Kuliah tanggal 16 Maret : VARIABEL ACAK DAN FUNGSI DISTRIBUSI PROBABILITAS Variabel acak (random variable): variabel yang

nilainya ditentukan oleh hasil sebuah eksperimen. Yaitu, variabel acak merepresentasikan hasil yang tidak pasti.. Variabel acak diskrit: variabel acak yang nilainya dapat dicacah (dihitung). Contoh: Jumlah pembeli yang memasuki sebuah toko. Jumlah televisi yang terjual pada periode tertentu. Variabel acak kontinu: Variabel acak yang nilainya tidak dapat dicacah. Contoh: Perpanjangan pegas jika ditarik. Berat segenggam strawberry. Distribusi probabilitas dari variabel acak diskrit adalah tabel, grafik, atau rumus yang menyatakan probabilitas setiap nilai yang mungkin dimiliki variabel acak. Contoh: Ada sebuah kuis dengan tiga pertanyaan dengan kemungkinan jawaban benar/salah. Ruang sampel kuis ini terdiri dari hasil CCC CCI CIC ICC CII ICI IIC III
Simulasi & Pemodelan 1

dengan C = benar dan I = salah. Karena probabilitas C dan I masing-masing 1/2, maka P(CCC) = (1/2)(1/2)(1/2) = 1/8 demikian juga dengan kombinasi lainnya. Jika x menyatakan jumlah jawaban yang benar, maka didapat nilai p(x): p(0) = 1/8 p(1) = 3/8 p(2) = 3/8 p(3) = 1/8 Distribusi probabilitas diskrit p(x) harus sedemikian sehingga 1. p(x) 0 untuk setiap nilai x 2. p(x) = 1 Mean atau Nilai Ekspektasi dari variabel acak diskrit x adalah x = xp(x) Varians dari variabel acak diskrit x adalah x2 = (x-x)2p(x) Standard deviasi dari x adalah akar kuadrat positif dari varians x. Yaitu, x = x2 VARIABEL ACAK DISKRIT 1. Variabel Acak Binomial
Contoh:
Simulasi & Pemodelan 2

Dilakukan survey terhadap pengunjung mal, dan ditemukan bahwa 40% dari melakukan transaksi pembelian. Berapa probabilitas bahwa 2 dari 3 pengunjung akan melakukan pembelian? Eksperimen ini memiliki karakteristik: 1. Eksperimen ini terdiri dari tiga rangkaian percobaan yang identik, di mana setiap percobaan berupa keputusan pengunjung untuk membeli/tidak. 2. Ada dua hasil yang mungkin dari tiap percobaan: pengunjung membeli (disebut sukses, dinyatakan dengan S), atau tidak membeli (disebut gagal, dinyatakan dengan G). 3. Karena 40 persen dari seluruh pengunjung melakukan pembelian, adalah masuk akal jika ditentukan bahwa P(S), probabilitas pengunjung membeli, adalah 0.4 dan konstan untuk semua pengunjung. Hal ini berarti bahwa P(G), probabilitas pengunjung tidak membeli, adalah 0.6 dan konstan untuk semua pengunjung. 4. Kita anggap para pengunjung membuat keputusan yang independen. Yaitu, hasil tiga percobaan independen satu sama lain. Ruang sampel eksperimen: SSS SSG GGG GGS SGS GSG SGG GSS

Dua dari tiga pengunjung melakukan pembelian pada hasil SSG, SGS, atau GSS. Karena setiap keputusan independen, kita dapat mengalikan probabilitas S dan G untuk mencari probabilitas setiap hasil di atas: P(SSG) = P(S)P(S)P(G) = (0.4)(0.4)(0.6) = (0.4)2(0.6) P(SGS) = P(S)P(G)P(S) = (0.4)(0.6)(0.4) = (0.4)2(0.6) P(GSS) = P(G)P(S)P(S) = (0.6)(0.4)(0.4) = (0.4)2(0.6) Probabilitas 2 dari 3 pengunjung melakukan pembelian adalah: P(SSG) + P(SGS) + P(GSS) = (0.4)2(0.6) + (0.4)2(0.6) + (0.4)2(0.6) = 3(0.4)2(0.6) = 0.288 Dari ekspresi 3(0.4)2(0.6) dinyatakan bahwa: 1. Angka 3 menyatakan jumlah hasil ruang sampel yang memenuhi syarat dua dari tiga pengunjung melakukan pembelian. 2. 0.4 dinyatakan dengan p, probabilitas pengunjung membeli. 3. 0.6 adalah q = 1 - p, probabilitas pengunjung tidak membeli.

Simulasi & Pemodelan

Secara umum: Probabilitas terjadinya x sukses dari n percobaan adalah: jumlah cara terjadinya x sukses dari n pxqn-x percobaan Jumlah cara terjadinya x sukses di antara n percobaan sama dengan n! x!(n-x)! di mana n! disebut n faktorial dan dihitung sebagai n! = n(n-1)(n-2) (1) dengan 0!=1. Distribusi Binomial Eksperimen binomial memiliki karakteristik: 1. Eksperimen terdiridari n percobaan yang identik. 2. Setiap percobaan berakhir dengan sukses atau gagal. 3. Probabilitas sukses dari setiap percobaan adalah p dan tetap konstan dari satu percobaan ke yang lainnya. Hal ini menunjukkan bahwa probabilitas kegagalan, q, dari setiap percobaan adalah 1-p dan tetap konstan dari satu percobaan ke yang lainnya. 4. Percobaan-percobaan tersebut adalah independen (yaitu, hasilnya tidak bergantung satu dengan yang lain). Jika didefinisikan variabel acak (random variable): x = jumlah total kesuksesan pada n percobaan pada eksperimen binomial. maka x dinamakan variabel acak binomial, dan probabilitas mendapatkan x sukses di antara n percobaan adalah n!
Simulasi & Pemodelan 4

p(x) =

x!(n-x)!

pxqn-x

Mean, Varians, dan Standard Deviasi dari Variabel Acak Binomial Jika x adalah variabel acak binomial, maka x = np x2 = npq x = (npq) 2. Variabel Acak Poisson Variabel ini merupakan variabel acak diskrit yang mendeskripsikan jumlah terjadinya suatu event pada interval waktu atau ruang tertentu. Contoh: jumlah pelanggan pada kasir pasar swalayan selama satu jam. jumlah noda kotor yang ditemukan pada satu meter persegi bungkus plastik. Distribusi Poisson Diperhitungkan jumlah berapa kali suatu event terjadi pada suatu interval waktu atau ruang, dan anggap bahwa: 1. Probabilitas terjadinya suatu event sama untuk dua interval dengan rentang yang sama. 2. Terjadi atau tidaknya event tersebut pada suatu interval independen dengan terjadi atau tidaknya event itu pada interval yang lain. Probabilitas event tersebut akan terjadi x kali pada suatu interval tertentu adalah e-x p(x) = ---------Simulasi & Pemodelan 5

x! Di mana adalah mean dari jumlah terjadinya event itu pada interval tertentu, dan e = 2.71828... yang merupapakan basis dari logaritma Napierian. Variabel acak Poisson bisa bernilai 0, 1, 1, 3, ... dan seterusnya. Mean, Varians, dan Standard Deviasi dari Variabel Acak Poisson Jika x adalah variabel acak Poisson, adalah jumlah rata-rata terjadinya event pada interval waktu atau ruang tertentu, maka x = x2 = x = ()

3.

Variabel Acak Geometrik Jumlah kegagalan sebelum sukses yang pertama pada serangkaian percobaan Bernoulli (1 = sukses; 0 = gagal) yang independen dengan probabilitas p untuk sukses pada setiap percobaan. Distribusi geometrik adalah analog diskrit dari distribusi eksponensial. Distribusi ini merupakan kasus khusus dari distribusi binomial negatif. Mean = (1-p)/p Varians = (1-p)/p2

4.

Variabel Acak Binomial Negatif Jumlah kegagalan sebelm sukses ke-s pada serangkaian percobaan Bernoulli (1 = sukses; 0 =
6

Simulasi & Pemodelan

gagal) yang independen dengan probabilitas p untuk sukses pada setiap percobaan. Mean = (s(1-p))/p Varians = (s(1-p))/p2

VARIABEL ACAK KONTINU 1. Variabel Acak Terdistribusi Seragam Grafik distribusi seragam (uniform) f(x) 1 d-c 0 c d

x distribusi

Persamaan yang mendeskripsikan seragam adalah f(x) = 1/(d-c) untuk c x d = 0 untuk yang lainnya.

Mean dan varians untuk semua nilai variabel acak x yang terdistribusi seragam:
Simulasi & Pemodelan 7

x = (c+d)/2
2.

dan

x = (d-c)/12

Variabel Acak Normal Grafik distribusi normal f(x)

Area ini = .5

Area ini = .5

Kurva normal simetris di sekitar , dan luas total di bawah kurva sama dengan 1. Distribusi probabilitas normal didefinisikan oleh persamaan 1 f(x) = e-((x-)/) untuk semua x (2) dan adalah mean dan standard deviasi populasi semua nilai variabel acak x. = 3.14159... dan e = 2.71828... Distribusi Normal Standard Jika variabel acak x (atau populasi semua nilai x yang ter-observasi) terdistribusi normal dengan mean dan standard deviasi , maka variabel acak z = (x-)/ (atau, populasi semua nilai z yang ter-observasi) terdistribusi normal dengan mean nol dan standard deviasi satu. Distribusi (atau kurva) normal dengan
Simulasi & Pemodelan 8

mean nol dan standard deviasi satu ini disebut distribusi (atau kurva) normal standard.

3.

Variabel Acak Eksponensial Grafik distribusi eksponensial f(x) = e-x

Misalkan berapa kali suatu event tertentu terjadi pada interval waktu atau ruang tertentu memiliki distribusi Poisson. Dapat dibuktikan bahwa waktu atau ruang di antara terjadinya event yang berurutan memiliki distribusi eksponensial. Persamaan yang mendeskripsikan distribusi eksponensial adalah f(x) = e-x untuk x 0 = 0 untuk yang lainnya. Mean dan standard deviasi dari populasi semua nilai variabel acak x yang memiliki distribusi eksponensial adalah x = 1/ dan x = 1/
Simulasi & Pemodelan 9