PROBABILITAS
Pengertian
Pada awal perkuliahan, sebelum menjelaskan probabilitas, dibahas sepintas
sebagai pengantar tentang eksperimen, titik sampel, ruang sampel, dan
peristiwa, serta variabel random secara umum. Dasar semua ini, perlu pula
diingat kembali teori himpunan. Selanjutnya, dijelaskan materi probabilitas.
Definisi 1.1: Jika A suatu peristiwa yang bersesuain dengan suatu eksperimen X
dan ruang sample berhingga S yang setiap titik sampelnya berpeluang sama
terjadi, maka probabilitas peristiwa A, ditulis P(A), didefinisikan:
P(A) =
n(A )
n (S )
Contoh 1.1: Pada pelantunan sebuah dadu, tentukan probabilitas dari peristiwa
A : memuat semua titik sampel gasal
B : memuat semua titik sampel prima
C : memuat semua titik sampel yang tak kurang dari 3.
Jawab: P(A) = , P(B) = 2/3, dan P(C) = .
Apabila X suatu variabel random yang bersesuaian dengan suatu eskperimen X
dan ruang sample S, sedangkan peristiwa A berkaitan dengan suatu harga tertentu
dari X, yaitu xi, maka P(A) = P(X = xi). Dengan demikian, dapat diperoleh untuk
peristiwa-peristiwa lain, sebagai P(B) = P(X xi) atau P(C) = P(X xi) atau
P(D) = P(xi X xj), dan seterusnya.
Contoh 1.2: Pada pelantunan tiga buah mata uang logam, ditentukan variabel
random X : banyaknya G yang nampak. Tentukan:
(a) P(X = 0)
(c) P(X = 2)
(e) P(X 3)
(b) P(X = 1)
(d) P(X = 3)
(f) P(X 1)
B = {(x, y) | y = 4},
C = {(x, y) | x > y}
Probabilitas Bersyarat
Definisi 1.12: Jika dan A dan B merupakan dua peristiwa di dalam satu ruang
sampel S dan P(A) 0, maka probabilitas bersyarat dari B jika A diketahui, ditulis
P(B | A), didefinisikan sebagai P(B | A) =
P (A B )
P (A )
Teorema 1.13: Jika A dan B merupakan dua peristiwa di dalam ruang sampel S
dan P(A) 0, maka berlaku P(A B) = P(A)P(B | A)
Teorema 1.14: Jika A,B, dan C merupakan tiga peristiwa di dalam ruang sampel S
sedemikian hingga P(A) 0 dan P(A B) 0, maka
P(A B C) = P(A)P(B | A)P(C | A B)
Teorema 1.15: Jika A dan B dua peristiwa saling bebas, maka P(B|A) = P(B)
Bukti: Untuk Teorema 1.13, 1.14, dan 1.15 dibiarkan sebagai latihan
Contoh 1.4: Suatu industri suku cadang pesawat terbang mengetahui dari
pengalaman sebelumnya bahwa probabilitas suatu pesanan siap dikapalkan pada
waktunya adalah 0.80, dan probabilitas pesanan akan siap dikapalkan dan juga
diantarkan pada saatnya adalah 0.72. Carilah probabilitas, bahwa pesanan tersebut
akan diantarkan pada saatnya jika diketahui telah dikapalkan pada saatnya.
Jawab: Probabilitas yang dicari adalah 0.90.
2
Fungsi Distribusi
Variabel Random Diskrit
Definisi 2.1: Jika X suatu variabel random, dan jika banyak harga-harga yang
mungkin dari X adalah berhingga (finite) atau takhingga terhitung (countable
infinite, denumerable), maka X disebut suatu variabel random diskrit. Jadi hargaharga X tersebut dapat disusun sebagai x1, x2, , xn,
Definisi 2.2: Jika X suatu variabel random diskrit dengan harga-harga x1, x2, ,
maka suatu fungsi f(x) = P(X = x) disebut suatu fungsi probabilitas atau fungsi
densitas probabilitas (probability density function), disingkat pdf, dari X, apabila
memenuhi syarat-syarat:
(i) f(x) 0 untuk semua x
(ii)
f (x
i =1
)= 1
f ( x )dx = 1
f ( x )dx
1, 0 < x < 1
f(x) =
0, untuk x yang lain
merupakan pdf dari variabel random kontinu X.
Jawab: (i) f(x) 0 jelas dari fungsi di atas;
(ii)
f ( x )dx =
0 dx +
1 dx +
0
0 dx = 1
cx , 0 x 2
f(x) =
0, untuk x yang lain
Carilah: (a) harga konstanta c
(b) P(1/2 < X < 3/2)
Jawab: (a) c =
Fungsi Distribusi
Definisi 2.4: Jika X suatu variable random, diskrit atau kontinu, maka fungsi
distribusi kumulatif (cummulative distribution function, CDF), ditulis F(x),
didefinisikan sebagai F(x) = P(X x).
Fungsi distribusi kumulatif seringkali disebut fungsi distribusi.
Teorema 2.5:
(a) Jika X suatu variabel random diskrit dengan fungsi probabilitas f(x), maka:
n
F(x) =
f (x
i =1
) di mana xi x
(b) Jika X suatu variabel random kontinu dengan fungsi densitas f(x), maka:
F(x) =
f (t )dt
Contoh 2.4: Jika suatu variabel random X mempunyai harga 0, 1, dan 2 dengan
probabilitas berturut-turut 1/3, 1/6, dan , maka fungsi kumulatifnya adalah
0, jika x < 0
1 / 3, jika 0 x < 1
F(x) =
1 / 2, jika 1 x < 2
1, jika x 2
Grafik fungsinya adalah:
F(x)
0, jika x 0
1, jika x 1
Grafiknya dapat dibuat sebagai latihan.
Contoh 2.6: Sasaran tembak pada suatu latihan menembak, membentuk lingkaran
dengan jari-jari R dan berpusat di titik O(0,0). Fungsi distribusi F(x) untuk
variabel random X dapat dicari sebagai latihan.
3
Distribusi Multivariat
Distribusi Bivariat dan Trivariat
Definisi 3.1 : J i ka X 1 d a n X 2 variabel-variabel random diskrit, maka fu ng si
f(x1, x2) = P(X1 = x1, X2 = x2) untuk setiap (x1, x2) dalam X1 dan X2, disebut
fungsi probabilitas bersama atau distribusi probabilitas bersama (joint
distribution) dari X1 dan X2.
Teorema 3.2: Suatu fungsi bivariat dapat merupakan distribusi probabilitas
bersama dari sepasang variabel random diskrit X 1 dan X2 jika dan hanya jika
f(x1, x2) memenuhi syarat berikut:
(i)
(ii)
f ( x
x1
x2
s x1 t x 2
Definisi 3.4: Suatu fungsi bivariat dengan harga-harga f(x1, x2) yang didefinasikan
pada x1x2 disebut fungsi densitas probabilitas bersama (joint pdf) dari variabel
random kontinu X1 dan X2 jika dan hanya jika
P[(X1, X2) A] =
f ( x
Teorema 3.5: Suatu fungai bivariat merupakan suatu fungsi densitas probabilitas
bersama dari sepasang variabel random kontinu X1 dan X2, jika harga-harganya
f(x1, x2) memenuhi syarat
(i) f(x1, x2) 0 untuk - < x1 < , - < x2 <
(ii)
- -
f ( x 1 , x 2 )dx 2 dx 1 = 1
10
Distribusi Marginal
Definisi 3.6: Jika X1 dan X2 merupakan variabel random diskrit dan f(x1, x2)
adalah harga dari distribusi probabilitas bersama di (x1, x2), maka fungsi yang
diberikan oleh
g(x1) =
f (x
,x 2)
x2
untuk setiap x1 di dalam range dari X1 disebut densitas marginal dari X1.
Demikian pula, fungsi yang dtberikan oleh
h(x2) =
f (x
,x 2)
x1
untuk setiap x2 di dalam range dari X2 disebut densitas marginal dari X2.
Definisi 3.7: Jika X1 dan X2 merupakan variabel random kontinu dan f(x1, x2)
adalah harga dari distribusi probabilitas bersama di (x1, x2), maka fungsi yang
diberikan oleh
g(x1) =
2
3 ( x 1 + 2 x 2 ), untuk 0 < x 1 < 1, 0 < x 2 < 1
f(x1, x2) =
0,
untuk x 1 , x 2 yang lain
maka densitas marginal dari X1 adalah g(x1) = 2/3(x1 + 1), untuk 0 < x1 < 1, dan
densitas marginal dari X2 adalah h(x2) = 1/3(1 + 4x2), untuk 0 < x1 < 1.
11
0; x 1 , x 2 , x 3 yang lain
adalah
; x1 0
0,
1
G(x1, x3) x 1 x 2 ( x 1 + x 2 )(1 - e - x 3 ); 0 < x 1 < 1, x 3 > 0
2
1 - e - x 3
; x 1 1, x 3 > 0
1
H(x1) = x 1 ( x 1 + 1); 0 < x 1 < 1
2
1
; x1 1
12
Distribusi Bersyarat
Definisi 3.10: Jika f(x1, x2) adalah harga dari distribusi variabel random diskrit X1
dan X2 di (x1, x2) dan h(x2) adalah harga dari distribusi marginal X2 di x2, maka
fungsi f(x1| x2) =
f (x 1, x 2 )
, h(x2) 0 untuk setiap range dari X1 (untuk kasus
h (x 2 )
variabel random kontinu, - < x1 < ), disebut distribusi bersyarat dari X1 jika
diketahui X2 = x2. Demikian pula fungsi W(x2| x1) =
f (x 1, x 2 )
, g(x1) 0, untuk
g (x 1 )
setiap range dari X2 (untuk kasus variabel random kontinu, - < x1 < ), disebut
distribusi bersyarat dari X2 jika diketahui X1 = x1, dan g(x1) adalah harga dari
distribusi marginal X1 di x1.
Contoh 3.6: Jika diketahui fungsi densitas variabel random X1 dan X2
f(x1, x2) =
0; x 1 , x 2 yang lain
maka densitas bersyat dari X2 jika X1 = x1 adalah
2 x 2 ; 0 < x 2 < 1
f(x2 | x1) =
0; x 2 yang lain
13