BAB 2 LANDASAN TEORI DAN KAJIAN PUSTAKA
|
|
- Sonny Atmadjaja
- 6 tahun lalu
- Tontonan:
Transkripsi
1 BAB 2 LANDASAN TEORI DAN KAJIAN PUSTAKA 2.1 Estimasi Bayes Definisi 1 Estimasi Bayes yang paling mungkin dari suatu nilai kebenaran θ 0 yang tidak diketahui pada parameter θ adalah nila ˆθ yang meminimumkan distribusi posterior fungsi densitas atau marginal probabilitas πθ x. Sehingga estimasi Bayes yang paling mungkin diberikan oleh πˆθ x = sup πθ x θ Sebagai contoh, asumsikan X 1,X 2,...,X n sebagai suatu sampel acak dari distribusi binomial Bm, θ dengan m diketahui dan asumsikan suatu distribusi prior Beta α, β untuk θ. Sehingga, Akibatnya, likelihood = f X x θ = θ n x i 1 θ nm mxi θ x i 1 θ m x i x i 2.1 πθ x likelihood. prior θ t 1 θ nm t θα 1 1 θ β 1 Bα, β θ α+t 1 1 θ nm t+β Distribusi posterior yang diperoleh adalah Betaα + t, nm t + β dan πθ x = θα+t 1 1 θ nm t+β 1, 0 <θ<1 2.3 Bα + t, nm t + β Sehingga, estimasi Bayes yang mungkin yang diperoleh dapat dituliskan sebagai berikut ˆθ = α + t 1 nm + α + β
2 5 Definisi 2 Keakuratan pada suatu estimasi ϑ pada parameter θ diberikan oleh accϑ =ϑ µ p 2 + σ 2 p dengan µ p dan σ 2 p merupakan rata-rata dan variansi pada distribusi posterior, berturutturut. Dari Definisi 2, asumsikan bahwa keakuratan pada suatu estimasi adalah meminimumkan jika estimasi yang dipilih sama dengan rata-rata posterior µ p, yaitu ˆθ = µ p. Ini mengakibatkan beberapa Bayesian lebih menggunakan nilai rata-rata distribusi posterior sebagai estimasi pada θ dibandingkan dengan estimasi Bayes yang paling mungkin. Jika µ p dan σp 2 adalah mean dan variansi berturut-turut pada distribusi posterior, maka accϑ = ϑ µ p + µ p θ 2 πθ xdθ = ϑ µ p 2 πθ xdθ + θ µ p 2 πθ xdθ +2 ϑ µ p µ p θπθ xdθ 2.5 =ϑ µ p 2 + σp 2 +2ϑ µ p µ p θπθ xdθ =ϑ µ p 2 + σp 2 +0 =ϑ µ p 2 + σp 2 Definisi 3 Nilai rata-rata pada distribusi posterior adalah µ p = Eθ x = θπθ xdθ dengan integral adalah hasil penjumlahan seluruh dengan asumsi bahwa adalah diskrit merupakan estimasi pada θ dengan keakuratan yang rendah. Sehingga estimasi pada µ p selanjutnya disebut sebagai estimasi Bayes pada θ. Definisi 4 Asumsikan φθ merupakan suatu fungsi pada parameter θ dan ϑ merupakan suatu estimasi pada φθ. Keakuratan pada ϑ didefinisikan oleh accϑ ϑ φθ 2 πθ xdθ
3 6 dengan integral adalah hasil penjumlahan seluruh dengan asumsi bahwa adalah diskrit. Asumsikan µ p φ =Eφθ x = φθπθ xdθ dengan integral adalah hasil penjumlahan seluruh dengan asumsi bahwa adalah diskrit sebagai nilai rata-rata atau ekspektasi pada φθ terhadap distribusi posterior pada θ. Sehingga, accϑ =ϑ µ p φ 2 + σpφ 2 dengan σpφ 2 =Varφθ x = φθ µ p φ 2 πθ xdθ merupakan variansi pada φθ terhadap distribusi posterior pada θ dan estimasi pada φθ dengan keakuratan terendah adalah ˆφ = µ p φ. Definisi 5 Estimasi µ p θ = Eφθ x = φθπθ xdθ merupakan estimasi pada φθ dengan keakuratan terendah dan disebut sebagai estimasi Bayes pada φθ. Metode Bayes merupakan metode yang menggabungkan informasi dari informasi lain yang diketahui atau disebut juga dengan prior sehingga lebih dikenal sebagai peluang subjektif. Dalam Bayesian, hasil dari sebarang masalah inferensi yang dinyatakan dalam distribusi posterior merupakan gabungan dari informasi yang disediakan oleh data dan informasi prior relevan yang ada. Andaikan tidak terdapat informasi prior, maka dipilih suatu fungsi prior yang relatif uniformative, yaitu fungsi prior yang memberikan pengaruh minimum pada inferensi fungsi posterior. 2.2 Parameter Pareto Distribusi Pareto diperkenalkan oleh seorang pengamat ekonomi, Vilfredo Pareto, yaitu suatu distribusi yang digunakan di bidang sosial, ilmiah, geofisika, aktuaria dan fenomena di bidang lainnya. Andaikan X adalah suatu variabel acak dengan distribusi Pareto, maka probabilitas dimana X adalah lebih besar dari sejumlah bilangan tertentu x dapat dinyatakan sebagai xmx α untuk x x m Fx =PrX >x= 1 untuk x<x m
4 7 dengan x m merupakan nilai minimum yang mungkin pada X dan α adalah suatu parameter positif. Adapun karakteristik distribusi Pareto Tipe I yaitu terdapat suatu parameter skala x m dan suatu parameter kondisi α, yang juga disebut sebagai index akhir tail index. Sehingga α disebut sebagai parameter Pareto. Adapun fungsi distribusi kumulatif dan fungsi densitas probabilitas pada parameter Pareto berturut-turut adalah 1 x mx α untuk x x m F x x = 0 untuk x<x m Asumsikan terdapat suatu data merupakan n variabel acak berdistribusi saling bebas identik yang masing-masing mempunyai distribusi Pareto dengan parameter pertidaksamaan α dan parameter konsentrasi τ. Sehingga bentuk likelihood pada data dapat dinyatakan sebagai berikut [ ] fx x ; α, τ =exp n log α nα log τ log x i α +1 Iτx 1:n > 1 yang diperoleh dari hasil estimasi maximum likelihood yaitu ˆτ = 1 minx 1,...,x n ; ˆα = dengan ketentuan sebagai berikut. n n log τ + n log x i 1. Jika τ diketahui, maka prior konjugasi natural pada densitas untuk α merupakan gamma. 2. Jika α diketahui, maka prior konjugasi natural pada prior τ merupakan Pareto. Dari dua kondisi diatas, dapat ditentukan densitas pada prior konjugasi. Asumsikan bahwa nilai α dan τ tidak diketahui, maka untuk densitas diperoleh: 1. Diberikan densitas kondisional pada τ adalah α dengan parameter pertidaksamaan γτ dan parameter intensitas λτ yaitu fα τ α γτ 1 e ατα 2.6
5 8 dengan mean dan variansi adalah Eα τ = 1 + a 2 + m 12 log τ a 1 + m 11 log τ 2.7 varα τ = 1 + a 2 + m 12 log τ a 1 + m 11 log τ Diberikan densitas kondisional pada α adalah τ dengan parameter pertidaksamaan δα dan parameter konsentrasi υα yaitu fτ α υαδα[υατ] τα+1 Iυατ >1 2.9 dengan δα = 1 + b + m 11 α + m 12 log α dan υα =c Densitas marginal untuk α dan τ masing-masing dapat dinyatakan sebagai c [b+m 11α+m 12 log α+1] fα expa 1 α + a 2 log α [b + m 11 α + m 12 log α +1] 2.11 fτ τ b Γ[a 2 + m 12 log τ +1] [ a 1 m 11 log τ] a 2+m 12 log τ+1 Iτc > Untuk fungsi densitas probabilitas pada distribusi Pareto adalah fx α, τ =ατ α x α dan fungsi densitas kumulatif pada distribusi Pareto adalah x α F x α, τ = τ dengan x τα, τ > 0, x. 2.3 Distribusi Posterior y 2,...,Y m Asumsikan terdapat m cuplikan informasi yang diindekskan sebagai Y 1 = y 1,Y 2 = = y m dengan fungsi densitas probabilitas fx θ dan fungsi densitas kumulatif F x θ dengan parameter θ R k. Y =Y 1,Y 2,...,Y m adalah f 1,2,...,m y 1,y 2,...,y m θ = m 1 Fungsi densitas probabilitas joint pada hy i θfy m θ, <y 1 < <y m < 2.15
6 9 dengan hy θ = fy θ/[1 F y θ]. Sehingga fungsi densitas probabilitas marginal pada cuplikan informasi k pada Y k adalah f k y θ = [Hy θ]k 1 fy θ 2.16 Γk dengan Hy θ = ln1 F y θ. Dengan parameter Pareto α dan τ yang belum diketahui, diberikan fungsi likelihood yaitu Lα, τ y α m τ α y α m I[y 1 >τ] 2.17 dengan I[A] merupakan fungsi indikator pada kejadian A. Suatu prior konjugasi joint untuk α, τ digeneralisasikan dengan prior Lwin atau prior power-gamma yang didenotasikan sebagai PGυ,λ,µ,L 0 yaitu πα, τ α υ τ λα 1 µ α α>0, 0 <τ<l dengan υ,λ,µ,l 0 merupakan konstanta positif dan L 0 <µ. Prior mengidentifikasikan πα sebagai Gaυ,ln µ λ, ln L 0 dan πτ α sebagai distribusi fungsi power PFλα, L 0 yaitu πτ α λατ λα 1 L λα 0 0 <τ<l Dengan menggabungkan persamaan 3.13 dan 3.14, diperoleh densitas posterior pada α dan τ sebagai berikut πα, τ y αm+υ exp{ α[λ 1 λ + 1 ln τ]}i[τ <M 1 ] 2.20 τ dengan M 1 = miny 1,L 0 dan Λ 1 =lnµ+ln y m. Integrasikan α dan τ sehingga diperoleh densitas prior pada α dan τ, berturut-turut yaitu πα y α m+υ 1 exp{ α[λ 1 λ + 1 ln M 1 ]} 2.21 dan πτ y 1 τ [Λ 1 λ + 1 ln τ] m+υ+1 I[τ <M 1 ] 2.22 Sehingga, diperoleh estimator Bayesian pada α secara eksplisit yaitu m + υ α B = [Λ 1 λ + 1 ln M 1 ] 2.23 Analisis data uji hidup merupakan persoalan analisis data uji statistik terhadap daya tahan hidup suatu benda atau individu didasarkan pada keadaan operasional
7 10 tertentu. Penerapan dari analisis ini biasanya banyak digunakan di bidang kedokteran yang berkaitan dengan pemodelan ketahanan hidup penderita penyakit tertentu Lee, 1992 dan di bidang pertanian yang berkaitan dengan pemodelan ketahanan hidup benda-benda produksi Barlow dan Proschan, Freud 1992 menjelaskan persoalan utama dalam estimasi Bayes adalah menggabungkan suatu parameter dengan sampel tertentu secara langsung dengan menentukan ϕθ x, dengan kondisional densitas pada θ adalah X = x. Reiss dan Thomas 1999 memberikan cara lain dalam menentukan estimasi Bayes pada parameter Pareto. Asumsikan terdapat suatu fungsi distribusi Pareto yaitu F α y =1 1 + y α,y 0 dengan parameter kondisi yang tidak diketahui, α>0, dan proses homogen Poisson dengan intensitas yang tidak diketahui, λ>0. Diberikan data t 1,y 1,...,t k,y k, maka maximum likelihood estimate MSE pada λ, α k ˆλ, ˆα = T, k i k log1 + y i Estimator Bayes, λ, α dinotasikan sebagai prior gamma yang saling independen. Dengan fungsi quadratic loss, diperoleh estimasi Bayes pada λ dan α yaitu ˆλ, ˆα = r + k c + kˆλ, s + k d + kˆα Reed 2001 menjelaskan tentang estimasi parameter pada distribusi Pareto yang berhubungan dengan estimator Hill di bidang asuransi. Ini disebabkan oleh estimator lain yang digunakan pada distribusi Pareto memiliki kinerja yang kurang baik jika parameter yang digunakan tidak sama dengan 0 pada model Pareto. Sehingga diperlukan suatu formula alternatif dalam hal estimasi dengan adanya estimasi Bayes. Andaikan terdapat fungsi densitas probabilitas dan fungsi distribusi kumulatif pada distribusi simetrik ganda Pareto berturut-turut θ 1 x fx; θ, β = θ 0 <x<β β 2β θ+1 β x β x
8 11 dan 1 2 F x; θ, β= untuk beberapa θ>0 dan β>0, berturut-turut. θ x 0 x<β β θ β x β x Abdul-Sathar et al., 2005 memberikan penjelasan sebagai berikut. Andaikan X 1,X 2,...,X n adalah suatu sampel acak dari distribusi Uniform U0,θ dan asumsikan suatu distribusi prior Pareto untuk θ dengan fungsi densitas probabilitas yaitu πθ = β α α θ β+1 ; α<θ< Sampel yang digunakan yaitu x =x 1,x 2,...,x n. Diperoleh fungsi densitas probabilitas pada θ 1 0 <x<θ fx θ = θ 0 otherwise = 1 θ I [0,θ]x Adapun prior fungsi densitas probabilitas πθ = β α β+ ; α<θ< α θ = β α β+1 1 ; Iα, θ; α θ θ β+1i α, θ dan estimasi Bayes yang mungkin yaitu ˆθ max max 1 i n x i,α Doostparast dan Balarishnan 2012 memberikan pandangan mengenai estimasi Bayes. Andaikan terdapat suatu barisan {R 1,K 1,...,R m,k m 1} dari suatu parameter Pareto Parβ,α. Sehingga dengan fungsi likelihood diperoleh Lβ,α r, k= αm β α m k 1 Π m rαk 1+1 i Sehingga, dengan menggunakan interval kepercayaan pada α dan β dapat diperoleh hasil estimasi Bayes untuk parameter r, k pada distribusi Pareto.
9 12 Diberikan suatu himpunan n pengamatan saling bebas X 1,X 2,...,X n =X dari suatu distribusi dengan fungsi densitas fx θ dengan nilai data yang diuji x 1,x 2,...,x n = x. Dari Persamaan , dapat ditentukan distribusi prediktif untuk parameter Pareto dalam menentukan nilai suatu data di masa yang akan datang, X n+1. Diberikan definisi sebagai berikut Efx θ x = fx θπθ xdθ 2.24 Karena X n+1 di X, maka fx θπθ x = f Xn+1 x θ, xπθ x = f Xn+1,θ 0 x, θ x = fungsi densitas joint di X n+1,θ 0 dengan X = x diperoleh fx θπθ xdθ = f Xn+1,θ 0 x, θ xdθ = f Xn+1 x x = distribusi kondisional fungsi densitas dengan X = x Distribusi kondisional pada X n+1 dengan X = x merupakan distribusi prediktif dari X n+1. Estimasi Bayes dari f Xn+1 x θ =fx θ, likelihood pada pengamatan di masa yang akan datang merupakan fungsi densitas dari distribusi prediktif dari X n+1 yang diperoleh dari estimasi Bayes di fx θ. Asumsikan terdapat suatu data pengamatan X 1,X 2,...,X n sebagai sampel acak dari distribusi eksponensial dengan fungsi densitas probabilitas fx θ = θe θx i,x > 0. Asumsikan terdapat prior Gammaα, β untuk θ. Dari prior pada fungsi densitas probabilitas tersebut, dapat ditentukan distribusi prediktif untuk pengamatan X n+1 dimana likelihood dengan nilai x =x 1,x 2,...,x n adalah n n Lθ = fx i θ = θe θx i = θ n e θ x i 2.27 dan fungsi densitas probabilitas prior dinyatakan dengan πθ = βα θ α 1 e βθ Γα θ α 1 e βθ 2.28
10 13 Dari fungsi densitas probabilitas prior dan likelihood pada distribusi eksponensial, diperoleh fungsi densitas probabilitas posterior yang dapat diformulasikan sebagai πθ x likelihood. prior θ n e θ x i.θ α 1 e βθ = θ n+α 1 e x i +β θ 2.29 dengan distribusi posterior adalah Gamman + α, n x i + β dan fungsi densitas probabilitas yang diperoleh dinyatakan sebagai berikut πθ x = n n+α x i + β θ n+α 1 e Γn + α x i +β θ dan distribusi prediktif untuk X n+1 mempunya fungsi densitas probabilitas yaitu f Xn+1 x X=x = 0 θe θx n x i + β = Γn + α n x i + β = Γn + α n n+α x i + β θ n+α 1 e Γn + α n+α n+α 0 θ n+α 1 1 e x i +β x+ n Γn + α +1 x + n x i + β = n + α x i + β x i + β x + n x i + β n+α+1 n+α+1 θ dθ x i +β θ dθ untuk x>0, maka X n+1 + x i + β P areto x i + β,n + α X n+1 P areto x i + β,n + α x i + β 2.32
Pengantar Statistika Matematika II
Bab 3: Estimasi Titik dengan Metode Bayes Statistika FMIPA Universitas Islam Indonesia Dalam pendekatan klasik, parameter θ adalah besaran tetap yang tidak diketahui Sampel random X 1, X 2,..., X n diambil
Lebih terperinciPengantar Statistika Matematika II
Pengantar Statistika Matematika II Estimasi Titik dengan Metode Atina Ahdika, S.Si., M.Si. Prodi Statistika FMIPA Universitas Islam Indonesia May 9, 2017 atinaahdika.com Dalam pendekatan klasik, parameter
Lebih terperinciPengantar Statistika Matematika II
Pengantar Statistika Matematika II Distribusi Sampling Atina Ahdika, S.Si., M.Si. Prodi Statistika FMIPA Universitas Islam Indonesia March 20, 2017 atinaahdika.com Bila sampling berasal dari populasi yang
Lebih terperinciPengantar Statistika Matematika II
Bab 3: Statistika FMIPA Universitas Islam Indonesia Bila sampling berasal dari populasi yang digambarkan melalui fungsi peluang f X (x θ), pengetahuan tentang θ menghasilkan karakteristik mengenai keseluruhan
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Dalam pembicaraan statistik, jawaban yang diinginkan adalah jawaban untuk ruang lingkup yang lebih luas, yakni populasi. Tetapi objek dari studi ini menggunakan sampel
Lebih terperinciPengantar Statistika Matematika II
Bab 6: Statistika FMIPA Universitas Islam Indonesia Inferensi Statistik Pendahuluan Inferensi Statistik Inferensi statistik adalah metode untuk menarik kesimpulan mengenai suatu populasi. Inferensi statistik
Lebih terperinciPENAKSIR PARAMETER DISTRIBUSI INVERS MAXWELL UKURAN BIAS SAMPEL MENGGUNAKAN METODE BAYESIAN. Rince Adrianti 1, Haposan Sirait 2 ABSTRACT ABSTRAK
PENAKSIR PARAMETER DISTRIBUSI INVERS MAXWELL UKURAN BIAS SAMPEL MENGGUNAKAN METODE BAYESIAN Rince Adrianti, Haposan Sirait Mahasiswa Program Studi S Matematika Dosen Matematika, Jurusan Matematika Fakultas
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 terperinciPengantar Statistika Matematika II
Pengantar a Matematika II - Estimator Atina Ahdika, S.Si., M.Si. Prodi a FMIPA Universitas Islam Indonesia April 17, 2017 atinaahdika.com Dalam kondisi real, kita tidak mengetahui parameter dari populasi
Lebih terperinciINFERENSI PARAMETER MEAN POPULASI NORMAL DENGAN METODE BAYESIAN OBYEKTIF
INFERENSI PARAMETER MEAN POPULASI NORMAL DENGAN METODE BAYESIAN OBYEKTIF Adi Setiawan Program Studi Matematika Industri dan Statistika, Fakultas Sains dan Matematika Universitas Kristen Satya Wacana Jl
Lebih 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 terperinciPENGGUNAAN METODE BAYESIAN OBYEKTIF DALAM INFERENSI PARAMETER POPULASI SERAGAM
PENGGUNAAN METODE BAYESIAN OBYEKTIF DALAM INFERENSI PARAMETER POPULASI SERAGAM Adi Setiawan Program Studi Matematika, Fakultas Sains dan Matematika Universitas Kristen Satya Wacana Jl. Diponegoro 52-6
Lebih terperinciUji Hipotesis dan Aturan Keputusan
Uji Hipotesis dan Aturan Keputusan oleh: Khreshna Syuhada, PhD. 1. Pendahuluan Pada perkuliahan tingkat 2, telah dikenalkan masalah uji hipotesis sebagai berikut: Seorang peneliti memberikan klaim bahwa
Lebih 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 terperinciBAB 2 KAJIAN PUSTAKA DAN LANDASAN TEORI. Dalam beberapa tahun terakhir, model graph secara statistik telah diaplikasikan
BAB 2 KAJIAN PUSTAKA DAN LANDASAN TEORI Dalam beberapa tahun terakhir, model graph secara statistik telah diaplikasikan dengan baik pada aplikasi pengenalan suara, pengolahan citra (Willsky, 2002 dan Choi
Lebih terperinciPengantar Statistika Matematika II
Bab 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 terperinciEstimasi Titik. (Point Estimation) Minggu ke 1-3. Prof. Dr. Sri Haryatmi, M. Sc. Universitas Gadjah Mada
Estimasi Titik (Point Estimation) Minggu ke 1-3 Prof. Dr. Sri Haryatmi, M. Sc. Universitas Gadjah Mada 2014 Prof. Dr. Sri Haryatmi, M. Sc. (UGM) Daftar Isi 2014 1 / 33 DAFTAR ISI 1 Minggu 1 Pertemuan 1
Lebih terperinciII. LANDASAN TEORI. sєs (S ruang sampel) dengan sebuah bilangan real. Salah satu peubah acak adalah
II. LANDASAN TEORI Peubah acak X(s) merupakan sebuah fungsi X yang menetapkan setiap anggota sєs (S ruang sampel) dengan sebuah bilangan real. Salah satu peubah acak adalah peubah acak diskrit, yaitu banyaknya
Lebih terperinciESTIMASI PARAMETER MODEL REGRESI ZERO-INFLATED POISSON (ZIP) MENGGUNAKAN METODE BAYESIAN
ESTIMASI PARAMETER MODEL REGRESI ZERO-INFLATED POISSON (ZIP) MENGGUNAKAN METODE BAYESIAN Karima Puspita Sari, Respatiwulan, dan Bowo Winarno Program Studi Matematika FMIPA UNS Abstrak. Model regresi zero-inflated
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini diberikan beberapa konsep dasar seperti teorema dan beberapa definisi sebagai landasan dalam penelitian ini. Konsep dasar ini berkaitan dengan masalah yang dibahas dalam
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 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 terperinciModel Poisson. Inferensi likelihood. Andi Kresna Jaya November 19, Jurusan Matematika
Review Poisson dengan overdispersi Inferensi likelihood Andi Kresna Jaya andikresna@yahoo.com Jurusan Matematika November 19, 2014 Review Poisson dengan overdispersi Outline 1 Review 2 3 Poisson dengan
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 terperinciKONSEP DASAR TERKAIT METODE BAYES
KONSEP DASAR TERKAIT METODE BAYES 2.3. Peubah Acak dan Distribusi Peluang Pada statistika kita melakukan percobaan dimana percobaan tersebut akan menghasilkan suatu peluang. Ruang sampel pada percobaan
Lebih 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 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 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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pendugaan Area Kecil Secara umum metode pendugaan area kecil dibagi menjadi dua bagian yaitu metode penduga langsung (direct estimation) dan metode penduga tak langsung (indirect
Lebih terperinciPENERAPAN MODEL REGRESI LINIER BAYESIAN UNTUK MENGESTIMASI PARAMETER DAN INTERVAL KREDIBEL
PENERAPAN MODEL REGRESI LINIER BAYESIAN UNTUK MENGESTIMASI PARAMETER DAN INTERVAL KREDIBEL Vania Mutiarani 1, Adi Setiawan, Hanna Arini Parhusip 3 1 Mahasiswa Program Studi Matematika FSM UKSW, 3 Dosen
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Pendahuluan Pada bab ini akan diuraikan mengenai beberapa teori dan metode yang mendukung serta mempermudah dalam melakukan perhitungan dan dapat membantu di dalam pembahasan
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 terperinciINFERENSI STATISTIK DISTRIBUSI BINOMIAL DENGAN METODE BAYES MENGGUNAKAN PRIOR KONJUGAT. Oleh : ADE CANDRA SISKA NIM: J2E SKRIPSI
INFERENSI STATISTIK DISTRIBUSI BINOMIAL DENGAN METODE BAYES MENGGUNAKAN PRIOR KONJUGAT Oleh : ADE CANDRA SISKA NIM: J2E 006 002 SKRIPSI Sebagai Salah Satu Syarat untuk Memperoleh Gelar Sarjana Sains Pada
Lebih terperinciBAB 1 PENDAHULUAN. ii Bagaimana rata-rata atau nilai tengah dibuat oleh Stimulan eksternal.
BAB 1 PENDAHULUAN 1.1 Latar Belakang Perkembangan ilmu pengetahuan matematika dan penerapannya dalam berbagai bidang keilmuan selalu mencari metode baru untuk memudahkan dalam memprediksi dan menaksir
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 terperinciSTATISTIKA MATEMATIKA
Praktikum STATISTIKA MATEMATIKA Adi Setiawa Uiversitas Kriste Satya Wacaa Salatiga 2006 i Cotets : Statistik Cukup 2 Latiha Soal Statistik Cukup 6 3 : Estimasi Titik 7 4 Latiha Soal Estimasi Titik 37 5
Lebih terperinciALGORITMA PENENTUAN UKURAN SAMPEL EKSAK UNTUK DISTRIBUSI NORMAL, DISTRIBUSI POISSON DAN DUA DISTRIBUSI BINOMIAL DALAM MODEL KELUARGA EKSPONENSIAL
ALGORITMA PENENTUAN UKURAN SAMPEL EKSAK UNTUK DISTRIBUSI NORMAL, DISTRIBUSI POISSON DAN DUA DISTRIBUSI BINOMIAL DALAM MODEL KELUARGA EKSPONENSIAL 1) Program Studi Matematika Universitas Ahmad Dahlan dian@math.uad.ac.id
Lebih terperinci6. Teori Estimasi. EL2002-Probabilitas dan Statistik. Dosen: Andriyan B. Suksmono
6. Teori Estimasi EL2002-Probabilitas dan Statistik Dosen: Andriyan B. Suksmono Pendahuluan Inferensi statistik adalah metoda untuk menarik inferensi atau membuat generalisasi dari suatu populasi. Ada
Lebih terperinciMENAKSIR PARAMETER µ DARI N( µ, ) DENGAN METODE BAYES
MENAKSIR PARAMETER µ DARI N( µ, ) DENGAN METODE BAYES Hartayuni Saini 1 1 Jurusan Matematika, FMIPA-UNTAD. e-mail: yunh3_chendist@yahoo.co.id Abstrak Untuk menaksir nilai µ dari N(µ, ) umumnya digunakan
Lebih terperinciSTK 203 TEORI STATISTIKA I
STK 203 TEORI STATISTIKA I V. SEBARAN FUNGSI PEUBAH ACAK V. Sebaran Fungsi Peubah Acak 1 Sebaran Fungsi Peubah Acak Dalam banyak kasus untuk melakukan inferensi terhadap suatu parameter kita lebih banyak
Lebih terperinciCatatan Kuliah. MA4283 Teori Risiko dan Kredibilitas Forecasting Risk: Precise and Prospective. Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah MA4283 Teori Risiko dan Kredibilitas Forecasting Risk: Precise and Prospective Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2018
Lebih terperinciBAB III METODE PENELITIAN
digilib.uns.ac.id BAB III METODE PENELITIAN Metode yang digunakan dalam penelitian ini adalah kajian pustaka dari buku referensi karya ilmiah. Karya ilmiah yang digunakan adalah hasil penelitian serta
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
1 \ BAB I PENDAHULUAN 1.1 Latar Belakang Informasi-informasi faktual yang diperoleh berdasarkan hasil observasi maupun penelitian sangatlah beragam. Informasi yang dirangkum sedemikian rupa disebut dengan
Lebih terperinciMINGGU KE-9 MACAM-MACAM KONVERGENSI
MINGGU KE-9 MACAM-MACAM KONVERGENSI Kita telah mengetahui bahwa untuk n besar dan θ kecil sedemikian hingga nθ = λ, distribusi binomial bisa dihampiri oleh distribusi Poisson. Mencari hampiran distribusi
Lebih 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 terperinciTINJAUAN PUSTAKA. ruang sampel dan dilambangkan dengan huruf S. Ruang sampel beranggotakan
II. TINJAUAN PUSTAKA 2.1 Percobaan dan Ruang Sampel Menurut Walpole (1995), istilah percobaan digunakan untuk sembarang proses yang dapat membangkitkan data. Himpunan semua hasil suatu percobaan disebut
Lebih 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 terperinciSetiap karakteristik dari distribusi populasi disebut dengan parameter. Statistik adalah variabel random yang hanya tergantung pada harga observasi
ESTIMASI TITIK Setiap karakteristik dari distribusi populasi disebut dengan parameter. Statistik adalah variabel random yang hanya tergantung pada harga observasi sampel. Statistik merupakan bentuk dari
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 terperinciSTATISTIKA MATEMATIKA
Diktat Kuliah STATISTIKA MATEMATIKA Adi Setiawan Universitas Kristen Satya Wacana Salatiga 2006 i Contents Pendahuluan. Sifat Kecukupan.............................2 Sifat Kelengkapan...........................
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 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 II TINJAUAN PUSTAKA. (b) Variabel independen yang biasanya dinyatakan dengan simbol
BAB II TINJAUAN PUSTAKA A. Regresi Regresi adalah suatu studi statistik untuk menjelaskan hubungan dua variabel atau lebih yang dinyatakan dalam bentuk persamaan. Salah satu variabel merupakan variabel
Lebih 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 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 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 terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analisis regresi adalah suatu metode yang digunakan untuk menganalisa hubungan antara variabel respon dan variabel prediktor. Pada umumnya analisis regresi
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 terperinciCatatan Kuliah. MA4283 Teori Risiko dan Kredibilitas Forecasting Risk: Precise and Prospective. Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah MA4283 Teori Risiko dan Kredibilitas Forecasting Risk: Precise and Prospective Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2018
Lebih terperinciStatistika Matematika II
Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Mulawarman 2017 Referensi: Hogg, R.V., McKean, J.W., dan Craig, A.T. (2013). Introduction to Mathematical Statistics, Edisi
Lebih terperinciPERSATUAN AKTUARIS INDONESIA
PERSATUAN AKTUARIS INDONESIA Komisi Penguji PERSATUAN AKTUARIS INDONESIA UJIAN PROFESI AKTUARIS MATA UJIAN : A70 Pemodelan dan Teori Risiko TANGGAL : 25 Juni 2013 JAM : 13.30 16.30 WIB LAMA UJIAN : 180
Lebih terperinciDISTRIBUSI ERLANG DAN PENERAPANNYA. Rini Kurniasih 1, Getut Pramesti 2 Mahasiswi Pendidikan Matematika FKIP UNS, Dosen Pendidikan Matematika FKIP UNS
DISTRIBUSI ERLANG DAN PENERAPANNYA Rini Kurniasih 1, Getut Pramesti 2 Mahasiswi Pendidikan Matematika FKIP UNS, Dosen Pendidikan Matematika FKIP UNS nia.rini.purita2316@gmail.com, getut.uns@gmail.com ABSTRAK
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 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 terperinciBAB 2 LANDASAN TEORI. Definisi 1 Himpunan semua hasil yang mungkin dari suatu percobaan disebut ruang sampel dan dinyatakan dengan S.
BAB 2 LANDASAN TEORI 2.1 Ruang Sampel dan Kejadian Definisi 1 Himpunan semua hasil yang mungkin dari suatu percobaan disebut ruang sampel dan dinyatakan dengan S. Tiap hasil dalam ruang sampel disebut
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 terperinciDistribusi Probabilitas : Gamma & Eksponensial
Distribusi Probabilitas : Gamma & Eksponensial 11 Debrina Puspita Andriani E-mail : debrina.ub@gmail.com / debrina@ub.ac.id 2 Outline Distribusi Gamma Distribusi Eksponensial 3 Distribusi Gamma Tidak selamanya
Lebih terperinciMINGGU KE-11 HUKUM BILANGAN BESAR LEMAH DAN KUAT
MINGGU KE-11 HUKUM BILANGAN BESAR LEMAH DAN KUAT HUKUM BILANGAN BESAR LEMAH DAN KUAT Misalkan X 1, X 2, X 3... barisan variabel random. Kita tulis S n = n X i. Dalam subbab ini kita akan menjawab pertanyaan
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Perkembangan teori statistika telah mempengaruhi hampir semua aspek kehidupan. Hal ini disebabkan statistika merupakan salah satu disiplin ilmu yang berperan
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 terperinciPenaksiran Mean Stratum pada Sampling Acak Stratifikasi dengan Menggunakan Metode Empirical Bayes
Penaksiran Mean Stratum pada Sampling Acak Stratifikasi dengan Menggunakan Metode Empirical Baes Sisca Agnessia Departemen Matematika, FMIPA UI, Kampus UI Depok 6 sisca.agnessia@ahoo.com Abstrak Dalam
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 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 terperinciINFERENSI PARAMETER SIMPANGAN BAKU POPULASI NORMAL DENGAN METODE BAYESIAN OBYEKTIF
INFERENSI PARAMETER SIMPANGAN BAKU S - POPULASI NORMAL DENGAN METODE BAYESIAN OBYEKTIF Adi Setiawan Program Studi Matematika Fakultas Sains dan Matematika Universitas Kristen Satya Wacana, Jl Diponegoro
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Inferensi adalah adalah suatu proses untuk menghasilkan informasi dari fakta yang diketahui. Inferensi juga dikatakan suatu konklusi logis atau implikasi berdasarkan
Lebih terperinciII. TINJAUAN PUSTAKA. Ruang sampel S adalah himpunan semua hasil dari suatu percobaan. Kejadian E
5 II. TINJAUAN PUSTAKA 2.1 Konsep Dasar Peluang Ruang sampel S adalah himpunan semua hasil dari suatu percobaan. Kejadian E adalah himpunan bagian dari ruang sampel. Peluang suatu kejadian P(E) adalah
Lebih terperinciLANDASAN TEORI. menyatakan hubungan antara variabel respon Y dengan variabel-variabel
5 II. LANDASAN TEORI 2.1 Model Regresi Poisson Analisis regresi merupakan metode statistika yang populer digunakan untuk menyatakan hubungan antara variabel respon Y dengan variabel-variabel prediktor
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 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 Statistika Matematika II
Bab 4: Metode Evaluasi Estimator Statistika FMIPA Universitas Islam Indonesia Penggunaan metode estimasi yang berbeda dapat menghasilkan estimator yang sama maupun berbeda Dari hasil estimator yang berbeda,
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.. Konsep Dasar Analisis Runtun Waktu Pada bagian ini akan dikemukakan beberapa definisi yang menyangkut pengertian dan konsep dasar analisis runtun waktu. Definisi Runtun waktu
Lebih terperinciTeorema Newman Pearson
pengujian terbaik Andi Kresna Jaya andikresna@yahoo.com Jurusan Matematika October 6, 2014 Outline 1 Review 2 Uji dua sisi untuk mean 3 Teorema Neyman-Pearson Back Outline 1 Review 2 Uji dua sisi untuk
Lebih terperinciII. TINJAUAN PUSTAKA
II. TINJAUAN PUSTAKA Dalam proses penelitian untuk mengkaji karakteristik penduga distribusi generalized gamma dengan metode generalized moment ini, penulis menggunakan definisi, teorema dan konsep dasar
Lebih terperinciKULIAH ANALISIS STATISTIK DATA SIMULASI Tipe-tipe simulasi berdasarkan analisis output:
KULIAH ANALISIS STATISTIK DATA SIMULASI Tipe-tipe simulasi berdasarkan analisis output: 1. Terminating simulation 2. Nonterminating simulation: a. Steady-state parameters b. Steady-state cycle parameters
Lebih terperinciBAB I PENDAHULUAN. sewajarnya untuk mempelajari cara bagaimana variabel-variabel itu dapat
BAB I PENDAHULUAN 1.1 Latar Belakang Jika kita mempunyai data yang terdiri dari dua atau lebih variabel maka sewajarnya untuk mempelajari cara bagaimana variabel-variabel itu dapat berhubungan, hubungan
Lebih 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 terperinciBAB 3 METODE PENELITIAN
BAB 3 METODE PENELITIAN 3.1 Flowchart Penelitian Gambar 3.1 Flowchart Diagram 36 37 3.2 Langkah-Langkah Penelitian Metodologi penelitian merupakan tahapan yang harus ditetapkan sebelum melakukan penelitian,
Lebih terperinciDISTRIBUSI STASIONER RANTAI MARKOV UNTUK PREDIKSI CURAH HUJAN DI WILAYAH JAWA BARAT
DISTRIBUSI STASIONER RANTAI MARKOV UNTUK PREDIKSI CURAH HUJAN DI WILAYAH JAWA BARAT Firdaniza, Nurul Gusriani, Emah Suryamah Departemen Matematika Universitas Padjadjaran firdaniza@unpad.ac.id Abstrak:
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 4, Nomor 3, Tahun 2015, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 3, Tahun 2015, Halaman 563-572 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian ANALISIS PENGARUH INFLASI, KURS, DAN SUKU BUNGA SERTIFIKAT BANK
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 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 terperinciBAB II TINJAUAN PUSTAKA. return, mean, standard deviation, skewness, kurtosis, ACF, korelasi, GPD, copula,
BAB II TINJAUAN PUSTAKA Pada bab ini akan dibahas semua konsep yang mendasari penelitian ini yaitu return, mean, standard deviation, skewness, kurtosis, ACF, korelasi, GPD, copula, VaR, estimasi VaR dengan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Distribusi eksponensial tergenaralisir (Generalized Eponential Distribution) pertama kali diperkenalkan oleh Gupta dan Kundu pada tahun 1999. Distribusi ini diambil
Lebih terperinciBAB I PENDAHULUAN. Statistika adalah salah satu cabang ilmu yang mempelajari prosedur-prosedur
BAB I PENDAHULUAN 1.1 Latar Belakang Statistika adalah salah satu cabang ilmu yang mempelajari prosedur-prosedur yang digunakan dalam pengumpulan, penyajian, analisis dan interpretasi data. Statistika
Lebih terperinciESTIMASI PARAMETER MODEL REGRESI MULTIVARIAT BAYESIAN DENGAN DISTRIBUSI PRIOR NONINFORMATIF JEFFREYS 1. PENDAHULUAN
ESTIMASI PARAMETER MODEL REGRESI MULTIVARIAT BAYESIAN DENGAN DISTRIBUSI PRIOR NONINFORMATIF JEFFREYS Firda Amalia, Dewi Retno Sari Saputro, Purnami Widyaningsih Program Studi Matematika FMIPA Abstrak.
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 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 terperinciDistribusi Diskrit dan Kontinu yang Penting. Oleh Azimmatul Ihwah
Distribusi Diskrit dan Kontinu yang Penting Oleh Azimmatul Ihwah Distribusi Diskrit Fungsi probabilitas dari variabel random diskrit dapat dinyatakan dalam formula matematik tertentu yang dinamakan fungsi
Lebih 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. 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 terperinci