Anda di halaman 1dari 19
Random Variable, Discrete & Continuous Distribution  Apabila kita melempar dua buah dadu, kita tahu

Random Variable, Discrete & Continuous Distribution

Apabila kita melempar dua buah dadu, kita tahu bahwa jumlah X dari dua bilangan yang menghadap ke atas haruslah sebuah integer antara 2 dan 12, tetapi kita

tidak dapat memprediksikan nilai mana dari X yang akan

muncul dalam lemparan berikutnya, dan kita katakan bahwa X tergantung pada “chance”.

Dengan cara yang sama, jika kita ingin mengambil 5

baut dari banyak baut dan mengukur diameter, kita tidak

dapat memprediksikan berapa banyak yang rusak, yaitu, tidak akan menemukan persyaratan; yaitu X=jumlah yang rusak yang juga fungsi dari “chance”.

Matematika 3

1

 Umur X sebuah bola lampu yang diambil secara acak dari banyak bolam juga tergantung

Umur X sebuah bola lampu yang diambil secara acak dari banyak bolam juga tergantung dari “chance” dan begitu juga isi X dari botol lemon yang diisi oleh mesin pengisi yang dipilih secara acak.

Secara garis besar, random variable X (stochastic variable atau variate) adalah suatu fungsi yang berhubungan dengan eksperimen secara random yang nilainya merupakan bilangan nyata dan kejadiannya

dalam percobaanya (performans dari eksperimen)

tergantung pada “chance”; lebih tepatnya adalah fungsi X yang mempunyai sifat-sifat sbb:

Matematika 3

2

1. X didefinisikan untuk sample space S dari eksperimen, dan nilainya adalah bilangan   nyata.

1.

X

didefinisikan untuk sample space S dari

eksperimen, dan nilainya adalah bilangan

 

nyata.

2.

Kita ambil sembarang bilangan nyata, dan I adalah sembarang interval. Set dari semua

outcome dalam S dimana X = a mempunyai

probabilitas terdefinisi, dan sama adalah benar untuk set yang memuat semua outcome dalam

S dimana nilai X adalah dalam I.

Matematika 3

3

 Jika kita melakukan eksperimen secara random dan event yang berkorespondensi dengan sebuah bilangan a

Jika kita melakukan eksperimen secara random dan event yang berkorespondensi dengan sebuah bilangan a terjadi, kita katakan bahwa

dalam percobaan ini random variable X

berkorespondensi dengan eksperimen tersebut telah mengasumsikan nilai a.

Kita juga bisa mengatakan bahwa kita telah melakukan observasi nilai X = a, secara singkat “event X = a”.

Probabilitas yang berkorespondensi ditulis sebagai P(X=a).

Matematika 3

4

  Event E Probabilitas E X mengasumsikan nilai a yg diketahui P(X=a) X mengasumsikan nilai
 

Event E

Probabilitas E

X

mengasumsikan nilai a yg diketahui

P(X=a)

X

mengasumsikan nilai sembarang dalam interval a<X<b

P(a<X<b)

X

mengasumsikan nilai sembarang tidak melebihi c yg diketahui

P(X≤c)

X

mengasumsikan nilai sembarang lebih besar c yg diketahui

P(X>c)

Dari dua event terakhir:

P(X c) P(X c) P( X )

Nilai ruas kanan adalah 1, karena -∞<X<∞, sehingga;

P(X c) 1P(X c)

Matematika 3

5

Contoh 1. Ilustrasi notasi dalam tabel  Kita ambil X sebagai bilangan menghadap ke atas

Contoh 1. Ilustrasi notasi dalam tabel

Kita ambil X sebagai bilangan menghadap ke atas dari pelemparan dadu.

1

P(X 1) P(X 2) P(1X 2) P(1X 2)

6

1

6

0

1

3

P(0 X 3.2) P(X 4)

1

3

P(X 0.5)

0

Matematika 3

1

2

6

 Dalam eksperimen random praktis, kita mengobservasi kuantitas tunggal:  Count : mobil di jalan,

Dalam eksperimen random praktis, kita mengobservasi

kuantitas tunggal:

Count : mobil di jalan, item yg rusak dalam produksi, kematian karena kanker, hari cerah dalam kota, dll.

Measure : temperatur, tegangan, kandungan karbon dalam baja, tinggi air sungai, dll.

Jika kita menghitung, kita sebut variabel X yang berkorespondensi adalah discrete.

Jika kita mengukur, kita sebut X sebagai continuous (continuous type).

Matematika 3

7

Discrete Random Variables and Distributions  Sebuah random variable X dan distribusi yang berkorespondensi dikatakan

Discrete Random Variables and Distributions

Sebuah random variable X dan distribusi yang berkorespondensi dikatakan discrete, jika X mempunyai sifat-sifat berikut:

Jumlah/banyak nilai dimana untuk X mempunyai probababilitas berbeda dari 0 adalah terbatas atau tidak terbatas tetapi masih dapat dihitung.

Jika interval a < X ≤ b tidak memuat suatu nilai, maka P(a < X ≤ b) = 0.

Matematika 3

8

 Misalkan x 1 , x 2 , x 3 , … adalah nilai untuk

Misalkan x 1 , x 2 , x 3 , … adalah nilai untuk X yang mempunyai probabilitas positif dan

p 1 , p 2 , p 3 , … adalah probabilitas yang berkorespondensi, maka

P(X = x 1 ) =

p 1

, dst.

Kita kenalkan apa yang disebut dengan probability

function dari X yang didefinisikan oleh

p 1 , dst.  Kita kenalkan apa yang disebut dengan probability function dari X yang

Matematika 3

9

 Karena P(S) = 1, maka (3)   j  1 f ( x

Karena P(S) = 1, maka

(3)

j1

f

(

x

j

)

1

Jika kita mengetahui fungsi probabilitas sebuah variabel

random diskret X, kita dapat menghitung probabilitas

P(a<X≤b) yang berkorespondesni dengan sembarang interval a < X ≤ b.

(4)

P(a

X

b)

a

x

j

f (x )

j

b

Matematika 3

a

x

j

p

b

j

10

 Ini adalah penjumlahan semua probabilitas f(x j ) = p j untuk x j

Ini adalah penjumlahan semua probabilitas f(x j ) = p j untuk x j terletak di dalam interval.

Untuk interval tertutup, terbuka atau tak terbatas maka

situasinya akan sama.

Kita nyatakan bahwa fungsi probabilitas f(x) menentukan probability distribution atau distribution dari variabel random X secara unik.

Jika X adalah sembarang variabel random, tidak harus

diskret, maka untuk sembarang bilangan real x terdapat probabilitas P(X≤x) yang berkorespondensi dengan

X ≤ x

(X diasumsikan sembarang nilai lebih kecil atau sama dengan x)

Matematika 3

11

 Jelas bahwa, P(X≤x) tergantung pada pemilihan dari x; yaitu fungsi dari x, yang disebut

Jelas bahwa, P(X≤x) tergantung pada pemilihan dari x; yaitu fungsi dari x, yang disebut sebagai distribution function yang disimbolkan oleh F(x).

(5)

F(x) P(X x)

Karena untuk sembarang a dan b (>a), kita mempunyai

P(a X b) P(X b) P(X a)

(6)

P(a X b) F(b) F(a)

Ini menunjukkan bahwa fungsi distribusi menentukan

distribusi X secara unik dan dapat digunakan untuk

menghitung probabilitas.

Matematika 3

12

 Andaikan X adalah variabel diskret. Kemudian kita dapat menyatakan fungsi distribusi F(x) dalam fungsi

Andaikan X adalah variabel diskret. Kemudian kita dapat menyatakan fungsi distribusi F(x) dalam fungsi probabilitas f(x). Dengan memasukkan (a=-∞ dan b=x) ke dalam persamaan (4);

(7)

F(x)

x

j

x

f

(

x

j

)

dimana ruas kanan adalah jumlah semua f(x j ) untuk x j ≤x.

Matematika 3

13

 Nilai x 1 , x 2 , x 3 , … dimana sebuah variabel

Nilai x 1 , x 2 , x 3 , … dimana sebuah variabel random diskret X mempunyai probabilitas positif (dan hanya

nilai ini) disebut sebagai possible values dari X.

Di dalam setiap interval yang tidak memuat possible

value maka fungsi distribusi F(x) adalah konstan.

Di sini, F(x) merupakan fungsi tangga (step function) yang mempunyai loncatan ke atas sebesar p j = P(X=x) pada x = x j dan konstan antara dua possible value yang berurutan.

Matematika 3

14

Contoh 2. Probability function and distribution function  Gambar pada halaman berikut menunjukkan fungsi probabilitas

Contoh 2. Probability function and distribution function

Gambar pada halaman berikut menunjukkan fungsi probabilitas f(x) dan fungsi distribusi F(x) dari sebuah

variabel random

X = bilangan pada muka dadu menghadap ke atas

X mempunyai possible values x = 1, 2, 3, 4, 5, 6 dengan

probabilitas masing2 1/6, dan secara tepat pada nilai x ini fungsi distribusi meloncat ke atas sebesar 1/6.

Di sini dari grafik f(x), kita dapat membuat grafik F(x) atau

sebaliknya.

Matematika 3

15

Matematika 3 16

Matematika 3

16

Contoh 3. Probability function and distribution function  Variabel random X = jumlah 2 bilangan

Contoh 3. Probability function and distribution function

Variabel random

X = jumlah 2 bilangan pada muka 2 dadu menghadap ke atas

adalah discrete dan mempunyai possible values 2 (=1+1), 3,

4, …, 12 (6+6).

Terdapat 6 ∙ 6 = 36 nilai yang sama seperti outcome (1,1),

(1,2), …, (6,6) di mana angka pertama menunjukkan angka pada dadu pertama dan angka kedua pada dadu yang lain.

Setiap outcome mempunyai probabilitas 1/36.

Sekarang untuk X = 2 terjadi untuk kasus outcome (1,1); X = 3 untuk kasus 2 outcome (1,2) dan (2,1); X = 4 untuk kasus 3 outcome (3,1), (2,2), (3,1), dst.

Matematika 3

17

 Dengan demikian, f(x) = P(X=x) mempunyai nilai: x 2 3 4 5 6 7

Dengan demikian, f(x) = P(X=x) mempunyai nilai:

x

2

3

4

5

6

7

8

9

10

11

12

f(x)

1/36

2/36

3/36

4/36

5/36

6/36

5/36

4/36

3/36

2/36

1/36

4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36 Gambar di samping menunjukkan bar chart fungsi probabilitas

Gambar di samping menunjukkan bar chart fungsi probabilitas dan grafik

dari fungsi distribusi, yang juga

merupakan fungsi tangga yang

meloncat sebesar possible value dari

X.

Matematika 3

18

Tugas 3 1. Gambarkan fungsi probabilitas f(x) = x 2 /14 (x = 1, 2,

Tugas 3

1.

Gambarkan fungsi probabilitas f(x) = x 2 /14 (x = 1, 2, 3) dan fungsi distribusinya.

2.

Gambarkan f dan F untuk f(0) = f(3) = 1/6, f(1) = f(2) = 1/3. Dapatkah f lebih lanjut mempunyai nilai positif?

3.

Jika X adalah banyaknya tahun sebelum suatu tipe

mesin tertentu perlu diganti. Anggap X mempunyai fungsi probabilitas f(1) = 0,1, f(2) = 0,3, f(3) = 0,6. Gambarkan f dan F.

Matematika 3

19