABSTRACT. This paper discusses
Lebih terperinciPENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL SUTRIANI HIDRI
PENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL SUTRIANI HIDRI Jurusan Matematia, FMIPA, Universitas Negeri Maassar Email: nanni.cliq@gmail.com Abstra. Pada artiel ini dibahas
Lebih terperinciMakalah Seminar Tugas Akhir
Maalah Seminar ugas Ahir Simulasi Penapisan Kalman Dengan Kendala Persamaan Keadaan Pada Kasus Penelusuran Posisi Kendaraan (Vehicle racing Problem Iput Kasiyanto [], Budi Setiyono, S., M. [], Darjat,
Lebih terperinciAnalisis Varians = Analysis of Variance = ANOVA
. Pendahuluan. Distribusi F Analisis Varians Analysis of Variance ANOVA χ² pengujian beberapa (>) proporsi ANOVA pengujian beberapa (>) nilai rata-rata Dasar perhitungan ANOVA ditetapan oleh Ronald A.
Lebih terperinciProbabilitas dan Statistika Distribusi Peluang Diskrit 2. Adam Hendra Brata
Probabilitas dan Statistika Distribusi Peluang Diskrit 2 Adam Hendra Brata Distribusi Hipergeometrik Distribusi Hipergeometrik Jika sampling dilakukan tanpa pengembalian dari kejadian sampling yang diambil
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Pada bab ini disampaian beberapa pengertian dasar yang diperluan pada bab selanutnya. Selain definisi, diberian pula lemma dan teorema dengan atau tanpa buti. Untu beberapa teorema
Lebih terperinciMEKANIKA TANAH HIDROLIKA TANAH DAN PERMEABILITAS MODUL 3
MEKANIKA TANAH MODUL 3 HIDROLIKA TANAH DAN PERMEABILITAS UNIVERSITAS PEMBANGUNAN JAYA Jl. Boulevard Bintaro Setor 7, Bintaro Jaya Tangerang Selatan 15224 Silus hidrologi AIR TANAH DEFINISI : air yang terdapat
Lebih terperinciDistribusi Probabilitas Diskrit: Binomial, Multinomial, & Binomial Negatif
Distribusi Probabilitas Diskrit: Binomial, Multinomial, & Binomial Negatif 6 Debrina Puspita Andriani E-mail : debrina.ub@gmail.com / debrina@ub.ac.id 2 Outline Distribusi Variabel Acak Diskrit Distribusi
Lebih terperinciVariasi Spline Kubik untuk Animasi Model Wajah 3D
Variasi Spline Kubi untu Animasi Model Wajah 3D Rachmansyah Budi Setiawan (13507014 1 Program Studi Teni Informatia Seolah Teni Eletro dan Informatia Institut Tenologi Bandung, Jl. Ganesha 10 Bandung 40132,
Lebih terperinciPenerapan Sistem Persamaan Lanjar untuk Merancang Algoritma Kriptografi Klasik
Penerapan Sistem Persamaan Lanjar untu Merancang Algoritma Kriptografi Klasi Hendra Hadhil Choiri (135 08 041) Program Studi Teni Informatia Seolah Teni Eletro dan Informatia Institut Tenologi Bandung,
Lebih terperinciSOLUSI BAGIAN PERTAMA
SOLUSI BAGIAN PERTAMA 1. 13.. 931 3. 4 9 4. 63 5. 3 13 13 6. 3996 7. 1 03 8. 3 + 9 9. 3 10. 4 11. 6 1. 9 13. 31 14. 383 8 15. 1764 16. 5 17. + 7 18. 51 19. 8 0. 360 1 SOLUSI BAGIAN PERTAMA Soal 1. Misalan
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Penelitian Terdahulu Penelitian yang aan dilauan meruju epada beberapa penelitian terdahulu yang sudah pernah dilauan sebelumnya, diantaranya: 1. I Gst. Bgs. Wisuana (2009)
Lebih terperinciANALISIS PETA KENDALI DEWMA (DOUBLE EXPONENTIALLY WEIGHTED MOVING AVERAGE)
Seminar Nasional Matematia dan Apliasinya, 1 Otober 17 ANALISIS PETA KENDALI DEWMA (DOUBLE EXPONENTIALLY WEIGHTED MOVING AVERAGE) DALAM PENGENDALIAN KUALITAS PRODUKSI FJLB (FINGER JOINT LAMINATING BOARD)
Lebih terperinci- Persoalan nilai perbatasan (PNP/PNB)
PENYELESAIAN NUMERIK PERSAMAAN DIFERENSIAL Persamaan diferensial biasanya digunaan untu pemodelan matematia dalam sains dan reayasa. Seringali tida terdapat selesaian analiti seingga diperluan ampiran
Lebih terperinciDistribusi Peluang Teoritis. Titik-titik contoh di dalam Ruang Sampel (S) dapat disajikan dalam bentuk numerik/bilangan.
Distribusi Peluang Teoritis. Pendahuluan Titik-titik contoh di dalam Ruang Sampel (S) dapat disajikan dalam bentuk numerik/bilangan. Peubah Acak Fungsi yang mendefinisikan titik-titik contoh dalam ruang
Lebih terperinciBAB II LANDASAN TEORI. Graf adalah kumpulan simpul (nodes) yang dihubungkan satu sama lain
8 BAB II LANDASAN TEORI 2.1 Teori Graf 2.1.1 Definisi Graf Graf adalah umpulan simpul (nodes) yang dihubungan satu sama lain melalui sisi/busur (edges) (Zaaria, 2006). Suatu Graf G terdiri dari dua himpunan
Lebih terperinciPENERAPAN PROGRAM DINAMIS UNTUK MENGHITUNG ANGKA FIBONACCI DAN KOEFISIEN BINOMIAL
PENERAPAN PROGRAM DINAMIS UNTUK MENGHITUNG ANGKA FIBONACCI DAN KOEFISIEN BINOMIAL Reisha Humaira NIM 13505047 Program Studi Teni Informatia Institut Tenologi Bandung Jl. Ganesha 10, Bandung E-mail : if15047@students.if.itb.ac.id
Lebih terperinciMAT. 12. Barisan dan Deret
MAT.. Barisan dan Deret i Kode MAT. Barisan dan Deret U, U, U3,..., Un,... Un a + (n-)b U + U +..., Un +... n?? Sn? BAGIAN PROYEK PENGEMBANGAN KURIKULUM DIREKTORAT PENDIDIKAN MENENGAH KEJURUAN DIREKTORAT
Lebih terperinciBAB I BUNGA TUNGGAL DAN DISKONTO TUNGGAL. Terminologi: modal, suku bunga, bunga, dan jangka waktu.
BAB I BUNGA TUNGGAL DAN DISKONTO TUNGGAL Terminologi: modal, suu bunga, bunga, dan janga watu. Modal adalah sejumlah uang yang disiman atau ditabung atau diinjam ada (dari) suatu Ban atau badan lain. Suu-bunga
Lebih terperinciDISTRIBUSI PELUANG TEORITIS
Distribusi Teoritis 1/ 15 DISTRIBUSI PELUANG TEORITIS 1. Pendahuluan Titik-titik contoh di dalam Ruang Sampel (S) dapat disajikan dalam bentuk numerik/bilangan.. PEUBAH ACAK Fungsi yang mendefinisikan
Lebih terperinciBAB VII ALGORITMA GENETIKA
BAB VII ALGORITMA GENETIKA Kompetensi : 1. Mahasiswa memahami onsep Algoritma Genetia Sub Kompetensi : 1. Dapat mengerti dasar metode Algoritma Genetia 2. Dapat memahami tahapan operator dalam Algoritma
Lebih terperinciDISTRIBUSI POISSON. Nevi Narendrati, M.Pd. Teori Peluang 1
DISTRIBUSI POISSON Percobaan yang menghasilkan peubah acak X yang bernilai numerik, yaitu banyaknya sukses selama selang waktu tertentu atau dalam daerah tertentu, disebut percobaan Poisson. Panjang selang
Lebih terperinciDISTRIBUSI DISKRIT KHUSUS
DISTRIBUSI DISKRIT KHUSUS U N I F O R M ( S E R A G A M ) B E R N O U L L I B I N O M I A L P O I S S O N MA 4085 Pengantar Statistika 26 Februari 2013 Utriweni Mukhaiyar M U L T I N O M I A L H I P E
Lebih terperinciGENERALISASI METODE TALI BUSUR UNTUK MENYELESAIKAN PERSAMAAN TAK LINEAR SUNARSIH
GENERALISASI METODE TALI BUSUR UNTUK MENYELESAIKAN PERSAMAAN TAK LINEAR SUNARSIH DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2011 ABSTRACT SUNARSIH.
Lebih terperinciProbabilitas dan Statistika Distribusi Peluang Diskrit 1. Adam Hendra Brata
Probabltas dan Statsta Dsrt Adam Hendra Brata Unform Bernoull Multnomal Setap perstwa aan mempunya peluangnya masng-masng, dan peluang terjadnya perstwa tu aan mempunya penyebaran yang mengut suatu pola
Lebih terperinciBAHAN AJAR STATISTIKA DASAR Matematika STKIP Tuanku Tambusai Bangkinang 4. BEBERAPA DISTRIBUSI PELUANG DISKRET
Pertemuan 7. BAHAN AJAR STATISTIKA DASAR Matematika STKIP Tuanku Tambusai Bangkinang 4. BEBERAPA DISTRIBUSI PELUANG DISKRET 4. Pendahuluan 4.2 Distribusi seragam diskret 4.3 Distribusi binomial dan multinomial
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Sistem Kendali Lup [1] Sistem endali dapat diataan sebagai hubungan antara omponen yang membentu sebuah onfigurasi sistem, yang aan menghasilan tanggapan sistem yang diharapan.
Lebih terperinci