PENDAHULUAN LANDASAN TEORI
|
|
- Suryadi Kurnia
- 7 tahun lalu
- Tontonan:
Transkripsi
1 1 PENDAHULUAN Latar Belakang Dalam kehidupan sehari-hari, banyak permasalahan yang dapat dimodelkan dengan proses stokastik. Proses stokastik dapat dibedakan menjadi dua yaitu proses stokastik dengan waktu diskret dan proses stokastik dengan waktu kontinu. Salah satu bentuk khusus dari proses stokastik dengan waktu kontinu adalah proses Poisson periodik. Contoh proses yang dapat dijelaskan dengan proses Poisson periodik adalah proses kedatangan pelanggan ke suatu pusat servis. Namun, jika banyaknya pelanggan yang datang mempunyai kecenderungan meningkat secara linear terhadap waktu, maka model yang cocok adalah proses Poisson periodik dengan tren linear. Pada proses kedatangan pelanggan tersebut, waktu tunggu dari seorang pelanggan adalah jarak waktu sejak pusat servis tersebut dibuka sampai pelanggan tersebut datang. Karena waktu tunggu ini merupakan suatu peubah acak kontinu, maka ia memiliki fungsi sebaran dan fungsi kepekatan peluang. Umumnya kedua fungsi ini tidak diketahui sehingga diperlukan suatu penduga bagi kedua fungsi tersebut. Pada tulisan ini dikaji kekonsistenan penduga fungsi sebaran dan fungsi kepekatan peluang waktu tunggu proses Poisson periodik dengan tren linear. Ini merupakan rekonstruksi dari paper Mangku (2010). Untuk menyusun suatu penduga yang konsisten, diperlukan data yang banyaknya menuju tak hingga jika panjang interval pengamatan menuju tak hingga. Agar data pengamatan di berbagai bagian interval pengamatan yang berbeda bisa digunakan untuk menduga fungsi sebaran dan fungsi kepekatan peluang, maka diperlukan asumsi keperiodikan dari fungsi intensitas proses yang dikaji. Pada kajian ini dianggap periode dari fungsi intensitas diketahui yaitu. Tujuan Tujuan dari penulisan karya ilmiah ini adalah 1. Mengonstruksi kembali penyusunan penduga fungsi sebaran dan fungsi kepekatan peluang waktu tunggu proses Poisson periodik dengan tren linear. 2. Mengonstruksi kembali pembuktian kekonsistenan penduga fungsi sebaran waktu tunggu dan penduga fungsi kepekatan peluang waktu tunggu. LANDASAN TEORI Ruang Contoh, Kejadian dan Peluang Suatu percobaan yang dapat diulang dalam kondisi yang sama yang hasilnya tidak bisa diprediksi secara tepat tetapi dapat diketahui semua kemungkinan hasil yang muncul disebut percobaan acak. Definisi 1 (Ruang contoh) Ruang contoh adalah himpunan semua hasil yang mungkin dari suatu percobaan acak, dinotasikan dengan Ω. Definisi 2 (Kejadian) Kejadian adalah suatu himpunan bagian dari ruang contoh Ω. Definisi 3 (Kejadian lepas) Kejadian dan disebut saling lepas jika irisan dari keduanya adalah himpunan kosong. Definisi 4 (Medan- ) Suatu himpunan yang anggotanya adalah himpunan bagian dari Ω disebut medan- jika memenuhi kondisi berikut 1. ; ; 2. Jika,, maka 3. Jika maka. Definisi 5 (Ukuran peluang) Ukuran peluang Ρ pada Ω, adalah fungsi Ρ: 0,1 yang memenuhi 1. Ρ 0, ΡΩ 1,
2 2 2. Jika,, adalah himpunan lepas yang merupakan anggota dari, yaitu, untuk setiap i, j dengan, maka Ρ Ρ. Pasangan Ω,,Ρ disebut ruang peluang. Definisi 6 (Kejadian saling bebas) Kejadian dan dikatakan saling bebas jika Ρ PP. Secara umum, himpunan kejadian { ; Ι} dikatakan saling bebas jika P = P, untuk setiap himpunan bagian berhingga dari Ι. Peubah Acak dan Fungsi Sebaran Definisi 7 (Peubah acak) Peubah acak adalah fungsi : Ω dengan Ω: untuk setiap. Peubah acak dinotasikan dengan huruf kapital, seperti, dan. Sedangkan nilai peubah acak dinotasikan dengan huruf kecil, seperti, dan. Definisi 8 (Fungsi sebaran) Fungsi sebaran peubah acak adalah : 0,1, yang didefinisikan oleh P. Fungsi disebut fungsi sebaran dari peubah acak. Definisi 9 (Peubah acak diskret) Peubah acak dikatakan diskret jika semua himpunan nilai,, dari merupakan himpunan tercacah. Definisi 10 (Fungsi massa peluang) Fungsi massa peluang dari peubah acak diskret adalah fungsi : 0, 1, yaitu Ρ. Definisi 11 ( Peubah acak kontinu) Peubah acak dikatakan kontinu jika ada fungsi sehingga fungsi sebaran dapat dinyatakan sebagai,, dengan 0, adalah fungsi yang terintegralkan. Fungsi disebut fungsi kepekatan peluang bagi peubah acak. Kekonvergenan Definisi 12 (Konvergen dalam peluang) Misalkan,,, adalah peubah acak pada suatu ruang peluang Ω,,Ρ. Suatu barisan peubah acak,,, dikatakan konvergen dalam peluang ke peubah acak, ditulis, untuk, jika untuk setiap 0, lim Ρ 0. Lema 1 (Sifat kekonvergenan dalam peluang) Misalkan konvergen dalam peluang ke dan konvergen dalam peluang ke maka konvergen dalam peluang ke, dinotasikan dengan. Bukti: Lihat Hogg et al Momen, Nilai Harapan dan Ragam Definisi 13 (Momen) 1. Jika adalah peubah acak diskret dengan fungsi massa peluang, momen ke- dari didefinisikan sebagai Ε, jika jumlah di atas konvergen. Jika jumlah di atas divergen, maka momen ke- dari peubah acak adalah tidak ada. 2. Jika adalah peubah acak kontinu dengan fungsi kepekatan peluang, momen ke- dari didefinisikan sebagai Ε, jika integral di atas konvergen. Jika integral di atas divergen, maka momen ke- dari peubah acak adalah tidak ada. Definisi 14 (Nilai harapan) 1. Jika adalah peubah acak diskret dengan fungsi massa peluang, maka nilai harapan dari didefinisikan sebagai Ε,
3 3 jika jumlah di atas konvergen. Jika jumlah di atas divergen, maka nilai harapan dari adalah tidak ada. 2. Jika adalah peubah acak kontinu dengan fungsi kepekatan peluang, maka nilai harapan dari didefinisikan sebagai Ε, jika integral di atas konvergen. Jika integral di atas divergen, maka nilai harapan dari adalah tidak ada. Definisi 15 (Ragam) Jika adalah peubah acak, maka ragam dari didefinisikan sebagai ΕX ΕX. Definisi 16 (Covarian) Misalkan dan adalah peubah acak dan misalkan pula dan masing-masing menyatakan nilai harapan dan. Covarian dari dan didefinisikan sebagai,. Lema 2 Misalkan dan adalah peubah acak dan misalkan pula dan adalah dua buah konstanta sebarang, maka 2,. Jika dan adalah peubah acak saling bebas, maka. Bukti: Lihat Lampiran 1 Lema 3 Jika adalah peubah acak dengan ragam yang berhingga, maka untuk sebarang konstanta dan, berlaku. Bukti: Lihat Lampiran 2. Definisi 17 (Fungsi indikator) Misalkan A adalah suatu kejadian. Fungsi indikator dari A adalah suatu fungsi Ω 0,1, yang diberikan oleh 1, 0,. Nilai harapan dari fungsi indikator di atas dapat dinyatakan sebagai berikut Ρ. Penduga dan Sifat-sifatnya Definisi 18 (Statistik) Statistik adalah suatu fungsi dari satu atau lebih peubah acak, yang tidak bergantung pada satu atau beberapa parameter yang nilainya tidak diketahui. Definisi 19 (Penduga) Misalkan,,, adalah contoh acak. Suatu statistik,,, yang digunakan untuk menduga suatu parameter, katakanlah, disebut sebagai penduga (estimator) bagi. Begitu,,, diamati, katakanlah bernilai,,,, maka nilai,,, disebut sebagai dugaan (estimate) bagi. Definisi 20 (Penduga tak-bias) 1. Suatu penduga yang nilai harapannya sama dengan parameter yang diduga, yaitu,,,, disebut penduga tak bias bagi parameter tersebut. Jika tidak, penduga tersebut disebut berbias. 2. Bila lim,,, maka,,, disebut sebagai penduga tak bias asimtotik bagi. Definisi 21 (Penduga konsisten) Suatu penduga,,, yang konvergen dalam peluang ke parameter, yaitu,,,, untuk, disebut penduga konsisten bagi. Definisi 22 ( dan ) 1. Barisan dari peubah acak yang berpadanan dengan fungsi sebaran dikatakan terbatas dalam peluang, ditulis 1, untuk, jika untuk setiap 0, dan sehingga 1,. Mudah terlihat bahwa 1.
4 4 2. Secara umum, untuk dua barisan dari peubah acak dan, notasi menyatakan bahwa barisan adalah 1, untuk. 3. 1, jika untuk setiap 0, berlaku lim P Secara umum, untuk dua barisan dari peubah acak dan, maka jika adalah 1, untuk. 5. Jika berimplikasi, untuk. [Serfling, 1980] Definisi 23 (MSE suatu penduga) Mean squared error (MSE) dari penduga untuk parameter adalah fungsi dari yang didefinisikan oleh E. Dengan kata lain MSE adalah nilai harapan kuadrat dari selisih antara penduga dan parameter. Dari sini diperoleh E E. Proses Stokastik dan Proses Poisson Definisi 24 (Proses stokastik) Proses stokastik, adalah suatu himpunan dari peubah acak yang memetakan suatu ruang contoh Ω ke suatu ruang state (state space). Jadi, untuk setiap pada himpunan indeks, adalah suatu peubah acak. Indeks sering diinterpretasikan sebagai waktu dan disebut sebagai state (keadaan) dari proses pada waktu. Ruang state mungkin berupa 1. (himpunan bilangan bulat (integer)), atau himpunan bagiannya. 2. (himpunan bilangan nyata (real)), atau himpunan bagiannya. Suatu proses stokastik disebut proses stokastik dengan waktu diskret (discrete time stochastic process) jika himpunan indeks adalah himpunan tercacah (countable set), sedangkan disebut proses stokastik dengan waktu kontinu (continuous time stochastic process) jika adalah suatu interval. Definisi 25 (Proses pencacahan) Suatu proses stokastik, 0 disebut proses pencacahan (counting process) jika menyatakan banyaknya kejadian yang telah terjadi sampai waktu. Kadangkala proses pencacahan, 0 ditulis 0,, yang menyatakan banyaknya kejadian yang terjadi pada selang waktu 0,. Suatu proses pencacahan disebut memiliki inkremen bebas jika banyaknya kejadian yang terjadi pada sembarang dua selang waktu yang tidak tumpang tindih (tidak overlap) adalah bebas. Sedangkan suatu proses pencacahan disebut memiliki inkremen stasioner jika sebaran dari banyaknya kejadian yang terjadi pada sembarang selang waktu hanya bergantung dari panjang selang tersebut. Salah satu proses pencacahan yang penting adalah proses Poisson, yang juga merupakan salah satu contoh penting dari proses stokastik dengan waktu kontinu. Definisi 26 (Proses Poisson) Suatu proses pencacahan, 0 disebut proses Poisson dengan laju, 0, jika dipenuhi tiga syarat berikut Proses tersebut memiliki inkremen bebas. 3. Banyaknya kejadian pada sembarang interval waktu dengan panjang, memiliki sebaran Poisson dengan nilai harapan. Jadi, untuk semua, 0, Ρ, k 0, 1,! Proses Poisson dengan laju yang merupakan konstanta untuk semua waktu disebut proses Poisson homogen (homogeneous Poisson process). Jika laju bukan konstanta, tetapi merupakan fungsi dari waktu,, maka disebut proses Poisson tak-homogen (inhomogeneous Poisson process). Untuk kasus ini, disebut fungsi intensitas dari proses Poisson tersebut. Fungsi intensitas harus memenuhi syarat 0, untuk semua. Misalkan adalah proses Poisson dan adalah suatu selang bilangan nyata. Jika adalah proses Poisson homogen, maka,
5 5 dengan adalah panjang, serta menyatakan banyaknya kejadian dari proses Poisson pada selang. Jika adalah proses Poisson non homogen dengan fungsi intensitas, maka. Dengan kata lain, jika adalah proses Poisson tak-homogen maka memiliki sifat 1. Ρ,! 0, 1, untuk setiap selang dengan. 2. Untuk setiap bilangan bulat positif 2 dan,,, adalah selang-selang yang disjoint dengan, 1, 2,,,,,, merupakan peubah acak yang saling bebas. Peubah acak yang merupakan jumlah dari dua atau lebih peubah acak Poisson yang saling bebas mempunyai sebaran Poisson juga. Hal ini dapat ditunjukkan oleh lema berikut. Lema 4 (Sebaran jumlah peubah acak Poisson) Misalkan dan adalah peubah acak saling bebas dan memiliki sebaran Poisson dengan parameter berturut-turut dan. Maka memiliki sebaran Poisson dengan parameter. Bukti: lihat Lampiran 3. Definisi 27 (Terintegralkan lokal) Fungsi intensitas disebut terintegralkan lokal jika untuk sembarang himpunan Borel terbatas kita memiliki. [Dudley, 1989] Definisi 28 (Titik Lebesgue) Titik disebut titik Lebesgue dari suatu fungsi jika berlaku 1 lim 0. 2 [Wheeden dan Zygmund, 1977] Definisi 29 (Intensitas lokal) Intensitas lokal dari suatu proses Poisson takhomogen dengan fungsi intensitas pada titik adalah, yaitu nilai fungsi di. [Cressie, 1993] Definisi 30 (Fungsi periodik) Suatu fungsi disebut periodik jika, untuk setiap dan. Konstanta terkecil yang memenuhi persamaan diatas disebut periode dari fungsi tersebut. [Browder, 1996] Definisi 31 (Proses Poisson periodik) Proses Poisson periodik adalah proses Poisson tak homogen yang fungsi intensitasnya adalah fungsi periodik. [Mangku, 2001] Beberapa Definisi dan Lema Teknis Definisi 32 ( dan ) 1. Suatu barisan bilangan nyata disebut terbatas dan ditulis 1, untuk, jika ada bilangan terhingga dan sehingga, untuk semua bilangan asli. 2. Suatu barisan konvergen ke nol untuk, kadangkala ditulis 1, untuk. [Purcell dan Verberg, 1998] Definisi 33 (Momen kedua terbatas) Peubah acak dikatakan mempunyai momen kedua terbatas jika dipenuhi terbatas. Lema 5 (Ketaksamaan Markov) Jika adalah peubah acak dengan terbatas, maka untuk setiap 0 berlaku Ρ. Bukti: Lihat Lampiran 4. Lema 6 (Ketaksamaan Chebyshev) Jika adalah peubah acak dengan nilai harapan dan ragam terbatas, maka Ρ, untuk setiap 0. Bukti: Lihat Lampiran 5. Lema 7 (Ketaksamaan Cauchy-Schwarz) Jika dan adalah peubah acak dengan momen kedua terbatas, maka, dan akan bernilai sama dengan jika dan hanya jika 0 1 atau 1 untuk suatu konstanta. Bukti: Lihat Lampiran 6.
II. LANDASAN TEORI. 2. P bersifat aditif tak hingga, yaitu jika dengan. 2.1 Ruang Contoh, Kejadian dan Peluang
II. LANDASAN TEORI 2.1 Ruang Contoh, Kejadian dan Peluang Dalam suatu percobaan sering kali diperlukan pengulangan yang dilakukan dalam kondisi yang sama. Semua kemungkinan hasil yang akan muncul akan
Lebih terperinciII LANDASAN TEORI. 2.1 Ruang Contoh, Kejadian dan Peluang. 2.2 Peubah Acak dan Fungsi Sebaran
II LANDASAN TEORI 2.1 Ruang Contoh, Kejadian dan Peluang Dalam suatu percobaan sering kali diperlukan pengulangan yang dilakukan dalam kondisi yang sama. Semua kemungkinan hasil yang akan muncul akan diketahui
Lebih terperinciLampiran 1. Beberapa Definisi dan Lema Teknis
Lampiran 1. Beberapa Definisi dan Lema Teknis Ruang Contoh, Kejadian dan Peluang Suatu percobaan yang dapat diulang dalam kondisi yang sama, yang hasilnya tidak dapat diprediksi dengan tepat tetapi kita
Lebih terperinciLampiran A. Beberapa Definisi dan Lema Teknis
LAMPIRAN 33 Lampiran A. Beberapa Definisi dan Lema Teknis Ruang Contoh, Kejadian dan Peluang Definisi A.1 (Ruang contoh dan kejadian) Suatu percobaan yang dapat diulang dalam kondisi yang sama, yang hasilnya
Lebih terperinciKEKONSISTENAN PENDUGA FUNGSI SEBARAN DAN FUNGSI KEPEKATAN PELUANG WAKTU TUNGGU PROSES POISSON PERIODIK DENGAN TREN LINEAR TITA ROBIAH AL ADAWIYAH
KEKONSISTENAN PENDUGA FUNGSI SEBARAN DAN FUNGSI KEPEKATAN PELUANG WAKTU TUNGGU PROSES POISSON PERIODIK DENGAN TREN LINEAR TITA ROBIAH AL ADAWIYAH DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Proses Poisson Periodik Definisi 2.1 (Proses stokastik) Proses stokastik, adalah suatu himpunan dari peubah acak yang memetakan suatu ruang contoh Ω ke suatu ruang states. Jadi,
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Proses Poisson Periodik Definisi 2.1 (Proses stokastik) Proses stokastik X = {X(t), t T } adalah suatu himpunan dari peubah acak yang memetakan suatu ruang contoh Ω ke suatu
Lebih terperinciBAB II TINJAUAN PUSTAKA
3 BAB II TINJAUAN PUSTAKA 2.1 Proses Poisson Periodik Definisi 2.1 (Proses stokastik) Proses stokastik X = {X(t), t T} adalah suatu himpunan dari peubah acak yang memetakan suatu ruang contoh ke suatu
Lebih terperinciIII. HASIL DAN PEMBAHASAN
III. HASIL DAN PEMBAHASAN 3.1 Perumusan Masalah Misalkan adalah proses Poisson nonhomogen pada interval dengan fungsi intensitas yang tidak diketahui. Fungsi intensitas diasumsikan terintegralkan lokal
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
3 BAB 2 TINJAUAN PUSTAKA 2.1 Proses Poisson Periodik Definisi 2.1 (Proses stokastik) Proses stokastik adalah suatu himpunan dari peubah acak yang memetakan suatu ruang contoh ke suatu ruang state. Jika
Lebih terperinciBAB 3 REVIEW SIFAT-SIFAT STATISTIK PENDUGA KOMPONEN PERIODIK
BAB 3 REVIEW SIFAT-SIFAT STATISTIK PENDUGA KOMPONEN PERIODIK 3. Perumusan Penduga Misalkan N adalah proses Poisson non-homogen pada interval 0, dengan fungsi intensitas yang tidak diketahui. Fungsi intensitas
Lebih terperinciKEKONVERGENAN MSE PENDUGA KERNEL SERAGAM FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN FUNGSI PANGKAT
KEKONVERGENAN MSE PENDUGA KERNEL SERAGAM FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN FUNGSI PANGKAT Ro fah Nur Rachmawati Mathematics & Statistics Department, School of Computer Science, Binus
Lebih terperinciBAB 3 REVIEW PENDUGAAN FUNGSI INTENSITAS LOKAL DAN GLOBAL DARI PROSES POISSON PERIODIK DENGAN TREN FUNGSI PANGKAT
9 BAB 3 REVIEW PENDUGAAN FUNGSI INTENSITAS LOKAL DAN GLOBAL DARI PROSES POISSON PERIODIK DENGAN TREN FUNGSI PANGKAT Misalkan adalah proses Poisson nonhomogen pada interval dengan fungsi intensitas yang
Lebih 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 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 terperinciDefenisi 15 (Kejadian) Kejadian adalah suatu himpunan bagian dari Nang contoh a. (Grimmett dan Stirzaker 2001)
Lampiran: Beberapa Definisi dan Lema Teknis Ruang contoh, kejadian dan peluang Berbagai macam pengamatan diperoleh melalui penggulangan percobaan yang dilakukan dalam kondisi yang sama. Dalarn banyak kasus,
Lebih terperinciPENDUGAAN FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN FUNGSI PANGKAT MENGGUNAKAN METODE TIPE KERNEL
PENDUGAAN FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN FUNGSI PANGKAT MENGGUNAKAN METODE TIPE KERNEL Ro fah Nur Rachmawati Jurusan Matematika, Fakultas Sains dan Teknologi, Binus University Jl.
Lebih terperinciSEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR
SEBARAN ASIMTOTIK PENDUGA KOMPONEN PERIODIK FUNGSI INTENSITAS BERBENTUK PERKALIAN FUNGSI PERIODIK DENGAN TREN LINEAR DARI SUATU PROSES POISSON NON-HOMOGEN LIA YULIAWATI SEKOLAH PASCASARJANA INSTITUT PERTANIAN
Lebih terperinciBAB 4 KEKONSISTENAN PENDUGA DARI FUNGSI SEBARAN DAN FUNGSI KEPEKATAN WAKTU TUNGGU DARI PROSES POISSON PERIODIK DENGAN TREN FUNGSI PANGKAT
29 BAB 4 KEKONSISTENAN PENDUGA DARI FUNGSI SEBARAN DAN FUNGSI KEPEKATAN WAKTU TUNGGU DARI PROSES POISSON PERIODIK DENGAN TREN FUNGSI PANGKAT 4.1 Perumusan Penduga Misalkan adalah proses Poisson nonhomogen
Lebih terperinciABSTRACT JOKO DWI SURAWU. Keywords:
ABSTRACT JOKO DWI SURAWU. Asymptotic Distribution of an Estimator for Periodic Component of Intensity Function of a Periodic Poisson Process in the Presence of Linear Trend. Supervised by I WAYAN MANGKU
Lebih terperinciLAMPIRAN. Kajadian adalah suatu himpunan bagian dari ruang contoh Ω. (Grimmett dan Stirzaker, 2001) Definisi A.3 (Medan-σ)
LAMPIRAN 55 56 LAMPIRAN Lampiran 1. Beberapa Definisi dan Lema Teknis Ruang Contoh, Kejadian, dan Peluang Berbagai macam kejadian diperoleh melalui pengamatan dari serangkaian percobaan yang dilakukan
Lebih terperinciSIFAT-SIFAT STATISTIKA TIKA ORDE-2 FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN LINEAR DAN MODIFIKASINYA NENENG MILA MARLIANA
SIFAT-SIFAT STATISTIKA TIKA ORDE-2 PENDUGA TIPE KERNEL L BAGI K KOMPONEN PERIODIK FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN LINEAR DAN MODIFIKASINYA NENENG MILA MARLIANA SEKOLAH PASCASARJANASARJANA
Lebih terperinciKAJIAN BANDWIDTH OPTIMAL PADA PENDUGAAN FUNGSI INTENSITAS LOKAL PROSES POISSON PERIODIK SURASNO
KAJIAN BANDWIDTH OPTIMAL PADA PENDUGAAN FUNGSI INTENSITAS LOKAL PROSES POISSON PERIODIK SURASNO SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2009 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI Dengan
Lebih terperinciSEBARAN ASIMTOTIK PENDUGA TURUNAN N PERTAMA DAN KEDUA DARI KOMPONEN PERIODIK FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN LINEAR
SEBARAN ASIMTOTIK PENDUGA TURUNANN PERTAMA DAN KEDUA DARI KOMPONE EN PERIODIK FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN LINEAR SALIWATI SEKOLAH PASCASARJANAA INSTITUT PERTANIAN BOGOR BOGOR
Lebih terperinciPENDUGAAN FUNGSI NILAI HARAPAN PADA PROSES POISSON PERIODIK MAJEMUK DENGAN TREN LINEAR BONNO ANDRI WIBOWO
PENDUGAAN FUNGSI NILAI HARAPAN PADA PROSES POISSON PERIODIK MAJEMUK DENGAN TREN LINEAR BONNO ANDRI WIBOWO DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2014
Lebih terperinci(T.8) SEBARAN ATIMTOTIK FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN FUNGSI PANGKAT
(T.8) SEBARAN ATIMTOTIK FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN FUNGSI PANGKAT Ro fah Nur Rachmawati Universitas Bina Nusantara Jl. K.H. Syahdan No. 9 Palmerah Jakarta Barat 11480 rrachmawati@binus.edu
Lebih terperinciBAB IV SEBARAN ASIMTOTIK PENDUGA TURUNAN PERTAMA DAN KEDUA DARI KOMPONEN PERIODIK FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN LINEAR
3 BAB IV SEBARAN ASIMTOTIK PENDUGA TURUNAN PERTAMA DAN KEDUA DARI KOMPONEN PERIODIK FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN LINEAR 4.. Sebaran asimtotik dari,, Teorema 4. ( Normalitas Asimtotik
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Ruang Contoh, Kejadian dan Peluang Dalam suatu percobaan seringkali dilakukan pengulangan yang biasanya dilakukan dalam kondisi yang sama. Semua kemungkinan hasil yang akan muncul
Lebih terperinciLampiran 1. Beberapa Definisi dan Lema Teknis
DAFTAR PUSTAKA Browder, A. 1996. Mathematical Analysis : An Introduction. Springer. New York. Dudley, R.M. 1989. Real Analysis and Probability. Wadsworth & Brooks. California. Durret, R. 1996. Probability
Lebih terperinciBAB IV REDUKSI BIAS PADA PENDUGAAN
BAB IV REDUKSI BIAS PADA PENDUGAAN 4.1. Asimtotik Orde-2 Berdasarkan hasil simulasi pada Helmers dan Mangku (2007) kasus kernel seragam, aproksimasi asimtotik orde pertama pada ragam dan bias, gagal memprediksikan
Lebih terperinciPENDUGAAN FUNGSI NILAI HARAPAN PADA PROSES POISSON PERIODIK MAJEMUK DENGAN TREN FUNGSI PANGKAT INTAN FITRIA SARI
PENDUGAAN FUNGSI NILAI HARAPAN PADA PROSES POISSON PERIODIK MAJEMUK DENGAN TREN FUNGSI PANGKAT INTAN FITRIA SARI DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih terperinciPENDUGAAN KOMPONEN PERIODIK FUNGSI INTENSITAS BERBENTUK FUNGSI PERIODIK KALI TREN LINEAR SUATU PROSES POISSON NON-HOMOGEN WENTI ISMAYULIA
PENDUGAAN KOMPONEN PERIODIK FUNGSI INTENSITAS BERBENTUK FUNGSI PERIODIK KALI TREN LINEAR SUATU PROSES POISSON NON-HOMOGEN WENTI ISMAYULIA DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciBAB II LANDASAN TEORI
4 BAB II LANDASAN TEORI Teori yang ditulis dalam bab ini merupakan beberapa landasan yang digunakan untuk menganalisis sebaran besarnya klaim yang berekor kurus (thin tailed) dan yang berekor gemuk (fat
Lebih terperinciBAB II TINJAUAN PUSTAKA
5 BAB II TINJAUAN PUSTAKA Dalam bab ini dijelaskan beberapa definisi dan teorema yang digunakan dalam pembahasan berikutnya. 2.1 Teori Peluang Definisi 2.1.1 (Percobaan Acak) (Ross 2000) Suatu percobaan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Teori Peluang Definisi 2.1.1 Percobaan Acak (Ross 2000) Suatu percobaan yang dapat diulang dalam kondisi yang sama dan semua kemungkinan hasil yang muncul dapat diketahui tetapi
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA Dalam bab ini dijelaskan beberapa definisi dan teorema yang digunakan dalam pembahasan selanjutnya. 2.1 Teori Peluang Definisi 2.1.1 (Percobaan Acak) (Ross 2000) Suatu percobaan
Lebih terperinciII. TINJAUAN PUSTAKA. Dalam mengkaji penelitian Karakteristik Penduga Parameter Distribusi Log
II. TINJAUAN PUSTAKA Dalam mengkaji penelitian Karakteristik Penduga Parameter Distribusi Log Normal Menggunakan Metode Generalized Moment digunakan beberapa definisi, dan teorema yang berkaitan dengan
Lebih terperinciKEKONSISTENAN PENDUGA FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN LINEAR. Oleh: LIA NURLIANA
KEKONSISTENAN PENDUGA FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN LINEAR Oleh: LIA NURLIANA PROGRAM STUDI MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR
Lebih terperinciII. LANDASAN TEORI. Pada bagian ini akan diuraikan beberapa definisi dan teori penunjang yang akan digunakan di dalam pembahasan.
II. LANDASAN TEORI Pada bagian ini akan diuraikan beberapa definisi dan teori penunjang yang akan digunakan di dalam pembahasan. 2.1 Istilah Ekonomi dan Keuangan Definisi 1 (Investasi) Dalam keuangan,
Lebih terperinciSEBARAN ASIMTOTIK PENDUGA KOMPONEN PERIODIK FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN FUNGSI PANGKAT RO FAH NUR RACHMAWATI
SEBARAN ASIMTOTIK PENDUGA KOMPONEN PERIODIK FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN FUNGSI PANGKAT RO FAH NUR RACHMAWATI SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2010 PERNYATAAN
Lebih terperinciBAB III PROSES POISSON MAJEMUK
BAB III PROSES POISSON MAJEMUK Pada bab ini membahas tentang proses stokastik, proses Poisson dan proses Poisson majemuk yang akan diaplikasikan pada bab selanjutnya. 3.1 Proses Stokastik Koleksi atau
Lebih terperinciCatatan Kuliah. MA5181 Proses Stokastik
Catatan Kuliah MA5181 Proses Stokastik Precise. Prospective. Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2016 1 Tentang MA5181 Proses Stokastik
Lebih terperinciPENDUGAAN FUNGSI INTENSITAS BERBENTUK EKSPONENSIAL DARI FUNGSI PERIODIK DITAMBAH TREN LINEAR PADA PROSES POISSON NON-HOMOGEN SALMUN K.
PENDUGAAN FUNGSI INTENSITAS BERBENTUK EKSPONENSIAL DARI FUNGSI PERIODIK DITAMBAH TREN LINEAR PADA PROSES POISSON NON-HOMOGEN SALMUN K. NASIB SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2014 PERNYATAAN
Lebih terperinciBAB III INTEGRAL LEBESGUE. Pada bab sebelumnya telah disebutkan bahwa ruang dibangun oleh
BAB III INTEGRAL LEBESGUE Pada bab sebelumnya telah disebutkan bahwa ruang dibangun oleh fungsi-fungsi terukur dan memenuhi sifat yang berkaitan dengan integral Lebesgue. Kajian mengenai keterukuran suatu
Lebih terperinciCatatan Kuliah. MA5181 Proses Stokastik
Catatan Kuliah MA5181 Proses Stokastik Precise. Prospective. Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2016 1 Tentang MA5181 Proses Stokastik
Lebih terperinciBAB III MODEL HIDDEN MARKOV KONTINU DENGAN PROSES OBSERVASI ZERO DELAY
BAB III MODEL HIDDEN MARKOV KONTINU DENGAN PROSES OBSERVASI ZERO DELAY 3.1 State dan Proses Observasi Semua proses didefinisikan pada ruang peluang Ω,,. Misalkan ; adalah rantai Markov dengan state berhingga
Lebih terperinciPENDUGAAN KOMPONEN PERIODIK FUNGSI INTENSITAS BERBENTUK FUNGSI PERIODIK KALI TREN FUNGSI PANGKAT PROSES POISSON NON-HOMOGEN WINDIANI ERLIANA
PENDUGAAN KOMPONEN PERIODIK FUNGSI INTENSITAS BERBENTUK FUNGSI PERIODIK KALI TREN FUNGSI PANGKAT PROSES POISSON NON-HOMOGEN WINDIANI ERLIANA DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengantar Pada bab ini akan diuraikan beberapa landasan teori untuk menunjang penulisan skripsi ini. Uraian ini terdiri dari beberapa bagian yang akan dipaparkan secara terperinci
Lebih terperinciPr { +h =1 = } lim. Suatu fungsi dikatakan h apabila lim =0. Dapat dilihat bahwa besarnya. probabilitas independen dari.
6.. Proses Kelahiran Murni Dalam bab ini, akan dibahas beberapa contoh penting dari waktu kontinu, state diskrit, proses Markov. Khususnya, dengan kumpulan dari variabel acak {;0 } di mana nilai yang mungkin
Lebih terperinciBAB II LANDASAN TEORI. ilmiah. Pencacahan atau pengukuran karakteristik suatu objek kajian yang
BAB II LANDASAN TEORI 2.1 Konsep Dasar Peluang Pada dasarnya statistika berkaitan dengan penyajian dan penafsiran hasil yang berkemungkinan (hasil yang belum dapat ditentukan sebelumnya) yang muncul dalam
Lebih terperinciII. LANDASAN TEORI ( ) =
II. LANDASAN TEORI 2.1 Fungsi Definisi 2.1.1 Fungsi Bernilai Real Fungsi bernilai real adalah fungsi yang domain dan rangenya adalah himpunan bagian dari real. Definisi 2.1.2 Limit Fungsi Jika adalah suatu
Lebih terperinciBAB III FUNGSI TERUKUR LEBESGUE. Setelah dibahas mengenai ukuran Lebesgue dan beberapa sifatnya pada
BAB III FUNGSI TERUKUR LEBESGUE Setelah dibahas mengenai ukuran Lebesgue dan beberapa sifatnya pada Bab II, selanjutnya pada bab ini akan dipelajari gagasan mengenai fungsi terukur Lebesgue. Gagasan mengenai
Lebih terperinciII. TINJAUAN PUSTAKA
II. TINJAUAN PUSTAKA 2.1 Distribusi Logistik Distribusi logistik merupakan distribusi yang memiliki fungsi kepekatan peluang kontinu. Bentuk kurva distribusi logistik adalah simetris dan uni modal. Bentuk
Lebih terperinciLANDASAN TEORI. Secara umum, himpunan kejadian A i ; i I dikatakan saling bebas jika: Ruang Contoh, Kejadian, dan Peluang
2 LANDASAN TEORI Ruag Cotoh, Kejadia, da Peluag Percobaa acak adalah suatu percobaa yag dapat diulag dalam kodisi yag sama, yag hasilya tidak dapat diprediksi secara tepat tetapi dapat diketahui semua
Lebih terperinciBAB 4 SEBARAN ASIMTOTIK PENDUGA KOMPONEN PERIODIK
BAB 4 SEBARAN ASIMTOTIK PENDUGA KOMPONEN PERIODIK 4. Sebaran Asimtotik,, Teorema 4. (Sebaran Normal Asimtotik,, ) Misalkan fungsi intensitas seperti (3.2) dan terintegralkan lokal. Jika kernel K adalah
Lebih terperinciDASAR-DASAR TEORI PELUANG
DASAR-DASAR TEORI PELUANG Herry P. Suryawan 1 Ruang Peluang Definisi 1.1 Diberikan himpunan tak kosong Ω. Aljabar-σ (σ-algebra pada Ω adalah koleksi subhimpunan A dari Ω dengan sifat (i, Ω A (ii jika A
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Berikut ini adalah beberapa definisi dan teorema yang menjadi landasan dalam penentuan harga premi, fungsi permintaan, dan kesetimbangannya pada portfolio heterogen. 2.1 Percobaan
Lebih terperinciKONSEP DASAR TERKAIT METODE BAYES
KONSEP DASAR TERKAIT METODE BAYES 2.3. Peubah Acak dan Distribusi Peluang Pada statistika kita melakukan percobaan dimana percobaan tersebut akan menghasilkan suatu peluang. Ruang sampel pada percobaan
Lebih terperinciTINJAUAN PUSTAKA. Generalized Eksponensial Menggunakan Metode Generalized Momen digunakan. merupakan penjabaran definisi dan teorema yang digunakan:
II. TINJAUAN PUSTAKA Dalam tinjauan pustaka penelitian Karakteristik Penduga Parameter Distribusi Generalized Eksponensial Menggunakan Metode Generalized Momen digunakan beberapa definisi dan teorema yang
Lebih terperinciII. TINJAUAN PUSTAKA. Dalam proses penelitian untuk mengkaji karakteristik penduga GMM pada data
5 II. TINJAUAN PUSTAKA Dalam proses penelitian untuk mengkaji karakteristik penduga GMM pada data panel ini, penulis menggunakan definisi, teorema dan konsep dasar yang berkaitan dengan pendugaan parameter,
Lebih terperinciPENDUGAAN FUNGSI SEBARAN DALAM MODEL NONPARAMETRIK RONI WIJAYA
PENDUGAAN FUNGSI SEBARAN DALAM MODEL NONPARAMETRIK RONI WIJAYA DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2013 PERNYATAAN MENGENAI SKRIPSI DAN SUMBER
Lebih terperinciBAB IV SIMULASI PEMBANDINGAN PERILAKU PENDUGA FUNGSI INTENSITAS LOKAL PROSES POISSON PERIODIK DENGAN BANDWIDTH OPTIMAL DAN BANDWIDTH OPTIMAL ASIMTOTIK
BAB IV SIMULASI PEMBANDINGAN PERILAKU PENDUGA FUNGSI INTENSITAS LOKAL PROSES POISSON PERIODIK DENGAN BANDWIDTH OPTIMAL DAN BANDWIDTH OPTIMAL ASIMTOTIK Pada bagian ini dilakukan simulasi untuk membandingkan
Lebih terperinciBAB II KAJIAN TEORI. memahami sifat-sifat dari barisan fungsi. Pada bab ini akan diuraikan materimateri
BAB II KAJIAN TEORI Analisis kekonvergenan pada barisan fungsi, apakah barisan fungsi itu? Apakah berbeda dengan barisan pada umumnya? Tentunya sebelum membahas mengenai barisan fungsi, apa saja jenis
Lebih terperinciBAB III KEKONVERGENAN LEMAH
BAB III KEKONVERGENAN LEMAH Bab ini membahas inti kajian tugas akhir. Di dalamnya akan dibahas mengenai kekonvergenan lemah beserta sifat-sifat yang terkait dengannya. Sifatsifat yang dikaji pada bab ini
Lebih terperinciII. TINJAUAN PUSTAKA
II. TINJAUAN PUSTAKA Dalam proses penelitian untuk mengkaji karakteristik penduga distribusi generalized gamma dengan metode generalized moment ini, penulis menggunakan definisi, teorema dan konsep dasar
Lebih terperinciUNIVERSITAS PENDIDIKAN INDONESIA
Ruang Norm Sumanang Muhtar Gozali UNIVERSITAS PENDIDIKAN INDONESIA Definisi. Misalkan suatu ruang vektor atas. Norm pada didefinisikan sebagai fungsi. : yang memenuhi N1. 0 N2. 0 0 N3.,, N4.,, Kita dapat
Lebih terperinciII.TINJAUAN PUSTAKA. Dalam proses penelitian untuk mengkaji karakteristik pendugaan distribusi
II.TINJAUAN PUSTAKA Dalam proses penelitian untuk mengkaji karakteristik pendugaan distribusi generalized weibull menggunakan metode generalized momen ini, penulis menggunakan definisi dan konsep dasar
Lebih terperinciBAB IV MODEL HIDDEN MARKOV
BAB IV MODEL HIDDEN MARKOV 4.1 State dan Proses Observasi Semua proses didefinisikan pada ruang peluang (Ω, F, P). Misalnya X = {X : k N} adalah rantai Markov dengan state berhingga yang bersifat homogen
Lebih terperinciDERET TAK HINGGA. Contoh deret tak hingga :,,, atau. Barisan jumlah parsial, dengan. Definisi Deret tak hingga,
DERET TAK HINGGA Contoh deret tak hingga :,,, atau. Barisan jumlah parsial, dengan Definisi Deret tak hingga,, konvergen dan mempunyai jumlah S, apabila barisan jumlah jumlah parsial konvergen menuju S.
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Deret Taylor Deret Taylor dinamai berdasarkan seorang matematikawan Inggris, Brook Taylor (1685-1731) dan deret Maclaurin dinamai berdasarkan matematikawan Skotlandia, Colin
Lebih terperinciMemahami definisi barisan tak hingga dan deret tak hingga, dan juga dapat menentukan
4 BARISAN TAK HINGGA DAN DERET TAK HINGGA JUMLAH PERTEMUAN : 5 PERTEMUAN TUJUAN INSTRUKSIONAL KHUSUS : Memahami definisi barisan tak hingga dan deret tak hingga, dan juga dapat menentukan kekonvergenan
Lebih terperinciPENDUGAAN FUNGSI RAGAM PADA PROSES POISSON PERIODIK MAJEMUK FITRIANI IDA MAKHMUDAH
PENDUGAAN FUNGSI RAGAM PADA PROSES POISSON PERIODIK MAJEMUK FITRIANI IDA MAKHMUDAH SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2016 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI SERTA PELIMPAHAN
Lebih terperinciBAB II TINJAUAN PUSTAKA. (b) Variabel independen yang biasanya dinyatakan dengan simbol
BAB II TINJAUAN PUSTAKA A. Regresi Regresi adalah suatu studi statistik untuk menjelaskan hubungan dua variabel atau lebih yang dinyatakan dalam bentuk persamaan. Salah satu variabel merupakan variabel
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 21 Beberapa Pengertian Definisi 1 [Ruang Contoh] Ruang contoh adalah himpunan semua hasil yang mungkin dari suatu percobaan acak, dan dinotasikan dengan (Grimmet dan Stirzaker,1992)
Lebih terperinciREFLEKSIVITAS PADA RUANG ORLICZ DENGAN KEKONVERGENAN RATA-RATA
REFLEKSIVITAS PADA RUANG ORLICZ DENGAN KEKONVERGENAN RATA-RATA Mila Apriliani Utari, Encum Sumiaty, Sumanang Muchtar Departemen Pendidikan Matematika FPMIPA Universitas Pendidikan Indonesia *Coresponding
Lebih terperinciSIFAT-SIFAT STATISTIK PENDUGA FUNGSI NILAI HARAPAN PADA PROSES POISSON PERIODIK MAJEMUK DENGAN TREN FUNGSI PANGKAT INTAN FITRIA SARI
SIFAT-SIFAT STATISTIK PENDUGA FUNGSI NILAI HARAPAN PADA PROSES POISSON PERIODIK MAJEMUK DENGAN TREN FUNGSI PANGKAT INTAN FITRIA SARI SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2016 PERNYATAAN
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Himpunan Fuzzy Tidak semua himpunan yang dijumpai dalam kehidupan sehari-hari terdefinisi secara jelas, misalnya himpunan orang miskin, himpunan orang pandai, himpunan orang tinggi,
Lebih terperinciBAB V KEKONVERGENAN BARISAN PADA DAN KETERKAITAN DENGAN. Pada subbab 4.1 telah dibahas beberapa sifat dasar yang berlaku pada koleksi
BAB V KEKONVERGENAN BARISAN PADA DAN KETERKAITAN DENGAN Pada subbab 4.1 telah dibahas beberapa sifat dasar yang berlaku pada koleksi semua fungsi yang terintegralkan Lebesgue, 1. Sebagaimana telah dirumuskan
Lebih terperinciPENGANTAR ANALISIS REAL
Seri Analisis dan Geometri No. 1 (2009), -15 158 (173 hlm.) PENGANTAR ANALISIS REAL Oleh Hendra Gunawan Edisi Pertama Bandung, Januari 2009 2000 Dewey Classification: 515-xx. Kata Kunci: Analisis matematika,
Lebih terperinciTINJAUAN PUSTAKA. Menurut Usman dan Warsono (2000) bentuk model linear umum adalah :
II. TINJAUAN PUSTAKA. Model Linear Umum Menurut Usman dan Warsono () bentuk model linear umum adalah : Y = Xβ + ε dengan : Y n x adalah vektor peubah acak yang teramati. X n x p adalah matriks nxp dengan
Lebih terperinciPENDUGAAN TURUNAN PERTAMA DAN TURUNAN KEDUA DARI FUNGSI INTENSITAS SUATU PROSES POISSON PERIODIK SYAMSURI
PENDUGAAN TURUNAN PERTAMA DAN TURUNAN KEDUA DARI FUNGSI INTENSITAS SUATU PROSES POISSON PERIODIK SYAMSURI SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2007 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI
Lebih terperinciRANCANGAN KURIKULUM PROGRAM DOKTOR STATISTIKA (STK) DALAM KERANGKA KUALIFIKASI NASIONAL INDONESIA (KKNI)
RANCANGAN KURIKULUM PROGRAM DOKTOR STATISTIKA (STK) DALAM KERANGKA KUALIFIKASI NASIONAL INDONESIA (KKNI) PROGRAM DOKTOR STATISTIKA DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN IPA 2 0 1 2 I. Deskripsi
Lebih terperinciBAB II TINJAUAN PUSTAKA. komoditas, model pergerakan harga komoditas, rantai Markov, simulasi Standard
BAB II TINJAUAN PUSTAKA Pada bab ini akan dibahas beberapa tinjauan mengenai teori yang diperlukan dalam pembahasan bab-bab selanjutnya antara lain tentang kontrak berjangka komoditas, model pergerakan
Lebih terperinciII LANDASAN TEORI. ii. Constant returns to scale, yaitu situasi di mana output meningkat sama banyaknya dengan porsi peningkatan input
2 II LANDASAN EORI Pada bab ini akan diuraikan beberapa definisi dan teori penunjang yang akan digunakan dalam karya ilmiah ini. 2.1 Istilah Ekonomi Definisi 1 (Pertumbuhan Ekonomi) Pertumbuhan ekonomi
Lebih terperinciTINJAUAN PUSTAKA. ruang sampel dan dilambangkan dengan huruf S. Ruang sampel beranggotakan
II. TINJAUAN PUSTAKA 2.1 Percobaan dan Ruang Sampel Menurut Walpole (1995), istilah percobaan digunakan untuk sembarang proses yang dapat membangkitkan data. Himpunan semua hasil suatu percobaan disebut
Lebih terperincipada Definisi 2.28 ada dan nilainya sama dengan ( ) ( ) Untuk memperoleh hasil di atas, ruas kiri persamaan (25) ditulis sebagai berikut ( )
LAMPIRAN 21 Lampiran 1 (Pembuktian Lema 2.1 Lema 2.1 (Eksistensi Fungsi Intensitas global Jika ([ ] adalah proses Poisson periodik dengan fungsi intensitas, maka ([ ] pada Definisi 2.28 ada dan nilainya
Lebih terperinciPENDUGAAN FUNGSI SEBARAN DAN FUNGSI KEPEKATAN PELUANG WAKTU TUNGGU PROSES POISSON PERIODIK NADIROH
PENDUGAAN FUNGSI SEBARAN DAN FUNGSI KEPEKATAN PELUANG WAKTU TUNGGU PROSES POISSON PERIODIK NADIROH DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2011
Lebih terperinciII. TINJAUAN PUSTAKA. real. T dinamakan himpunan indeks dari proses atau ruang parameter yang
II. TINJAUAN PUSTAKA 2.1 Proses Stokastik Stokastik proses = { ( ), } adalah kumpulan dari variabel acak yang didefinisikan pada ruang peluang (Ω, ς, P) yang nilai-nilainya pada bilangan real. T dinamakan
Lebih terperinciINF-104 Matematika Diskrit
Jurusan Informatika FMIPA Unsyiah February 13, 2012 Apakah Matematika Diskrit Itu? Matematika diskrit: cabang matematika yang mengkaji objek-objek diskrit. Apa yang dimaksud dengan kata diskrit (discrete)?
Lebih terperinciCatatan Kuliah. MA5181 Proses Stokastik
Catatan Kuliah MA5181 Proses Stokastik Precise. Prospective. Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2016 1 Tentang MA5181 Proses Stokastik
Lebih terperinciPengantar Proses Stokastik
Bab 1: Dasar-Dasar Probabilitas Statistika FMIPA Universitas Islam Indonesia Peluang Percobaan adalah kegiatan yang menghasilkan keluaran/hasil yang mungkin secara acak. Contoh: pelemparan sebuah dadu.
Lebih terperinciBAB I PENDAHULUAN. Integral Lebesgue merupakan suatu perluasan dari integral Riemann.
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Integral Lebesgue merupakan suatu perluasan dari integral Riemann. Sebagaimana telah diketahui, pengkonstruksian integral Riemann dilakukan dengan cara pemartisian
Lebih terperinciUJI KONVERGENSI. Januari Tim Dosen Kalkulus 2 TPB ITK
UJI KONVERGENSI Januari 208 Tim Dosen Kalkulus 2 TPB ITK Uji Integral Teorema 3 Jika + k= u k adalah deret dengan suku-suku tak negatif, dan jika ada suatu konstanta M sedemikian hingga s n = u + u 2 +
Lebih terperinciTINJAUAN PUSTAKA. Dalam menentukan penduga parameter dari distribusi G3F dan karakteristik dari
II. TINJAUAN PUSTAKA Dalam menentukan penduga parameter dari distribusi G3F dan karakteristik dari penduga tersebut, maka dalam hal ini penulis menggunakan beberapa definisi dan teorema yang berkaitan
Lebih terperinciSTK 511 Analisis statistika. Materi 3 Sebaran Peubah Acak
STK 511 Analisis statistika Materi 3 Sebaran Peubah Acak 1 Konsep Peluang 2 Peluang Peluang dapat diartikan sebagai ukuran kemungkinan terjadinya suatu kejadian Untuk memahami peluang diperlukan pemahaman
Lebih terperinciDasar-dasar Statistika Pemodelan Sistem
Dasar-dasar Statistika Pemodelan Sistem Kuliah Pemodelan Sistem Semester Genap 2015-2016 MZI Fakultas Informatika Telkom University FIF Tel-U Januari 2016 MZI (FIF Tel-U) Statistika Pemodelan Januari 2016
Lebih terperinciBAB III OPERATOR LINEAR TERBATAS PADA RUANG HILBERT. Operator merupakan salah satu materi yang akan dibahas dalam fungsi
BAB III OPERATOR LINEAR TERBATAS PADA RUANG HILBERT 3.1 Operator linear Operator merupakan salah satu materi yang akan dibahas dalam fungsi real yaitu suatu fungsi dari ruang vektor ke ruang vektor. Ruang
Lebih terperinci0. Pendahuluan. 0.1 Notasi dan istilah, bilangan kompleks
0. Pendahuluan Analisis Fourier mempelajari berbagai teknik menganalisis sebuah fungsi dengan menguraikannya sebagai deret atau integral fungsi tertentu (yang sifat-sifatnya telah kita kenal dengan baik,
Lebih terperinciPengantar Proses Stokastik
Bab 6: Rantai Markov Waktu Kontinu Atina Ahdika, S.Si, M.Si Statistika FMIPA Universitas Islam Indonesia 2015 Pendahuluan Rantai Markov Waktu Kontinu Pendahuluan Pada bab ini, kita akan belajar mengenai
Lebih terperinciII. TINJAUAN PUSTAKA. Pada bab ini akan diberikan konsep dasar (pengertian) tentang bilangan sempurna,
3 II. TINJAUAN PUSTAKA Pada bab ini akan diberikan konsep dasar (pengertian) tentang bilangan sempurna, square free, keterbagian bilangan bulat, modulo, bilangan prima, ideal, daerah integral, ring quadratic.
Lebih terperinci