Pengenalan Copula. Sapto Wahyu Indratno
|
|
- Sudomo Susman
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Pengenalan Copula Sapto Wahyu Indratno STATISTICS DISIVISION, FACULTY OF MATHEMATICS AND NATURAL SCI- ENCES, INSTITUT TEKNOLOGI BANDUNG address:
2
3 Daftar Isi Bagian 1. Copula 1 Bab 1. Copula dan aplikasinya 3 1. Pendahuluan 3 2. Fungsi-fungsi distribusi 3 3. Konsep dasar dari Kebergantungan 9 4. Jenis-jenis Copula Proses Estimasi Copula Korelasi Linear 12 iii
4
5 Bagian 1 Copula
6
7 BAB 1 Copula dan aplikasinya 1. Pendahuluan Sebuah Copula adalah suatu fungsi multivariat yang terlahir dari sebuah distribusi gabungan. Copula merupakan alat yang dapat digunakan untuk menganalisa kebergantungan variabel-variabel acak dalam struktur yang digambarkan oleh fungsi gabungan terebut. Di sini struktur kebergantungan variabel-variabel acak dalam distribusi gabungan dapat dilihat dari kebergantungan fungsi-fungsi marginalnya dalam fungsi Copula. Sehingga Copula dari sebuah distribusi multivariat dapat dipandang sebagai gambaran struktur kebergantungan dari distribusi multivariat tersebut berdasarkan prilaku dari masing-masing fungsi marginalnya. Salah satu sifat Copula yang penting adalah invarian terhadap transformasitransformasi yang menaik kuat pada marginal-marginalnya. Copula dapat menyelesaikan suatu masalah yang sulit, seperti mencari sebuah distribusi multivariat, dengan melakukan dua langkah sederhana berikut: langkah pertama adalah memodelkan semua distribusi marginalnya. Langkah kedua adalah mengestimasi Copula yang menggambarkan kebergantungan dari marginal-marginalnya. Dalam industri keuangan dan asuransi struktur ketergantungan antara aset merupakan hal yang sangat penting untuk dipelajari. Kebergantungan ini dianalisa untuk beberapa tujuan: pricing dan hedging dari intrumen kredit yang sensitif, basket derivatives dan structured produts, pengaturan portfolio kredit, pengukuran resiko kredit dan resiko pasar. 2. Fungsi-fungsi distribusi Sebuah variabel acak X didefinisikan sebagai sebuah fungsi yang mengaitkan sebuah bilangan real X(ξ) dengan setiap hasil eksperimen ξ dalam ruang sampel Ω 2.1. Univariat. Fungsi distribusi (kumulatif) F dari suatu variabel acak X didefinisikan sebagai F X (x) = P (X x), (2.1) dimana F X () = 0 dan F X ( ) = 1 sehingga 0 F X (x) 1 x, dan F X adalah fungsi yang kontinu kanan. Jika F X kontinu juga dari kiri maka X adalah variabel acak kontinu. AKIBAT 1. Melalui sifat 0 F (X) 1 diperoleh 1. {x F (x) < y} =, y 0, dan 2. {x F (x) < y} = X, y 1. Sehingga P (F (X) y) = 0, y 0, dan P (F (X) y) = 1, y 1. 3
8 4 1. COPULA DAN APLIKASINYA Pada umumnya fungsi distribusi F X tidak murni monoton naik, sebagai contoh fungsi distribusi untuk variabel acak diskret, sehingga definisi fungsi F 1 yang klasik tidak dapat digunakan. Untuk mengatasi masalah ini fungsi inversi F X yang diperumum diperkenalkan sebagai berikut: DEFINISI 1 (Inversi yang diperumum). Misalkan X adalah sebuah variabel acak (kontinu atau diskret). Fungsi inversi yang diperumum dari F X didefinisikan sebagai berikut: F 1 X (u) = inf{x F (x) > u}. (2.2) Perhatikan bahwa Definisi 1 dan kekontinuan kanan dari F mengakibatkan F 1 (F (x)) = inf{w F (w) F (x)} = x, x X. (2.3) LEMA 1. Misalkan F X adalah sebuah fungsi distribusi yang monoton naik murni, F X (x) < F X (y) x < y, dari suatu variabel acak kontinu. Maka adalah fungsi yang monoton naik murni. F 1 X BUKTI. (2.3) memberikan df (F 1 (x)) = 1. dx Aplikasikan aturan rantai pada ruas kiri persamaan di atas, kita peroleh w = F 1 (x), atau df (F 1 (x)) dx (F 1 ) (x) = = F (w) df 1 (x) dx = 1, (2.4) 1 F (F 1 > 0. (2.5) (x)) TEOREMA 1 (Teorema CDF). Misalkan X adalah sebuah variabel acak kontinu dengan fungsi distribusi F (.). Misalkan X ditransfromasikan melalui fungsi kumulatifnya yaitu Y = F (X). Maka distribusi dari Y adalah seragam pada interval [0, 1], Y U[0, 1]. GAMBAR 1. F (X) U[0, 1]
9 2. FUNGSI-FUNGSI DISTRIBUSI 5 BUKTI. Untuk membuktikan teorema ini kita gunakan definisi berikut: DEFINISI 2. X U[0, 1] jika dan hanya jika 0, x 0 P (X x) = x, 0 < x 1 1, x > 1. (2.6) Dari Akibat 1 kita cukup menunjukkan P (Y < y) = y, y [0, 1]. Dengan menggunakan {x X F (x) y} = {x X F 1 (F (x)) F 1 (y)}, kita peroleh P (Y y) = P (F (X) y) = P (F 1 (F (X)) F 1 (y)) = P (X F 1 (y)) = F (F 1 (y)) = y y [0, 1]. (2.7) Fungsi distribusi empirik. Misalkan X 1, X 2,..., X n menyatakan sampel acak yang berukuran n. Bagaimana cara mendapatkan distribusi dari sampel acak tersebut? Untuk menjawab pertanyaan tersebut, kita perhatikan informasi yang dapat kita peroleh dari sampel acak tersebut. Deskriptif Statistik dapat digunakan terlebih dahulu untuk mendapatkan sari numerik dari sampel acak tersebut. Di sini akan difokuskan pada informasi sampel acak yang didapatkan dari distribusi empirik. Fungsi distribusi empirik ini didefinisikan sebagai berikut: DEFINISI 3. Misalkan X 1, X 2,..., X n suatu sampel acak dari suatu distribusi X. Distribusi empirik dari sampel acak tersebut adalah n 1 {Xi x} F (x) =. (2.8) n i=1 GAMBAR 2. (a) n = 5, (b) n = 50, (c) n = 500 Distribusi empirik ini adalah distribusi yang berdasarkan pada data. Gambar 2 mengilustrasikan bentuk dari distribusi empirik untuk beberapa ukuran sample acak yang diambil dari distribusi Gamma(3,1). Terlihat dalam Gambar 2 (a) sampel acak berukuran 5 menyebar pada interval [0, 5]
10 6 1. COPULA DAN APLIKASINYA yang menghasilkan distribusi empirik yang jauh dari distribusi populasinya. Dalam Gambar 2 (b) dan (c) sampel acak mulai menyebar merata sehingga distribusi empiriknya semakin mendekati distribusi populasinya. Dari contoh ini terlihat bahwa kedekatan distribusi empirik dengan distribusi populasinya sangat bergantung pada banyaknya data dan penyebaran data Pengkontinuan variabel acak diskret. Misalkan X adalah variabel acak disktrit dan U adalah suatu variabel acak dengan support [0, 1]. Definisikan X = X + (U 1). Maka P (X + U 1 s) = P (X + U [s] (s [s])) = P (U s + 1 x)p (X = x) = x=0 (2.9) 2.3. Univariat Normal. Fungsi densitas dan distribusi (kumulatif) dari distribusi Normal standar didefinisikan masing-masing sebagai berikut: dan φ(x) = 1 exp( x2 ), < x < (2.10) 2π 2 Φ(x) = x φ(t)dt. (2.11) Bila X N(µ, σ 2 ), maka kita dapat menstandarkan variabel acak tersebut melalui transformasi Y = X µ σ N(0, 1). Sehingga Y memiliki fungsi kepadatan sebagai berikut: dimana y = x µ σ. f(x) = 1 φ(y), < x <, (2.12) σ 2.4. Bivariat. Suatu fungsi yang kontinu kanan F : R 2 [0, 1] kita sebut fungsi distribusi bivariat bila memenuhi sifat-sifat berikut: lim xj F (x 1, x 2 ) = 0, j = 1, 2, lim xj, j F (x 1, x 2 ) = 1 untuk semua (x 1, y 1 ), (x 2, y 2 ) dengan x 1 < x 2,y 1 < y 2 berlaku F (x 2, y 2 ) F (x 1, y 2 ) F (x 2, y 1 ) + F (x 1, y 1 ) 0. (2.13) ( ) X1 Misalkan X = adalah sebuah vektor acak yang berdistribusi X 2 ( ) µ1 Bivariat Normal(µ, Σ), dimana µ = adalah vektor mean, dan µ 2 ( ) σ 2 Σ = 1 ρσ 1 σ 2 ρσ 1 σ 2 σ2 2 (2.14) adalah matriks kovariansi. Di sini ρ menyatakan korelasi antara X 1 dan X 2. Fungsi kepadatan peluang untuk bivariat normal ini adalah f(x 1, x 2 ) = 1 2π Σ exp { (X µ) Σ 1 (X µ) 2 }. (2.15)
11 2. FUNGSI-FUNGSI DISTRIBUSI 7 Kebebasan bivariat Normal. Kebebasan antar variabel acak distribusi bivariat Normal ini menyebabkan ( ) ( σ 2 1 ) Σ = σ2 2 dan Σ 1 σ = 1 2. (2.16) 0 1 σ 2 2 Visualisasi kebebasan bivariat normal. Untuk memperoleh gambaran GAMBAR 3. Kurva ketinggian fungsi bivariat normal baku dengan ρ = 0, dan data yang dibangkitkan dari distribusi bivariate baku dengan ρ = 0 struktur kebergantungan X 1 dan X 2 kami sajikan Gambar bivariat Normal dengan µ = (0, 0) dan σ 1 = σ 2 = 1 dengan ρ = 0. Gambar 3 merepresentasikan struktur kebergantungan X 1 dan X 2 ketika mereka saling bebas. Terlihat data yang dibangkitkan dari distribusi bivariat normal baku dengan ρ = 0 mengikuti bentuk kurva ketinggian dari fungsi kepadatan peluang distribusi bivariat normal baku dengan ρ = 0. Untuk kasus X 1 dan X 2 yang saling bebas kita memiliki P (X 1 0, X 2 0) 0, 5P (X 1 0), seperti yang diperlihatkan pada Gambar 3. Terlihat bahwa data acak yang dibangkitkan berkumpul membentuk bola dua dimensi yang berpusat di titik (0, 0). Bila kita naikkan nilai ρ nya struktur kebergantungan X 1 dan X 2 akan berubah. Pada Gambar 4 terlihat bentuk penyebaran data acaknya berbentuk elips. Di sini kita memiliki P (X 1 0, X 2 0) 0, 75P (X 1 0). Dapat kita lihat untuk ρ 1 data atau kurva ketinggiannya mendekati bentuk garis seperti yang diperlihatkan pada Gambar 5, dan lim P (X 1 0, X 2 0) = P (X 1 0). ρ 1 Hal ini menunjukkan parameter ρ sangat erat kaitannya dengan kebergantungan antara dua variabel acak tersebut. LEMA 2. P (A B) min{p (A), P (B)}. (2.17) BUKTI. Bukti diperoleh melalui hubungan P (A B) P (A) dan P (A B) P (B).
12 8 1. COPULA DAN APLIKASINYA GAMBAR 4. Kurva ketinggian fungsi bivariat normal dengan ρ = 0, 8, dan data yang dibangkitkan dari distribusi bivariate baku dengan ρ = 0, 8 GAMBAR 5. Kurva ketinggian fungsi bivariat normal dengan ρ = 0, 99, dan data yang dibangkitkan dari distribusi bivariate baku dengan ρ = 0, 99 Maka 2.5. Covariance. Misalkan y t = αy t 1 + µ + ɛ t. (2.18) E[y ( t h)y t ] = E[(αy t h 1 + µ + ɛ t h )(αy t 1 + µ + ɛ t )] (2.19) Peluang bersyarat. Misalkan X dan Y adalah variabel acak yang berdistribusi masing-masing F X dan F Y, dan H adalah distribusi gabungan X dan Y. DEFINISI 4 (CDF bersyarat). P (X x Y y) = Terlihat dari Definisi 4 bahwa Jika H C 1 maka P (X x, Y y) P (Y y) = H(x, y) F Y (y). P (X x Y y) H(x, y). (2.20) P (X x Y = y) = lim δ 0 P (X x, y δ Y y + δ) lim δ 0 P (y δ Y y + δ) = y H(x, y). (2.21) f Y (y)
13 3. KONSEP DASAR DARI KEBERGANTUNGAN Multivariat. Suatu fungsi yang kontinu kanan F : R m [0, 1] kita sebut fungsi distribusi bivariat bila memenuhi sifat-sifat berikut: lim xj F (x 1,..., x m ) = 0, j = 1, 2,..., m, lim xj, j F (x 1,..., m) = 1 untuk semua (x 1, x 2,..., x m ), (y 1, y 2,..., y m ) dengan x i < y i, i = 1, 2,..., m, berlaku i 1=1 i 2=1 2 ( 1) i1+i2+...+im F (x 1, x 2,..., x m ) 0, (2.22) i m=1 dimana x i1 = x i dan 3. Konsep dasar dari Kebergantungan Konsep-konsep yang akan ditampilkan adalah: Konsep dari kebergantungan pada kuadran yang positif dan pengurutan concordance. Konsep dari kebergantungan dari kenaikan positif yang stokastik Konsep dari total positivity of order 2 (T P 2 ) dan max-infinite divisibility Konsep dari kebergantungan ekor yang digunakan untuk mengkontruksi dan menganalisa distribusi nilai ekstrim multivariat dan copulas. Konsep dari kebergantungan dari Kendall s tau dan Spearman s rho Kebergantungan Kuadran positif dan Orthan. Misalkan X = (X 1, X 2 ) adalah sebuah vektor bivariat dengan cdf F. Di sini X atau F dikatakan bergantung pada kuadran positif (PQD) jika P (X 1 > a 1 X 2 > a 2 ) P (X 1 > a 1 ) a 1, a 2 R. (3.1) Dengan menggunakan hubungan P (X 1 > a 1, X 2 > a 2 ) = 1 P (X 1 a 1 ) P (X 2 a 2 ) + P (X 1 a 1, X 2 a 2 ), (3.2) kita dapat tuliskan hubungan (3.1) sebagai berikut P (X 1 a 1 X 2 a 2 ) P (X 1 a 1 ) a 1, a 2 R. (3.3) Hubungan (3.1) menyatakan bahwa peluang X 1 > a 1 akan lebih besar, untuk setiap a 1, bila informasi X 2 > a 2, untuk setiap a 2, diketahui dibanding tanpa informasi X 2. Contoh: Distribusi F (x, y) = F X (x)f Y (y)[1+θ(1 F X (x))(1 F Y (y))], 0 θ 1. Untuk melihat hubungan X dan Y secara visual misalkan X N(0, 1) dan Y N(2, 4). Kita bangkitkan data (x i, y i ), i = 1, 2,..., 700, dari distribusi gabungan F (x, y). Distribusi gabungan di atas dapat dituliskan sebagai C(u, v) = uv[1 + θ(1 u)(1 v)], dimana u = F X (x) dan v = F Y (y). Kita peroleh u C(u, v) = θ(1 2u)v2 + v[1 + θ(1 2u)].
14 10 1. COPULA DAN APLIKASINYA GAMBAR 6. Struktur kebergantungan 4. Jenis-jenis Copula Apakah ada hubungan frequency domain used in Fourier analysis dengan Distribution cumulative domain used in Copula? It seems to be similar to me based on the following : The "frequency domain" is simply a different way to look at the data that you have in the time domain. When you listen to a symphony, the time domain description tells you what sound you hear in every given instant, while the frequency domain description tells you, roughly, what instruments are involved and the ways they are played Keluarga Bivariat dengan satu parameter. Dalam bagian ini akan ditampilkan Copula bivariat dengan satu parameter yang memiliki sifat-sifat: kontinu secara absolut supportnya berada di seluruh [0, 1] 2 hasil interpolasi antara batas bawah dan batas atas Frechet. 5. Proses Estimasi Copula Asumsikan Copula yang sebenarnya berasal dari sebuah keluarga Copula parametrik C = {C θ, θ Θ}. Kita ingin mengestimasi Copula ini berdasarkan data yang diasumsikan saling bebas dan memiliki distribusi yang identik. Untuk mengestimasi Copula ini dapat dilakukan dengan menggunakan parametrik marginal atau non-parametrik marginal. Terlebih dahulu kita perkenalkan beberapa sifat-sifat fungsi distribusi (kumulatif): LEMA 3. Misalkan X memiliki distribusi F. Maka X dan F 1 (U) dimana U berdistribusi seragam (0, 1) memiliki distribusi yang sama. BUKTI. P (F 1 (U) x) = P (U F (x)) = F (x) = P (X x). Dengan menggunakan Lema 3 kita dapatkan hubungan F (x 1, x 2,..., x n ) = P (X 1 x 1, X 2 x 2,..., X n x n ) = P (F 1 1 (U 1 ) x 1,..., F 1 n (U n ) x n ) = P (U 1 F 1 (x 1 ),..., U n F n (x n )) = P (U 1 u 1,..., U n u n ) = C(u 1, u 2,..., u n ), dimana U i, i = 1, 2,..., n, berdistribusi seragam (0, 1). (5.1)
15 5. PROSES ESTIMASI COPULA 11 Untuk n = 2 kita dapatkan, menggunakan u = F (x) dan v = G(y), kita peroleh f(x, y) = 2 F (x, y) x y = 2 x y C(F (x), G(y)) = df (x) dx dg(x) dy 2 C(F (x), G(y)). u v (5.2) LEMA 4. Misalkan α(x) adalah fungsi yang monoton naik. Maka P (α(x) x) = P (X α 1 (x)) = F (α 1 (x)). (5.3) 5.1. Copula dengan 2 peubah. DEFINISI 5. Misalkan S 1, S 2 R, dan Λ : S 1 S 2 R. Maka Λ- volume dari B := [u 1,1, u 1,2 ] [u 2,1, u 2,2 ] S 1 S 2, dimana u 1,1 < u 1,2 dan u 2,1 < u 2,2, didefinisikan sebagai V Λ (B) = Λ(u 1,1, u 2,1 ) Λ(u 1,1, u 2,2 ) Λ(u 1,2, u 2,1 ) + Λ(u 1,2, u 2,2 ) 2 2 = ( 1) i1+i2 Λ(u 1,i1, u 2,i2 ). i 1=1 i 2=1 (5.4) DEFINISI 6. Λ : S 1 S 2 R dikatakan memenuhi sifat 2-increasing jika V Λ (B) 0 untuk setiap B S 1 S 2. Apakah fungsi H(x, y) yang tidak turun terhadap x dan y adalah fungsi yang 2-increasing? Jawabannya adalah negatif. Pandang contoh berikut: H(x, y) = max(x, y). Maka untuk y yang ditetapkan H(x 1, y) H(x 2, y) jika x 1 x 2. Demikian juga bila xyang ditetapkan kita peroleh H(x, y 1 ) H(x, y 2 ) untuk setiap y 1 y 2. Tetapi V H (I I) = H(0, 0) H(0, 1) H(1, 0) + H(1, 1) = = 1 < 0. Apakah fungsi H(x, y) yang 2-increasing mengakibatkan H(x, y) fungsi yang tidak turun terhadap x dan y? Pandang contoh H(x, y) = (2x 1)(2y 1). Kita memiliki V H (B) = H(u 1,1, u 2,1 ) H(u 1,1, u 2,2 ) H(u 1,2, u 2,1 ) + H(u 1,2, u 2,2 ) = (2u 1,1 1)(2u 2,1 1) (2u 1,1 1)(2u 2,2 1) (2u 1,2 1)(2u 2,1 1) + (2u 1,2 1)(2u 2,2 1) = 2(2u 1,1 1)(u 2,1 u 2,2 ) 2(2u 1,2 1)(u 2,1 u 2,2 ) = 2(u 2,1 u 2,2 )(2u 1,1 2u 1,2 ) 0. (5.5) Jadi H(x, y) fungsi yang 2-increasing. Tetapi untuk y ditetapkan (2x 1 1)(2y 1) (2x 2 1)(2y 1) untuk setiap x 1 x 2 bila y 1 2. DEFINISI 7. Misalkan terdapat M 1 dan M 2 yang memenuhi M 1 = max S 1 dan M 2 = max S 2. Maka fungsi-fungsi marginal F dan G dari Λ masingmasing didefinisikan sebagai F : S 1 R, F (x) = Λ(x, M 2 ) (5.6) dan G : S 2 R, G(y) = Λ(M 1, y). (5.7) DEFINISI 8. Misalkan terdapat m 1 dan m 2 yang memenuhi m 1 = min S 1 dan m 2 = min S 2. Maka Λ : S 1 S 2 R dikatakan memiliki sifat grounded jika Λ(m 1, y) = Λ(x, m 2 ) = 0 untuk setiap (x, y) S 1 S 2.
16 12 1. COPULA DAN APLIKASINYA 5.2. Sifat-sifat dari fungsi 2-increasing dan grounded. Misalkan Λ memiliki sifat 2-increasing. Maka Λ memenuhi ketaksamaan-ketaksamaan berikut: dan Λ(u 1,2, u 2,2 ) Λ(u 1,2, u 2,1 ) Λ(u 1,1, u 2,2 ) Λ(u 1,1, u 2,1 ) (5.8) Λ(u 1,2, u 2,2 ) Λ(u 1,1, u 2,2 ) Λ(u 1,2, u 2,1 ) Λ(u 1,1, u 2,1 ). (5.9) Misalkan kita gunakan u 2,1 = m 2 dalam ketaksamaan (5.8) dan u 1,1 = m 1 dalam ketaksamaan (5.9), dan Λ juga memiliki sifat grounded maka kita peroleh Λ(u 1,2, v) Λ(u 1,1, v) (5.10) dan Λ(w, u 2,2 ) Λ(w, u 2,1 ) (5.11) untuk sembarang w S 1 dan v S 2. Sehingga perpaduan antara sifat 2-increasing dan grounded akan menciptakan sifat baru yang kami sajikan dalam lema berikut: LEMA 5. Setiap fungsi Λ : S 1 S 2 R yang memiliki sifat 2-increasing dan grounded adalah fungsi tidak turun di kedua argumennya. Dengan menggunakan Lema 5 kita peroleh G(u 2,2 ) G(u 2,1 ) = Λ(M 1, u 2,2 ) Λ(M 1, u 2,1 ) Λ(u 1,1, u 2,2 ) Λ(u 1,1, u 2,1 ) 0 (5.12) dan F (u 1,2 ) F (u 1,1 ) = Λ(u 1,2, M 2 ) Λ(u 1,1, M 2 ) Λ(u 1,2, u 2,1 ) Λ(u 1,1, u 2,1 ) 0. (5.13) Sehingga didapat F (u 1,2 ) F (u 1,1 ) + G(u 2,2 ) G(u 2,1 ) Λ(u 1,1, u 2,2 )+Λ(u 1,2, u 2,1 ) 2Λ(u 1,1, u 2,1 ) (5.14) DEFINISI 9. N-Copula adalah sebuah fungsi dengan N peubah yang menghubungkan distribusi-distribusi marginal dengan distribusi gabungannya. 6. Korelasi Linear Korelasi adalah suatu ukuran kebergantungan antar dua variabel acak yang didefinisikan sebagai berikut: ρ XY = Cov(X, Y ) σ X σ Y. (6.1) Misalkan X N(0, 1) dan Y = X 2. Kita ketahui bahwa m.g.f. dari N(0, 1) adalah M X (t) = e t2 2. Maka E(X) = M X (0) = 0, E(X2 ) = M X (0) = e t2 2 +t 2 e t2 2 t=0 = 1 dan E(X 3 ) = M X t 2 (0) = te 2 +2te t2 2 +t 3 e t2 2 t=0 = 0. Sehingga Cov(X, Y ) = E(XY ) E(X)E(Y ) = E(X 3 ) E(X)E(X 2 ) = 0, (6.2) yang mengakibatkan ρ XY = 0. Hal ini menunjukan secara umum nilai korelasi yang nol tidak mengakibatkan kebebasan antara X dan Y. Syarat agar X dan Y saling bebas adalah jika Cov(φ 1 (X), φ 2 (Y )) = 0 untuk setiap fungsi φ 1 dan φ 2. Hal ini merupakan salah satu kelemahan pengukuran kebebasan melalui korelasi ρ.
17 6. KORELASI LINEAR 13 LEMA 6 (Hoeffding). Jika F menyatakan distribusi gabungan dari X dan Y dengan F X dan F Y adalah masing-masing distribusi marginalnya, maka Cov(X, Y ) = E(XY ) E(X)E(Y ) = dengan anggapan E(XY ), E(X) dan E(Y ) terdefinisi. [F (x, y) F X (x)f Y (y)]dxdy (6.3) BUKTI. Misalkan Z 1 = (X 1, Y 1 ) dan Z 2 = (X 2, Y 2 ) saling bebas yang berasal dari distribusi F. Maka Cov(Z 1, Z 2 ) = 0 yang memberikan hubunganhubungan E[X 1 Y 2 ] = E[X 1 ]E[Y 2 ] dan E[Y 1 X 2 ] = E[Y 1 ]E[X 2 ]. (6.4) Dengan menggunakan (6.4) dan E[X] = E[X 1 ] = E[X 2 ], kita peroleh E[(X 1 X 2 )(Y 1 Y 2 )] = E[X 1 Y 1 X 1 Y 2 X 2 Y 1 + X 2 Y 2 ] Definisikan = E[X 1 Y 1 ] E[X 1 Y 2 ] E[X 2 Y 1 ] + E[X 2 Y 2 ] = E[X 1 Y 1 ] E[X 1 ]E[Y 2 ] + E[X 2 Y 2 ] E[X 2 ]E[Y 1 ] = E[X 1 Y 1 ] E[X 1 ]E[Y 1 ] + E[X 2 Y 2 ] E[X 2 ]E[Y 2 ] = 2(E[X 1 Y 1 ] E[X 1 ]E[Y 1 ]). I(u, x) = { 1, jika u x 0, lainnnya. (6.5) (6.6) Misalkan X 1 < X 2. Maka (I(u, X 1) I(u, X 2 ))du = X 1 X 2 < 0. Untuk X 1 > X 2 kita dapatkan (I(u, X 1) I(u, X 2 ))du = X 2 X 1 < 0. Kedua hasil integral tersebut merupakan selisih antara X 1 dan X 2 yang bernilai sama, sehingga urutan dapat diabaikan. Sehingga kita dapat menuliskan (I(u, X 1 ) I(u, X 2 ))du = X 1 X 2. (6.7) Dengan menggabungkan hasil-hasil di atas, kita dapatkan 2(E[X 1 Y 1 ] E[X 1 ]E[Y 1 ]) = E[(X 1 X 2 )(Y 1 Y 2 )] = E[ (I(u, X 1 ) I(u, X 2 ))(I(v, Y 1 ) I(v, Y 2 ))dudv] = E[(I(u, X 1 ) I(u, X 2 ))(I(v, Y 1 ) I(v, Y 2 ))]dudv. (6.8) Misalkan H(u, v) = E[(I(u, X 1 ) I(u, X 2 ))(I(v, Y 1 ) I(v, Y 2 ))]. Maka kita peroleh H(u, v) = (I(u, x 1 ) I(u, x 2 ))(I(v, y 1 ) I(v, y 2 ))f(x 1, y 1 )dx 1 dy 1 f(x 2, y 2 )dx 2 y 2. (6.9) Marilah kita hitung integral di atas bagian perbagian. Kita dapat menuliskan integral di atas sebagai: H(u, v) = 2J 1 2J 2, (6.10) dimana J 1 = I(u, x 1 )I(v, y 1 )f(x 1, y 1 )f(x 2, y 2 )dx 1 dy 1 dx 2 dy 2 (6.11)
18 14 1. COPULA DAN APLIKASINYA dan J 2 = I(u, x 1 )I(v, y 2 )f(x 1, y 1 )f(x 2, y 2 )dx 1 dy 2 dx 2 dy 1 (6.12) Marilah kita hitung J 1 terlebih dahulu. Kita memiliki x1 I(u, x 1 )I(v, y 1 )f(x 1, y 1 )f(x 2, y 2 )dx 1 dy 1 = f(x 2, y 2 ) f(s, y 1 )dsdy 1 = f(x 2, y 2 ) y1 x1 f(s, t)dsdt = f(x 2, y 2 )F (x 1, y 1 ). (6.13) Hal di atas menghasilkan J 1 = f(x 2, y 2 )F (x 1, y 1 )dx 2 dy 2 = F (x 1, y 1 ). (6.14) Untuk menghitung J 2 perhatikan integral berikut I(u, x 1 )I(v, y 2 )f(x 1, y 1 )f(x 2, y 2 )dx 1 dy 2 = I(u, x 1 )f(x 1, y 1 )dx 1 I(v, y 2 )f(x 2, y 2 )dy 2 Sehingga = x1 y2 f(s, y 1 )ds f(x 2, t)dt. (6.15) x1 y2 J 2 = f(s, y 1 )dsdy 1 f(x 2, t)dtdx 2 = F X (x 1 )F Y (y 2 ). (6.16) Dari hasil-hasil di atas dapat disimpulkan 2(E[XY ] E[X]E[Y ]) = 2 (F (x, y) F X (x)f Y (y))dxdy. (6.17) 6.1. Keluarga Copula. DEFINISI 10. Distribusi normal multivariabel untuk sebuah vektor berdimensi k yaitu x = (X 1,..., X k ) T, N (µ, Σ), didefiniskan sebagai berikut Φ ρ (x 1,..., x k ) = x1... xk 1 2π k/2 Σ 1/2 exp( 1 2 (x µ)t Σ 1 (x µ)), (6.18) dimana Σ i,j = Cov(X i, X j ) dan Σ adalah determinan dari Σ. Sebagai contoh untuk k = 2, dengan menggunakan persamaan Cov(X, Y ) = ρσ X σ Y, kita peroleh [ ] [ ] σ1 Σ = 2 ρσ X1 σ X2 µx1 ρσ X1 σ X2 σx 2, µ =, (6.19) 2 dan µ X2 Σ = σ 2 X 1 σ 2 X 2 σ 2 X 1 σ 2 X 2 ρ 2 = σ 2 X 1 σ 2 X 2 (1 ρ 2 ). (6.20) LEMA 7. Misalkan (X 1, X 2 ) N (µ, Σ). Maka distribusi bersyarat X i X j = a N (µ, Σ), dimana µ = µ i + ρ σi σ j (a µ j ) dan Σ = σ 2 i (1 ρ2 ), i j.
19 6. KORELASI LINEAR 15 DEFINISI 11 (Copula Gaussian multivariabel-mvn). Misalkan ρ adalah sebuah matrik simetrik, definit positif dengan diag(ρ) = 1 dan Φ ρ yaitu distribusi normal multivariabel standar dengan korelasi ρ. Copula Gaussian multivariabel didefinisikan sebagai berikut: C(u 1,..., C N ; ρ) = Φ ρ (Φ 1 (u 1 ),..., Φ 1 ρ (u N )) (6.21) dengan fungsi densitas c(u 1,..., u N ) = 1 ( exp 1 ) ρ 1/2 2 ξt (ρ 1 I)ξ, (6.22) dimana ξ n = Φ 1 (u n ). DEFINISI 12. Copula bersyarat dari (x, y) F t 1, dimana x F t 1 F dan y F t 1 G Simulasi Copula Estimasi Non-parametric. Misalkan TABEL 1. Time series data t X X TABEL 2. Statistik terurut dari Time series data t X (1) X (2) Distribusi empirik Copulanya dapat dituliskan sebagai berikut: ( t1 Ĉ 10, t ) 2 = x t 1 x (t 1 ) 1, x t 2 x(t 2, (6.23) ) 2 t=1 dimana 1 t 1, t Simulasi random variabel generator. 0 Data (X 1, Y 1 ),..., (X n, Y n ), dimana X i F (x, α) dan Y i G(y, β). U i = F (X i ) dan V i = G(Y i ), i = 1, 2,..., n. 1 Fungsi log-likelihood Copula n n n log l(θ, α, β) = log c(u j, v j, θ) + log f(f 1 (u j ), α) + log g(g 1 (v j ), β) j=1 j=1 2 ˆα = argmax α n j=1 log f(f 1 (u j ), α) 3 ˆβ = argmax β n j=1 log g(g 1 (v j ), β) j=1 (6.24) 4 ˆθ = argmax θ log l(θ, ˆα, ˆβ) 5 Gunakan ˆθ untuk menghitung ρ s, ρ τ dan membangkitkan data u dan v.
Bab II Kajian Teori Copula
Bab Kajian Teori Copula.1 Pendahuluan Copula Tesis ini mengacu pada terminologi copula sebagai fungsi yang menghubungkan fungsi distribusi multivariat terhadap fungsi distribusi marginal uniform. Misalkan
Lebih terperinciBAB II TINJAUAN PUSTAKA. return, mean, standard deviation, skewness, kurtosis, ACF, korelasi, GPD, copula,
BAB II TINJAUAN PUSTAKA Pada bab ini akan dibahas semua konsep yang mendasari penelitian ini yaitu return, mean, standard deviation, skewness, kurtosis, ACF, korelasi, GPD, copula, VaR, estimasi VaR dengan
Lebih terperinciPeubah Acak dan Distribusi Kontinu
BAB 1 Peubah Acak dan Distribusi Kontinu 1.1 Fungsi distribusi Definisi: Misalkan X peubah acak. Fungsi distribusi (kumulatif) dari X adalah F X (x) = P (X x) Contoh: 1. Misalkan X Bin(3, 0.5), maka fungsi
Lebih terperinciMA3081 STATISTIKA MATEMATIKA We love Statistics
Catatan Kuliah MA3081 STATISTIKA MATEMATIKA We love Statistics disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2013 Daftar Isi 1 Peubah Acak
Lebih terperinciMA6281 Topik Lanjut dalam Statistika ANALISIS DATA DENGAN COPULA Dependency is not necessarily bad
Catatan Kuliah MA6281 Topik Lanjut dalam Statistika ANALISIS DATA DENGAN COPULA Dependency is not necessarily bad disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut
Lebih terperinciEstimasi Parameter Copula Dan Aplikasinya Pada Klimatologi
Estimasi Parameter Copula Dan Aplikasinya Pada Klimatologi Irwan Syahrir (309 20 00) Dosen Pembimbing: Dr. Ismaini Zaini, M.Si Dr.rer.pol. Heri Kuswanto, M.Si . PENDAHULUAN Latar belakang Analisis Statistik
Lebih terperinciPeubah Acak, Fungsi Distribusi Bersama dan Copula
Peubah Acak, Fungsi Distribusi Bersama dan Copula oleh Khreshna Syuhada Misalkan kita memiliki dua peubah acak X dan Y yang tidak saling bebas; fungsi distribusinya, berturut-turut, adalah F X dan G Y.
Lebih terperinciCatatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest! Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest! Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2014 1 Tentang AK5161 Matematika
Lebih terperinciPengantar Statistika Matematik(a)
Catatan Kuliah Pengantar Statistika Matematik(a) Statistika Lebih Dari Sekadar Matematika disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2014
Lebih terperinciPengantar Statistika Matematika II
Bab 3: Statistika FMIPA Universitas Islam Indonesia Bila sampling berasal dari populasi yang digambarkan melalui fungsi peluang f X (x θ), pengetahuan tentang θ menghasilkan karakteristik mengenai keseluruhan
Lebih terperinciIKG4A2 Kapita Selekta Dosen: Aniq A. Rohmawati, M.Si Data Deret Waktu dan i.i.d
IKG4A2 Kapita Selekta Dosen: Aniq A. Rohmawati, M.Si Data Deret Waktu dan i.i.d Data merupakan kumpulan informasi yang diharapkan dapat dinterpretasikan dengan baik dan akurat. Terdapat beberapa jenis
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 terperinciPengantar Statistika Matematika II
Pengantar Statistika Matematika II Distribusi Sampling Atina Ahdika, S.Si., M.Si. Prodi Statistika FMIPA Universitas Islam Indonesia March 20, 2017 atinaahdika.com Bila sampling berasal dari populasi yang
Lebih terperinciBAB 2 KAJIAN PUSTAKA DAN LANDASAN TEORI. Dalam beberapa tahun terakhir, model graph secara statistik telah diaplikasikan
BAB 2 KAJIAN PUSTAKA DAN LANDASAN TEORI Dalam beberapa tahun terakhir, model graph secara statistik telah diaplikasikan dengan baik pada aplikasi pengenalan suara, pengolahan citra (Willsky, 2002 dan Choi
Lebih terperinciPengantar Statistika Matematika II
Bab 2: Sifat-Sifat Estimator Statistika FMIPA Universitas Islam Indonesia Statistik Cukup Dalam kondisi real, kita tidak mengetahui parameter dari populasi data yang akan kita teliti Informasi dalam sampel
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 terperinciMA5181 PROSES STOKASTIK
Catatan Kuliah MA5181 PROSES STOKASTIK disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2013 Tentang MA5181 Proses Stokastik A. Jadwal kuliah:
Lebih terperinciBAB II LANDASAN TEORI. landasan pembahasan pada bab selanjutnya. Pengertian-pengertian dasar yang di
5 BAB II LANDASAN TEORI Bab ini membahas pengertian-pengertian dasar yang digunakan sebagai landasan pembahasan pada bab selanjutnya. Pengertian-pengertian dasar yang di bahas adalah sebagai berikut: A.
Lebih terperinciLearning Outcomes Sebaran Kontinu Nilai Harapan dan Ragam Beberapa Sebaran Kontinu. Peubah Acak Kontinu. Julio Adisantoso.
Beberapa 27 April 2014 Beberapa Learning Outcome Outline Mahasiswa dapat mengerti dan menentukan peubah acak diskret Mahasiswa dapat memahami dan menghitung nilai harapan Mahasiswa dapat memahami dan menghitung
Lebih terperinciMA3081 STATISTIKA MATEMATIKA We love Statistics
Catatan Kuliah MA3081 STATISTIKA MATEMATIKA We love Statistics disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2013 Daftar Isi 1 Peubah Acak
Lebih terperinciPengantar Statistika Matematika II
Pengantar a Matematika II - Estimator Atina Ahdika, S.Si., M.Si. Prodi a FMIPA Universitas Islam Indonesia April 17, 2017 atinaahdika.com Dalam kondisi real, kita tidak mengetahui parameter dari populasi
Lebih terperinciPengantar Statistika Matematika II
Bab 1: a FMIPA Universitas Islam Indonesia Parameter adalah karakteristik dari populasi (misal θ) adalah karakteristik dari sampel Akan dibahas konsep statistik dan distribusi sampling Parameter Misalkan
Lebih terperinciSebaran Peubah Acak Bersama
Bab 6 Sebaran Peubah Acak Bersama 6. Peubah Acak Ganda Misalnya terdapat suatu tindakan pelemparan sekeping mata uang seimbang sebanyak 3 kali, dan X adalah peubah acak banyaknya sisi muka yang muncul
Lebih terperinciCatatan Kuliah MA3081 STATISTIKA MATEMATIKA Statistika Mengalahkan Matematika. disusun oleh Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah MA3081 STATISTIKA MATEMATIKA Statistika Mengalahkan Matematika disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2011 Daftar Isi
Lebih terperinciCatatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest! Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest! Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2014 1 Tentang AK5161 Matematika
Lebih terperinciCatatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest! Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest! Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2014 1 Tentang AK5161 Matematika
Lebih terperinciSebaran Peubah Acak Bersama
Bab 6 Sebaran Peubah Acak Bersama 6. Peubah Acak Ganda Misalnya terdapat suatu tindakan pelemparan sekeping mata uang seimbang sebanyak 3 kali, dan X adalah peubah acak banyaknya sisi muka yang muncul
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 terperinciMA3081 STATISTIKA MATEMATIKA Statistika Mengalahkan Matematika
Catatan Kuliah MA3081 STATISTIKA MATEMATIKA Statistika Mengalahkan Matematika disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2011 Daftar Isi
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 terperinciDengan demikian, untuk sembarang B = [a, b], maka persamaan (5.1) menjadi
Bab 5 Peubah Acak Kontinu 5.1 Pendahuluan Definisi 5.1. Peubah acak adalah suatu fungsi dari ruang contoh S ke R (himpunan bilangan nyata) Peubah acak X bersifat diskret jika F (x) adalah fungsi tangga.
Lebih terperinciPENGANTAR MODEL PROBABILITAS
PENGANTAR MODEL PROBABILITAS (PMP, Minggu 8-14) Sri Haryatmi Kartiko Universitas Gadjah Mada Juni 2014 Outline 1 Minggu 8:MOMEN VARIABEL RANDOM Mean dan Variansi Fungsi Pembangkit Momen (MGF) 2 Minggu
Lebih terperinciPengantar Statistika Matematik(a)
Catatan Kuliah Pengantar Statistika Matematik(a) Statistika Lebih Dari Sekadar Matematika disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2014
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 terperinciPeubah acak adalah suatu fungsi dari ruang contoh ke bilangan nyata, f : S R
Bab Peubah Acak. Konsep Dasar Peubah Acak Peubah acak adalah suatu fungsi dari ruang contoh ke bilangan nyata, f : S R Contoh peubah acak: Jika X adalah peubah acak banyaknya sisi muka yang muncul pada
Lebih terperinciCatatan Kuliah MA3081 STATISTIKA MATEMATIKA Statistika Mengalahkan Matematika. disusun oleh Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah MA3081 STATISTIKA MATEMATIKA Statistika Mengalahkan Matematika disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2011 Daftar Isi
Lebih terperinciMINGGU KE-11 HUKUM BILANGAN BESAR LEMAH DAN KUAT
MINGGU KE-11 HUKUM BILANGAN BESAR LEMAH DAN KUAT HUKUM BILANGAN BESAR LEMAH DAN KUAT Misalkan X 1, X 2, X 3... barisan variabel random. Kita tulis S n = n X i. Dalam subbab ini kita akan menjawab pertanyaan
Lebih terperinciAK5161 Matematika Keuangan Aktuaria
Catatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2015 1 Tentang AK5161 Matematika
Lebih terperinciPengantar Statistika Matematika II
Pengantar a Matematika II Atina Ahdika, S.Si., M.Si. Prodi a FMIPA Universitas Islam Indonesia March 20, 2017 atinaahdika.com t F Parameter adalah karakteristik dari populasi (misal θ) adalah karakteristik
Lebih terperinciMA3081 STATISTIKA MATEMATIK(A) Bab 2: Distribusi Samp
MA3081 STATISTIKA MATEMATIK(A) Bab 2: We love Statistics Pengantar Parameter adalah... ...suatu karakteristik dari populasi. Statistik adalah... ...suatu karakteristik dari sampel. Statistik adalah fungsi
Lebih terperinciTeorema Newman Pearson
pengujian terbaik Andi Kresna Jaya andikresna@yahoo.com Jurusan Matematika October 6, 2014 Outline 1 Review 2 Uji dua sisi untuk mean 3 Teorema Neyman-Pearson Back Outline 1 Review 2 Uji dua sisi untuk
Lebih terperinciBAB III VALUE AT RISK (VaR ) DAN PENDEKATAN COPULA
BAB III VALUE AT RISK (VaR ) DAN PENDEKATAN COPULA 3.1 Value at Risk (VaR) Salah satu aspek yang sangat penting dalam analisis resiko adalah penghitungan Value at Risk atau yang selanjutnya disingkat dalam
Lebih terperinciSTATISTIK PERTEMUAN VI
STATISTIK PERTEMUAN VI 1. TEORI PENDUKUNG 1.1 Pendahuluan 1. Variabel acak 1.3 Distribusi variabel acak diskrit 1.4 Distribusi variabel acak kontinu 1.5 Distribusi multivariat 1.1 Pendahuluan Definisi
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 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 terperinciPengantar Statistika Matematika II
Bab 3: Estimasi Titik dengan Metode Bayes Statistika FMIPA Universitas Islam Indonesia Dalam pendekatan klasik, parameter θ adalah besaran tetap yang tidak diketahui Sampel random X 1, X 2,..., X n diambil
Lebih terperinciBAB II LANDASAN TEORI
7 BAB II LANDASAN EORI 2.. Dasar Dasar Peluang Program stokastik adalah salah satu cabang matematika yang berhubungan dengan keputusan optimal dalam keadaan tidak pasti yang dinyatakan dengan distribusi
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 terperinciDefinisi: Nilai harapan/ekspektasi (expected value/expectation) atau ekspektasi dari peubah acak diskrit/kontinu X adalah
BAB 1 Peluang dan Ekspektasi Bersyarat 1.1 EKSPEKTASI Definisi: Nilai harapan/ekspektasi (expected value/expectation) atau ekspektasi dari peubah acak diskrit/kontinu X adalah E(X) x x p X (x) dan E(X)
Lebih terperinciKorelasi Kendall (τ) untuk Estimasi Parameter Distribusi Clayton-copula Bivariat
SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2016 Korelasi Kendall (τ) untuk Estimasi Parameter Distribusi Clayton-copula Bivariat S - 9 Apriliana Wiji Nurcahyani, Dewi Retno Sari Saputro,
Lebih terperinciBEBERAPA DISTRIBUSI KHUSUS DKINTINU DIKENAL
BEBERAPA DISTRIBUSI KHUSUS DKINTINU DIKENAL Dalam hal ini akan dibahas beberapa distribusi yang mempunyai bentuk fungsi densitas dan nama tertentu dari peubah acak kontinu, yaitu: distribusi seragam, distribusi
Lebih terperinciCatatan Kuliah. AK5161 Matematika Keuangan Aktuaria Insure and Invest. Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2017 1 Tentang AK5161 Matematika
Lebih terperinciAK5161 Matematika Keuangan Aktuaria
Catatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2015 1 Tentang AK5161 Matematika
Lebih terperinciFourier Analysis & Its Applications in PDEs - Part II
Fourier Analysis & Its Applications in PDEs Hendra Gunawan http://personal.fmipa.itb.ac.id/hgunawan/ Analysis and Geometry Group Bandung Institute of Technology Bandung, INDONESIA WIDE 2010 5-6 August
Lebih terperinciPengantar Statistika Matematika II
Pengantar Statistika Matematika II Estimasi Titik dengan Metode Atina Ahdika, S.Si., M.Si. Prodi Statistika FMIPA Universitas Islam Indonesia May 9, 2017 atinaahdika.com Dalam pendekatan klasik, parameter
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.. Konsep Dasar Analisis Runtun Waktu Pada bagian ini akan dikemukakan beberapa definisi yang menyangkut pengertian dan konsep dasar analisis runtun waktu. Definisi Runtun waktu
Lebih terperinciBAB I PENDAHULUAN. sewajarnya untuk mempelajari cara bagaimana variabel-variabel itu dapat
BAB I PENDAHULUAN 1.1 Latar Belakang Jika kita mempunyai data yang terdiri dari dua atau lebih variabel maka sewajarnya untuk mempelajari cara bagaimana variabel-variabel itu dapat berhubungan, hubungan
Lebih terperinciPengantar Statistika Matematika II
Bab 6: Statistika FMIPA Universitas Islam Indonesia Inferensi Statistik Pendahuluan Inferensi Statistik Inferensi statistik adalah metode untuk menarik kesimpulan mengenai suatu populasi. Inferensi statistik
Lebih terperinciMA6281 Analisis Data dengan Copula Bab 1: Fungsi distribus. Bab 2: Data dan volatilitas Bab 3: Konsep Copula
MA6281 Analisis Data dengan Copula Bab 1: Fungsi distribusi bivariat Bab 2: Data dan volatilitas Bab 3: Konsep Copula Dependency is not necessarily bad Data risiko operasional Ilustrasi Data risiko operasional
Lebih terperinciKALKULUS MULTIVARIABEL II
Pada Bidang Bentuk Vektor dari KALKULUS MULTIVARIABEL II (Minggu ke-9) Andradi Jurusan Matematika FMIPA UGM Yogyakarta, Indonesia Pada Bidang Bentuk Vektor dari 1 Definisi Daerah Sederhana x 2 Pada Bidang
Lebih terperinciCatatan Kuliah. AK5161 Matematika Keuangan Aktuaria Insure and Invest. Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2016 1 Tentang AK5161 Matematika
Lebih terperinciBab 9 Peluang dan Ekspektasi Bersyarat: Harapan Tanpa Syarat
MA38 Teori Peluang - Khreshna Syuhada Bab 9 Bab 9 Peluang dan Ekspektasi Bersyarat: Harapan Tanpa Syarat Ilustrasi 9. Misalkan banyaknya kecelakaan kerja rata-rata per minggu di suatu pabrik adalah empat.
Lebih terperinciBAB VI DISTRIBUSI PROBABILITAS MENERUS
BAB VI DISTRIBUSI ROBABILITAS MENERUS 6. Distribusi Uniform (seragam) Menerus Distribusi seragam menerus merupakan distribusi yang paling sederhana. Karaketristik distribusi ini adalah fungsi kepadatannya
Lebih terperinciSTK 203 TEORI STATISTIKA I
STK 203 TEORI STATISTIKA I III. PEUBAH ACAK KONTINU III. Peubah Acak Kontinu 1 PEUBAH ACAK KONTINU Ingat definisi peubah acak! Definisi : Peubah acak Y adalah suatu fungsi yang memetakan seluruh anggota
Lebih terperinciKALKULUS MULTIVARIABEL II
KALKULUS MULTIVARIABEL II Integral Garis Medan Vektor dan (Minggu ke-8) Andradi Jurusan Matematika FMIPA UGM Yogyakarta, Indonesia 1 Integral Garis Medan Vektor 2 Terkait Lintasan Teorema Fundamental untuk
Lebih terperinciMA4181 MODEL RISIKO Enjoy the Risks
Catatan Kuliah MA48 MODEL RISIKO Enjoy the Risks disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2 Tentang MA48 Model Risiko A. Jadwal kuliah:
Lebih terperinciMINGGU KE-6 VARIABEL RANDOM DAN DISTRIBUSINYA
MINGGU KE-6 VARIABEL RANDOM DAN DISTRIBUSINYA VARIABEL RANDOM Misalkan (Ω, A, P) ruang probabilitas dan R = {x < x < } dan B : Borel field pada R. Andaikan X : Ω R dan untuk setiap A R, kita definisikan
Lebih terperinciCatatan Kuliah. AK5161 Matematika Keuangan Aktuaria Insure and Invest. Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2017 1 Tentang AK5161 Matematika
Lebih terperinciMINGGU KE-9 MACAM-MACAM KONVERGENSI
MINGGU KE-9 MACAM-MACAM KONVERGENSI Kita telah mengetahui bahwa untuk n besar dan θ kecil sedemikian hingga nθ = λ, distribusi binomial bisa dihampiri oleh distribusi Poisson. Mencari hampiran distribusi
Lebih terperinci11. Konvolusi. Misalkan f dan g fungsi yang terdefinisi pada R. Konvolusi dari f dan g adalah fungsi f g yang didefinisikan sebagai.
11. Konvolusi Operasi konvolusi yang akan kita bahas di sini sebetulnya pernah kita jumpai pada pembahasan deret Fourier (ketika membuktikan kekonvergenan jumlah parsialnya). Operasi konvolusi merupakan
Lebih terperinciAK5161 Matematika Keuangan Aktuaria
Catatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2015 1 Tentang AK5161 Matematika
Lebih terperinciMinggu 4-5 Analisis Model MA, AR, ARMA. Minggu 6-7 Model Diagnostik dan Forecasting. Minggu 8-9 Analisi Model ARI, IMA, ARIMA
CNH4S3 Analisis Time Series Dosen: Aniq A Rohmawati, M.Si [Jadwal]: [Materi Analsis Time Series] Kuliah Pemodelan dan Simulasi berisi tentang dasar pemodelan time series seperti kestasioneran, identifikasi
Lebih terperinciMA4181 MODEL RISIKO Enjoy the Risks
Catatan Kuliah MA4181 MODEL RISIKO Enjoy the Risks disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2011 Tentang MA4181 Model Risiko A. Jadwal
Lebih terperinciANALISIS REAL. (Semester I Tahun ) Hendra Gunawan. October 3, Dosen FMIPA - ITB
(Semester I Tahun 2011-2012) Dosen FMIPA - ITB E-mail: hgunawan@math.itb.ac.id. October 3, 2011 6.3 Limit Sepihak, Limit di Tak Hingga, dan Limit Tak Hingga Bila sebelumnya kita mempelajari limit barisan,
Lebih terperinciMinggu 4-5 Analisis Model MA, AR, ARMA. Minggu 6-7 Model Diagnostik dan Forecasting. Minggu 8-9 Analisi Model ARI, IMA, ARIMA
CNH4S3 Analisis Time Series Dosen: Aniq A Rohmawati, M.Si [Jadwal]: [Materi Analsis Time Series] Kuliah Pemodelan dan Simulasi berisi tentang dasar pemodelan time series seperti kestasioneran, identifikasi
Lebih terperinciSTK 203 TEORI STATISTIKA I
STK 203 TEORI STATISTIKA I V. SEBARAN FUNGSI PEUBAH ACAK V. Sebaran Fungsi Peubah Acak 1 Sebaran Fungsi Peubah Acak Dalam banyak kasus untuk melakukan inferensi terhadap suatu parameter kita lebih banyak
Lebih terperinciMA4183 MODEL RISIKO Control your Risk!
Catatan Kuliah MA4183 MODEL RISIKO Control your Risk! disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2014 Tentang MA4183 Model Risiko A. Jadwal
Lebih terperinciSTATISTIKA UNIPA SURABAYA
MATEMATIKA STATISTIKA (MATHEMATICAL STATISTICS) GANGGA ANURAGA Materi : Distribusi variabel random Teori Himpunan Fungsi Himpunan Fungsi Himpunan Peluang Variabel Random Fungsi Kepadatan Peluang Fungsi
Lebih terperinciMA5181 PROSES STOKASTIK
Catatan Kuliah MA5181 PROSES STOKASTIK We do love uncertainty disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2013 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 terperinciAnalisis Riil II: Diferensiasi
Definisi Turunan Definisi dan Teorema Aturan Rantai Fungsi Invers Definisi (Turunan) Misalkan I R sebuah interval, f : I R, dan c I. Bilangan riil L dikatakan turunan dari f di c jika diberikan sebarang
Lebih terperinciBAB I PENDAHULUAN Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Salah satu konsep yang sangat menarik untuk dikaji adalah konsep copula. Konsep ini banyak digunakan di bidang matematika dan statistika, bahkan aplikasinya
Lebih terperinciDASAR-DASAR TEORI RUANG HILBERT
DASAR-DASAR TEORI RUANG HILBERT Herry P. Suryawan 1 Geometri Ruang Hilbert Definisi 1.1 Ruang vektor kompleks V disebut ruang hasilkali dalam jika ada fungsi (.,.) : V V C sehingga untuk setiap x, y, z
Lebih terperinciMinggu 1 Review Peubah Acak; Karakteristik Time Series. Minggu 4-6 Model Moving Average (MA), Autoregressive (AR)
CNH4S3 Analisis Time Series [Dosen] Aniq A Rohmawati, M.Si [Jadwal] Need to reschedule? [About] The purpose of time series analysis is generally twofold: to understand or model the stochastic mechanism
Lebih terperinciBAB III METODE PENELITIAN
digilib.uns.ac.id BAB III METODE PENELITIAN Metode yang digunakan dalam penelitian ini adalah kajian pustaka dari buku referensi karya ilmiah. Karya ilmiah yang digunakan adalah hasil penelitian serta
Lebih terperinciSBAB III MODEL VARMAX. Pengamatan time series membentuk suatu deret data pada saat t 1, t 2,..., t n
SBAB III MODEL VARMAX 3.1. Metode Analisis VARMAX Pengamatan time series membentuk suatu deret data pada saat t 1, t 2,..., t n dengan variabel random Z n yang dapat dipandang sebagai variabel random berdistribusi
Lebih terperinciCatatan Kuliah. MA4181 PENGANTAR PROSES STOKASTIK Smart and Stochastic. disusun oleh Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah MA4181 PENGANTAR PROSES STOKASTIK Smart and Stochastic disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2014 Tentang MA4181 (Pengantar)
Lebih terperinciBab III Studi Kasus III.1 Decline Rate
Bab III Studi Kasus III.1 Decline Rate Studi kasus akan difokuskan pada data penurunan laju produksi (decline rate) di 31 lokasi sumur reservoir panas bumi Kamojang, Garut. Persoalan mendasar dalam penilaian
Lebih terperinciINFERENSI PARAMETER MEAN POPULASI NORMAL DENGAN METODE BAYESIAN OBYEKTIF
INFERENSI PARAMETER MEAN POPULASI NORMAL DENGAN METODE BAYESIAN OBYEKTIF Adi Setiawan Program Studi Matematika Industri dan Statistika, Fakultas Sains dan Matematika Universitas Kristen Satya Wacana Jl
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 terperinci12. Teorema Inversi Fourier dan Transformasi Fourier di L 2 (R)
1. Teorema Inversi Fourier dan Transformasi Fourier di L (R) 1.1 Teorema Inversi Fourier Dari hasil hitung-hitungan kasar di awal bagian ke-10, kita ingin membuktikan bahwa, dalam kondisi tertentu, kita
Lebih terperinciMA4181 MODEL RISIKO Risk is managed, not avoided
Catatan Kuliah MA4181 MODEL RISIKO Risk is managed, not avoided disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2013 Tentang MA4181 Model Risiko
Lebih terperinciPengantar Proses Stokastik
Bab 1: Dasar-Dasar Probabilitas Statistika FMIPA Universitas Islam Indonesia 2015 Percobaan adalah kegiatan yang menghasilkan keluaran/hasil yang mungkin secara acak. Contoh: pelemparan sebuah dadu. Ruang
Lebih terperinciPEUBAH ACAK DAN SEBARANNYA
LOGO STATISTIKA MATEMATIKA I PEUBAH ACAK DAN SEBARANNYA Hazmira Yozza Izzati Rami HG Jurusan Matematika FMIPA Universitas Andalas Percobaan : Pelemparan dua mata uang AA AG GA GG S X Definisi 2.1. Peubah
Lebih terperinciCatatan Kuliah. MA4183 Model Risiko
Catatan Kuliah MA4183 Model Risiko Forecast and control your risk Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2015 1 Tentang MA4183 Model Risiko
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 terperinciBab II Teori Pendukung
Bab II Teori Pendukung II.1 Sistem Autonomous Tinjau sistem persamaan differensial berikut, = dy = f(x, y), g(x, y), (2.1) dengan asumsi f dan g adalah fungsi kontinu yang mempunyai turunan yang kontinu
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 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 terperinciContoh Solusi PR 2 Statistika & Probabilitas. 1. Semesta dari kejadian adalah: pemilihan 5 soal dari 10 soal. Jumlah kemungkinannya ( 10 = 252.
Contoh Solusi PR Statistika & Probabilitas Semesta dari kejadian adalah: pemilihan soal dari soal Jumlah kemungkinannya ( ) = (a) Kemungkinannya dapat dihitung dengan memilih soal tes dari soal yang anak
Lebih terperinci