Peubah Acak dan Distribusi Kontinu
|
|
- Widyawati Lesmono
- 6 tahun lalu
- Tontonan:
Transkripsi
1 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 distribusi F (x) adalah fungsi tangga berikut 0, x (, 0); 1/8, x [0, 1); F (x) = 1/2, x [1, 2); 7/8, x [2, 3); 1, x [3, ). 2. Misalkan X peubah acak dengan support S = [a, b], b > 0. Misalkan peluang X akan berada di selang S proporsional terhadap panjang selang. Dengan kata lain, P (x 1 X x 2 ) = λ (x 2 x 1 ), 1
2 untuk a x 1 x 2 b. Untuk menentukan λ, misalkan x 1 = a dan x 2 = b. Maka, P (a X b) = 1 = λ (b a) λ = 1/(b a) Fungsi distribusinya: 0, x < a; x a F (x) = P (X x) = P (a X x) = b a, x [a, b]; 1, x > b. Peubah acak X dikatakan berdistribusi Uniform, X U(a, b). Sifat-sifat fungsi distribusi: F () = 0 dan F ( ) = 1 F merupakan fungsi tidak turun; F (a) F (b) untuk a b F adalah fungsi kontinu kanan; lim ɛ 0 + F (x + ɛ) = F (x) Misalkan X peubah acak dengan fungsi distribusi F (x). Jika b a, maka P (a < X b) = F (b) F (a) Untuk setiap x, P (X = x) = lim ɛ 0 + P (x ɛ < X ) = F (x) F (x ) (Perhatikan notasi F (x ) dan kasus apabila fungsi distribusi kontinu kiri) Definisi: Distribusi dari peubah acak X dikatakan KONTINU jika fungsi distribusi disetiap x kontinu dan fungsi distribusi tersebut dapat diturunkan. Misalkan X peubah acak kontinu dengan fungsi distribusi F X (x). Misalkan g(x) fungsi naik satu-satu kontinu. Untuk y yang berada di daerah hasil dari g, fungsi invers x = g 1 (y) ada. Misalkan Y = g(x). Fungsi distribusi dari Y adalah P (Y y) = P (g(x) y) = P (X g 1 (y)) = F X (g 1 (y)) Misalkan g(x) fungsi turun satu-satu kontinu. Untuk y yang berada di daerah hasil dari g, fungsi invers x = g 1 (y) ada. Misalkan Y = g(x). Fungsi distribusi dari Y adalah P (Y y) = P (g(x) y) = P (X > g 1 (y)) = 1 F X (g 1 (y)) MA3081 Stat.Mat. 2 K. Syuhada, PhD.
3 Misalkan X U(0, 1) dan Y = g(x) = hx + k, h < 0. Maka X = g 1 (Y ) = F X (x) = F Y (y) = Y Latihan: 1. Misalkan X peubah acak kontinu yang memiliki fungsi distribusi F X (x) yang naik murni. Misalkan Y = F X (X). Tentukan distribusi dari Y 2. Misalkan U peubah acak berdistribusi U(0, 1). Misalkan F X (x) fungsi distribusi yang naik murni dari X. Tentukan fungsi distribusi dari peubah acak F 1 X (U) 3. Misalkan U 1, U 2,..., U n sampel acak dari U(0, 1). Bangkitkan sampel acak dari F X (x) (ambil contoh misalnya untuk F X (x) = 1 e λ x, x > 0) Misalkan X peubah acak kontinu dengan fungsi distribusi F X (x). Misalkan Y = g(x) fungsi kontinu tidak monoton. Kita ketahui bahwa pada fungsi yang monoton, F Y (y) = P (Y y) = P (g(x) y) dimana dalam hal ini setiap solusi inverse x = g 1 (y) digunakan untuk menentukan F Y (y) dengan menggunakan F X (g 1 (y)). Untuk X U( 1, 2) dan g(x) = Y = X 2, kita dapatkan fungsi distribusi dari Y : F Y (y) = MA3081 Stat.Mat. 3 K. Syuhada, PhD.
4 1.2 Unsur Peluang Misalkan X peubah acak kontinu, x bilangan positif kecil. Definisikan h(a, b) = def P (a X a + b) = F X (a + b) F X (a) Untuk h(x, x) = P (x X x + x), maka deret Taylor-nya disekitar x = 0 adalah dimana h(x, x) = F (x + x) F (x) = h(x, 0) + d d x h(x, x) x=0 x + o( x) lim x 0 = = o( x) x = 0 Fungsi df (x) = [ ] d dx F (x) x disebut DIFERENSIAL. Dalam statistika, diferensial dari fungsi distribusi adalah UNSUR PELUANG (yang merupakan pendekatan terhadap h(x, x)). Unsur peluang adalah fungsi linier dari d dx F (x). Contoh: Misalkan F (x) = 1 e 3x untuk x 0. Apakah F (x) suatu fungsi distribusi? Hitung unsur peluang di x = 2. Cari pendekatan untuk P (2 X 2.01). Densitas rata-rata pada selang (x, x + x) didefinisikan: def P (x X x + x) Density rata-rata = x Sedangkan fungsi densitas peluang atau fungsi peluang (f.p) di x adalah limit MA3081 Stat.Mat. 4 K. Syuhada, PhD.
5 densitas rata-rata saat x 0: f.p = f(x) = def = = lim x 0 = d dx F (x) P (x X x + x) x Catatan: Unsur peluang dituliskan sebagai df (x) = f(x) x. Sifat-sifat fungsi peluang: f(x) 0 untuk semua x f(x) = 1 Hubungan antara fungsi peluang dan fungsi distribusi: f(x) = d dx F (x) F (x) = x f(u)du P (a < X < b) =... =... =... = F (b) F (a) = b a f(x)dx Latihan: 1. Misalkan λ bilangan riil positif. Jika F (x) = 1 e λx, maka f(x) = 2. Jika X U(a, b) maka F (x) = dan f(x) = 3. *Misalkan f(x) = c/(1 + x 2 ) untuk < x < dan c konstanta. Fungsi f(x) tak negatif dan (1 + x2 ) 1 dx = π. Berapa nilai c agar f(x) menjadi fungsi peluag? Tentukan fungsi distribusinya. 4. *Pandang distribusi waktu tunggu. Misalkan T adalah waktu kedatangan kejadian ke-r dalam Proses Poisson dengan laju λ. Tentukan fungsi peluang dari T MA3081 Stat.Mat. 5 K. Syuhada, PhD.
6 Misalkan X peubah acak kontinu dengan fungsi peluang f(x) dan Y = g(x) fungsi yang terdiferensial bernilai tunggal. Maka fungsi peluang dari Y : f Y (y) = f X (g 1 (y)) d dy g 1 (y) untuk support Y = g(x). Komponen J(y) = d dy g 1 (y) adalah transformasi Jacobian. BUKTI: Misalkan g(x) memiliki lebih dari satu fungsi invers maka unsur peluang yang terpisah harus dihitung untuk setiap fungsi invers. Contoh, misalkan X U( 1, 2) dan Y = g(x) = X 2. Maka untuk y [0, 1], terdapat 2 fungsi invers yaitu?, dan satu fungsi invers untuk y (1, 4] yaitu?. Fungsi peluang dari Y adalah: f(y) = MA3081 Stat.Mat. 6 K. Syuhada, PhD.
7 1.3 Ekspektasi Misalkan X peubah acak dengan fungsi peluang f(x). Nilai harapan dari X, jika ada, adalah E(X) = µ X = f(x)dx Catatan: nilai ekspektasi dikatakan ada jika nilai integral adalah hingga. Misalkan X rv dengan pdf f(x). adalah E[g(X)] =. g(x)f(x)dx Maka nilai harapan dari g(x), jika ada, Operator integral bersifat linier. Jika g 1 (X) dan g 2 (X) fungsi-fungsi yang memiliki ekspektasi dan a, b, c konstanta, maka E[ag 1 (X) + bg 2 (X) + c] = ae[g 1 (X)] + be[g 2 (X)] + c Contoh/Latihan: 1. Jika distribusi X simetrik di sekitar c dan nilai harapanny ada maka E(X) = c. Bukti: E(X c) = = c = = 0 0 (x c)f(x) dx (x c)f(x)dx + uf(c u)du + c 0 (x c)f(x)dx uf(c + u)du u(f(c + u) f(c u)) du = 0 2. Misalkan X U(a, b). Tunjukkan bahwa distribusi tersebut simetrik disekitar (a + b)/2. MA3081 Stat.Mat. 7 K. Syuhada, PhD.
8 Bukti: ( a + b f 2 untuk δ [ b a, ] b a 2 2 ) ( a + b δ = f 2 ) + δ = 1 b a 3. Misalkan X berdistribusi Cauchy dengan fungsi peluang f(x) = 1 [ ], σπ 1 + (x µ)2 σ 2 dengan µ, σ konstanta yang memenuhi µ < dan σ (0, σ). Tunjukkan bahwa fungsi peluang simetrik di sekitar µ namun ekspektasinya bukanlah µ. 4. Misalkan X Exp(λ). Nilai harapan dari X adalah... MA3081 Stat.Mat. 8 K. Syuhada, PhD.
9 1.4 Distribusi Bivariat Suatu fungsi f X,Y (x, y) dikatakan fungsi peluang bivariat jika f X,Y (x, y) 0, untuk semua x, y f X,Y (x, y) dxdy = 1 Jika f X,Y (x, y) fungsi peluang bivariat maka F X,Y (x, y) = P (X x, Y y) = x y f X,Y (u, v) dvdu Sifat-sifat fungsi distribusi bivariat: 1. F X,Y (x, ) = F X (x) 2. F X,Y (, y) = F Y (y) 3. F X,Y (, ) = 1 4. F X,Y (, y) = F X,Y (x, ) = F X,Y (, ) = 0 5. f X,Y (x, y) = 2 x y F X,Y (x, y) f X,Y (x, y) x y adalah unsur peluang bersama, P (x X x + x, y Y y + y) = f X,Y (x, y) x y + o( x y) Contoh/Latihan: 1. Jika (X, Y ) U(a, b, c, d) maka f X,Y (x, y) = 2. Untuk soal no 1 di atas, misalkan a = c = 0, b = 4, d = 6 maka P (2.5 X 3.5, 1 Y 4) = P (X 2 + Y 2 > 16) = 3. Jika f X,Y (x, y) = 6/5(x + y 2 ) untuk x (0, 1) dan y (0, 1). Tentukan P (X + Y < 1). MA3081 Stat.Mat. 9 K. Syuhada, PhD.
10 Untuk menentukan fungsi peluang marginal, integralkan peubah yang tidak diinginkan : f X (x) = f X,Y (x, y) dy f Y (y) = f X,Y (x, y) = f X,Y (x, y) dx f W,X,Y,Z (w, x, y, z) dwdz Pada fungsi peluang f X,Y (x, y) = 6/5(x + y 2 ) diperoleh f X (x) = f Y (y) = dan nilai harapan E(g(X, Y )) = E(X) = g(x, y) f X,Y (x, y) dxdy = MA3081 Stat.Mat. 10 K. Syuhada, PhD.
11 1.5 Distribusi Bersyarat Misalkan f X,Y (x, y) adalah fungsi peluang bersama, maka fungsi peluang Y, diberikan X = x, adalah f Y X (y x) = def f X,Y (x, y), f X (x) asalkan f X (x) > 0. Contoh: Misalkan X dan Y memiliki distribusi bersama maka f X,Y (x, y) = 8xy, 0 < x < y < 1, f X (x) = E(X r ) = f Y (y) = E(Y r ) = f X Y (x y) = f Y X (y x) = E(X r Y = y) = E(Y r X = x) = Misalkan (X, Y ) adalah peubah acak berpasangan dengan fungsi peluang bersama f X,Y (x, y). Pandang persoalan memprediksi Y setelah X = x terobservasi. Prediktor dinotasikan sebagai ŷ(x). Prediktor terbaik didefinisikan sebagai fungsi Ŷ (X) yang meminimumkan ] 2 E [Y Ŷ (X) = Prediktor terbaik adalah ŷ(x) = E(Y X = x). BUKTI: Contoh/Latihan: (y ŷ(x)) 2 f X,Y (x, y) dydx 1. Misalkan X dan Y memiliki distribusi bersama f X,Y (x, y) = 8xy, 0 < x < y < 1, MA3081 Stat.Mat. 11 K. Syuhada, PhD.
12 maka f Y X (y x) = ŷ(x) = 2. Misalkan (Y, X) berdistribusi normal bivariat dengan E(Y ) = µ Y, E(X) = µ X, V ar(y ) = σ 2 Y, V ar(x) = σ2 X, Cov(X, Y ) = ρ X,Y σ X σ Y. Distribusi bersyarat Y, diberikan X, adalah (Y X = x) 3. Tunjukkan bahwa ] E X [f Y X (y X) = f Y (y) 4. Buktikan E X {E [ ]} [ ] h(y ) X = E h(y ) 5. Buktikan ] V ar(y ) = E X [V ar(y X) [ ] + V ar E(Y X) 6. Misalkan X dan Y memiliki distribusi bersama Maka f X,Y (x, y) = 3y2 x 3, 0 < y < x < 1 f Y (y) = E(Y r ) =, E(Y ) =, V ar(y ) = f X (x) = f Y X (y x) = E(Y r X = x) =, E(Y X = x) =, V ar(y X = x) = V ar(e(y X)) = E(V ar(y X)) = MA3081 Stat.Mat. 12 K. Syuhada, PhD.
13 1.6 Fungsi Pembangkit Momen Misalkan X peubah acak kontinu, fungsi pembangkit momen dari X adalah M X (t) = E(e tx ) = e tx f(x)dx, asalkan ekspektasi ada untuk t disekitar 0. Jika semua momen dari X tidak ada, maka fungsi pembangkit momen juga tidak ada. Fungsi pembangkit momen berkaitan dengan fungsi pembangkit peluang M X (t) = G X (e t ) asalkan G X (t) ada untuk t disekitar 1. Jika M X (t) adalah fungsi pembangkit peluang maka M X (0) = 1. Contoh/Latihan: 1. Jika f X (x) = λe λx I 0, (x), maka M X (t) = 2. Jika M X (t) ada maka M a+bx (t) = 3. Jika X i, i = 1,..., n saling bebas, M Xi (t) ada untuk setiap i, dan S = Xi, maka M S (t) = 4. Fungsi pembangkit momen bersifat unik. Setiap distribusi memiliki fungsi pembangkit momen yang unik, dan setiap fungsi pembangkit momen berkorespondensi dengan tepat satu distribusi. Akibatnya, jika fungsi pembangkit momen ada maka fungsi pembangkit momen tersebut secara unik menentukan distribusinya. Beri contoh. 5. Pandang turunan dari M X (t) yang kemudian dievaluasi di t = 0. Apa yang dapat anda katakan? Dapatkah kita mendapatkan momen orde tinggi? 6. Dapatkah hasil diatas digunakan untuk distribusi diskrit? Ambil contoh distribusi Geometrik dengan parameter p. MA3081 Stat.Mat. 13 K. Syuhada, PhD.
14 7. Misalkan Y U(a, b). Gunakan fungsi pembangkit momen untuk mendapatkan momen pusat (( E((Y µ Y ) 2 ) = E Y a + b ) r ) 2 MA3081 Stat.Mat. 14 K. Syuhada, PhD.
MA3081 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 terperinciBab 8 Fungsi Peluang Bersama: Bersama Kita Berpisah
MA3181 Teori Peluang - Khreshna Syuhada Bab 8 1 Bab 8 Fungsi Peluang Bersama: Bersama Kita Berpisah Ilustrasi 8.1 Sebuah perusahaan asuransi menduga bahwa setiap orang akan mengalami dan memiliki parameter
Lebih terperinciCatatan Kuliah. MA4181 Pengantar Proses Stokastik Stochastics: Precise and Prospective. Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah MA4181 Pengantar Proses Stokastik Stochastics: Precise and Prospective Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2017 1 Tentang
Lebih terperinciBEBERAPA TEKNIK DISTRIBUSI FUNGSI PEUBAH ACAK
0 BEBERAPA TEKNIK DISTRIBUSI FUNGSI PEUBAH ACAK Dalam hal ini akan dibahas beberapa teknik yang digunakan dalam menentukan distribusi dari fungsi peubah acak, yaitu teknik fungsi distribusi, teknik transformasi
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 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 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 terperinciBab 7 Ekspektasi dan Fungsi Pembangkit Momen: Cintailah Mean
MA38 Teori Peluang - Khreshna Syuhada Bab 7 Bab 7 Ekspektasi dan Fungsi Pembangkit Momen: Cintailah Mean Ilustrasi 7. Seorang peserta kuis diberi dua buah pertanyaan (P-, P-2), yang harus dijawab dengan
Lebih terperinciMA4081 PENGANTAR PROSES STOKASTIK Cerdas dan Stokastik
Catatan Kuliah MA4081 PENGANTAR PROSES STOKASTIK Cerdas dan Stokastik disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2011 Tentang MA4081 (Pengantar)
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 terperinciCatatan Kuliah AK5161 MATEMATIKA KEUANGAN AKTUARIA. Insure and Invest! Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah AK5161 MATEMATIKA KEUANGAN AKTUARIA Insure and Invest! disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2014 Tentang AK5161 MatKeu
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 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 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 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 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 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 terperinciDISTRIBUSI SATU PEUBAH ACAK
0 DISTRIBUSI SATU PEUBAH ACAK Dalam hal ini akan dibahas macam-macam peubah acak, distribusi peluang, fungsi densitas, dan fungsi distribusi. Pada pembahasan selanjutnya, fungsi peluang untuk peubah acak
Lebih terperinci(HARAPAN MATEMATIKA) BI5106 Analisis Biostatistik 20 September 2012 Utriweni Mukhaiyar
1 EKSPEKTASI (HARAPAN MATEMATIKA) BI5106 Analisis Biostatistik 0 September 01 Utriweni Mukhaiyar Ekspektasi Suatu Peubah Acak Misalkan X peubah acak Ekspektasi dari X EX [ ] xp( X x), jika X peubah acak
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 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 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 terperinci11. FUNGSI MONOTON (DAN FUNGSI KONVEKS)
11. FUNGSI MONOTON (DAN FUNGSI KONVEKS) 11.1 Definisi dan Limit Fungsi Monoton Misalkan f terdefinisi pada suatu himpunan H. Kita katakan bahwa f naik pada H apabila untuk setiap x, y H dengan x < y berlaku
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 terperinciDistribusi Peluang Kontinu. Bahan Kuliah II2092 Probabilitas dan Statistik Oleh: Rinaldi Munir Sekolah Teknik Elektro dan Informatika ITB
Distribusi Peluang Kontinu Bahan Kuliah II9 Probabilitas dan Statistik Oleh: Rinaldi Munir Sekolah Teknik Elektro dan Informatika ITB 1 Fungsi Padat Peluang Untuk peubah acak kontinu, fungsi peluangnya
Lebih terperinciMA3231 Analisis Real
MA3231 Analisis Real Hendra Gunawan* *http://hgunawan82.wordpress.com Analysis and Geometry Group Bandung Institute of Technology Bandung, INDONESIA Program Studi S1 Matematika ITB, Semester II 2016/2017
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 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 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 terperinciPeubah Acak dan Distribusi
BAB 1 Peubah Acak dan Distribusi 1.1 ILUSTRASI (Ilustrasi 1) B dan G secara bersamaan menembak sasaran tertentu. Peluang tembakan B mengenai sasaran adalah 0.7 sedangkan peluang tembakan G (bebas dari
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 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 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 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 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 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 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 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 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 terperinciasimtot.wordpress.com BAB I PENDAHULUAN
BAB I PENDAHULUAN. Latar Belakang Kalkulus Differensial dan Integral sangat luas penggunaannya dalam berbagai bidang seperti penentuan maksimum dan minimum. Suatu fungsi yang sering digunakan mahasiswa
Lebih terperinciA. Distribusi Gabungan
HANDOUT PERKULIAHAN Mata Kuliah : Statistika Matematika Pertemuan Ke : 5 Pokok Bahasan : Distibusi Dua peubah Acak URAIAN POKOK PERKULIAHAN A. Distribusi Gabungan Definisi 1: Peubah Acak Berdimensi Dua
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 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 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 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 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 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 terperinciA. Distribusi Gabungan
HANDOUT PERKULIAHAN Mata Kuliah Pokok Bahasan : Statistika Matematika : Distibusi Dua peubah Acak URAIAN POKOK PERKULIAHAN A. Distribusi Gabungan Definisi 1: Peubah Acak Berdimensi Dua Jika S merupakan
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 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 terperincidigunakan untuk menyelesaikan persamaan yang nantinya akan diperoleh dalam
II. LANDASAN TEORI Pada bab ini akan diberikan konsep dasar yang akan digunakan dalam pembahasan hasil penelitian ini, antara lain : 2.1 Fungsi Gamma Fungsi gamma merupakan suatu fungsi khusus. 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 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 terperinciMA3231. Pengantar Analisis Real. Hendra Gunawan, Ph.D. Semester II, Tahun
MA3231 Pengantar Analisis Real Semester II, Tahun 2016-2017 Hendra Gunawan, Ph.D. Bab 7 Limit dan Kekontinuan 2 Isaac Newton (1643-1727) Isaac Newton adalah seorang fisikawan & matematikawan Inggris yang
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 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. TINJUAN PUSTAKA. lim f(x) = L berarti bahwa bilamana x dekat tetapi sebelah kiri c 0 maka f(x)
II. TINJUAN PUSTAKA 2.1. Limit Definisi lim f(x) = L, dan mengatakan limit f (x) ketika x mendekati a sama dengan L, jika dapat dibuat nilai f (x) sebarang yang dekat dengan L dengan cara mengambil nilai
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 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 terperinciCatatan Kuliah. MA4183 Model Risiko Risk: Quantify and Control. Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah MA4183 Model Risiko Risk: Quantify and Control Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2017 1 Tentang MA4183 Model Risiko
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 terperinciPengenalan Copula. Sapto Wahyu Indratno
Pengenalan Copula Sapto Wahyu Indratno STATISTICS DISIVISION, FACULTY OF MATHEMATICS AND NATURAL SCI- ENCES, INSTITUT TEKNOLOGI BANDUNG E-mail address: sapto@math.itb.ac.id Daftar Isi Bagian 1. Copula
Lebih terperinciLANDASAN TEORI. Dalam proses penelitian pendekatan distribusi generalized t(,,, ), ), melalui distribusi generalized beta 2
5 II. LANDASAN TEORI Dalam proses penelitian pendekatan distribusi generalized t terhadap distribusi gamma dan melalui distribusi generalized beta 2 distribusi generalized diperlukan gamma beberapa konsep
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 terperinciMA4081 PENGANTAR PROSES STOKASTIK Cerdas dan Stokastik
Catatan Kuliah MA4081 PENGANTAR PROSES STOKASTIK Cerdas dan Stokastik disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2011 Tentang MA4081 (Pengantar)
Lebih terperinciBAGIAN KEDUA. Fungsi, Limit dan Kekontinuan, Turunan
BAGIAN KEDUA Fungsi, Limit dan Kekontinuan, Turunan 51 52 Hendra Gunawan Pengantar Analisis Real 53 6. FUNGSI 6.1 Fungsi dan Grafiknya Konsep fungsi telah dipelajari oleh Gottfried Wilhelm von Leibniz
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 terperinciCatatan Kuliah. MA4183 Model Risiko Forecast, assess, and control your risk. Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah MA4183 Model Risiko Forecast, assess, and control your risk Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2016 1 Tentang MA4183
Lebih terperinciKuliah 3: TURUNAN. Indah Yanti
Kuliah 3: TURUNAN Indah Yanti Turunan Parsial DEFINISI Misalkan fungsi f: A R, dengan A R n adalah himpunan buka. Untuk setiap x = (x 1,..., x n ) A dan setiap j = 1,..., n limit f x j x 1,, x n f x 1,,
Lebih terperinciKuis 1 MA5181 Proses Stokastik Precise. Prospective. Tanggal 24 Agustus 2016, Waktu: suka-suka menit Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Kuis Selamat Datang MA5181 Proses Stokastik Precise. Prospective. Tanggal 23 Agustus 2016, Waktu: suka-suka menit 1. Mahasiswa yang datang ke ruang kuliah mengikuti suatu proses dengan laju kedatangan
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 terperinciNilai mutlak pada definisi tersebut di interpretasikan untuk mengukur jarak dua
II. LANDASAN TEORI 2.1 Limit Fungsi Definisi 2.1.1(Edwin J, 1987) Misalkan I interval terbuka pada R dan f: I R fungsi bernilai real. Secara matematis ditulis lim f(x) = l untuk suatu a I, yaitu nilai
Lebih terperinciMA3231 Analisis Real
MA3231 Analisis Real Hendra Gunawan* *http://hgunawan82.wordpress.com Analysis and Geometry Group Bandung Institute of Technology Bandung, INDONESIA Program Studi S1 Matematika ITB, Semester II 2016/2017
Lebih terperinciDASAR-DASAR ANALISIS MATEMATIKA
(Bekal untuk Para Sarjana dan Magister Matematika) Dosen FMIPA - ITB E-mail: hgunawan@math.itb.ac.id. December 11, 2007 Misalkan f terdefinisi pada suatu himpunan H. Kita katakan bahwa f naik pada H apabila
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 terperinciVariabel Banyak Bernilai Real 1 / 1
Fungsi Variabel Banyak Bernilai Real Turunan Parsial dan Turunan Wono Setya Budhi KK Analisis dan Geometri, FMIPA ITB Variabel Banyak Bernilai Real 1 / 1 Turunan Parsial dan Turunan Usaha pertama untuk
Lebih terperinciMA1201 KALKULUS 2A Do maths and you see the world
Catatan Kuliah MA20 KALKULUS 2A Do maths and you see the world disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 203 Catatan kuliah ini ditulis
Lebih terperinciBAB I PENDAHULUAN. penerbangan, kedokteran, teknik mesin, software komputer, bahkan militer
BAB I PENDAHULUAN A. Latar Belakang Statistika merupakan salah satu ilmu matematika yang terus berkembang dari waktu ke waktu. Di dalamnya mencakup berbagai sub pokok-sub pokok materi yang sangat bermanfaat
Lebih terperinciCatatan Kuliah MA4081 PENGANTAR PROSES STOKASTIK Orang Pintar Belajar Stokastik. disusun oleh Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah MA4081 PENGANTAR PROSES STOKASTIK Orang Pintar Belajar Stokastik disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2011 Daftar
Lebih terperinciMA5181 PROSES STOKASTIK
Catatan Kuliah MA5181 PROSES STOKASTIK (not just) Always Listening, Always Understanding disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2012
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 terperinciCatatan Kuliah MA1123 KALKULUS ELEMENTER I BAB III. TURUNAN
BAB III. TURUNAN Kecepatan Sesaat dan Gradien Garis Singgung Turunan dan Hubungannya dengan Kekontinuan Aturan Dasar Turunan Notasi Leibniz dan Turunan Tingkat Tinggi Penurunan Implisit Laju yang Berkaitan
Lebih terperinci