Bukti : Dengan menggunakan aturan peluang total (law of total probability), dapat kita nyatakan. e e n. n k
|
|
- Widyawati Hermanto
- 6 tahun lalu
- Tontonan:
Transkripsi
1 LAMPIRAN
2 Lampiran 1. Pembuktian Lema 1 Lema 1 (Jumlah Peubah Acak Poisson) Misalkan X dan Y adalah peubah acak yang saling bebas dan memiliki sebaran Poisson dengan parameter berturut-turut λ 1 dan λ. Maka X + Y memiliki sebaran Poisson dengan parameter λ 1 + λ. (Taylor and Karlin 1984) Bukti : Dengan menggunakan aturan peluang total (law of total probability), dapat kita nyatakan n n k nk 1 1 k0 k n! k!( n k)! P X Y n P X k, Y n k k 0 k 0 k 0 P P X k Y n k ( X dan Y saling bebas) k 1 nk 1 e e k 0 k! ( n k)! 1 e e n! k 1 n! k!( n k)! k 0 Ingat, dengan perluasan binomial kita dapat menyatakan, untuk setiap integer positif n, k nk 1 Sehingga dengan mensubstitusikan () ke (1) kita peroleh ruas kanan (1) adalah e n! ( 1 ) nk n 1. Bentuk (3) di atas adalah fungsi peluang dari sebaran Poisson dengan parameter (λ 1 + λ ). (1) () (3) Maka Lema 1 terbukti.
3 Lampiran. Pembuktian Lema 3 Lema 3 (Pertidaksamaan Chebyshev) Jika X adalah peubah acak dengan rataan µ dan ragam σ, maka untuk setiap k > 0, P X k k. (1) (Ross 007) Bukti : Untuk membuktikan pertidaksamaan Chebyshev diperlukan Pertidaksamaan Markov (Lema 4) berikut : Lema 4 (Pertidaksamaan Markov) Jika X adalah peubah acak dengan E(X) terbatas, maka untuk setiap a > 0, P X a E a X. () Bukti : Misalkan A X a maka X ai, dengan I adalah fungsi indicator dari A, yaitu : I Jika kita tentukan nilai harapannya, maka akan diperoleh A E X E ai 1, jika X a. 0, jika X a A aei A ap X a. Sehingga diperoleh P Jadi Lema 4 terbukti. X a E a X. Selanjutnya dengan Pertidaksaman Markov (Lema 4) maka kita dapat membuktikan Lema 3. P P. X k X k E k X k Jadi Lema 3 terbukti.
4 Lampiran 3. Program Penentuan Gambar (s) Random<-function(n,tau) maxlambda<-5.5 LAB<-(maxlambda)*n N<-rpois(1,LAB) points<-runif(n,0,n) lambda<-*exp(cos((*pi*points)/tau)) p<-lambda/maxlambda p[p<0]< p[p>=1]< hold<-rbinom(n,1,p)==1 selected<-points[hold] return(selected) # Membangkitkan proses Poisson tak homogen dengan n = 1000 dan tau = 5
5 Lampiran 3. (Lanjutan) Duga<-function(Data,n,titik,band,tau) K<-floor((n-titik)/tau) vdt<-1:k for(k in 1:K) pusat<-titik+(k-1)*tau bawah<-pusat-band atas<-pusat+band sample<-data[data>=bawah&data<=atas] vdt[k]<-length(sample)/(*band) Dugaan<-(sum(vdt)*tau)/n return(dugaan) Penduga<-function(Data,n,a,b,band,tau) yduga<-seq(a,b,0.1) K<-length(yduga) for(k in 1:K) titik1<-x[k] yduga[k]<-duga(data,n,titik1,band,tau) return(yduga) Gambar<-function(a,b,tau) ytrue<-*exp(cos((*pi*x)/tau)) plot(x,ytrue,xlim=c(0,5),ylim=c(0,6),type="l",col=4) par(new=t) plot(x,yduga,xlim=c(0,5),ylim=c(0,6),type="o",col=6) # Program menampilkan gambar fungsi sebenarnya vs fungsi dugaan dengan a,b adalah batas bawah dan batas atas dan bandwidth 0.8. # Untuk me-run program: Data<-Random(n,tau) yduga<-penduga(data,n,a,b,band,tau) Gambar1<-Gambar(a,b,tau)
6 Lampiran 4. Program Penentuan Gambar (s) Penduga_tp<-function(Data,n,a,b,band,tau) yduga_tp<-seq(a,b,0.1) K<-length(yduga_tp) for(k in 1:K) titik<-x[k]+band titik3<-x[k]-band duga1<-duga(data,n,titik,band,tau) duga<-duga(data,n,titik3,band,tau) yduga_tp[k]<-((duga1-duga)/(*band)) return(yduga_tp) Grafik<-function(a,b,tau) ytrue_tp<-(-4*exp(cos((*pi*x)/tau))*pi*sin((*pi*x)/tau))/tau plot(x,ytrue_tp,xlim=c(0,5),ylim=c(-4,4),type="l",col=4) par(new=t) plot(x,yduga_tp,xlim=c(0,5),ylim=c(-4,4),type="o",col=6) # Program menampilkan gambar fungsi sebenarnya vs fungsi dugaan dengan a,b adalah batas bawah dan batas atas dan bandwidth , 0.40, dan # Untuk me-run program: Data<-Random(n,tau) yduga_tp<-penduga_tp(data,n,a,b,band,tau) Gambar<-Grafik(a,b,tau)
7 Lampiran 5. Program Penentuan Gambar (s) Penduga_tk<-function(Data,n,a,b,band,tau) yduga_tk<-seq(a,b,0.1) K<-length(yduga_tk) for(k in 1:K) titik4<-x[k]+(*band) titik5<-x[k]-(*band) titik6<-x[k] duga3<-duga(data,n,titik4,band,tau) duga4<-duga(data,n,titik5,band,tau) duga5<-duga(data,n,titik6,band,tau) yduga_tk[k]<-((duga3+duga4-(*duga5))/(4*(band)^)) return(yduga_tk) Kurva<-function(a,b,tau) ytrue_tk<-((8*pi^* exp(cos((*pi*x)/tau))* sin((*pi*x)/tau)^)/(tau^))-( 8*pi^* exp(cos((*pi*x)/tau))* cos((*pi*x)/tau))/(tau^) plot(x,ytrue_tk,xlim=c(0,5),ylim=c(-8,5),type="l",col=4) par(new=t) plot(x,yduga_tk,xlim=c(0,5),ylim=c(-8,5),type="o",col=6) # Program menampilkan gambar fungsi sebenarnya vs fungsi dugaan dengan a,b adalah batas bawah dan batas atas serta bandwidth , , dan # Untuk me-run program: Data<-Random(n,tau) yduga_tk<-penduga_tk(data,n,a,b,band,tau) Gambar3<-Kurva(a,b,tau)
8 Lampiran 6. Program Penentuan Nilai Harapan dan Ragam Turunan Pertama dan Kedua Penduga<-function(n,titik,band,tau,M) Dugaan<-1:M for(m in 1:M) Data<-Random(n,tau) Dugaan[m]<-Duga(Data,n,titik,band,tau) return(dugaan) Penduga1<-function(n,titik,band,tau,M) titik1<-titik+band titik<-titik-band Dugaan_Turunan1<-1:M for(m in 1:M) Data<-Rpnh(n,tau) Dugaan1<-Duga(Data,n,titik1,band,tau) Dugaan<-Duga(Data,n,titik,band,tau) Dugaan_Turunan1[m]<-((Dugaan1-Dugaan)/(*band)) return(dugaan_turunan1) Penduga<-function(n,titik,band,tau,M) titik3<-titik+(*band) titik4<-titik-(*band) Dugaan_Turunan<-1:M for(m in 1:M) Data<-Rpnh(n,tau) Dugaan<-Duga(Data,n,titik,band,tau) Dugaan3<-Duga(Data,n,titik3,band,tau) Dugaan4<-Duga(Data,n,titik4,band,tau) Dugaan_Turunan[m]<-((Dugaan3+Dugaan4-(*Dugaan))/(4*(band)^)) return(dugaan_turunan)
9 # Untuk mencari nilai harapan dan ragam turunan pertama dengan nilai s = 0.8, s = dan s = 4.1 dengan nilai bandwidth-nya masing-masing. Dugaan_Turunan1<-Penduga1(n,titik,band,tau,M) Nilai_Harapan1<-mean(Dugaan_Turunan1) Ragam1<-(sd(Dugaan_Turunan1))^ # Untuk mencari nilai harapan dan ragam turunan kedua dengan nilai s = 3.9, s = 4.1 dan s = 4.9 dengan nilai bandwidth-nya masing-masing. Dugaan_Turunan<-Penduga(n,titik,band,tau,M) Nilai_Harapan<-mean(Dugaan_Turunan) Ragam<-(sd(Dugaan_Turunan))^
Lampiran 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 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 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 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 terperinciSIFAT-SIFAT STATISTIKA PENDUGA TURUNAN PERTAMA DAN TURUNAN KEDUA FUNGSI INTENSITAS PROSES POISSON PERIODIK RATNA GALUH NIKEN PRAMARANI
SIFAT-SIFAT STATISTIKA PENDUGA TURUNAN PERTAMA DAN TURUNAN KEDUA FUNGSI INTENSITAS PROSES POISSON PERIODIK RATNA GALUH NIKEN PRAMARANI DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
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 terperinciII. 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 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 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 terperinciBAB III SIMULASI PENGGUNAAN PERTIDAKSAMAAN PADA DISTRIBUSI
BAB III SIMULASI PENGGUNAAN PERTIDAKSAMAAN PADA DISTRIBUSI 3.1 Pendahuluan Pada bab sebelumnya telah dibahas mengenai pertidaksamaan Chernoff dengan terlebih dahulu diberi pemaparan mengenai dua pertidaksamaan
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 terperinciDISTRIBUSI SAMPLING besar
DISTRIBUSI SAMPLING besar Distribusi Sampling Sampling = pendataan sebagian anggota populasi = penarikan contoh / pengambilan sampel Sampel yang baik Sampel yang representatif, yaitu diperoleh dengan memperhatikan
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 terperinci( x) LANDASAN TEORI. ω Ω ke satu dan hanya satu bilangan real X( ω ) disebut peubah acak. Ρ = Ρ. Ruang Contoh, Kejadian dan Peluang
LANDASAN TEORI Ruang Contoh Kejadian dan Peluang Suatu percobaan yang dapat diulang dalam ondisi yang sama yang hasilnya tida dapat dipredisi secara tepat tetapi ita dapat mengetahui semua emunginan hasil
Lebih terperinciBAB 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 terperinciSTK 203 TEORI STATISTIKA I
STK 203 TEORI STATISTIKA I II. PEUBAH ACAK DISKRET II. Peubah Acak Diskret 1 PEUBAH ACAK DISKRET Definisi 2.1. (Peubah Acak) : Peubah Acak Y adalah suatu fungsi yang memetakan seluruh anggota ruang contoh
Lebih terperinciKumpulan pasangan nilai-nilai dari variabel acak X dengan probabilitas nilai-nilai variabel random X, yaitu P(X=x) disebut distribusi probabilitas X
Kumpulan pasangan nilai-nilai dari variabel acak X dengan probabilitas nilai-nilai variabel random X, yaitu P(X=) disebut distribusi probabilitas X (distribusi X) Diskrit Seragam Binomial Hipergeometrik
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 terperinciMA4081 PENGANTAR PROSES STOKASTIK Bab 4 Proses Po
MA4081 PENGANTAR PROSES STOKASTIK Bab 4 Proses Poisson: Suatu Pengantar Orang Pintar Belajar Stokastik Tentang Kuliah Proses Stokastik Bab 1 : Tentang Peluang Bab 2 : Peluang dan Ekspektasi Bersyarat*
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 terperinciII. LANDASAN TEORI. sementara grafik distribusi F tidak simetrik dan umumnya sedikit positif seperti
4 II. LANDASAN TEORI 2.1 Distribusi F Distribusi F merupakan salah satu distribusi kontinu. Dengan variabel acak X memenuhi batas X > 0, sehingga luas daerah dibawah kurva sama dengan satu, sementara grafik
Lebih 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 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 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 terperinciCatatan Kuliah MA4181 Pengantar Proses Stokastik Precise and Stochastic. Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah MA4181 Pengantar Proses Stokastik Precise and Stochastic Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2015 Tentang MA4181 (Pengantar)
Lebih terperinciDISTRIBUSI PROBABILITAS DISKRIT TEORITIS 2. Distribusi Hipergeometrik
DISTRIBUSI PROBABILITAS DISKRIT TEORITIS 2 TI2131 TEORI PROBABILITAS MINGGU KE-10 Distribusi Hipergeometrik Eksperimen hipergeometrik memiliki karakteristik sebagai berikut: 1. sebuah sampel random berukuran
Lebih terperinciPengujian Hipotesis. 1. Pendahuluan. Topik Bahasan:
Topik Bahasan: Pengujian Hipotesis. Pendahuluan Hipotesis pernyataan yang merupakan pendugaan berkaitan dengan nilai suatu parameter populasi (satu atau lebih populasi) Kebenaran suatu hipotesis diuji
Lebih terperinciPROSES PERCABANGAN PADA DISTRIBUSI POISSON
PROSES PERCABANGAN PADA DISTRIBUSI POISSON Nur Alfiani Santoso, Respatiwulan, dan Nughthoh Arfawi Kurdhi Program Studi Matematika FMIPA UNS Abstrak. Proses percabangan merupakan suatu proses stokastik
Lebih 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 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Teori Probabilitas (Peluang) Probabilitas adalah suatu nilai untuk mengukur tingkat kemungkinan terjadinya suatu peristiwa (event) akan terjadi di masa mendatang yang hasilnya
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 TEORITIS. Menurut Open Darnius (2006, hal: 53) simulasi dapat diartikan sebagai suatu
xiv BAB 2 TINJAUAN TEORITIS 2.1 Pendahuluan Menurut Open Darnius (2006, hal: 53) simulasi dapat diartikan sebagai suatu rekayasa dari suatu model secara logika ilmiah merupakan suatu metode alternatif
Lebih terperinciPENDAHULUAN LANDASAN TEORI
1 PENDAHULUAN Latar Belakang Dalam kehidupan sehari-hari, banyak permasalahan yang dapat dimodelkan dengan proses stokastik. Proses stokastik dapat dibedakan menjadi dua yaitu proses stokastik dengan waktu
Lebih terperinciSATUAN ACARA PERKULIAHAN MATA KULIAH SIMULASI (KB) KODE / SKS : KK / 3 SKS
KODE / SKS : KK-01333 / 3 SKS 1 Pengertian dan tujuan 1. Klasifikasi Model 1 Simulasi. Perbedaan penyelesaian problem Dapat menjelaskan klasifikasi model dari matematis secara analitis dan numeris suatu
Lebih terperinciBAHAN KULIAH. Konsep Probabilitas Probabilitas Diskrit dan Kontinyu
BAHAN KULIAH Konsep Probabilitas Probabilitas Diskrit dan Kontinyu Soal UTS periode November 00 Mata Kuliah : Statistika & Probabilitas Waktu : 0 menit. Suatu sistem pipa seperti ditunjukkan pada gambar
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 terperinciPeubah Acak. Bab 4. Definisi 4.1 Peubah acak adalah suatu fungsi dari ruang contoh ke bilangan nyata, f : S R
Bab 4 Peubah Acak Definisi 4. Peubah acak adalah suatu fungsi dari ruang contoh ke bilangan nyata, f : S R Contoh 4. Jika Y adalah peubah acak banyaknya sisi muka yang muncul pada pelemparan tiga sisi
Lebih terperinciPopulasi dan Sampel. Materi 1 Distribusi Sampling
Materi 1 Distribusi Sampling UNIVERSITAS GUNADARMA 2013 Populasi dan Sampel Populasi : keseluruhan objek yang menjadi pusat perhatian dalam statistika Parameter besaran yang menggambarkan karakteristik
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 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 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 terperinciPEMBANGKIT RANDOM VARIATE
PEMBANGKIT RANDOM VARIATE Mata Kuliah Pemodelan & Simulasi JurusanTeknik Informatika Universitas Komputer Indonesia 1 Pendahuluan (1) Sifat probalitistik pada sistem nyata mempunyai pola distribusi probabilistik
Lebih terperinciBab 2 DISTRIBUSI PELUANG
Bab 2 DISTRIBUSI PELUANG PENDAHULUAN Setiap peristiwa akan mempunyai peluangnya masingmasing, dan peluang terjadinya peristiwa itu akan mempunyai penyebaran yang mengikuti suatu pola tertentu yang di sebut
Lebih terperinciPERBANDINGAN DISTRIBUSI BINOMIAL DAN DISTRIBUSI POISSON DENGAN PARAMETER YANG BERBEDA
Saintia Matematika Vol. 1, No. 3 (2013), pp. 299 312. PERBANDINGAN DISTRIBUSI BINOMIAL DAN DISTRIBUSI POISSON DENGAN PARAMETER YANG BERBEDA Raini Manurung, Suwarno Ariswoyo, Pasukat Sembiring Abstrak.
Lebih terperinci6.1 Distribusi Chi Kuadrat Gambar distribusi Chi kuadrat. α Jika x berdistribusi χ 2 (v) dengan v = derajat kebebasan = n 1 maka P (c 1.
Pertemuan ke- BAB IV POPULASI, SAMPEL, DISTRIBUSI TEORITIS, VARIABEL KONTINU, DAN FUNGSI PROBABILITAS. Distribusi Chi Kuadrat Gambar distribusi Chi kuadrat α Jika x berdistribusi χ (v) dengan v = derajat
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 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 terperinciPENGUJIAN HIPOTESIS DESKRIPTIF (Satu sampel) Wahyu Hidayat, M.Pd
PENGUJIAN HIPOTESIS DESKRIPTIF (Satu sampel) Wahyu Hidayat, M.Pd Definisi Pengujian hipotesis deskriptif pada dasarnya merupakan proses pengujian generalisasi hasil penelitian yang didasarkan pada satu
Lebih terperinciBAB 1 PENDAHULUAN. banyak lagi. Pernah kita mendengar pernyataan seperti: tiap bulan habis
BAB 1 PENDAHULUAN 1.1 Latar Belakang Dalam kehidupan sehari-hari tanpa disadari kita telah banyak menggunakan statistika. Melalui media informasi seperti, surat kabar, televisi, dunia pendidikan, dan masih
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 terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Dalam teori probabilitas dan statistika, distribusi Binomial adalah distribusi probabilitas diskrit jumlah keberhasilan dalam n percobaan ya/tidak(berhasil/gagal)
Lebih terperinciMisalkan X peubah acak dengan fungsi distribusi berikut: + x, 0 x < 1. , 1 x < 2. , 2 x < 3. 1, x 3
Kuis Selamat Datang MA4183 Model Risiko Tanggal 22 Agustus 2015, Waktu: suka-suka menit Misalkan X peubah acak dengan fungsi distribusi berikut: 0, x < 0 1 + x, 0 x < 1 3 5 F (x = 3, 1 x < 2 5 9, 2 x
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 terperinciMata Kuliah Pemodelan & Simulasi
Mata Kuliah Pemodelan & Simulasi Riani Lubis Program Studi Teknik Informatika Universitas Komputer Indonesia 1 Pendahuluan (1) Sifat probabilitistik pada sistem nyata mempunyai pola distribusi probabilistik
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 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 terperinciANALISIS DATA SECARA RANDOM PADA APLIKASI MINITAB DENGAN MENGGUNAKAN DISTRIBUSI PELUANG
LAPORAN RESMI PRAKTIKUM PENGANTAR METODE STATISTIKA MODUL 3 ANALISIS DATA SECARA RANDOM PADA APLIKASI MINITAB DENGAN MENGGUNAKAN DISTRIBUSI PELUANG Oleh : Diana Nafkiyah 1314030028 Nilamsari Farah Millatina
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 terperinciMA2082 BIOSTATISTIKA Bab 3 Peubah Acak dan Distribusi
MA2082 BIOSTATISTIKA Bab 3 Peubah Acak dan Distribusi Orang Biologi Tidak Anti Statistika Silabus Silabus dan Tujuan Konsep peubah acak, fungsi peluang (probability density function), fungsi distribusi
Lebih terperinciSEKOLAH TINGGI MANAJEMEN INFORMATIKA & KOMPUTER JAKARTA STI&K SATUAN ACARA PERKULIAHAN
SEKOLAH TINGGI MANAJEMEN INFORMAA & KOMPUTER JAKARTA STI&K SATUAN ACARA PERKULIAHAN Mata : SIMULASI DAN PERMODELAN Kode Mata : MI 1302 Jurusan / Jenjang : S1 SISTEM KOMPUTER Tujuan Instruksional Umum :
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2. Probabilitas Probabilitas adalah suatu nilai untuk mengukur tingkat kemungkinan terjadinya suatu peristiwa (event) akan terjadi di masa mendatang yang hasilnya tidak pasti (uncertain
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 terperinciDistribusi Peluang. Kuliah 6
Distribusi Peluang Kuliah 6 1. Diskrit 1. Bernoulli 2. Binomial 3. Poisson Distribution 2. Kontinu 1. Normal (Gaussian) 2. t 3. F 4. Chi Kuadrat Distribusi Peluang 1.1. Distribusi Bernoulli Distribusi
Lebih terperinciESTIMASI. Arna Fariza PENDAHULUAN
ESTIMASI Arna Fariza PENDAHULUAN MATERI LALU Karena adanya berbagai alasan seperti banyaknya individu dalam populasi amatan, maka penelitian keseluruhan terhadap populasi tersebut tidaklah ekonomis, baik
Lebih terperinciS T A T I S T I K A OLEH : WIJAYA FAKULTAS PERTANIAN UNIVERSITAS SWADAYA GUNUNG JATI CIREBON
S T A T I S T I K A OLEH : WIJAYA FAKULTAS PERTANIAN UNIVERSITAS SWADAYA GUNUNG JATI CIREBON 2010 PENDUGAAN PARMETER IV. PENDUGAAN PARAMETER Populasi N Sampling Sampel n Rata-rata : μ Simp. Baku : σ Ragam
Lebih terperinciAnalisis Regresi 2. Pokok Bahasan : Asumsi sisaan dan penanganannya
Analisis Regresi 2 Pokok Bahasan : Asumsi sisaan dan penanganannya Tujuan Instruksional Khusus : Mahasiswa dapat menjelaskan asumsi-asumsi yang melandasi analisis regresi linier sederhana dan berganda,
Lebih terperinciPengantar Proses Stokastik
Bab 1: Dasar-Dasar Probabilitas Atina Ahdika, S.Si, M.Si Statistika FMIPA Universitas Islam Indonesia Ruang Sampel dan Kejadian Ruang Sampel dan Kejadian Ruang Sampel dan Kejadian Percobaan adalah kegiatan
Lebih 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 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 PROBABILITAS STATISTIKA UNIPA SBY
PENGANTAR PROBABILITAS GANGGA ANURAGA POKOK BAHASAN Konsep dasar probabilitas Teori himpunan Permutasi Kombinasi Koefisien binomial Koefisien multinomial Probabilitas Aksioma probabilitas Probabilitas
Lebih terperinciBI5106 ANALISIS BIOSTATISTIK Bab 3 Peubah Acak dan Dist
BI5106 ANALISIS BIOSTATISTIK Bab 3 Peubah Acak dan Distribusi Orang Biologi Tidak Anti Statistika Silabus Silabus dan Tujuan Konsep peubah acak, fungsi peluang (probability density function), fungsi distribusi
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 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 terperinciDISTRIBUTIONS OF RANDOM VARIABLE DISTRIBUSI VARIABEL RANDOM
1.11 Chebyshev s Inequality DISTRIBUTIONS OF RANDOM VARIABLE (Ketaksamaan Chebyshev) A. Pendahuluan DISTRIBUSI VARIABEL RANDOM Konsep atau rumus yang berhubungan dengan Ketaksamaan Chebyshev Ekspektasi
Lebih terperinciS T A T I S T I K A OLEH : WIJAYA
S T A T I S T I K A OLEH : WIJAYA email : zeamays_hibrida@yahoo.com FAKULTAS PERTANIAN UNIVERSITAS SWADAYA GUNUNG JATI CIREBON 2009 IV. PENDUGAAN PARAMETER Populasi Sampling Sampel N n Rata-rata : μ Simp.
Lebih terperinciSTK 511 Analisis statistika. Materi 4 Sebaran Penarikan Contoh
STK 511 Analisis statistika Materi 4 Sebaran Penarikan Contoh 1 Pengantar Pada dasarnya data contoh diperoleh dengan dua cara: Data telah ada Teknik Penarikan Contoh Data belum tersedia Perancangan Percobaan
Lebih terperinciDistribusi Probabilitas Kontinyu Teoritis
Distribusi Probabilitas Kontinyu Teoritis Suprayogi Dist. Prob. Teoritis Kontinyu () Distribusi seragam kontinyu (continuous uniform distribution) Distribusi segitiga (triangular distribution) Distribusi
Lebih terperinciBagian 2. Probabilitas. Struktur Probabilitas. Probabilitas Subyektif. Metode Frekuensi Relatif Kejadian untuk Menentukan Probabilitas
Probabilitas Bagian Probabilitas A) = peluang (probabilitas) bahwa kejadian A terjadi 0 < A) < 1 A) = 0 artinya A pasti terjadi A) = 1 artinya A tidak mungkin terjadi Penentuan nilai probabilitas: Metode
Lebih terperinciUji Hipotesis dan Aturan Keputusan
Uji Hipotesis dan Aturan Keputusan oleh: Khreshna Syuhada, PhD. 1. Pendahuluan Pada perkuliahan tingkat 2, telah dikenalkan masalah uji hipotesis sebagai berikut: Seorang peneliti memberikan klaim bahwa
Lebih terperinciPercobaan terdiri dari 1 usaha. Peluang sukses p Peluang gagal 1-p Misalkan. 1, jika terjadi sukses X jika terjadi tidak sukses (gagal)
Percobaan Bernoulli 5 Percobaan terdiri dari 1 usaha Sukses Usaha Gagal Peluang sukses p Peluang gagal 1-p Misalkan 1, jika terjadi sukses X 0, jika terjadi tidak sukses (gagal) Distribusi Bernoulli 6
Lebih terperinciDISTRIBUSI PELUANG.
DISTRIBUSI PELUANG readonee@yahoo.com Distribusi? Peluang? Distribusi Peluang? Distribusi = sebaran, pencaran, susunan data Peluang : Ukuran/derajat ketidakpastian suatu peristiwa Distribusi Peluang adalah
Lebih terperinciPeubah Acak (Lanjutan)
Learning Outcomes 13 April 2014 Learning Outcomes Learning Outcome Outline Mahasiswa dapat mengerti dan menentukan peubah acak diskret Mahasiswa dapat memahami dan menghitung nilai harapan Mahasiswa dapat
Lebih terperinciDistribusi Probabilitas : Gamma & Eksponensial
Distribusi Probabilitas : Gamma & Eksponensial 11 Debrina Puspita Andriani E-mail : debrina.ub@gmail.com / debrina@ub.ac.id 2 Outline Distribusi Gamma Distribusi Eksponensial 3 Distribusi Gamma Tidak selamanya
Lebih terperinciDISTRIBUSI PROBABILITAS
DISTRIBUSI PROBABILITAS DISTRIBUSI PROBABILITAS Peluang terjadinya nilai variabel random X yang meliputi semua nilai ditentukan melalui distribusi peluang. Distribusi peluang suatu variabel random X adalah
Lebih terperinciDISTRIBUSI PROBABILITAS
BAB 7 DISTRIBUSI PROBABILITAS Kompetensi Menjelaskan distribusi probabilitas Indikator 1. Menjelaskan distribusi hipergeometris 2. Menjelaskan distribusi binomial 3. Menjelaskan distribusi multinomial
Lebih terperinciDistribusi Peluang Kontinyu STATISTIK INDUSTRI 1. Distribusi Peluang Kontinyu. Distribusi Diskrit Uniform. Distribusi Diskrit Uniform 13/11/2013
3//203 STATISTIK INDUSTRI Agustina Eunike, ST., MT., MBA Rata-rata dan Variansi Rumus Umum: Distribusi Peluang Diskrit dan Kontinyu UNIFORM Distribusi Diskrit Uniform Distribusi Diskrit Uniform Contoh:
Lebih terperinciDistribusi Diskrit dan Kontinu yang Penting. Oleh Azimmatul Ihwah
Distribusi Diskrit dan Kontinu yang Penting Oleh Azimmatul Ihwah Distribusi Diskrit Fungsi probabilitas dari variabel random diskrit dapat dinyatakan dalam formula matematik tertentu yang dinamakan fungsi
Lebih terperinciDISTRIBUSI TEORITIS. P(M) = p = probabilitas untuk mendapat bola merah (sukses) 30
DISTRIBUSI TEORITIS Distribusi teoritis merupakan alat bagi kita untuk menentukan apa yang dapat kita harapkan, apabila asumsi-asumsi yang kita buat benar. Distribusi teoritis memungkinkan para pembuat
Lebih terperinciSTATISTIK INDUSTRI 1. Random Variable. Distribusi Peluang. Distribusi Peluang Diskrit. Distribusi Peluang Diskrit 30/10/2013 DISKRIT DAN KONTINYU
STATISTIK INDUSTRI 1 Agustina Eunike, ST., MT., MBA Distribusi Peluang DISKRIT DAN KONTINYU Random Variable Random variable / peubah acak: Suatu fungsi yang mengaitkan suatu bilangan real dengan tiap elemen
Lebih terperinciBAB 4 HASIL DAN PEMBAHASAN
BAB 4 HASIL DAN PEMBAHASAN 4.1 Pengantar Pada Bab ini akan dilakukan pembahasan untuk menetapkan beban overbooking melalui model penghitungan. Untuk dapat melakukan penghitungan tersebut, terlebih dahulu
Lebih terperinciPENARIKAN SAMPEL & PENDUGAAN PARAMETER
PENARIKAN SAMPEL & PENDUGAAN PARAMETER Arti Penarikan Sampel Populasi ( Universe) adalah totalitas dari semua objek atau individu yang memiliki karakteristik tertentu, jelas dan lengkap yang akan diteliti
Lebih terperinciII. TINJAUAN PUSTAKA. Ruang sampel S adalah himpunan semua hasil dari suatu percobaan. Kejadian E
5 II. TINJAUAN PUSTAKA 2.1 Konsep Dasar Peluang Ruang sampel S adalah himpunan semua hasil dari suatu percobaan. Kejadian E adalah himpunan bagian dari ruang sampel. Peluang suatu kejadian P(E) adalah
Lebih terperinciPertemuan ke Nilai Harapan (Mean atau Rata rata) dan Varians Distribusi Kontinu
Pertemuan ke 5 4.1 Nilai Harapan (Mean atau Rata rata) dan Varians Distribusi Kontinu Fungsi Probabilitas dengan variabel kontinu terdiri dari : 1. Distribusi Normal 2. Distribusi T 3. Distribusi Chi Kuadrat
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 terperinciCNH3E3 PROSES STOKASTIK Peubah Acak & Pendukungnya
CNH3E3 PROSES STOKASTIK Peubah Acak & Pendukungnya Dosen: Aniq A Rohmawati, M.Si TELKOM UNIVERSITY JALAN TELEKOMUNIKASI 1, BANDUNG, INDONESIA Ruang Sampel dan Kejadian PEUBAH ACAK (P.A) Fungsi yang memetakan
Lebih terperinciDISTRIBUSI WAKTU BERHENTI PADA PROSES PEMBAHARUAN. Sudarno Jurusan Matematika FMIPA UNDIP. Abstrak
DISTRIBUSI WAKTU BERHENTI PADA PROSES PEMBAHARUAN Sudarno Jurusan Matematika FMIPA UNDIP Abstrak Dalam proses stokhastik yang mana kejadian dapat muncul kembali membentuk proses pembahauruan. Proses pembaharuan
Lebih terperinciANALISIS DATA KUANTITATIF
1 ANALISIS DATA KUANTITATIF Analisis data merupakan proses pengolahan, penyajian, dan interpretasi yang diperoleh dari lapangan agar data yang disajikan mempunyai makna. A. Tujuan Analisis Data 1. Menjawab
Lebih terperinciDISTRIBUSI PROBABILITAS VARIABEL RANDOM
Universitas Gadjah Mada Fakultas Teknik Departemen Teknik Sipil dan Lingkungan DISTRIBUSI PROBABILITAS VARIABEL RANDOM Statistika dan Probabilitas 2 Distribusi probabilitas variabel random diskrit Distribusi
Lebih terperinciUNIFORM (SERAGAM) BERNOULLI BINOMIAL POISSON BEBERAPA DISTRIBUSI LAINNYA : MULTINOMIAL, HIPERGEOMETRIK, MA 2081 Statistika Dasar.
DISTRIBUSI DISKRIT UNIFORM (SERAGAM) BERNOULLI BINOMIAL POISSON BEBERAPA DISTRIBUSI LAINNYA : MULTINOMIAL, HIPERGEOMETRIK, GEOMETRIK, BINOMIAL NEGATIF MA 2081 Statistika Dasar Utriweni Mukhaiyar 7 Maret
Lebih terperinciBab 2 LANDASAN TEORI. 2.1 Pengantar Proses Stokastik
Bab 2 LANDASAN TEORI Pada bab ini akan diberikan penjelasan singkat mengenai pengantar proses stokastik dan rantai Markov, yang akan digunakan untuk analisis pada bab-bab selanjutnya. 2.1 Pengantar Proses
Lebih terperinci