Anda di halaman 1dari 34

Matematika 3 1

Continuous Random Variable &


Distribution
Sebuah random variable X dan distribusi yang
berkorespondensi dikatakan sebagai continuous type
atau secara singkat continuous jika fungsi distribusi
F(x) = P(Xx) dari X dapat dituliskan dalam
bentuk integral sbb:
}

=
x
dv v f x F ) ( ) (
dimana integral adalah kontinyu, kecuali beberapa nilai v
yang terbatas dan tidak negatif.
Matematika 3 2
Integran f disebut sebagai probability density atau
density dari distribusi.
Dengan mendiferensialkan persamaan di atas:
) ( ) ( ' x f x F =
untuk setiap x dimana f(x) adalah kontinyu.
Dalam hal ini, density adalah derivative dari fungsi
distribusi.
Dari aksioma 2:
}


=1 ) ( dv v f
Matematika 3 3
Gabungan persamaan di atas:
}
= = s <
b
a
dv v f a F b F b X a P ) ( ) ( ) ( ) (
Dengan demikian, probabilitas akan sama dengan
area/luas di bawah kurva densitas f(x) antara x=a dan
x=b.
Matematika 3 4
Secara singkat, untuk sembarang nilai a dan b, b(>a),
dalam kasus continuous random variable X probabilitas
berkorespondensi dengan interval a<Xb, a<X<b,
aX<b dan aXb semua adalah sama. Ini akan
berbeda untuk kasus distribusi diskret.
Fungsi distribusi (yang sama dengan fungsi
probabilitas atau densitas) menentukan semua
sifat-sifat random variable.
Kita akan menyatakan sifat-sifat penting
kemudian, sebagai contoh nilai rata-rata (mean)
dan spread (variance), dengan nilai yang dapat
dihitung dari fungsi distribusi dan sering
memberikan cukup informasi untuk keperluan
praktis.
Matematika 3 5
Mean & Variance of Distribution
Mean value atau mean sebuah distribusi dituliskan
dengan simbol didefinisikan sebagai:

=
j
j j
x f x ) (
(Distribusi diskret)
}


= dx x xf ) ( (Distribusi kontinyu)
Persamaan pertama fungsi f(x) merupakan fungsi
probabilitas dari random variable untuk X yang sedang
diperhitungkan, dan kita menjumlahkan semua nilai
kemungkinan.
Matematika 3 6
Persamaan kedua fungsi f(x) merupakan densitas dari
X.
Mean juga disebut sebagai mathematical expectation dari
X dan kadang2 dituliskan sebagai E(X).
Dari definisi di atas, diasumsikan bahwa deret dalam
persamaan pertama konvergen dan integral lxlf(x) dari -
sampai ada (mempunyai nilai).
Sebuah distribusi dikatakan symmetric terhadap bilangan
x=c jika untuk setiap bilangan real x,

f(c+x) = f(c-x)
Theorem 1 (Mean of symmetric distribution)
Matematika 3 7
Jika sebuah distribusi adalah symmetric terhadap x = c
dan mempunyai mean , maka = c.
Variance dari distribusi dituliskan sebagai
2
dan
didefinisikan sebagai:

=
j
j j
x f x ) ( ) (
2 2
o
(Distribusi diskret)
}


= dx x f x ) ( ) (
2 2
o (Distribusi kontinyu)
Matematika 3 8
Untuk kasus distribusi diskret dengan f(x)=1 pada suatu
titik dan f=0 untuk yang lain, kita dapatkan
2
=0. Kasus
ini tidak punya arti dalam kejadian praktis.
Pada kasus yang umum:
0
2
> o
Akar positif dari variance disebut standar deviasi ().
Dapat dikatakan, variance memberi ukuran sebaran
atau dispersi dari nilai yang berkorespondensi secara
random variable X.
Contoh 1. Mean & Variance
Matematika 3 9
Random variable:
X = Jumlah sisi gambar pada pelemparan satu mata uang
mempunyai kemungkinan nilai X=0 dan X=1 dengan
probabilitas P(X=0)=1/2 dan P(X=1)=1/2
Dari teori di atas kita dapatkan mean
=01/2+11/2=1/2

2
=(0-1/2)
2
1/2+(1-1/2)
2
1/2=1/4
Matematika 3 10
Contoh 2. Uniform distribution
Perhatikan distribusi dengan densitas sbb:
b x a
a b
x f < <

= untuk
1
) (
Dari teorema terdahulu bahwa =(a+b)/2, maka
variance:
( )
12
1
2
2
2
2
a b
dx
a b
b a
x
b
a

|
.
|

\
|
+
=
}
o
Dan f = 0 utk yang lain disebut sebagai uniform
distribution pada interval a<x<b.
Matematika 3 11
Gambar berikut sebagai ilustrasi
2
sebagai ukuran
dari sebaran:
Distribusi uniform dengan mean sama (0.5) tetapi beda
varians
2
Matematika 3 12
Theorem 2 (Linear transformation)
Jika sebuah random variable X mempunyai mean dan
variance
2
, random variable X*=c
1
X+c
2
(c
1
0)
mempunyai mean dan variance:
2 1
* c c + =
2 2
1
2
o o c =
-
Matematika 3 13
Theorem 3 (Standardized variable)
Jika sebuah random variable X mempunyai mean dan
variance
2
, random variable yang berkorespondensi:
o

=
X
Z
mempunyai mean 0 dan variance 1.
Z disebut standardized variable yang
berkorespondensi dengan X.
Matematika 3 14
Jika X adalah sembarang random variable dan g(X)
adalah sembarang fungsi kontinyu yang terdefinisi untuk
semua bilangan real X, sehingga

=
j
j j
x f x g X g E a ) ( ) ( )) ( ( ) ( (X diskret)
(X kontinyu)
}


= dx x f x g X g E b ) ( ) ( )) ( ( ) (
disebut mathematical expectation dari g(X). Disini f
adalah fungsi probabilitas atau densitas.
Matematika 3 15
Jika g(X) = X
k
(k=1,2,...), maka akan didapatkan:

=
j
j
k
j
k
x f x X E ) ( ) (
dx x f x X E
k k
}


= ) ( ) (
) (
k
X E
disebut kth moment dari X.
Dengan mengambil g(X)=(X-)
k
| | ( ) ( )

=
j
j
k
j
k
x f x X E ) (
| | ( ) ( ) dx x f x X E
k k
}


= ) (
| | ( )
k
X X E disebut kth central moment dari X.
Matematika 3 16
Dapat dibuktikan bahwa:
1 ) 1 ( = E
) (X E =
| | ( )
2
2
o = X E
Matematika 3 17
Binomial Distribution
Diperoleh jika kita tertarik pada jumlah (berapa kali)
event A terjadi dalam n independent performance
sebuah eksperimen, dengan asumsi A mempunyai
probabilitas P(A)=p dalam uji tunggal.
Maka q=1-p merupakan probabilitas di mana uji tunggal
event A tidak terjadi.
Kita mengasumsikan bahwa experimen dilakukan n kali
dan mempertimbangkan random variable:
X = jumlah(berapa kali) A terjadi
Matematika 3 18
Kemudian X dapat diasumsikan dengan nilai 0, 1, , n,
dan kita ingin menentukan probabilitas yang
berkorespondensi.
Untuk tujuan ini kita perhatikan sembarang nilai, X=x,
yang berarti bahwa dalam x dari n percobaan A akan
terjadi dalam n x percobaan, A tidak terjadi.
Ini akan berbentuk sebagai berikut:
Matematika 3 19
Di sini B = A
C
, yaitu bahwa, A tidak terjadi.
Kita asumsikan bahwa percobaan adalah independent,
yaitu tidak saling mempengaruhi satu sama lain.
Kemudian, karena P(A) = p dan P(B) = q, kita
menemukan akan berkorespondensi dengan
probabilitas:
Matematika 3 20
Dengan demikian, probabilitas P(X = x)
berkorespondensi dengan X = x sama dengan
dan f(x) = 0 untuk nilai x yang lain.
Ini merupakan probabilitas bahwa dalam n percobaan
independent ada sebuah event A terjadi tepat x kali
dimana p adalah probabilitas dari A dalam satu
percobaan tunggal dan q = 1 p.
Matematika 3 21
Distribusi yang ditentukan dengan fungsi probabilitas
(2) disebut binomial distribution atau Bernoulli
distribution.
Kejadian A disebut success dan ketidakjadiannya
disebut failure.
p disebut probability of success in a single trial.
Matematika 3 22
Binomial distribution mempunyai rata-rata:
np ) 3 ( =
dan varians:
npq ) 4 (
2
= o
Perlu dicatat bahwa jika p = 0.5, distribusi adalah
simetrik terhadap .
Matematika 3 23
Poisson Distribution
Distribusi diskret dengan fungsi probabilitas:
...) 2, 1, 0, (x
!
(x) ) 5 ( = =

e
x
f
x
disebut Poisson distribution.
Gambar berikut menunjukkan beberapa nilai untuk .
Dapat dibuktikan bahwa distribusi ini dapat diperoleh
sebagai kasus/kondisi batas dari binomial distribution,
jika p 0 dan n sehingga rata-rata = np
mendekati suatu nilai tertentu/terbatas.
Matematika 3 24
Poisson distribution mempunyai rata-rata dan varians:
o =
2
) 6 (
Distribusi ini memberikan probabilitas, sebagai contoh,
banyak mobil yang melewati persimpangan tiap satuan
waktu, jumlah kerusakan tiap satuan panjang kawat
atau satuan luas kain.
Matematika 3 25
Sampling with and without replacement.
Hypergeometric Distribution
Distribusi binomial sangat penting dalam sampling
with replacement.
Andaikan, sebuah kotak memuat N sesuatu, misalnya
sekrup, M di antaranya rusak.
Jika kita ingin mengambil satu sekrup secara acak
probabilitas terambilnya satu sekrup rusak adalah:
N
M
p =
Matematika 3 26
Dengan demikian dalam pengambilan sebuah sample
dari n sekrup dengan pengembalian, probabilitas
terambilnya secara tepat x sekrup rusak adalah:
n) ..., 2, 1, 0, (x 1 f(x) ) 7 ( =
|
.
|

\
|

|
.
|

\
|
|
.
|

\
|
=
x n x
N
M
N
M
x
n
Dalam sampling tanpa pengembalian, probabilitas:
n) ..., 2, 1, 0, (x f(x) ) 8 ( =
|
.
|

\
|
|
.
|

\
|

|
.
|

\
|
=
M
N
x n
M N
x
M
Distribusi seperti fungsi probabilitas persamaan (8)
disebut hypergeometric distribution.
Matematika 3 27
Untuk memverifikasi statemen kita perlu kita catat
beberapa hal penting:
N dari sesuatu n n pengambila berbeda cara ) (
|
.
|

\
|
n
N
a
M dari rusak yang n x pengambila berbeda cara ) (
|
.
|

\
|
x
M
b
M - N dari rusak tidak yang
x - n n pengambila berbeda cara ) (
|
.
|

\
|

x n
M N
c
Matematika 3 28
Hypergeometric distribution mempunyai mean:
N
M
n = ) 9 (
dengan varians:
( )( )
( ) 1
) 10 (
2
2


=
N N
n N M N nM
o
Matematika 3 29
Contoh 1: Sampling dengan dan tanpa
pengembalian
Kita ingin mengambil sampel secara acak 2 gasket dari
sebuah kotak yang memuat 10 gasket, 3 di antaranya
rusak. Tentukan fungsi probabilitas random variable
X = banyak gasket rusak dalam sample
Penyelesaian:
Kita mempunyai: N = 10, M = 3, N M = 7, n = 2.
Matematika 3 30
Untuk sampling dengan pengembalian:

10
7
10
3 2
f(x)
2 x x
x

|
.
|

\
|
|
.
|

\
|
|
.
|

\
|
=
f(0) = 0.49 f(1) = 0.42 f(2) = 0.09
Untuk sampling tanpa pengembalian:

2
10
2
7 3
f(x)
|
.
|

\
|
|
.
|

\
|

|
.
|

\
|
=
x x
f(0) = f(1) =21/45 0.47 f(2) = 3/45 0.07
Matematika 3 31
Jika N, M, dan N M nilainya besar dibandingkan
dengan n, maka tidak masalah berapa banyak apakah
kita mensampling dengan atau tanpa pengembalian,
dan dalam kasus ini distribusi hypergeometric dapat
didekati dengan distribusi binomial (dengan p = M/N),
dimana akan lebih sederhana.
Dengan demikian dalam sampling dari sebuah populasi
besar tidak terbatas (infinite population) kita dapat
menggunakan binomial distribution, tanpa melihat
apakah kita mensampling dengan atau tanpa
pengembalian.
Matematika 3 32
Distribusi binomial, Poisson dan hypergeometric yang
telah kita diskusikan adalah distribusi diskret yang
sangat penting.
Dalam diskusi selanjutnya kita akan membahas normal
distribution, yaitu distribusi kontinyu.
Distribusi ini merupakan yang paling penting di antara
semua distribusi dari sudut pandang aplikasi. Untuk itu
perhatian lebih agar diberikan untuk diskusi berikutnya.
Matematika 3 33
Tugas 4
1. Carilah mean dan variance dari variabel random
diskret X yang mempunyai fungsi probabilitas f(0)
= 0,1, f(1) = 0,8, f(2) = 0,1.
2. Kerjakan sama dengan No. 1, untuk f(0) = 0,001,
f(1) = 0,027, f(2) = 0,243, f(3) = 0,729.
3. Jika X mempunyai densitas f(x) = 2x untuk 0x1
dan 0 untuk yang lain. Tunjukkan bahwa X
mempunyai mean 2/3 dan variance 1/18.
Matematika 3 34
Tugas 5
1. Dalam pelemparan tiga buah dadu, tentukan
probabilitas event E yaitu paling tidak dua dari tiga
angka yang diperoleh akan berbeda.
2. Tiga sekrup diambil secara acak dari 50 sekrup, 10
di antaranya rusak. Tentukan probabilitas event
dimana semua tiga sekrup yang terambil tidak
rusak dengan asumsi pengambilan;
a) dengan replacement, b) tanpa replacement
3. Jika suatu jenis ban tertentu mempunyai umur
lebih dari 30000 mil dengan probabilitas 0.9,
berapa probabilitas bahwa satu set jenis ban ini
pada suatu mobil akan lebih lama dari 30000 mil?