MA4181 PENGANTAR PROSES STOKASTIK Bab 5 Proses Poisson
|
|
- Sukarno Tanudjaja
- 6 tahun lalu
- Tontonan:
Transkripsi
1 MA4181 PENGANTAR PROSES STOKASTIK Bab 5 Proses Poisson SMART AND STOCHASTIC
2 MA4181 PENGANTAR PROSES STOKASTIK Bab 5 Proses Poisson SMART AND STOCHASTIC
3 Pengantar Seperti sudah disampaikan sebelumnya, analog dengan percobaan Bernoulli, percobaan atau proses Poisson akan mengkaji (i) banyak sukses dalam suatu periode waktu, dan (ii) waktu (kontinu) yang dibutuhkan untuk mendapatkan sukses yang pertama. Distribusi yang terlibat dalam (i) adalah distribusi Poisson, sedangkan distribusi yang berkaitan dengan (ii) adalah distribusi eksponensial. Sebagai gambaran untuk melihat proses Poisson, perhatikan ilustrasi-ilustrasi berikut.
4 Ilustrasi-1 Para nasabah datang ke suatu tempat layanan dengan dua meja layanan. Nasabah yang datang akan menuju meja 1, meja 2, lalu pulang. Misalkan waktu layanan setiap meja adalah peubah acak eksponensial dengan parameter µ 1 dan µ 2.
5 Waktu yang dihabiskan nasabah di tempat layanan adalah...
6 Ilustrasi-2 Para nasabah datang ke suatu tempat layanan dengan dua meja layanan. Ketika nasabah baru datang, setiap nasabah yang ada harus segera meninggalkan tempat layanan tersebut. Nasabah yang datang akan menuju meja 1, meja 2, lalu pulang. Jika waktu layanan setiap meja adalah peubah acak eksponensial dengan parameter µ 1 dan µ 2. Tentukan proporsi nasabah yang selesai di meja 2.
7 Ilustrasi-3 Para nasabah datang ke suatu tempat layanan, dengan dua meja layanan, mengikuti proses Poisson dengan laju λ. Ketika nasabah baru datang, setiap nasabah yang ada harus segera meninggalkan tempat layanan tersebut. Nasabah yang datang akan menuju meja 1, meja 2, lalu pulang. Jika waktu layanan setiap meja adalah peubah acak eksponensial dengan parameter µ 1 dan µ 2. Tentukan proporsi nasabah yang selesai di meja 2.
8 Jawab: Misalkan S i menyatakan waktu layanan meja ke-i. Misalkan X waktu hingga kedatangan nasabah berikutnya. Peluang/proporsi nasabah yang dilayani kedua meja adalah P(X > S 1 + S 2 ) = P(X > S 1 + S 2 X > S 1 )P(X > S 1 ) µ 1 = µ 2 µ 2 + λ µ 1 + λ
9 Waktu Antar Kedatangan Waktu Antar Kedatangan Waktu Tunggu Misalkan T 1 menyatakan waktu dari kejadian/kedatangan pertama. Untuk n > 1, misalkan T n menyatakan waktu tersisa antara kejadian ke-(n 1) dam kejadian ke-n. Barisan {T n, n = 1, 2,...} adalah barisan waktu antar kejadian (interarrival times).
10 Waktu Antar Kedatangan Waktu Tunggu Untuk menentukan distribusi dari T n, perhatikan bahwa kejadian {T 1 > t} terjadi jika dan hanya jika tidak ada kejadian dari proses Poisson yang terjadi pada interval [0, t], sehingga P(T 1 > t) = P(N t = 0) = e λt Jadi T 1 berdistribusi eksponensial dengan mean 1/λ.
11 Waktu Antar Kedatangan Waktu Tunggu Perhatikan juga bahwa sedangkan P(T 2 > t) = E ( P(T 2 > t T 1 ) ), P(T 2 > t T 1 = s) = P(tidak ada kejadian pada (s, s + t] T 1 = s) = P(tidak ada kejadian pada (s, s + t]) = e λt Dengan demikian, T 2 juga peubah acak eksponensial dengan mean 1/λ, dan T 2 saling bebas dengan T 1. Demikian seterusnya untuk T 3, T 4,..., T n yang juga berdistribusi eksponensial dan peubah acak-peubah acak tersebut saling bebas.
12 Waktu Tunggu Ilustrasi Waktu Antar Kedatangan Waktu Tunggu Statistik lain yang kita perhatikan berikut adalah S n yaitu waktu kedatangan kejadian ke-n atau waktu tunggu (waiting time) hingga kejadian ke-n, S n = T T n, n 1 yang berdistribusi... (distribusi Erlang?)
13 Ilustrasi Waktu Antar Kedatangan Waktu Tunggu Misalkan turis-turis datang ke suatu pulau mengikuti Proses Poisson dengan parameter λ = 1 per hari. 1 Berapa waktu yang diharapkan hingga turis kesepuluh datang? 2 Berapa peluang bahwa waktu yang dibutuhkan (elapsed time) antara turis kesepuluh dan kesebelas datang melebihi 2 hari?
14 Waktu Antar Kedatangan Waktu Tunggu Jawab: E(S 10 ) = E(T 1 + +T 10 ) = E(T 1 )+ +E(T 10 ) = 10 (1/λ) = 10 P(T 11 > 2) = exp( 2λ) = exp( 2(1)) = exp( 2)
15 Waktu Antar Kedatangan Waktu Tunggu Misalkan T K menyatakan waktu yang dibutuhkan (elapsed time) untuk klaim-klaim asuransi diproses; T 1 menyatakan waktu yang dibutuhkan hingga klaim pertama diproses. Diketahui T 1, T 2,... saling bebas dan berdistribusi dengan fungsi peluang f (t) = 0.1 e 0.1 t, t > 0 dengan t diukur dalam setengah-jam. Hitung peluang bahwa setidaknya sebuah klaim akan diproses pada 5 jam kedepan. Berapa peluang bahwa setidaknya 3 klaim diproses dalam 5 jam?
16 Waktu Antar Kedatangan Waktu Tunggu Jawab: P(T 1 10) = 1 P(T > 10) = 1 e 1 Selanjutnya, N 10 POI(10(1/10) = POI(1). Jadi, P(N 10 3) = 1 P(N 10 = 0) P(N 10 = 1) P(N 10 = 2) = 1 e 1 (1/1!) e 1 (1 2 /2!) e 1 =
17 Ilustrasi dan kajian tentang peubah acak waktu antar kedatangan serta waktu tunggu diatas telah menggiring kita untuk memahami lebih jauh tentang proses Poisson dan alasan mengapa proses ini penting. Proses Poisson (PP) adalah proses menghitung (counting process) untuk banyaknya kejadian yang terjadi hingga suatu waktu tertentu Proses ini sering disebut proses lompatan (jump process karena keadaan akan berpindah ke yang lebih tinggi setiap kali kejadian terjadi
18 Proses Menghitung Suatu proses stokastik {N t, t 0} adalah proses menghitung (counting process) jika N t merupakan total banyaknya kejadian (events) yang terjadi sampai waktu t. Sebagai contoh, (i) banyaknya orang yang masuk ke suatu restoran pada waktu/sampai waktu t, (ii) banyaknya gol yang diciptakan pemain, dan (iii) banyaknya klaim asuransi yang masuk.
19 Proses menghitung {N t, t 0} haruslah memenuhi kriteria berikut: N t 0 N t bernilai integer Jika s < t maka N s N t Untuk s < t, N t N s adalah banyaknya kejadian pada interval (s, t]
20 Dua sifat penting yang melekat pada proses menghitung adalah sebagai berikut. Pertama, kenaikan independen (independent increments). Suatu proses menghitung {N t } memiliki independent increments jika banyak kejadian yang terjadi pada [s, t], yaitu N t N s, saling bebas dengan banyak kejadian sampai waktu s. Dengan kata lain, banyak kejadian yang terjadi pada selang waktu yang saling asing adalah saling bebas. Kedua, kenaikan stasioner (stationary increments). Suatu proses menghitung {N t } memiliki stationary increments jikadistribusi banyak kejadian pada setiap selang hanya bergantung pada panjang selang.
21 Definisi-1 Ilustrasi Proses menghitung {N t, t 0} adalah proses Poisson dengan laju λ(> 0), jika N 0 = 0 Proses memiliki kenaikan independen Banyaknya kejadian di sebarang interval dengan panjang t berdistribusi Poisson dengan mean λt. Untuk setiap s, t 0 P ( {N s+t N s = n} ) λt (λt)n = e, n = 0, 1, 2,... n!
22 Definisi-2 Ilustrasi Proses menghitung {N t, t 0} adalah proses Poisson dengan laju λ(> 0), jika N 0 = 0 Proses memiliki kenaikan stasioner dan independen P ( {N h = 1} ) = λh + o(h) P ( {N h 2} ) = o(h)
23 Diskusi Ilustrasi Tunjukkan bahwa kedua definisi proses Poisson diatas identik.
24 Ilustrasi Misalkan {N t } proses Poisson dengan laju λ = 2. Hitung (i) P(N 5 = 4), (ii) P(N 5 = 4, N 6 = 9), (iii) E(2N 3 4N 5 ), (iv) Var(2N 3 4N 5 )
25 Jawab: P(N 5 = 4) = e 2 5 (2 5) 4 4!
26 P(N 5 = 4, N 6 = 9) = P(N 5 = 4, N 6 N 5 = 5) = P(N 5 = 4) P(N 6 N 5 = 5) = e 2 5 (2 5) 4 4! e 2 2 (2 2) 5 5!
27 E(2N 3 4N 5 ) = 2E(N 3 ) 4E(N 5 ) = 2(2 3) 4(2 5)
28 Var(2N 3 4N 5 ) = 4Var(N 3 ) + 16Var(N 5 N 3 ) = 4(2 3) + 16(2 2)
29 Misalkan {N t } proses Poisson dengan laju λ. Misalkan s, t > 0, dan k j 0. Tentukan distribusi N s+t diberikan N s = j.
30 Kita ketahui bahwa N s dan N s+t N s saling bebas. Jadi, P(N s+t = k N s = j) = P(N s+t N s = k j N s = j) = P(N s+t N s = k j) = P(N t = k j) Dengan kata lain, N s+t N s = j
31 Misalkan {N t } proses Poisson dengan laju λ. Misalkan s, t 0. Tentukan distribusi N t diberikan N s+t = n.
32 Jawab: N t N s+t = n Bin(n, t s + t ).
33 Misalkan {N t } proses Poisson dengan laju λ = 3. Hitung peluang T 2 > 5 diberikan N 4 = 1.
34 Jawab: P(T 2 > 5 N 4 = 1) = P(T 2 > 5 T 1 4) = P(T 2 > 5) = e 15
35 Pandang dua proses Poisson {N 1 (t)} dan {N 2 (t)} yang saling bebas dengan parameter, berturut-turut, λ 1 dan λ 2. Kita mendapatkan N(t) = N 1 (t) + N 2 (t), yang juga merupakan proses Poisson dengan parameter λ 1 + λ 2.
36 Bukti: Misalkan N(t) = N 1 (t) + N 2 (t). Untuk 0 t 1 < t 2 < < t T, saling bebas. Jadi, saling bebas. N 1 (t 1 ), N 1 (t 2 ) N 1 (t 1 ),..., N 1 (t T ) N 1 (t T 1 ), N 2 (t 1 ), N 2 (t 2 ) N 2 (t 1 ),..., N 2 (t T ) N 2 (t T 1 ) N(t 1 ), N(t 2 ) N(t 1 ),..., N(t T ) N(t T 1 )
37 Kita ketahui, N 1 (t j ) N 1 (t j 1 ) POI(λ 1 (t j t j 1 )) dan N 2 (t j ) N 2 (t j 1 ) POI(λ 2 (t j t j 1 )). Jadi, N(t j ) N(t j 1 ) POI ( (λ 1 + λ 2 )(t j t j 1 ) ) atau, dengan kata lain, {N t } proses Poisson dengan rate λ 1 + λ 2.
38 Ilustrasi Mahasiswa-mahasiswa MA ITB akan datang ke Gedung Matematika melewati pintu Tamansari atau pintu DayangSumbi. Kedatangan mahasiswa melalui kedua pintu tersebut, berturut-turut, mengikuti proses Poisson dengan parameter λ 1 = 1/2, λ 2 = 3/2 per menit. Berapa peluang tidak ada mahasiswa yang datang pada selang waktu 3 menit? Hitung mean waktu antara kedatangan mahasiswa-mahasiswa. Berapa peluang seorang mahasiswa benar-benar datang melalui pintu DayangSumbi?
39 Jawab: dan N TS + N DS = N T POI(2). N TS POI(1/2), N DS POI(3/2)
40 Karena λ = 2 = 1/2 + 3/2, maka T 1 exp(2), P(T 1 > 3) = e 6 E(T k ) = 1/2 P(T DS < T TS ) = 3/4
41 Penjualan tiket pertandingan semifinal AFF 2014 mengikuti tiga proses Poisson sbb: penjualan tiket harga sebenarnya: 2/jam penjualan tiket harga diskon (harga tembak kali...): 4/jam penjualan tiket VIP: 0.3/jam
42 Hitung: (a) waktu harapan hingga penjualan tiket berikutnya, (b) waktu harapan hingga penjualan tiket VIP berikutnya, (c) peluang bahwa penjualan tiket setelah tiket harga sebenarnya adalah tiket harga sebenarnya yang lain, (d) peluang bahwa tiket VIP akan dijual/terjual pada 30 menit kedepan, (e) peluang bahwa setidaknya 2 dari 3 tiket yang dijual berikutnya adalah tiket diskon
43 Jawab: N t = N TS (t) + N TD (t) + N TVip (t), dengan parameter λ = λ TS + λ TD + λ TVip = 6.3. Jadi (a) E(T) = 1/6.3 = (b) 1/0.3=3.33 (c) λ TS /λ = (d) T VIP Eksp(λ TVIP ); P(T VIP < 1/2) = 1 e (0.3)(1/2) (e) N B(3, λ TD /λ), dimana N banyak tiket harga diskon yang terjual; P(N 2) = =
44 Di suatu terminal bis, Bis A dan Bis B datang saling bebas mengikuti proses Poisson. Ada sebuah bis A datang setiap 12 menit dan sebuah bis B setiap 8 menit. Misalkan Yun untuk melakukan observasi terhadap bis-bis tersebut. Berapa peluang bahwa tepat 2 bis A akan datang pada 24 menit pertama dan tepat 3 bis B datang pada 36 menit pertama? Hitung mean waktu tunggu (expected waiting time) hingga sebuah bis datang. Berapa peluang bahwa diperlukan waktu setidaknya 20 menit untuk 2 bis B datang?
45 Jawab: N A adalah PP dengan λ = 1/12 N B adalah PP dengan λ = 1/8 P(N A (24) = 2, N B (36) = 3) = ( )( ) e /2! e /3!
46 Diketahui: T A (1) exp(1/12), T B (1) exp(1/8). Jadi, T = min(t A (1), T B (1)) exp(5/24) E(T) = 24/5
47 P(T B (1) + T B (2) 20) = 3.5 e 2.5 Catatan: S = T B (1) + T B (2) Ga(2, 1/8)
48 Diketahui suatu proses Poisson {N t } dengan parameter λ. Misalkan setiap kali terdapat suatu kejadian, kejadian tersebut dapat diklasifikasi ke Tipe I dengan peluang p atau Tipe II dengan peluang 1 p, yang saling bebas untuk seluruh kejadian.
49 Jika N 1 (t) dan N 2 (t) berturut-turut adalah kejadian tipe I dan II pada selang [0, t] maka {N 1 (t)} adalah proses Poisson dengan parameter λ p {N 2 (t)} adalah proses Poisson dengan parameter λ (1 p) Kedua proses saling bebas
50 Ilustrasi Seorang pemulung menemukan koin-koin sepanjang jalan. Koin-koin ditemukan menurut proses Poisson dengan rate 0.5 koin/menit. Perinciannya sbb: 60% koin % koin % koin 1000 Tentukan ekspektasi bersyarat koin-koin yang didapat pemulung sepanjang satu jam perjalanan, diberikan dia mendapat 10 koin 500.
51 Jawab: Misalkan N 1 (t), N 2 (t), N 3 (t) menyatakan banyak koin 100, 500, 1000 yang didapat hingga waktu t. Ketiga proses Poisson {N 1 (t)}, {N 2 (t)}, {N 3 (t)} saling bebas; rate ketiga proses adalah λ 1 = 0.5(0.6) = 0.3; λ 2 = 0.5(0.2) = 0.1; λ 1 = 0.5(0.2) = 0.1.
52 Jadi, E ( 100N 1 (60) + 500N 2 (60) N 1 (60) N 2 (60) = 10 ) =
53 Sebuah perusahaan asuransi memiliki dua jenis polis yaitu polis K dan M. Pengajuan klaim yang datang mengikuti proses Poisson dengan parameter 9 (per hari). Pemilihan klaim secara acak menunjukkan bahwa peluang polis jenis K terpilih adalah 1/3. Hitung peluang bahwa klaim-klaim polis jenis K (atau M) yang diajukan pada suatu hari kurang dari 2. Berapa peluang bahwa total klaim yang diajukan pada suatu hari kurang dari 2?
54 Jawab: N K (t) adalah proses Poisson dengan parameter λ p = 3; N M (t) adalah proses Poisson dengan parameter λ (1 p) = 6. P(N K (1) < 2) = P(N K (1) = 0) + P(N K (1) = 1) = 4 e 3 P(N M (1) < 2) = P(N M (1) = 0) + P(N M (1) = 1) = 7 e 6 P(N 1 < 2) = P(N 1 = 0) + P(N 1 = 1) = 10 e 9
55 Ike datang ke halte bis transjakarta pukul 8.15 pagi. Informasi yang ada sbb: - hingga pukul 9, bis akan datang mengikuti proses Poisson dengan parameter 1 (per 30 menit) - mulai pukul 9, bis akan datang mengikuti proses Poisson dengan parameter 2 (per 30 menit) Berapa waktu tunggu yang diharapkan (expected waiting time) Ike hingga sebuah bis datang?
56 Jawab: T w p.a. yang menyatakan waktu tunggu; T w exp(1/30), T w 45; T w exp(1/15), T T > 45; E(T w ) = E(T w T w 45)P(T w 45) + E(T w T w > 45)P(T w > 45)
MA4081 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 terperinciPengantar Proses Stokastik
Bab 5: Atina Ahdika, S.Si, M.Si Statistika FMIPA Universitas Islam Indonesia 2015 Waktu Antar Kedatangan Waktu Antar Kedatangan Misalkan T 1 menyatakan waktu dari kejadian/kedatangan pertama. Misalkan
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 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 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 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 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. 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 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 terperinciIKG3F3 PEMODELAN STOKASTIK Proses Poisson
Non Homogen IKG3F3 PEMODELAN STOKASTIK Dosen: Aniq A. Rohmawati, M.Si TELKOM UNIVERSITY JALAN TELEKOMUNIKASI 1, BANDUNG, INDONESIA IKG3F3 PEMODELAN STOKASTIK Non Homogen Proses Menghitung Proses stokastik
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 terperinciMA5181 PROSES STOKASTIK Bab 3 Proses Renewal
MA5181 PROSES STOKASTIK Bab 3 (not just) Always Listening, Always Understanding MA5181 PROSES STOKASTIK Bab 3 Soal Solusi Ujian Toko kue KP-Khusus Pria (ini toko apaan sih?) buka pukul 8 pagi. Pelanggan
Lebih terperinciMA4183 MODEL RISIKO Bab 5 Teori Kebangkrutan
MA4183 MODEL RISIKO Bab 5 Teori Kebangkrutan Control your risk! Konsep Surplus 1 Perusahaan asuransi memiliki modal awal atau initial surplus 2 Perusahaan menerima premi dan membayarkan klaim 3 Premi bersifat
Lebih terperinciPengantar Proses Stokastik
Bab 4: Distribusi Eksponensial Atina Ahdika, S.Si, M.Si Statistika FMIPA Universitas Islam Indonesia 2015 Pendahuluan Distribusi Eksponensial Pendahuluan Distribusi eksponensial dapat dipandang sebagai
Lebih terperinciP (A c B c ) = P [(A B) c ] = 1 P (A B) = 1 P (A) P (B) + P (AB)
Diskusi 1 Tanggal 29 Januari 2014, Waktu: suka-suka menit Peluang suatu kejadian; sifat-sifat peluang (termasuk kejadian-kejadian saling asing dan saling bebas); peluang bersyarat; peluang total; 1. Buktikan
Lebih terperinciP (A c B c ) = P [(A B) c ] = 1 P (A B) = 1 P (A) P (B) + P (AB)
Diskusi 1 Tanggal 29 Januari 2014, Waktu: suka-suka menit Peluang suatu kejadian; sifat-sifat peluang (termasuk kejadian-kejadian saling asing dan saling bebas); peluang bersyarat; peluang total; 1. Buktikan
Lebih terperinciBAB III PROSES POISSON MAJEMUK
BAB III PROSES POISSON MAJEMUK Pada bab ini membahas tentang proses stokastik, proses Poisson dan proses Poisson majemuk yang akan diaplikasikan pada bab selanjutnya. 3.1 Proses Stokastik Koleksi atau
Lebih 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 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 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 terperinciPengantar Proses Stokastik
Bab 4: Distribusi Eksponensial Atina Ahdika, S.Si, M.Si Statistika FMIPA Universitas Islam Indonesia 2015 Pendahuluan Distribusi Eksponensial Pendahuluan Distribusi eksponensial dapat dipandang sebagai
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 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 terperinciMA4081 PENGANTAR PROSES STOKASTIK Bab 3 Distribusi Eksponensial dan Aplikasinya
MA4081 PENGANTAR PROSES STOKASTIK Bab 3 Distribusi Eksponensial dan Aplikasinya Orang Pintar Belajar Stokastik Kuliah ProsStok, untuk apa? Fakultas Ekonomi ITB? Math is the language of economics. If you
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 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 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 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 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 terperinciPROSES POISSON MAJEMUK. 1. Pendahuluan
PROSES POISSON MAJEMUK Chris Risen, Respatiwulan, Pangadi Program Studi Matematika FMIPA UNS Abstrak. Proses Poisson merupakan proses menghitung {; t 0} yang digunakan untuk menentukan jumlah kejadian
Lebih terperinciPenggabungan dan Pemecahan. Proses Poisson Independen
Penggabungan dan Pemecahan Proses Poisson Independen Hanna Cahyaningtyas 1, Respatiwulan 2, Pangadi 3 1 Mahasiswa Program Studi Matematika/FMIPA, Universitas Sebelas Maret 2 Dosen Program Studi Statistika/FMIPA,
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 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. 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 terperinciPOISSON PROSES NON-HOMOGEN. Abdurrahman Valid Fuady, Hasih Pratiwi, dan Supriyadi Wibowo Program Studi Matematika FMIPA UNS
POISSON PROSES NON-HOMOGEN Abdurrahman Valid Fuady, Hasih Pratiwi, dan Supriyadi Wibowo Program Studi Matematika FMIPA UNS ABSTRAK. Proses Poisson merupakan proses stokastik sederhana dan dapat digunakan
Lebih terperinciREKAYASA TRAFIK ARRIVAL PROCESS.
REKAYASA TRAFIK ARRIVAL PROCESS ekofajarcahyadi@st3telkom.ac.id OVERVIEW Point Process Fungsi Distribusi Point Process Karakteristik Point Process Teorema Little Distribusi Point Process PREVIEW Proses
Lebih terperinciPROSES POISSON MAJEMUK DAN PENERAPANNYA PADA PENENTUAN EKSPEKTASI JUMLAH PENJUALAN SAHAM PT SRI REJEKI ISMAN TBK
PROSES POISSON MAJEMUK DAN PENERAPANNYA PADA PENENTUAN EKSPEKTASI JUMLAH PENJUALAN SAHAM PT SRI REJEKI ISMAN TBK Ririn Dwi Utami, Respatiwulan, dan Siswanto Program Studi Matematika FMIPA UNS Abstrak.
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 terperinciCatatan Kuliah. MA4181 PENGANTAR PROSES STOKASTIK Smart and Stochastic. disusun oleh Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah MA4181 PENGANTAR PROSES STOKASTIK Smart and Stochastic disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2014 Tentang MA4181 (Pengantar)
Lebih terperinciBab 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 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 terperinciCatatan Kuliah. AK5161 Matematika Keuangan Aktuaria Insure and Invest. Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2017 1 Tentang AK5161 Matematika
Lebih terperinciCatatan Kuliah. AK5161 Matematika Keuangan Aktuaria Insure and Invest. Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2016 1 Tentang AK5161 Matematika
Lebih terperinciCatatan Kuliah. AK5161 Matematika Keuangan Aktuaria Insure and Invest. Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2017 1 Tentang AK5161 Matematika
Lebih terperinci/ /16 =
Kuis Selamat Datang MA4181 Pengantar Proses Stokastik Stochastics: Precise and Prospective Tanggal 22 Agustus 2017, Waktu: suka-suka menit Dosen: Khreshna I.A. Syuhada, MSc. PhD. 1. Widya (akan) memenangkan
Lebih terperinci4. Misalkan peubah acak X memiliki fungsi distribusi:
Diskusi 1 Tanggal 19 Februari 2014, Waktu: suka-suka menit 1. Enam laki-laki dan 5 perempuan melamar suatu pekerjaan di PT KhrshFin. Empat dari mereka terpilih secara acak untuk diwawancarai. Misalkan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Teori Antrian 2.1.1. Sejarah Teori Antrian. Teori antrian adalah teori yang menyangkut studi matematis dari antrian atau baris-baris penungguan. Teori antrian berkenaan dengan
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 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 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 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 terperinciPEMODELAN DAN SIMULASI PELUANG KEBANGKRUTAN PERUSAHAAN ASURANSI DENGAN ANALISIS NILAI PREMI DAN UKURAN KLAIM DIASUMSIKAN BERDISTRIBUSI EKSPONENSIAL
ISSN : 2355-9365 e-proceeding of Engineering : Vol.4, No.1 April 2017 Page 1294 PEMODELAN DAN SIMULASI PELUANG KEBANGKRUTAN PERUSAHAAN ASURANSI DENGAN ANALISIS NILAI PREMI DAN UKURAN KLAIM DIASUMSIKAN
Lebih terperinciPemodelan dan Simulasi Peluang Kebangkrutan Perusahaan Asuransi dengan Analisis Nilai Premi dan Ukuran Klaim Berdistribusi Eksponensial
OPEN ACCESS ISSN 2460-9056 socj.telkomuniversity.ac.id/indojc Pemodelan dan Simulasi Peluang Kebangkrutan Perusahaan Asuransi dengan Analisis Nilai Premi dan Ukuran Klaim Berdistribusi Eksponensial Farah
Lebih terperinciBAB II LANDASAN TEORI. ilmiah. Pencacahan atau pengukuran karakteristik suatu objek kajian yang
BAB II LANDASAN TEORI 2.1 Konsep Dasar Peluang Pada dasarnya statistika berkaitan dengan penyajian dan penafsiran hasil yang berkemungkinan (hasil yang belum dapat ditentukan sebelumnya) yang muncul dalam
Lebih terperinciBAB 1. Rantai Markov 1.1 ILUSTRASI
BAB 1 Rantai Markov 1.1 ILUSTRASI (Ilustrasi 1) Akhir-akhir ini, hujan dan panas (baca: tidak hujan) datang silih berganti tanpa bisa diduga. Kalau hari ini hujan, besok mungkin hujan mungkin juga panas.
Lebih terperinciPr { +h =1 = } lim. Suatu fungsi dikatakan h apabila lim =0. Dapat dilihat bahwa besarnya. probabilitas independen dari.
6.. Proses Kelahiran Murni Dalam bab ini, akan dibahas beberapa contoh penting dari waktu kontinu, state diskrit, proses Markov. Khususnya, dengan kumpulan dari variabel acak {;0 } di mana nilai yang mungkin
Lebih terperinciBAB II 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 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 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 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 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 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 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 terperinciDISTRIBUSI DISKRIT KHUSUS
DISTRIBUSI DISKRIT KHUSUS UNIFORM (SERAGAM) BERNOULLI BINOMIAL POISSON MULTINOMIAL HIPERGEOMETRIK GEOMETRIK BINOMIAL NEGATIF MA3181 Teori Peluang 27 Oktober 2014 Utriweni Mukhaiyar DISTRIBUSI UNIFORM (SERAGAM)
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 terperinciPROSES POISSON MAJEMUK DAN PENERAPANNYA PADA PENENTUAN EKSPEKTASI JUMLAH PENJUALAN SAHAM PT SRI REJEKI ISMAN Tbk
PROSES POISSON MAJEMUK DAN PENERAPANNYA PADA PENENTUAN EKSPEKTASI JUMLAH PENJUALAN SAHAM PT SRI REJEKI ISMAN Tbk oleh RIRIN DWI UTAMI M0113041 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan
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 terperinciBAB I PENDAHULUAN. 1. Kedatangan, populasi yang akan dilayani (calling population)
BAB I PENDAHULUAN Antrian yang panjang sering kali kita lihat di bank saat nasabah mengantri di teller untuk melakukan transaksi, airport saat para calon penumpang melakukan check-in, di super market saat
Lebih terperinciP (Sp) = P (Sp LS)P (LS) + P (Sp LS c )P (LS c ) 0.2 = (0.15)(0.7) + P (Sp LS c )(0.3)
Kuis Selamat Datang Tanggal 22 Januari 2014, Waktu: suka-suka menit 1. Catatan dalam perusahaan asuransi otomotif memberikan informasi bahwa (i) setiap pelanggan mengasuransikan setidaknya satu mobil (ii)
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 terperinciSTATISTICS. WEEK 5 Hanung N. Prasetyo TELKOM POLTECH/HANUNG NP
STATISTICS WEEK 5 Hanung N. Prasetyo Kompetensi 1. Mahasiswa memahamikonsep dasar distribusi peluang kontinu khusus seperti uniform dan eksponensial 2. Mahasiswamampumelakukanoperasi hitungyang berkaitan
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 terperinciBAB I PENDAHULUAN. Antrian dalam kehidupan sehari-hari sering ditemui, misalnya antrian di
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Antrian dalam kehidupan sehari-hari sering ditemui, misalnya antrian di kasir supermarket, antrian di pom bensin, antrian saat bayar parkir, antrian pasien
Lebih terperinciMA4081 PENGANTAR PROSES STOKASTIK
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 2012 Tentang
Lebih terperinciCatatan Kuliah. AK5161 Matematika Keuangan Aktuaria Insure and Invest. Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2017 1 Tentang AK5161 Matematika
Lebih terperinciPERSATUAN AKTUARIS INDONESIA
PERSATUAN AKTUARIS INDONESIA Komisi Penguji PERSATUAN AKTUARIS INDONESIA UJIAN PROFESI AKTUARIS MATA UJIAN : A70 Pemodelan dan Teori Risiko TANGGAL : 24 Juni 2014 JAM : 13.30 16.30 WIB LAMA UJIAN : 180
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 terperinciANALISIS KEANDALAN PRODUK DENGAN POLA PENGGUNAAN INTERMITTENT
ARIKA, Vol. 04, No. 2 Agustus 2010 ISSN: 1978-1105 ANALISIS KEANDALAN PRODUK DENGAN POLA PENGGUNAAN INTERMITTENT Farida D Sitania Dosen Program Studi Teknik Industri, Fakultas Teknik, Universitas Pattimura
Lebih terperinciPengantar Statistika Matematika II
Bab 2: Sifat-Sifat Estimator Statistika FMIPA Universitas Islam Indonesia Statistik Cukup Dalam kondisi real, kita tidak mengetahui parameter dari populasi data yang akan kita teliti Informasi dalam sampel
Lebih 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 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 terperinciMODEL PREDIKSI DENGAN BINOMIAL POISSON INAR(1) DAN TRINOMIAL POISSON INAR(2)
Prosiding Seminar Nasional Matematika dan Pendidikan Matematika (SESIOMADIKA) 2017 ISBN: 978-602-60550-1-9 Statistika, hal. 36-41 MODEL PREDIKSI DENGAN BINOMIAL POISSON INAR(1) DAN TRINOMIAL POISSON INAR(2)
Lebih terperinciMinggu 1 Review Peubah Acak dan Fungsi Distribusi. Minggu 4-5 Analisis Model MA, AR, ARMA. Minggu 6-7 Model Diagnostik dan Forecasting
IKG4Q3 Ekonometrik Dosen: Aniq A Rohmawati, M.Si [Kelas Ekonometrik] CS-36-02 [Jadwal] Senin 10.30-12.30 R.A208A; Selasa 10.30-12.30 R.E302 [Materi Ekonometrik] Kuliah Pemodelan dan Simulasi berisi tentang
Lebih terperinciUNY. Modul Praktikum Teori Antrian. Disusun oleh : Retno Subekti, M.Sc Nikenasih Binatari, M.Si Jurusan Pendidikan Matematika FMIPA UNY
UNY Modul Praktikum Teori Antrian Disusun oleh : Retno Subekti, M.Sc Nikenasih Binatari, M.Si Jurusan Pendidikan Matematika FMIPA UNY Daftar Halaman : Halaman Muka... Bagian I. Mengenal Model Antrian...
Lebih terperinciMA4081 PENGANTAR PROSES STOKASTIK
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 2012 Tentang
Lebih terperinciPengantar Proses Stokastik
: Dasar-dasar Probabilitas Statistika FMIPA Universitas Islam Indonesia Diskusi 1. Misalkan sebuah koin yang mempunyai peluang muncul muka sebesar.7, dilantunkan tiga kali. Misalkan X menyatakan banyaknya
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 terperinciMODEL EKSPONENSIAL GANDA PADA PROSES STOKASTIK (STUDI KASUS DI STASIUN PURWOSARI)
Model Eksponensial (Sugito) MODEL EKSPONENSIAL GANDA PADA PROSES STOKASTIK (STUDI KASUS DI STASIUN PURWOSARI) Sugito 1, Yuciana Wilandari 2 1,2 Staf Pengajar Jurusan Statistika FSM Undip sugitozafi@undip.ac.id,
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 terperinciPENERAPAN PROSES POISSON NON-HOMOGEN UNTUK MENENTUKAN DISTRIBUSI PROBABILITAS KEDATANGAN NASABAH DI BNI BANJARBARU
tnp PENERAPAN PROSES POISSON NON-HOMOGEN UNTUK MENENTUKAN DISTRIBUSI PROBABILITAS KEDATANGAN NASABAH DI BNI BANJARBARU Mida Yanti 1 Nur Salam 1 Dewi Anggraini 1 Abstract: Poisson process is a special event
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. 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 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 terperinci7/28/2005 created by Hotniar Siringoringo 1
Tujuan analisis output adalah menjawab pertanyaan yang diajukan di awal pembentukan model dengan benar. Bentuk pertanyaan mengindikasikan pengujian hipotesis, selang kepercayaan atau pendugaan parameter.
Lebih terperinciMA4081 PENGANTAR PROSES STOKASTIK
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 2012 Tentang
Lebih terperinciREKAYASA TRAFIK ARRIVAL PROCESS
REKAYASA TRAFIK ARRIVAL PROCESS eko fajar [ST3 TELKOM] [ekofajarcahyadi@st3telkom.ac.id] 1. Karakteristik Point Process a. Stasioner b. Independen c. Simple Seperti yang sudah dijelaskan di awal bahwa
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 terperinciMODEL SISTEM ANTRIAN PESAWAT TERBANG DI BANDAR UDARA INTERNASIONAL HUSEIN SASTRANEGARA
MODEL SISTEM ANTRIAN PESAWAT TERBANG DI BANDAR UDARA INTERNASIONAL HUSEIN SASTRANEGARA untuk memenuhi Tugas Besar mata kuliah Pemodelan Sistem disusun oleh: Graham Desmon 131141264 Hafizha Fauzani 131144294
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 terperinciDISTRIBUSI POISSON Pendahuluan Rumus Pendekatan Peluang Poisson untuk Binomial P ( x ; µ ) = (e µ. µ X ) / X! n. p Rumus Proses Poisson
DISTRIBUSI POISSON Pendahuluan Distribusi poisson diberi nama sesuai dengan penemunya yaitu Siemon D. Poisson. Distribusi ini merupakan distribusi probabilitas untuk variabel diskrit acak yang mempunyai
Lebih terperinci