( s) PENDAHULUAN tersebut, fungsi intensitas (lokal) LANDASAN TEORI Ruang Contoh, Kejadian dan Peluang
|
|
- Susanti Kusumo
- 6 tahun lalu
- Tontonan:
Transkripsi
1 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 peluang, dengan ata lain perilau proses stoasti pada watu yang aan datang tida dapat dipredisian dengan tepat Permasalahan sederhana yang ita jumpai dalam ehidupan seharihari seperti proses pelayanan pelanggan pada suatu pusat servis merupaan salah satu bentu dari model stoasti yang cuup menari untu dipelajari Proses stoasti dibedaan menjadi dua yaitu proses stoasti dengan watu disret dan proses stoasti dengan watu ontinu Dalam arya ilmiah ini aan di bahas proses stoasti dengan watu ontinu Salah satu bentu husus dari proses stoasti dengan watu ontinu adalah proses Poisson periodi Proses Poisson periodi dapat digunaan untu memodelan proses edatangan pelanggan pada suatu pusat servis dengan periode satu hari Pada proses edatangan pelanggan PENDAHULUAN tersebut, fungsi intensitas (loal) λ ( s) menyataan laju edatangan pelanggan pada watu s Jia laju edatangan pelanggan tersebut meningat secara linear terhadap watu maa ita dapat memodelannya dengan suatu proses Poisson periodi dengan tren linear Pada arya ilmiah ini aan dipelajari penentuan sifat-sifat statistia dari suatu penduga ernel dari suatu intensitas (loal) pada proses Poisson periodi dengan tren linear Tujuan Tujuan dari penulisan arya ilmiah ini yaitu untu : (i) Mempelajari buti eonvergenan mean square error (MSE) penduga menuju nol jia panjang interval pengamatannya menuju ta hingga (ii) Mempelajari penentuan aprosimasi asimtoti bagi bias penduga (iii) Mempelajari penentuan aprosimasi asimtoti bagi ragam penduga (iv) Mempelajari penentuan aprosimasi MSE bagi penduga (v) Mempelajari penentuan laju eonsistenan penduga tersebut LANDASAN TEORI Ruang Contoh, Kejadian dan Peluang (Walpole, 995) Berbagai macam pengamatan diperoleh melalui pengulangan percobaan yang dilauan dalam ondisi yang sama Dalam banya asus, hasil percobaan tersebut bergantung pada fator ebetulan dan tida dapat dipredisian dengan tepat Tetapi, ita bisa mengetahui semua emunginan hasil untu setiap percobaan Definisi [Ruang Contoh] Himpunan semua emunginan hasil dari suatu percobaan disebut ruang contoh dan dilambangan dengan Ω (Grimmett and Stirzaer, 99) Definisi [Kejadian] Kejadian adalah suatu himpunan bagian dari ruang contoh Ω (Grimmett and Stirzaer, 99) Definisi 3 [Kejadian Saling Lepas] Dua ejadian A dan B diataan saling lepas jia A B = Ø ; artinya A dan B tida memilii unsur perseutuan Definisi 4 [Medan-σ ] Medan-σ adalah himpunan Y yang anggotanya merupaan himpunan bagian dari Ω yang memenuhi syarat-syarat beriut : (a) Ø Y (b) Jia (c) Jia A, Y maa U Y A A Y maa A Y c A i i= Medan-σ di atas disebut medan Borel jia Ω = ( 0,], dan anggotanya disebut himpunan Borel (Grimmett and Stirzaer, 99) Definisi 5 [ Uuran Peluang ] Uuran peluang P pada (Ω,Y ) adalah suatu fungsi P : Y [ 0, ] yang memenuhi (a) P(Ø) = 0, P ( Ω ) = (b) Jia A, A, adalah himpunan anggotaanggota Y yang saling lepas,
2 yaitu A i A = Ø untu semua pasangan i, j, dengan i j j, maa: P = P U A i ( A i ) i= i= Pasangan ( Ω, Y, P) yang terdiri atas himpunan Ω, medan-σ Y yang anggotanya merupaan himpunan bagian dari Ω, dan suatu uuran peluang P pada ( Ω,Y ) disebut ruang peluang (Grimmett and Stirzaer, 99) Definisi 6 [Kejadian Saling Bebas] Kejadian-ejadian A dan B diataan saling bebas jia : P ( A B) = P ( A ) P ( B) Secara umum, { A i ; i I} diataan saling bebas jia: P = P ( ) I A i Ai i J i J untu semua himpunan bagian terbatas J dari I (Grimmett and Stirzaer, 99) Peubah Aca dan Fungsi Sebaran Definisi 7 [Peubah Aca] Peubah aca adalah suatu fungsi X : Ω R dengan sifat bahwa { ω Ω : X ( ω) x} Y untu setiap x R (Grimmett and Stirzaer, 99) Untu menotasian peubah aca biasanya digunaan huruf apital seperti X, Y, Z Sedangan untu menotasian nilai dari suatu peubah aca digunaan huruf ecil seperti x, y, z Setiap peubah aca memilii fungsi sebaran (Grimmett and Stirzaer, 99) Definisi 8 [Fungsi Sebaran] Fungsi sebaran dari peubah aca X adalah fungsi F X : R [ 0, ] yang diberian oleh F X ( x) = P ( X x) (Grimmett and Stirzaer, 99) Definisi 9 [Peubah Aca Disret] Peubah aca X disebut disret jia nilainilainya merupaan himpunan bagian terhitung { x, x, } dari R (Grimmett and Stirzaer, 99) Definisi 0 [Fungsi Kerapatan Peluang] Fungsi erapatan peluang dari peubah aca disret X adalah fungsi p : R [ 0,] yang diberian oleh p X ( x) = P ( X = x) (Grimmett and Stirzaer, 99) Definisi [Peubah Aca Poisson] Jia suatu peubah aca X nilai-nilainya dalam himpunan { 0,,, } dengan fungsi erapatan peluang λ λ p X ( ) = P ( X = ) = e, = 0,! dengan λ > 0, maa X diataan memilii sebaran Poisson dengan parameter λ (Grimmett and Stirzaer, 99) Momen, Nilai Harapan, dan Ragam Definisi [Nilai Harapan, Momen, Ragam] Misalan X adalah peubah aca disret dengan fungsi erapatan peluang p (x), nilai harapan dari peubah aca X adalah Ε( X ) = xp( x) Momen e-, dengan merupaan bilangan bulat positif, dari suatu peubah aca X adalah m = Ε( X ) Misalan momen e-, Ε( X ) = µ maa momen pusat e- atau σ dari peubah aca X adalah σ [( ) ] = Ε X µ Nilai harapan dari peubah aca X merupaan momen pertama dari X, sedangan ragam merupaan momen pusat e- dari peubah aca X Ragam (Variance) dari X, dan dilambangan dengan Var ( X ) atau σ x adalah nilai harapan dari uadrat perbedaan antara peubah aca X dengan nilai harapannya, yaitu Var X = Ε X Ε X ( ) ( ( )) = Ε = Ε x [ ] ( X XΕX + ( ΕX ) ) ( X ) ( ΕX ) + ( Ε X ) [ Ε ] X = ΕX Definisi 3 [Fungsi Indiator] Misalan A adalah suatu ejadian Fungsi Indiator dari A adalah suatu fungsi I : Ω 0,, [ ]
3 yang diberian oleh :, jia ω A I( A) = 0, jia ω A (Grimmett and Stirzaer, 99) Keonvergenan Peubah Aca Definisi 4 [Keonvergenan Peubah Aca dalam Peluang] Misalan X, X, X adalah suatu peubah aca pada suatu ruang peluang ( Ω,Y, P) Kita ataan bahwa barisan peubah aca X onvergen dalam peluang e X, n P dinotasian X n X, jia untu setiap ε > 0, P ( X n X > ε ) 0, untu n (Grimmett and Stirzaer, 99) Penduga Definisi 5 [Statisti] Statisti adalah suatu fungsi dari satu atau lebih peubah aca yang tida bergantung pada satu atau beberapa parameter Definisi 6 [Penduga] Misalan X, X, X n adalah suatu peubah aca Suatu statisti U = U ( X, X, X n ) = U ( X ) yang digunaan untu menduga fungsi g θ, diataan sebagai parameter ( ) penduga (estimator) bagi g ( θ ), yang dilambangan oleh ĝ ( θ ) Nilai ( n ) U X, X, X dari U dengan nilai amatan X = x, X = x,, X n = xn disebut sebagai dugaan (estimate) bagi g ( θ ) Definisi 7 [Penduga Ta Bias] (a) Suatu statisti U (X ) yang nilai harapannya sama dengan parameter θ Ε U X = g θ g ( ), ditulisan [ ( )] ( ) disebut penduga ta bias bagi g ( θ ) Selainnya, statisti diataan berbias lim Ε U X = g θ, maa penduga (b) Jia [ ( )] ( ) n U (X ) disebut penduga ta bias asimtoti Definisi 8 [Penduga Konsisten] Suatu statisti U (X ) yang onvergen dalam peluang e suatu parameter g ( θ ), disebut penduga onsisten bagi g ( θ ) Definisi 9 [MSE suatu Penduga] Mean Square Error (MSE) adalah rataan uadrat error dari suatu penduga U bagi parameter g θ yang didefinisian sebagai beriut ( ) ( ) = E( U g( = E( U EU + EU g( MSE U = E( U EU ) = E( U EU ) = Var( U ) + ( bias( U )) bias U = ΕU g θ + ( EU g( dengan ( ) ( ) + E( U EU )( EU g + ( EU g( ( θ ) Proses Stoasti Definisi 0 [Proses Stoasti] Proses stoasti X = { X( t), t T } adalah suatu himpunan dari peubah aca yang memetaan suatu ruang contoh Ω e suatu ruang state S (Ross, 996) Dengan demiian, X ( t) merupaan suatu peubah aca untu setiap t pada himpunan indes T, dengan t merupaan interpretasi dari watu dan X ( t) ita sebut sebagai eadaan (state) dari proses pada watu t Dalam hal ini ruang state S dapat berupa himpunan bilangan bulat (atau himpunan bagiannya) atau dapat juga berupa himpunan bilangan real (atau himpunan bagiannya) Definisi [Proses Stoasti dengan Watu ontinu] Suatu proses stoasti X disebut proses stoasti dengan watu ontinu jia T adalah suatu interval (Ross, 996) Definisi [Inremen Bebas] Suatu proses stoasti dengan watu ontinu { X ( t), t T} disebut memilii inremen bebas jia untu semua t0 < t < t < < tn, peubah aca X ( t0 ) X ( t ), X ( t ) X ( t ),, X ( tn ) X ( tn ) adalah bebas (Ross, 996) Dengan ata lain, suatu proses stoasti dengan watu ontinu X disebut memilii inremen 3
4 bebas jia proses berubahnya nilai pada interval watu yang tida tumpang tindih (tida overlap) adalah bebas Definisi 3 [Inremen Stasioner] Suatu proses stoasti dengaan watu ontinu { X () t, t T} disebut memilii inremen stasioner jia X ( t + s) X ( t) memilii sebaran yang sama untu semua nilai t (Ross, 996) Dengan ata lain, suatu proses stoasti dengan watu ontinu X disebut memilii inremen stasioner jia sebaran dari perubahan nilai antara sembarang dua titi hanya tergantung pada jara antara edua titi tersebut, dan tida bergantung pada loasi titi-titi tersebut Proses Poisson Proses Poisson merupaan salah satu bentu husus dari proses stoasti dengan watu ontinu Untu proses Poisson, ecuali dinyataan secara husus, ita anggap bahwa himpunan indes T adalah interval bilangan nyata ta negatif, yaitu [ 0, ) Definisi 4 [Proses Pencacahan] Suatu proses stoasti { N() t, t T} disebut proses pencacahan jia N() t menyataan banyanya ejadian yang telah terjadi sampai watu t Proses pencacahan N ( t) harus memenuhi syarat-syarat sebagai beriut : (i) N () t 0 untu semua t [ 0, ) (ii) Nilai N() t adalah integer (iii) Jia s < t maa N() s N() t (iv) Untu s < t maa N() t N( s), sama dengan banyanya ejadian yang terjadi pada selang [ s, t] (Ross, 000) Definisi 5 [Proses Poisson] Suatu proses pencacahan { N ( t), t 0} disebut proses Poisson dengan laju λ, λ > 0, jia dipenuhi tiga syarat beriut (i) N() 0 = 0 (ii) Proses tersebut memilii inremen bebas (iii) Banyanya ejadian pada sembarang interval watu dengan panjang t, memilii sebaran Poisson dengan rataan (mean) λ t Jadi untu semua t,s > 0, λt ( λ t) e P( N( t + s) N( s) = ) =, = 0,,! Dari syarat (iii) bisa ita etahui bahwa proses Poisson memilii inremen yang stasioner Dari syarat ini juga ita peroleh bahwa E ( ( t) ) N = λ t, yang juga menjelasan enapa λ disebut laju dari proses tersebut (Ross, 000) Definisi 6 [Proses Poisson Homogen] Proses Poisson homogen adalah proses Poisson dengan laju λ yang merupaan onstanta untu semua watu t (Ross, 000) Definisi 7 [Proses Poisson Ta Homogen] Proses Poisson ta homogen adalah suatu proses Poisson dengan laju λ pada sembarang watu t yang merupaan fungsi ta onstan dari t yaitu λ ( t) (Ross, 000) Definisi 8 [Intensitas Loal] Intensitas loal dari suatu proses Poisson ta homogen X dengan fungsi intensitas λ pada titi s R adalah λ( s), yaitu nilai fungsi λ di s Definisi 9 [Fungsi Periodi] Suatu fungsi λ disebut periodi jia λ ( s + τ ) = λ( s) untu semua s R dan Z, dengan Z adalah himpunan bilangan bulat Konstanta terecil τ yang memenuhi persamaan di atas disebut periode dari fungsi λ tersebut (Browder, 996) Definisi 30 [Proses Poisson Periodi] Proses Poisson Periodi adalah suatu proses Poisson yang fungsi intensitasnya adalah fungsi periodi (Dudley, 989) Beberapa Definisi dan Lema Tenis Definisi 3 [Fungsi Terintegralan Loal] Fungsi intensitas λ diataan terintegralan loal, jia untu sembarang himpunan Borel terbatas B ita peroleh µ ( B) = λ( s) ds < B (Dudley, 989) 4
5 Definisi 3 [ ( ()) O ] Simbol big-oh ini merupaan cara untu membandingan besarnya dua fungsi u ( x) dan v( x) dengan x menuju suatu limit L Notasi u( x) = O( v( x) ), x L, u menyataan bahwa ( x ) v( x) x L terbatas, untu (Serfling, 980) Definisi 33 [o(h)] Suau fungsi f disebut o(h), h 0, jia f ( h) lim = 0 h 0 h Hal ini berarti f ( h) 0 lebih cepat dari h 0 (Ross, 000) Dengan menggunaan Definisi 3 dan 33 ita peroleh hal beriut a (i) Suatu barisan bilangan nyata { } n disebut terbatas dan ditulis a n = O( ) untu n, jia ada bilangan terhingga A dan B sehingga B < an < A untu semua bilangan asli n (ii) Suatu barisan { b n } yang onvergen e nol untu n adang ala ditulis b n = o() untu n (Purcell and Varberg, 998) Definisi 34 [Titi Lebesgue] Suatu titi s diataan titi Lebesgue dari λ jia lim h 0 h s+ h s h ( u) λ( s) du = 0 λ (Wheeden and Zygmund, 977) Lema [Ketasamaan Cauchy-Schwarz] Jia X dan Y adalah peubah aca dengan momen edua terbatas maa [ XY ] E[ X ] E[ Y ] E dan aan bernilai sama dengan jia dan hanya jia P ( X = 0 ) = atau Ρ ( Y = ax ) = untu suatu onstanta a Buti : Lihat Lampiran Lema [Formula Young dari Teorema Taylor] Misalan g memilii turunan e-n yang terhingga pada suatu titi x Maa n g ( ) ( ) ( x) ( y x ) g y = g x +! + o untu y x n ( y x ) = Buti : lihat Serfling (980) Lema 3 [Pertidasamaan Chebyshev] Jia X adalah peubah aca dengan rataan µ dan ragam σ, maa untu setiap > 0, σ P{ X µ } (Helms, 996) Buti : lihat Lampiran HASIL DAN PEMBAHASAN Perumusan Penduga dengan λ c ( s) adalah fungsi periodi dengan Misalan N adalah proses Poisson periode (dietahui) τ > 0 dan a menyataan pada interval [ 0, ) dengan fungsi emiringan tren linear Karena λ c () s adalah intensitas λ () s (tida dietahui) yang fungsi periodi maa memenuhi persamaan diasumsian memilii dua omponen, beriut : yaitu omponen periodi atau sili λ c ( s + τ ) = λ c ( s) () dengan periode (dietahui) τ > 0 dan untu setiap s [ 0, ) dan Z, dengan Z omponen tren linear yang tida dietahui Dengan ata lain untu sembarang adalah himpunan bilangan bulat Karena λ c ( s) s [ 0, ) fungsi intensitas λ ( s) dapat adalah fungsi periodi dengan periode τ maa ditulisan sebagai beriut : untu menduga λ c( s) pada s [ 0, ) cuup λ () s = λc () s + as () diduga nilai λ s pada s [ 0,τ ) 5 c ( )
( 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 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 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 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 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 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 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 terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Pada bab ini disampaian beberapa pengertian dasar yang diperluan pada bab selanutnya. Selain definisi, diberian pula lemma dan teorema dengan atau tanpa buti. Untu beberapa teorema
Lebih 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 terperinciDeret Pangkat. Ayundyah Kesumawati. June 23, Prodi Statistika FMIPA-UII
Keonvergenan Kesumawati Prodi Statistia FMIPA-UII June 23, 2015 Keonvergenan Pendahuluan Kalau sebelumnya, suu suu pada deret ta berujung berupa bilangan real maa ali ini ita embangan suu suunya dalam
Lebih terperinciBAB III PENENTUAN HARGA PREMI, FUNGSI PERMINTAAN, DAN TITIK KESETIMBANGANNYA
BAB III PENENTUAN HARGA PREMI, FUNGSI PERMINTAAN, DAN TITIK KESETIMBANGANNYA Pada penelitian ini, suatu portfolio memilii seumlah elas risio. Tiap elas terdiri dari n, =,, peserta dengan umlah besar, dan
Lebih 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 terperinciINTEGRAL NUMERIK KUADRATUR ADAPTIF DENGAN KAIDAH SIMPSON. Makalah. Disusun guna memenuhi tugas Mata Kuliah Metode Numerik. yang dibimbing oleh
INTEGRAL NUMERIK KUADRATUR ADAPTIF DENGAN KAIDAH SIMPSON Maalah Disusun guna memenuhi tugas Mata Kuliah Metode Numeri yang dibimbing oleh Dr. Nur Shofianah Disusun oleh: M. Adib Jauhari Dwi Putra 146090400111001
Lebih terperinciAplikasi diagonalisasi matriks pada rantai Markov
J. Sains Dasar 2014 3(1) 20-24 Apliasi diagonalisasi matris pada rantai Marov (Application of matrix diagonalization on Marov chain) Bidayatul hidayah, Rahayu Budhiyati V., dan Putriaji Hendiawati Jurusan
Lebih 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 terperinciBAB IV APLIKASI PADA MATRIKS STOKASTIK
BAB IV : ALIKASI ADA MARIKS SOKASIK 56 BAB IV ALIKASI ADA MARIKS SOKASIK Salah satu apliasi dari eori erron-frobenius yang paling terenal adalah penurunan secara alabar untu beberapa sifat yang dimilii
Lebih 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 terperinciPENDEKATAN ASIMTOTIK UNTUK BIAS DAN RAGAM PENDUGA FUNGSI NILAI HARAPAN PROSES POISSON PERIODIK MAJEMUK DENGAN TREN LINEAR BONNO ANDRI WIBOWO
PENDEKATAN ASIMTOTIK UNTUK BIAS DAN RAGAM PENDUGA FUNGSI NILAI HARAPAN PROSES POISSON PERIODIK MAJEMUK DENGAN TREN LINEAR BONNO ANDRI WIBOWO SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR BARAT 06
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 terperinci3. Sebaran Peluang Diskrit
3. Sebaran Peluang Disrit EL2002-Probabilitas dan Statisti Dosen: Andriyan B. Susmono Isi 1. Sebaran seragam (uniform) 2. Sebaran binomial dan multinomial 3. Sebaran hipergeometri 4. Sebaran Poisson 5.
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 terperinciRuang Barisan Orlicz Selisih Dengan Fungsional Aditif Dan Kontinunya
J. Math. and Its Appl. ISSN: 1829-605X Vol. 2, No. 1, May. 2005, 37 45 Ruang Barisan Orlicz Selisih Dengan Fungsional Aditif Dan Kontinunya Sadjidon Jurusan Matematia Institut Tenologi Sepuluh Nopember,
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 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
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 terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Statisti Inferensia Tujuan statisti pada dasarnya adalah melauan desripsi terhadap data sampel, emudian melauan inferensi terhadap data populasi berdasaran pada informasi yang
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar belakang
BAB PENDAHULUAN. Latar belaang Metode analisis yang telah dibicaraan hingga searang adalah analisis terhadap data mengenai sebuah arateristi atau atribut (jia data itu ualitatif) dan mengenai sebuah variabel,
Lebih terperinciBAB 5 RUANG VEKTOR UMUM. Dr. Ir. Abdul Wahid Surhim, MT.
BAB 5 RUANG VEKTOR UMUM Dr. Ir. Abdul Wahid Surhim, MT. KERANGKA PEMBAHASAN. Ruang Vetor Nyata. Subruang. Kebebasan Linier 4. Basis dan Dimensi 5. Ruang Baris, Ruang Kolom dan Ruang Nul 6. Ran dan Nulitas
Lebih terperinciPELABELAN FUZZY PADA GRAF. Siti Rahmah Nurshiami, Suroto, dan Fajar Hoeruddin Universitas Jenderal Soedirman.
JMP : Volume 6 Nomor, Juni 04, hal. - PELABELAN FUZZY PADA GRAF Siti Rahmah Nurshiami, Suroto, dan Fajar Hoeruddin Universitas Jenderal Soedirman email : oeytea0@gmail.com ABSTRACT. This paper discusses
Lebih terperinciBAB IV PERHITUNGAN HARGA PREMI BERDASARKAN FUNGSI PERMINTAAN PADA TITIK KESETIMBANGAN
BAB IV PERHITUNGAN HARGA PREMI BERDASARKAN FUNGSI PERMINTAAN PADA TITIK KESETIMBANGAN Berdasaran asumsi batasan interval pada bab III, untu simulasi perhitungan harga premi pada titi esetimbangan, maa
Lebih terperinciKAJIAN TEOREMA TITIK TETAP PEMETAAN KONTRAKTIF PADA RUANG METRIK CONE LENGKAP DENGAN JARAK-W
J. Math. and Its Appl. ISSN: 1829-605X Vol. 8, No. 2, November 2011, 43 49 KAJIAN TEOREMA TITIK TETAP PEMETAAN KONTRAKTIF PADA RUANG METRIK CONE LENGKAP DENGAN JARAK-W Sunarsini. 1, Sadjidon 2 Jurusan
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 terperinciMENYELESAIKAN PERSAMAAN DIFFERENSIAL BILANGAN BULAT DAN BILANGAN RASIONAL
MENYELESAIKAN PERSAMAAN DIFFERENSIAL BILANGAN BULAT DAN BILANGAN RASIONAL Sarta Meliana 1, Mashadi 2, Sri Gemawati 2 1 Mahasiswa Program Studi S1 Matematia 2 Dosen Jurusan Matematia Faultas Matematia dan
Lebih 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 terperinciII. TINJAUAN PUSTAKA. sebuah teknik yang baru yang disebut analisis ragam. Anara adalah suatu metode
3 II. TINJAUAN PUSTAKA 2.1 Analisis Ragam (Anara) Untu menguji esamaan dari beberapa nilai tengah secara sealigus diperluan sebuah teni yang baru yang disebut analisis ragam. Anara adalah suatu metode
Lebih terperinciBEBERAPA SIFAT HIMPUNAN KRITIS PADA PELABELAN AJAIB GRAF BANANA TREE. Triyani dan Irham Taufiq Universitas Jenderal Soedirman
JMP : Volume 4 Nomor 2, Desember 2012, hal. 271-278 BEBERAPA SIFAT HIMPUNAN KRITIS PADA PELABELAN AJAIB GRAF BANANA TREE Triyani dan Irham Taufiq Universitas Jenderal Soedirman trianisr@yahoo.com.au ABSTRACT.
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belaang Model Loglinier adalah salah satu asus husus dari general linier model untu data yang berdistribusi poisson. Model loglinier juga disebut sebagai suatu model statisti
Lebih terperinciBAB 3 PRINSIP SANGKAR BURUNG MERPATI
BAB 3 PRINSIP SANGKAR BURUNG MERPATI 3. Pengertian Prinsip Sangar Burung Merpati Sebagai ilustrasi ita misalan terdapat 3 eor burung merpati dan 2 sangar burung merpati. Terdapat beberapa emunginan bagaimana
Lebih 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 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 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belaang Masalah untu mencari jalur terpende di dalam graf merupaan salah satu masalah optimisasi. Graf yang digunaan dalam pencarian jalur terpende adalah graf yang setiap sisinya
Lebih terperinciBAB III HASIL DAN PEMBAHASAN
15 BAB III HASIL DAN PEMBAHASAN 3.1Relasi Dispersi Pada bagian ini aan dibahas relasi dispersi untu gelombang internal pada fluida dua-lapisan.tinjau lapisan fluida dengan ρ a dan ρ b berturut-turut merupaan
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 terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Teori Fuzzy 2.1.1 Dasar-Dasar Teori Fuzzy Secara prinsip, di dalam teori fuzzy set dapat dianggap sebagai estension dari teori onvensional atau crisp set. Di dalam teori crisp
Lebih terperinciBAB ELASTISITAS. Pertambahan panjang pegas
BAB ELASTISITAS 4. Elastisitas Zat Padat Dibandingan dengan zat cair, zat padat lebih eras dan lebih berat. sifat zat padat yang seperti ini telah anda pelajari di elas SLTP. enapa Zat pada lebih eras?
Lebih 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 terperinciRINGKASAN SKRIPSI MODUL PERKALIAN
RINGKASAN SKRIPSI MODUL PERKALIAN SAMSUL ARIFIN 04/177414/PA/09899 DEPARTEMEN PENDIDIKAN NASIONAL UNIVERSITAS GADJAH MADA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM YOGYAKARTA 2008 HALAMAN PENGESAHAN
Lebih terperinciBAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK
BAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK Proses pengenalan dilauan dengan beberapa metode. Pertama
Lebih terperinciKENNETH CHRISTIAN NATHANAEL
KENNETH CHRISTIAN NATHANAEL. Sistem Bilang Real. Fungsi dan Grafi. Limit dan Keontinuan 4. Limit Ta Hingga 5. Turunan Fungsi 6. Turunan Fungsi Trigonometri 7. Teorema Rantai 8. Turunan Tingat Tinggi 9.
Lebih terperinciUJI BARTLETT. Elty Sarvia, ST., MT. Fakultas Teknik Jurusan Teknik Industri Universitas Kristen Maranatha Bandung. Scheffe Multiple Contrast Procedure
8/9/01 UJI TUKEY UJI DUNCAN UJI BARTLETT UJI COCHRAN UJI DUNNET Elty Sarvia, ST., MT. Faultas Teni Jurusan Teni Industri Universitas Kristen Maranatha Bandung Macam Metode Post Hoc Analysis The Fisher
Lebih terperinciANALISIS PERBANDINGAN KOMULAN TERHADAP BEBERAPA JENIS DISTRIBUSI KHUSUS Analysis of Comulans Comparative on some Types of Special Distribution
Jurnal Bareeng Vol. 8 No. Hal. 5 0 (04) ANALISIS PRBANDINGAN OMULAN TRHADAP BBRAPA JNIS DISTRIBUSI HUSUS Analysis of Comulans Comparative on some Types of Special Distribution ABRAHAM ZACARIA WATTIMNA,
Lebih terperinciPENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL. Sutriani Hidri. Ja faruddin. Syafruddin Side, ABSTRAK
PENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL Syafruddin Side, Jurusan Matematia, FMIPA, Universitas Negeri Maassar email:syafruddinside@yahoo.com Info: Jurnal MSA Vol. 3
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Sistem Kendali Lup [1] Sistem endali dapat diataan sebagai hubungan antara omponen yang membentu sebuah onfigurasi sistem, yang aan menghasilan tanggapan sistem yang diharapan.
Lebih terperinciSah Tidaknya Sidik Ragam. Data Bermasalah. Data Bermasalah PERANCANGAN PERCOBAAN (DATA BERMASALAH)
Sah Tidanya Sidi Ragam PERANCANGAN PERCOBAAN (DATA BERMASALAH) Oleh: Dr. Ir. Dirvamena Boer, M.Sc.Agr. HP: 081 385 065 359 Universitas Haluoleo, Kendari dirvamenaboer@yahoo.com http://dirvamenaboer.tripod.com/
Lebih terperinciBAB III MENYELESAIKAN MASALAH REGRESI YANG TIDAK LINIER DENGAN ANALISIS REGRESI FOURIER
BAB III MENYELESAIKAN MASALAH REGRESI YANG TIAK LINIER ENGAN ANALISIS REGRESI FOURIER 3.1 Pengantar Model ARIMA digunaan untu analisis data deret watu pada ategori data berala tunggal, atau sering diategorian
Lebih terperinciPEBANDINGAN METODE ROBUST MCD-LMS, MCD-LTS, MVE-LMS, DAN MVE-LTS DALAM ANALISIS REGRESI KOMPONEN UTAMA
PEBANDINGAN METODE ROBUST MCD-LMS, MCD-LTS, MVE-LMS, DAN MVE-LTS DALAM ANALISIS REGRESI KOMPONEN UTAMA Sear Wulandari, Nur Salam, dan Dewi Anggraini Program Studi Matematia Universitas Lambung Mangurat
Lebih terperinciPENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL SUTRIANI HIDRI
PENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL SUTRIANI HIDRI Jurusan Matematia, FMIPA, Universitas Negeri Maassar Email: nanni.cliq@gmail.com Abstra. Pada artiel ini dibahas
Lebih terperinciOptimasi Non-Linier. Metode Numeris
Optimasi Non-inier Metode Numeris Pendahuluan Pembahasan optimasi non-linier sebelumnya analitis: Pertama-tama mencari titi-titi nilai optimal Kemudian, mencari nilai optimal dari fungsi tujuan berdasaran
Lebih terperinciPenggunaan Induksi Matematika untuk Mengubah Deterministic Finite Automata Menjadi Ekspresi Reguler
Penggunaan Indusi Matematia untu Mengubah Deterministic Finite Automata Menjadi Espresi Reguler Husni Munaya - 353022 Program Studi Teni Informatia Seolah Teni Eletro dan Informatia Institut Tenologi Bandung,
Lebih terperinciBAB III METODE SCHNABEL
BAB III METODE SCHNABEL Uuran populasi tertutup dapat diperiraan dengan teni Capture Mar Release Recapture (CMRR) yaitu menangap dan menandai individu yang diambil pada pengambilan sampel pertama, melepasan
Lebih terperinciMATA KULIAH MATEMATIKA TEKNIK 2 [KODE/SKS : KD / 2 SKS] Ruang Vektor
MATA KULIAH MATEMATIKA TEKNIK [KODE/SKS : KD4 / SKS] Ruang Vetor FIELD: Ruang vetor V atas field salar K adalah himpunan ta osong dengan operasi penjumlahan vetor dan peralian salar. Himpunan ta osong
Lebih terperinciKARAKTERISTIK POHON FUZZY
KARAKTERISTIK POHON FUZZY Yuli Stiawati 1, Dwi Juniati 2, 1 Jurusan Matematia, Faultas Matematia dan Ilmu Pengetahuan Alam, Universitas Negeri Surabaya, 60231 2 Jurusan Matematia, Faultas Matematia dan
Lebih terperinciAgar Xn berperilaku acak yang dapat dipertanggungjawabkan :
ara memperoleh data Zaman dahulu, dgn cara : 1. Melempar dadu 2. Mengoco artu Zaman modern (>1940), dgn cara membentu bilangan aca secara numeri/ aritmati(menggunaan omputer), disebut Pseudo Random Number
Lebih terperinciMATA KULIAH METODE RUNTUN WAKTU. Oleh : Entit Puspita Nip
MAA KULIAH MEODE RUNUN WAKU Oleh : Entit Puspita Nip 08 JURUSAN PENDIDIKAN MAEMAIKA FAKULAS PENDIDIKAN MAEMAIKA DAN ILMU PENGEAHUAN ALAM UNIVERSIAS PENDIDIKAN INDONESIA 00 //00 Entit Puspita BEBERAPA KONSEP
Lebih terperinci4. 1 Spesifikasi Keadaan dari Sebuah Sistem
Dalam pembahasan terdahulu ita telah mempelajari penerapan onsep dasar probabilitas untu menggambaran sistem dengan jumlah partiel ang cuup besar (N). Pada bab ini, ita aan menggabungan antara statisti
Lebih terperinciBAB II KONSEP DAN DEFINISI
6 BAB II KONSEP DAN DEFINISI Pada bab ini aan dijelasan onsep dan definisi-definisi yang digunaan dalam metode pada penelitian ini. 2.1 DATA TRANSAKSI isalan = { 1, 2, 3,..., } adalah himpunan semua produ
Lebih 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 terperinciKumpulan soal-soal level seleksi Kabupaten: Solusi: a a k
Kumpulan soal-soal level selesi Kabupaten: 1. Sebuah heliopter berusaha menolong seorang orban banjir. Dari suatu etinggian L, heliopter ini menurunan tangga tali bagi sang orban banjir. Karena etautan,
Lebih terperinciSoal-Jawab Fisika OSN x dan = min. Abaikan gesekan udara. v R Tentukan: a) besar kelajuan pelemparan v sebagai fungsi h. b) besar h maks.
Soal-Jawab Fisia OSN - ( poin) Sebuah pipa silinder yang sangat besar (dengan penampang lintang berbentu lingaran berjarijari R) terleta di atas tanah. Seorang ana ingin melempar sebuah bola tenis dari
Lebih terperinciGENERALISASI METODE TALI BUSUR UNTUK MENYELESAIKAN PERSAMAAN TAK LINEAR SUNARSIH
GENERALISASI METODE TALI BUSUR UNTUK MENYELESAIKAN PERSAMAAN TAK LINEAR SUNARSIH DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2011 ABSTRACT SUNARSIH.
Lebih terperinciBEBERAPA MODIFIKASI METODE NEWTON RAPHSON UNTUK MENYELESAIKAN MASALAH AKAR GANDA. Supriadi Putra, M,Si
BEBERAPA ODIFIKASI ETODE NEWTON RAPHSON UNTUK ENYELESAIKAN ASALAH AKAR GANDA Suriadi Putra,,Si Laboratorium Komutasi Numeri Jurusan atematia Faultas atematia & Ilmu Pengetahuan Alam Universitas Riau Kamus
Lebih terperinciVARIASI NILAI BATAS AWAL PADA HASIL ITERASI PERPINDAHAN PANAS METODE GAUSS-SEIDEL
SEMINAR NASIONAL PENDIDIKAN SAINS Peningatan Kualitas Pembelajaran Sains dan Kompetensi Guru melalui Penelitian & Pengembangan dalam Menghadapi Tantangan Abad-1 Suraarta, Otober 016 VARIASI NILAI BATAS
Lebih terperincimungkin muncul adalah GA, GG, AG atau AA dengan peluang masing-masing
. DISTRIUSI INOMIL pabila sebuah oin mata uang yang memilii dua sisi bertulisan ambar () dan nga () dilempar satu ali, maa peluang untu mendapatan sisi ambar adalah,5 atau. pabila oin tersebut dilempar
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Tinjauan Pustaa Untu menacapai tujuan penulisan sripsi, diperluan beberapa pengertian dan teori yang relevan dengan pembahasan. Karena itu, dalam subbab ini aan diberian beberapa
Lebih terperinciSTUDI PENYELESAIAN PROBLEMA MIXED INTEGER LINIER PROGRAMMING DENGAN MENGGUNAKAN METODE BRANCH AND CUT OLEH : RISTA RIDA SINURAT
TUGAS AKHIR STUDI PENYELESAIAN PROBLEMA MIXED INTEGER LINIER PROGRAMMING DENGAN MENGGUNAKAN METODE BRANCH AND CUT OLEH : RISTA RIDA SINURAT 040803023 DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU
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 terperinciBAB 2 TEORI PENUNJANG
BAB EORI PENUNJANG.1 Konsep Dasar odel Predictive ontrol odel Predictive ontrol P atau sistem endali preditif termasu dalam onsep perancangan pengendali berbasis model proses, dimana model proses digunaan
Lebih 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 terperinciSIMULASI FILTER KALMAN UNTUK ESTIMASI SUDUT DENGAN MENGGUNAKAN SENSOR GYROSCOPE
SIMULASI FILR KALMAN UNUK SIMASI SUDU DNGAN MNGGUNAKAN SNSOR GYROSCOP Wahyudi *), Adhi Susanto **), Sasongo Pramono **), Wahyu Widada ***) Abstact he Kalman filter is a recursive solution to the process
Lebih terperinciKumpulan soal-soal level seleksi provinsi: solusi:
Kumpulan soal-soal level selesi provinsi: 1. Sebuah bola A berjari-jari r menggelinding tanpa slip e bawah dari punca sebuah bola B berjarijari R. Anggap bola bawah tida bergera sama seali. Hitung ecepatan
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB TINJAUAN PUSTAKA.1 Sifat Dasar Neutron Neutron yang dihasilan dari reator nulir biasanya merupaan neutron berenergi rendah. Secara umum, neutron energi rendah dapat dilasifiasian dalam tiga enis yaitu
Lebih terperinci3.1 TEOREMA DASAR ARITMATIKA
3. TEOREMA DASAR ARITMATIKA Definisi 3. Suatu bilangan bulat > disebut (bilangan) rima, jia embagi ositif bilangan tersebut hanya dan. Jia bilangan bulat lebih dari satu buan bilangan rima disebut (bilangan)
Lebih terperinciKata Kunci : Multipath, LOS, N-LOS, Network Analyzer, IFFT, PDP. 1. Pendahuluan
Statisti Respon Kanal Radio Dalam Ruang Pada Freuensi,6 GHz Christophorus Triaji I, Gamantyo Hendrantoro, Puji Handayani Institut Tenologi Sepuluh opember, Faultas Tenologi Industri, Jurusan Teni Eletro
Lebih terperinciBAB III ANALISIS DISKRIMINAN. analisis multivariat dengan metode dependensi (dimana hubungan antar variabel
BAB III ANALISIS DISKRIMINAN 3.1 Pengertian Analisis Disriminan Analisis disriminan merupaan sala satu metode yang digunaan dalam analisis multivariat dengan metode dependensi (dimana ubungan antar variabel
Lebih terperinciBAB II LANDASAN TEORI. Graf adalah kumpulan simpul (nodes) yang dihubungkan satu sama lain
8 BAB II LANDASAN TEORI 2.1 Teori Graf 2.1.1 Definisi Graf Graf adalah umpulan simpul (nodes) yang dihubungan satu sama lain melalui sisi/busur (edges) (Zaaria, 2006). Suatu Graf G terdiri dari dua himpunan
Lebih terperinciUNIVERSITAS INDONESIA MODEL MATEMATIKA PENYEBARAN INFEKSI HIV PADA KOMUNITAS IDU TESIS IFFATUL MARDHIYAH
UNVERTA NDONEA MODEL MATEMATKA PENYEBARAN NFEK HV PADA KOMUNTA DU TE FFATUL MARDHYAH 678633 FAKULTA MATEMATKA DAN LMU PENGETAHUAN ALAM PROGRAM TUD MATEMATKA DEPOK JUN Model matematia... ffatul Mardhiyah
Lebih terperinciMakalah Seminar Tugas Akhir
Maalah Seminar ugas Ahir Simulasi Penapisan Kalman Dengan Kendala Persamaan Keadaan Pada Kasus Penelusuran Posisi Kendaraan (Vehicle racing Problem Iput Kasiyanto [], Budi Setiyono, S., M. [], Darjat,
Lebih terperinciBAB 3 LANGKAH PEMECAHAN MASALAH
BAB 3 LANGKAH PEMECAHAN MASALAH 3.1 Penetapan Kriteria Optimasi Gambar 3.1 Bagan Penetapan Kriteria Optimasi Sumber: Peneliti Determinasi Kinerja Operasional BLU Transjaarta Busway Di tahap ini, peneliti
Lebih terperinciOSN 2014 Matematika SMA/MA
Soal 5. Suatu barisan bilangan asli a 1, a 2, a 3,... memenuhi a + a l = a m + a n untu setiap bilangan asli, l, m, n dengan l = mn. Jia m membagi n, butian bahwa a m a n. Solusi. Andaian terdapat bilangan
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 PENDAHULUAN 1.1 Latar Belaang Keadaan dunia usaha yang selalu berubah membutuhan langah-langah untu mengendalian egiatan usaha di suatu perusahaan. Perencanaan adalah salah satu langah yang diperluan
Lebih terperinciBAB 4 HASIL DAN PEMBAHASAN
BAB 4 HASIL DAN PEMBAHASAN 4.1 Hasil Pengolahan Data Data yang telah berhasil diumpulan oleh penulis di BB BIOGEN diperoleh hasil bobot biji edelai dengan jumlah varietas yang aan diuji terdiri dari 15
Lebih terperinciBAB 3 RUANG BERNORM-2
BAB RUANG BERNORM-. Norm- dan Ruang ` De nisi. Misalan V ruang vetor atas R berdimensi d (dalam hal ini d boleh ta hingga). Sebuah fungsi ; V V! R yang memenuhi sifat-sifat beriut;. x; y 0 ia dan hanya
Lebih terperinciMENENTUKAN TURUNAN DAN SIFAT-SIFAT TURUNAN DARI FUNGSI 1/f(x) DAN h(x)/f(x) ABSTRACT
MENENTUKAN TURUNAN DAN SIFAT-SIFAT TURUNAN DARI FUNGSI 1/(x DAN h(x/(x Yuliana Saitri 1, Sri Gemawati 2, Musraini 2 1 Mahasiswa Program Studi S1 Matematia 2 Dosen Jurusan Matematia Faultas Matematia dan
Lebih terperinciSOLUSI BAGIAN PERTAMA
SOLUSI BAGIAN PERTAMA 1. 13.. 931 3. 4 9 4. 63 5. 3 13 13 6. 3996 7. 1 03 8. 3 + 9 9. 3 10. 4 11. 6 1. 9 13. 31 14. 383 8 15. 1764 16. 5 17. + 7 18. 51 19. 8 0. 360 1 SOLUSI BAGIAN PERTAMA Soal 1. Misalan
Lebih terperinciTanggapan Waktu Alih Orde Tinggi
Tanggapan Watu Alih Orde Tinggi Sistem Orde-3 : C(s) R(s) ω P ( < ζ (s + ζω s + ω )(s + p) Respons unit stepnya: c(t) βζ n n < n ζωn t e ( β ) + βζ [ ζ + { βζ ( β ) cos ( β ) + ] sin ζ ) ζ ζ ω ω n n t
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 terperinciALGORITMA PENYELESAIAN PERSAMAAN DINAMIKA LIQUID CRYSTAL ELASTOMER
ALGORITMA PENYELESAIAN PERSAMAAN DINAMIKA LIQUID CRYSTAL ELASTOMER Oleh: Supardi SEKOLAH PASCA SARJANA JURUSAN ILMU FISIKA UNIVERSITAS NEGERI YOGYAKARTA 2012 1 PENDAHULUAN Liquid Crystal elastomer (LCE
Lebih terperinciDalam setiap sub daerah, pilih suatu titik P k (x k, y k ) dan bentuklah jumlah :
INTEGAL GANDA Integral untu ungsi satu variable ita membentu suatu partisi dari interval [ab] menjadi interval-interval ang panjangna Δ = 3.n b a d lim n n Dengan cara ang sama Kita deinisian integral
Lebih terperinciUkuran Pemusatan Data
Uuran Pemusatan Data Atina Ahdia, S.Si., M.Si. Universitas Islam Indonesia Uuran Pemusatan Data 1. Mean (rata-rata) 2. Median (nilai tengah) 3. Modus Mean 1. Rata-rata Hitung Misalan terdapat N observasi,
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 terperinci