SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2016
Judul Tesis
Nama
NIM
Program Studi
: G551150271
: Matematika Terapan
Disetujui oleh
Komisi Pembimbing
Dr Ir Hadi Sumarno, MS
Anggota
Diketahui oleh
Dr Jaharuddin, MS
PRAKATA
Puji syukur Penulis panjatkan kehadirat Ida Sang Hyang Widhi Wasa, karena atas
berkat dan anugrah-Nya sehingga proposal rencana penelitian ini dapat diselesaikan. Bidang
penelitian yang di pilih Penulis adalah Pemodelan Matematika, dengan judul Pendugaan
Fungsi Nilai Harapan dan Ragam dari Fungsi Intensitas Berbentuk Eksponensial Pada Proses
Poisson Majemuk.
Penulis mengucapkan terimakasih kepada Bapak Prof. Dr. Ir. I Wayan Mangku,
M.Sc dan Bapak Dr. Ir. Hadi Sumarno, MS selaku pembmbing yang telah memberikan
petunjuk dan saran terkait rencana penelitian ini. Penulis juga mengucapkan terimakasih
kepada Bapak, Ibu, dan Keluarga Besar, serta teman-teman Gugusan Matematika
Pascasarjana Matematika IPB atas dukungannya.
Penulis beharap penelitian ini dapat berjalan dengan baik serta dapat memberikan
konstribusi bagi masyarkat dan pengembangan ilmu pengetahuan di bidang Matematika
Terapan.
Bogor, 24 Oktober 2016
I Made Yoga Emma Prasetya
DAFTAR ISI
PENDAHULUAN
Latar Belakang
Tujuan Penelitian
1
1
1
TINJAUAN PUSTAKA
Nilai Harapan dan Ragam
Kekonvergenan
Penduga dan Sifat-sifatnya
Proses Stokastik
Definisi dan Lema Teknis
1
1
2
3
4
5
METODE
Kerangka Pikir Penelitian
6
6
JADWAL PENELITIAN
DAFTAR PUSTAKA
PENDAHULUAN
Latar Belakang
Proses Poisson majemuk merupakan generalisasi dari proses Poisson dan bentuk
khusus dari proses stokastik. Proses Poisson majemuk dalam fenomena nyata digunakan
ketika terjadinya beberapa kejadian pada selang waktu tertentu seperti; kedatangan pelanggan
dalam sebuah rumah makan, banyaknya bayi yang lahir pada sebuah rumah sakit, banyaknya
klaim asuransi yang masuk pada sebuah instansi asuransi, banyaknya gol yang diciptakan
oleh pemain pada suatu pertandingan dan lain-lain. Kegler (2007) menggunakan proses
Poisson majemuk pada bidang demografi. Bening dan Korolev (2002) menerapkan proses
Poisson majemuk dalam bidang asuransi dan keuangan.
Proses Poisson majemuk sama seperti proses Poisson biasa memiliki bentuk homogen
dan takhomogen. Proses Poisson majemuk homogen ketika fungsi intensitasnya konstan (tak
bergantung pada waktu) sedangkan proses Poisson takhomogen ketika fungsi itensitasnya
bergantung pada waktu. Jika suatu kejadian memiliki peluang yang lebih besar terjadi pada
suatu interval tertentu dibandingkan interval lainnya, maka proses Poisson majemuk
homogen tidak sesuai digunakan. Sehingga proses Poisson majemuk takhomogen yang lebih
sesuai digunakan.
Penelitian ini akan mengkaji tentang proses Poisson majemuk dengan fungsi
intensitas berbentuk eksponensial yang merupakan salah satu bentuk khusus dari proses
Poisson majemuk yang takhomogen. Proses Poisson majemuk dengan intensitas eksponensial
ini digunakan untuk menggambarkan suatu kejadian yang berkaitan dengan proses
kependudukan pada suatu interval waktu, atau pada proses kedatangan nasabah pada suatu
bank. Pada penelitian ini yang akan di duga adalah nilai harapan dan ragam dari fungsi
intensitas berbentuk eksponensial pada proses Poisson majemuk.
Tujuan Penelitian
Tujuan dari penelitian ini adalah sebagai berikut:
1. merumuskan penduga bagi fungsi nilai harapan dan ragam dari fungsi intensitas
berbentuk eksponensial pada proses Poisson majemuk,
2. menganalisis kekonsistenan penduga,
3. menganalisis bias, ragam, dan mean squared error (MSE) penduga.
TINJAUAN PUSTAKA
Nilai harapan dan Ragam
Definisi 1 (Nilai harapan)
1. Nilai harapan dari peubah acak diskrit X dengan himpunan dari nilai probabilitas A
dan fungsi massa peluang p(x) didefinisikan sebagai
E ( X )= xp (x)
xA
Nilai harapan dikatakan ada jika jumlahnya konvergen mutlak (Ghahramani 2005).
2. Jika X adalah peubah acak kontinu dengan fungsi kepekatan peluang f, nilai harapan
dari X didefinisikan sebagai
E ( X )= xf ( x ) dx
dan
berbeda, maka
E ( X + )=E ( X )+
Bukti dapat dilihat di Ghahramani (2005).
Lema 2 (Sifat nilai harapan bersyarat)
Misalkan X dan Y adalah peubah acak, dimana peubah acak X bersyarat terhadap Y,
maka
E [ X ] =E [ E [ X|Y ] ]
Bukti dapat dilihat di Ross (2010).
Definisi 2 (Ragam)
1. Misalkan X sebuah peubah acak diskrit dengan himpunan dari nilai probabilitas A,
E ( X )=
p( x)
fungsi
massa
peluang
dan
.
Ragam
X
(Var ( X ))=E [ ( X )2 ]= ( x )2 p(x )
x A
(Ghahramani 2005).
E ( X )= , dan fungsi kepekatan
peluang
f (x) . Ragam X
2005).
Lema 3 (Sifat ragam)
1. Jika X adalah peubah acak dengan ragam yang berhingga, maka untuk sebarang
2
konstanta c dan d, berlaku var ( cX + d )=c var ( X ) .
2. Misalkan X dan Y adalah peubah acak, dan misalkan pula c dan d adalah dua buah
2
2
konstanta sebarang, maka var ( cX + dY )=c var ( X )+ d var ( Y ) +2 cdcov ( X , Y ) .
3. Jika
dan
adalah
peubah
acak
saling
bebas,
maka
Kekonvergenan
Definisi 3 (Kekonvergenan dalam peluang)
Misalkan
X 1 , X 2 , , X n
>0 , maka
Misalkan
dan
YnPY
, maka
X n +Y n P X +Y
dan
X n Y n P XY
X 1 , X 2 , , X n
acak X, dinotasikan
Xn a . s X
, jika
>0 berlaku
(Ghahramani 2005).
Lema 6 (Sifat kekonvergenan hampir pasti)
Xn a . s X
Misalkan
X n Y n a . s XY
dan
Yna.sY
maka
X n +Y n a . s X +Y
dan
X 1 , X 2 , , X n
X 1 , X 2 ,
( , F , P) .
P (| X nX|> )<
n=1
X 1 , X 2 , , X n
^g () . Bilamana nilai
U ( X 1 , X 2 , , X n )
, maka
lim E [ U ( X 1 , X 2 , , X n ) ]=g()
, maka
g() .
U ( X 1 , X 2 , , X n )
disebut penduga
1. Suatu statistik
g() ,
U ( X 1 , X 2 , , X n )
yaitu
U ( X 1 , X 2 , , X n ) P g()
untuk
n ,
disebut
penduga
g() .
U ( X 1 , X 2 , , X n ) a. s g()
untuk
U ( X 1 , X 2 , , X n )
n , maka
E (W ) .
2
E (W )2=var ( W )++( E ( W ))2=var ( W ) +(bias ( ^ n ) ) (Hogg et al. 2014).
Proses Stokastik
Definisi 11 (Proses Stokastik)
Proses stokastik
{X ( t ) ,t T }
2010).
Definisi 12 (Proses stokastik dengan waktu kontinu)
Suatu proses stokastik
{X ( t ) ,t T }
bebas
jika
untuk
semua
X ( t 1) X ( t 0 ) , X ( t 2 ) X ( t 1) , , X ( t n ) X ( t n1 )
Definisi 14 (Inkremen stasioner)
{X ( t ) ,t T }
disebut memiliki
,
peubah
acak
X ( t+ s )X (t)
{X ( t ) ,t T }
disebut memiliki
2010).
N (t)
menyatakan banyaknya kejadian yang telah terjadi sampai waktu t. Dari definisi tersebut,
maka suatu proses pencacahan N ( t ) harus memenuhi syarat-syarat berikut:
i.
N ( t ) 0 untuk semua t .
N ( t ) adalah bilangan bulat.
ii.
Nilai
iii.
Jika s <t
iv.
Untuk
maka
s <t
N (s) N (t) , s , t .
maka
i.
ii.
iii.
N ( 0 )=0 .
Memiliki inkremen bebas.
Banyaknya kejadian pada sebarang selang waktu dengan panjang t, memiliki sebaran
(distribusi) Poisson dengan nilai harapan ( E[ N ( t ) ] sama dengan t . Jadi,
s , t 0
t
P ( N ( s+t )N ( s )=k )=
(t )
, k=0,1,
k!
Dari syarat (iii) dapat dinyatakan proses Poisson memiliki inkremen stasioner (Ross 2010).
Definisi 17 (Proses Poisson homogen)
yang merupakan
yang merupakan
(t ) (Ross 2010).
pada itik s R
{N ( t ) , t 0 }
di s (Cressie 1993).
adalah
dengan fungsi
: RR
yang berbentuk
a>0 , serta
( s )=aebs
0<b < ,
untuk
a , b R
e bilangan Euler
dimana b diasumsikan
{N ( t ) , t 0 }
dengan laju
dan
{X i , i 1 }
merupakan barisan peubah acak i.i.d yang saling bebas pada proses Poisson. Jika
N (t )
( B ) = ( s) ds<
B
(Dudley 1989).
Simbol big-oh ini merupakan cara untuk membandingkan besarnya dua fungsi
u( x ) dan v (x ) , dengan x menuju suatu limit L. Notasi u ( x ) =O(v ( x )) , menyatakan
bahwa
| |
u( x)
v(x)
terbatas, untuk
x L (Serfling 1980).
Definisi 24 (Fungsi o ( h ) )
f : RR
Suatu fungsi
o (h)
jika
lim
h0
f (h)
=0
h
(Kulkarni 2010).
Lema 7 (Pertidaksamaan Chebyshevs)
Misalkan
=E ( X )
dan
2=Var ( X )
maka
P(|X | t)
2
t 2 . Bukti dapat
{ An}
. Jika
P( A n)<
n=1
, maka
m=1
n=m
P ( An ) = lim P( An , n m)=0
m
Jika
{ An}
m=1
n=m
P ( An ) = lim P( An , n m)=1
m
P( A n)=
n=1
, maka
{X i , i 1 }
dan ragam
2 < , maka
1
n . Bukti dapat dilihat pada Capinski dan Koop
X p
n i=1 i , untuk
(2007).
Lema 10 (Hukum kuat bilangan besar)
Misalkan
{X i , i 1 }
< , maka
1
X a . s , untuk n . Bukti dapat dilihat pada Capinski dan Koop (2007).
n i=1 i
0 an b n
1. Jika
b n
konvergen, maka
2. Jika
an
divergen, maka
an
b n
konvergen.
divergen.
ak
k=1
f ( x) dx
1
METODE
Kerangka Pikir Penelitian
10
JADWAL PENELITIAN
Kegiatan
September
1
Oktober
4
November
4
Desember
4
Januari
4
Februari
4
Maret
4
Study
Pustaka
Kolokium
Pembuatan
Proposal
Sidang
Komisi I
Pengajuan
Proposal
Penelitian
dan
Penulisan
Sidang
Komisi II
Seminar
Hasil
Submit
Jurnal
Sidang
Komisi III
Sidang
Tesis
Revisi Tesis
DAFTAR PUSTAKA
Bening VE, Korolev VY. 2002. Generalized Poisson Models and Their Application in
Insurance and Finance. Boston (US): VSP International Science Publishers.
Capinski M, Koop E. 2007. Measure, Integral and Probability. Ed ke-2. New York (US):
Springer.
11
Cressie NAC. 1993. Statistics for Spatial Data. Revised Edition. New York : Wiley.
DasGupta A. 2011. Probability for Statisticsand Machine Learning: Fundamentals and
Advanced Topics. New York (US): Springer.
Dudley, R. M. 1989. Real Analysis and Probability. California: Wadsworth & Brooks.
Ghahramani S. 2005. Fundamental of Probability with Stochastic Processes. Ed. ke-3. New
Jersey (US) : Prentice Hall.
Grimmett, G. R. and D. R. Stirzaker. 1992. Probability and Random Processes.Ed. ke-2.
Oxford: Clarendon Press.
Hogg RV, McKean JW , Craig AT. 2014. Introduction to Mathematical Statistics. Ed. ke-7.
Englewood Cliffs, New Jersey : Prentice Hall.
Kegler SR. 2007. Applying the compound Poisson process model to reporting of injuryrelated mortality rates. Epidemiologic Perspectives & Innovations 4: 1-9.
Kulkarni V.G. 2010. Modelling and Analysis of Stochastics Systems. Ed. Ke-2. University of
North Carolina (US) : CRC Press.
Purcell E.J, Varberg D, and Rigdon S. 2006. Calculus. Southern Illinois University
Edwardsville : Prentice Hall
Ross SM. 2010. Introduction to Probability Models. Ed. ke-9. Orlando, Florida : Academic
Press Inc.
Serfling, R. J. 1980. Approximation Theorems of Mathematical Statistics. New York: John
Wiley & Sons.
Sokol A, Neilsen AR. 2010. Advanced Probability. Copenhagen (DK): University of
Copenhagen.
Stewart J. 2001. Calculus. Ed. Ke-4. Jakarta: Erlangga.
Wasserman L. 2003. All of Statistics A Concise Course in Statistical Inference. Pittsburgh,
Pennsylvania : Springer.