DAN
STATISTIK
KEBARANGKALIAN
DAN
STATISTIK
Mansor Jusoh
MA. Statistic Ph.D. (Economics)
Jabatan Statistik Ekonomi
Fakuiti Ekonomi Univarsiti Kebang,aan Malaysia
KK.3103243 4101
Hakcipta terpelihara. Tidak dibenarkan mengeluar ulang mana-rnana bahagian, artikel,
ilustrasi, isi kandun~nboku mi dalam apa juga bentuk dan dengan apa cara pun sama
ada secara elektronk, fotokopi, mekanik, rakaman atau lain-lain sebelum mendapat izin
bertulis daripada Ketua Pengarah, Dewan Bahasa den Pustaka. Perundingan tertakiuk
kepada perkiraan royalti atau honorarium.
Dicetak olah
Percetakan Dowan Bahasa dan Pustaka
Lot1037, Mukim Perindustsian PKNS
Ampang/Hulu Kelang
Selangor.
$20.00
Prakata
Penulisan buku mi timbul dan hasrat untuk menyediakan buku teks
yang sesuai dalam bahasa Malaysia bagi bidang kebarangkalian dan
statistik. Ia dirasakan amat sesuai untuk peringkat pengenalan dan peringkat pertengahan bagi kursus-kursus dalam kedua-dua bidang mi. Di
samping itu, buku mi juga botch digunakan untuk peringkat pengenalan
bagi kursus statistik matematik.
Adalah menjadi tujuan utama buku mi untuk memberikan pengetahuan asas bagi pelajar-pelajar yang mengkhusus di bidang statistik, di
samping tidak menyekat penggunaannya bagi pelajar-pelajar di bidang
lain yang mengambil kursus statistik sebagai mata pelajaran pilihan. Buku
mi juga tidak melupakan pengguna kaedah statistik yang memerlukan
penjelasan teori terhadap apa yang digunakan di dalam praktik. Dengan
cara demikian pemahaman terhadap apa yang digunakan adalah lcbih
jelas dan Iebih bererti. Jadi untuk tujuan-tujuan tersebut buku mi cuba
seboleh-boleh untuk menjauhkan penggunaan matematik yang tinggi,
tanpa menghilangkan keupayaan untuk memberi penjelasan sistematik
yang diperlukan di dalam bidang statistik.
Pembahagian buku mi dibuat kepada dua peringkat yang merangkumi bab-bab yang memberikan penjelasan asas terhadap konsep kebarangkalian dan statistik untuk membolehkan pemahaman yang lebih
baik terhadap bidang statistik. Ia juga memberikan taburan-taburan
kebarangkalian khusus yang kerap dijumpai di dalam penggunaan
statistik. Peringkat yang kedua memberikan konsep asas teori persampelan berserta dengan bidang yang sangat penting dalam penggunaan statistik iaitu inferens statistik. Di dalam inferens statistik, penekanan hanya
diberi kepada teori klasik yang merupakan asas pemahaman konsep inferens statistik. Aplikasi dalam bidang mi juga tidak dilupakan dengan
memasukkannya sebagai bab-bab yang berasingan. Begitu juga dengan
kaedah inferens statistik yang kerap digunakan. Analisis regresi dan
analisis varians diberikan dalam bentuk gabungan teori-teori asas dan
aplikasi mudah untuk menambahkan pemahaman pengguna kaedah terV
Mansor Jusoh
vi
BAB1
PENGENALAN
Bidang ilmu kebarangkalian dan statistik walaupun kadang-kadang
dikaji s~araberasingan tetapi adalah merupakan bidang-bidang yang
aniat sukar untuk dipisahkan. Kita dapati agak sukar untuk mengkaji
salah satu daripadanya tanpa melibatkan fahaman atau penggunaan
konsep-konsep daripada bidang yang satu lagi. Kajian bidang statistik
tidak akan lengkap tanpa penggunaan pemahaman konsep-konsep
kebarangkalian. Begitu juga, pengkajian bidang kebarangkalian sematamata, dianggp tidak Iengkap jika tidak dihubungkan dengan bidang yang
satu lagi iaitu statistik, atau sekurang-kurangnya dapat dianggapkan
bahawa kajian dalam bidang kebarangkalian akan akhirnya membawa
kita kepada penggunaannya di bidang statistik.
Apa yang amat ketara daripada hubungan kedua-dua bidang mi ialah
s~araumumnya kajian bidang statistik itu amat perlu disertakan dengan
pemahaman dalam bidang kebarangkalian. Dan apa yang akan
ditekankan dalam buku mi adalah aspek tersebut, yakni kajian bidang
kebarangkalian diberikan untuk penggunaan dalam pemahaman bidang
statistik. Walaupun demikian tidaklah dinafikan bahawa kebarangkalian
juga boteh digunakan secara tersendiri.
1.1
masalah keseluruhan membuat keputusan berdasarkan perkaraperkara yang tidak pasti. Masalah melihat pendapatan penduduk
Malaysia misalnya, bukan sahaja terhad kepada mempersembahkan
jadual-jadual untuk menunjukkan taburan pendapatan dan
bilangan penduduk yang berpendapatan tertentu atau mengira
ukuran-ukuran tertentu seperti mengira purata pendapatan atau
sebagainya, tetapi juga mungkin melibatkan ramalan terhadap
pendapatan penduduk Malaysia pada masa-masa akan datang.
Begitujuga dalam masalah melihat bilangan pesakit kencing manis
di Malaysia. Mungkin kita akan melihat hanya sebahagian kecil
penduduk Malaysia umpamanya yang menerima rawatan di
Hospital Besar Kuala Lumpur dan dan sini, membuat keputusan
atau ramalan terhadap bilangan pesakit mi di seluruh Malaysia.
Atau lebih lanjut mungkin setelah dijierhatikan beberapa aspek
tertentu seperti kadar penggunaan gula, jenis-jenis makanan yang
diminati oleh rakyat Malaysia atau sebagainya, mungkin kita akan
meramalkan bilangan pesakit mi dalam masa lima atau sepuluh
tahun akan datang.
Kita perhatikan bahawa dalam pendekatan ml untuk mencapai
persembahan atau ramalan yang memuaskan, kita tidak boleh lepas
daripada menganggap masalah yang dikaji sebagal satu bentuk
percubaan yang keputusan atau kesudahannya masih belum pasti.
Percubaan mi mungkmn dalam bentuk percubaan yang paling
ringkas sebagaimana memerhati keputusan daripada satu duit
syiing yang dilambung sekali atau mungkmn boleh diperluaskan
kepada percubaan yang Iebih sukar yang ditemui dalam keadaan
han-han. Dan percubaan yang hanya mempunyai dua
kemungkiuan kesudahan seperti kepala dan ekor dalam
melambung duit syiling sekali atau sakit kencing manis dan tidak
sakit kencing manis dalam melihat seorang penduduk Malaysia
hinggalah kepada percubaan yang mempunyai banyak kesudahan
seperti kemungkinan pendapatan bulanan, dan $0 hingga Sa
tertentu seorang penduduk Malaysia. Danipada percubaan mi,
pengukuran boleh dibuat danipada pengamatan yang diperolehi.
Percubaan-percubaan tersebut boleh diulang untuk menunjukkan suasana tertentu supaya unsur-unsur tidak pasti tadi
dapat diperhatikan. Misalnya di dalam percubaan melambung duit
syiling sekali, kita akan dengan pasti dapat menentukan bahawa dua
kesudahan kepala atau ekor yang akan rnuncul. Apabila duit
syiling yang sama dilambung berkali-kali baharulah dapat di2
PENGEN ALAN
1.2
PENGEN ALAN
BAB2
SET DAN KEBARANGKALIAN
Konsep asas adalah penting untuk mempelajani dan memahami
statistik dan kebarangkalian, khususnya ialah konsep set. Konsep ml
memberikan satu bentuk bahasa yang membolehkan kita menyelami
konsep-konsep dan teoni-teoni yang benkaitan di dalam bidang tensebut
dengan lebih mudah dan jelas. Untuk maksud itu, tenlebih dahulu kita
perturunkan sebahagian danipada teoni-teoni set yang difikirkan
berkaitan. Selepas mi bahanulah kita mulakan penbincangan mengenal
kebarangkalian.
2.1
ES
{3,4,5,6,7}.
atau
A
{xlx=3,4,5,6,7}.
Jika set B pula adalah menupakan kesemua kesudahan bila satu duit
syiling dilambung sekali, dan jika kita taknifkan k sebagai kesudahan
kepala yang keluar dane sebagai kesudahan ekor yang keluan, B
boleh dicatat sebagai
B
{k,e}
{x; 0
<
juga tendapat di dalam A. Jika tidak, set A dan B adalah tidak sama
dan dicatat sebagai A
B.
Contoh: 2.1
Jikatendapattigaset,A
4} maka
[J,2,3},B
{3,2, l}danC
{l,2,3,
A=B
t eta p1
A # C dan B
Contoh: 2.3
Jika S
{s1,
~2
terkandung di dalamnya ialah {s1 }, {s2}, {53}, {s,, sj} {s~,s3}, {s2, s3},
{si s2, S3} dan {4}.
2.2
Operasi Set
Penggunaan set juga boleh melibatkan usaha mengoperasikan
set untuk membentuk set baharu. Beberapa set boleh digabungkan
supaya membentuk set baharu. Ini diperlukan dan adalah sangat
mustahak untuk tujuan kita. Sekarang kita kemukakan bebenapa
bentuk operasi set yang selalu dijumpai.
Untuk membantu kita menjelaskan operasi mi, boleh digunakan satu jenis ilustrasi yang dinamakan gambarajah Venn. Di
dalam gambarajah Venn, set universal selalunya digambankan
dengan segiempat tepat dan subset-subset bagi set universal
ditunjukkan oleh kawasan (selalunya bulatan) di dalam segiempat
tepat tersebut. Contoh gambarajah Venn dibenikan sepenti
gambanajah 2.1.
U
Contoh: 2.1
Katalah S = {0, 1,2,3,4,5,6,7, 8,9} dan subset A
maka pelengkap b,agi A ialah A = {4,5,6,8,9}.
.=
{0,1,2,3,7}
Gambarajah 2.3~ A ~ B
10
Contoh: 2.2
Katalah set-Set A
{ 1, 2, 3} dan B { 1, 2, 3, 4, 5}, maka
kesatuan antara A dan B ialah set A u B = { 1, 2, 3, 4, 5}.
Dengan menggunakan definisi atau gambarajah Venn, adalah
tidak sukar untuk menunjukkan bahawa:
Au S=S
A uA=S
Au4= A
Konsep kesatuan bagi dua set bol~hdikembangkan untuk
merangkumi kesatuan bagi beberapa set. Jika terdapat set-set A1,
=
A2
u..
...
atau xeA~
Gambarajah 2.4:
A, ~ A, ~ A,
GambaraJah 2.5:
BetA nB
Contoh: 2.3
Katalah A = {1, 2, 3, 4, 5} dan B
persilangan A dan B ialah set
A ~ B = {2, 4}
A~= A1 n A2 n
nA~
xe A~dan x C A2 dan
...
...
dan x
00
Gambarajah 2.6:
bercantum
Jika dua set A dan B tak bercantum maka set A dan B juga
dipanggil saling bereksklusif.
Definisi 2.5: Bezaan
Katalah terdapat dua set A dan B. Bezaan A daripada B, dicatat
A
B, adalah set yang mengandungi unsun yang terdapat di dalam
A tetapi tidak dalam B.
A
Gambarajah 2.7:
2.3
dm
16
Kandungan
Muka Surat
Prakata
BAR 1
Pengenalan
BAR 2
Set dan Kebarangkalian
BAR 3
Taburan Pembolehubah Rawak
BAB 4
Set-set Beberapa Pembolehubah Rawak
BAR S
Jangkaan Matematik
BAB 6
Taburan-taburan Khusus: Diskrit
BAB 7
Taburan-taburan Khusus: Selanjar
BAR S
Teori Persampelan
BAR 9
Teori Penganggaran
BAR 10
Ujian Hipotesis: Teori
BAR 11
Ujian Hipotesis: Penggunaan
BAR 12
Analisis Varians
BAR 13
Regresi
Senarsi Istilah
1
6
52
86
1.30
174
207
233
258
295
331
369
404
449
vi
Titik-titik 2, 3
12 merupakan titik-titik sampel. Takriflcan A,
sebagai penistiwa untuk mendapatkan nombor genap, maka A
mengandungi unsur-unsur
A1 = {2, 4, 6, 8, 10, 12}.
Katakan A2 penistiwa mendapatkan nombor lebih danipada 6, maka
A2 = {7, 8,9, 10, 11, 12}.
Peristiwa B, katalah, sebagai penistiwa mendapatkan nombor genap
yang lebih daripada 6, maka B mempunyai unsur-unsur
B = {8, 10, 12}.
Perhatikan B adalah menupakan persilangan penistiwa A, dan A2
yakni unsur-unsur yang tenkandung dalam B harus memenuhi
syanat-syarat terkandung dalam A1 dan juga terkandung dalam A2
A, n A2 = B.
Di sini kita hanus perhatikan juga peristiwa yang tidak
mengandungi sebarang unsur iaitu peristiwa nul dan ditulis 4.
Dalam contoh 4.2 penistiwa nul adalah penistiwa untuk
mendapatkan nombor 1, peristiwa mendapatkan nombor ganjil
yang lebih danipada 11 dan sebagainya.
Contolr 4.3
Sebuah syanikat menjalankan kempen iklan di televisyen untuk
melaniskan barang keluarannya. Selepas iklan benjalan semmnggu,
dipenhatikan bilangan barang yang laku tenjual.
Kalau kita perhatikan contoh mi kemungkmnan kesudahan
adalah nombon-nombor dan 0 sehingga satu nilai tertenttu
S
{0,1,2
{x; 3
< x
c 8}.
6 dengan I, 2
6
yakni 6 x 6 cana.
Pninsip-pninsip dani teorem 5.1 di atas bolch dikembangkan
kepada openasi yang melibatkan lebih dad dua set.
Teorem: 5.2
Jika A,,..., A~set-set openasi yang masing-masing mengandungi
in,.
in
...
Contoh: 5.2
top3
10
. 9. 8
720.
Teorem: 5.4
Jumlah piihatur yang benbeza bagi n objek yang terdini dani n,
n.,1 jenis yang benlainan ialah
n,!n2!
...
Contoh: 5.5
Dengan benapa canakah dapat dmsusun 3 lelaki dan 2
perempuan untuk memegang 5 jawatan yang berlainan?
Penyelesaian:
Jumlah susunan yang benbeza ialah
5!
Teorem: 55
Jumlah gabungan n unsur yang berbeza diambil r Setiap kali
ialah
I
1=
r!(n
mi adalah
benhubung
PICk
Contob: 5.7
Danipada 8 lelaki dan 2 penempuan dapatkan jumlah
jawatankuasa benlainan yang boleh dibentuk jika jawatankuasa
tensebut hanus mengandungi 2 lelaki dan I penempuan.
Penyelesaian:
Jumlah cana memilih 2 danipada 8 lelaki ialah
=
28
2!
2
Danipada tiap-tiap ahli jawatankuasa penempuan tendapat 28 cana
untuk memilih ahli lelaki. Jadi tendapat 2.28 jawatankuasa berlainan
yang boleh dibentuk dan 8 lelaki dan 2 penempuan.
=
2.6
Kebarangkalian
Danipada pencubaan rawak kita telah menemui konsep set bagi
ruang sampel S dan subset atau kelas bagi subset yang mengandungi
sebahagian danipada S. Sekanangkita penhatikan pula hubungan di
antara set dan subset dalam bentuk hubungan angka. Kita
penhatikan bahawa jika A adalah satu penistiwa yang digambankan
oleh subset A, dan S adalah nuang sampel, maka kemungkinan
benlakunya penistiwa A adalah bengantung kepada titik-titik sampel
di dalam subset A. Oleh itu untuk mengetahui kenapnya berlaku
penistiwa A adalah wajar jika dibandingkan titik-titik di dalam A
dengan titik-titik sampel di dalam S. Penbandingan mi melahmnkan
konsep yang dinamakan k ebanangkalian.
Definisi: 6.1
Kebarangkalian bagi sebanang penistiwa A ialah jumlah unsur
yang tendapat dalam A benbanding dengan jumlah unsur yang
tendapat dalam S. Atau ditulis
P(A)
di mana
Oleh itu
P(C)
IC~
18
ISi}I
iw
t
2
~-.
t, maka x
P(A)
11
=
1
=
21
=
1,1 +
11
E~I
5
9
Kita perhatikan bahawa definisi6.2 adalahlebih umum dan 6.t.
Ia boleh digunakan untuk kes titik sampel yang mempunyai sama
peluang untuk berlaku iaitu dengan mengambil pembenat yang
sama bagi setiap titik. Sebagai contoh, satu pencubaan
menghasilkan n titik sampel yang sama peluang untuk berlaku.
Dengan mengambil
kebanangkalian
bagi
mengandungi4unsunmakaP(A)
Jika
! +! +! +
penistiwa
=
~.iaitusama
50
200
500
18
105
253
32
95
247
18/50
105/200
253/500
Definisi: 6.3
Kebanangkalian bagi sebarang penistiwa A ialah
P(A)
had
U. ~
f (A)
4~~
= f p(A)
P(
Bendasankan definisi mi ternyata kebarangkalian adalah nilalnilai nyata bagi fungsi set P yang dipanggil ukuran kebarangkalian
atau ningkasnya kebanangkalman. Aksium-aksium (i) dan (ii)
menentukan yang ukunan kebarangkalian adalah bukan negatifdan
nilainya di antana 0 dan 1. Aksium (iii) menunjukkan bahawa
kebarangkalian bagi gabungan penistiwa yang saling beneksklusif
adalah jumlah kebarangkalian bagi setiap penistiwa sebagaimana
yang dijelaskan oleh definmsm sebelum mi.
Harusdiingat definisi 7.1 tidak membeni tahu apakah bentuk
fungsi kebarangkalian P dan seterusnya kebanangkalman bagi satusatu penistiwa. Tetapi ia menghadkan fungsm P kepada syanat-syarat
tertentu dan setenusnya cara-cana untuk mendapatkan ukuran
kebarangkalian.
2.8
Hukum Kebarangkalian
Sifat-sifat fungsi set kebanangkalian yang timbul dan aksiumaksium boleh disenaraikan dengan menggunakan teonem-teorem
berikut.
Teorem: 8.1
Jika A dan A adalah dua penistiwa dan A adalah pelengkap
bagi A maka
P(A) = 1 PM)
29
Bukti
Olehkerana
S
maka
Au AdanA r~A
P(S)
P(A u A)
PM) + P(A)mengikut Definisi 7.1 (iii)
1= PM) + PM)
P(A)= I
P(A)
=
Teorem: 8.2
P(4~)= 0
Bukti
dengan Teonem 1 ambil A
P(4)
4 supaya A
1
=0
S maka
P(S)
Teorem: 8.3
Jika A, dan A2 adalah subset kepada S di mana A, ~ A2
maka
P(A1) ~ P(A2)
A2
A, (mA2
A2
V/i/A CAns)
AuB= Au(Ar~B)dan
B = (A r~B) u (A r~B)
Oleh kerana Ar (A rB)= q5dan(ArB)n(Ar B)= ~maka
P(A u B) = P(A) + P(A r B)
(i)
dan
P(B) = P(A r B) + P(A n B)
(ii)
dan (ii)
P(A~r~B)
gantikan dalam (i)
P(A u B)
P(B)
P(A) + P(B)
P(A ~ B)
P(A r~B)
(b) Katalah A dan B ialah masing-masing penistiwa untuk mendapatkan jumlah 7 dan jumlah 11. Untuk mendapatkan jumlah 7,
terdapat 6 titik sampel iaitu (1, 6), (2, 5), (3, 4), (4, 3), (5,2) dan (6, 1). Dan
untuk mendapat jumlah sebelas terdapat 2 titik (5, 6) dan (6, 5). Jadi
P(A u B)
P(A) + P(B)
6
2
P(A n B)
9
Peristiwa A n B = 0 oleh kerana tidak ada penistiwa yang boleh
mendapatkan 7 dan 11 secara serentak.
(c) Katalah C adalah penistiwa mendapatkan jumlah sekunangkurangnya 3.
Untuk mengira P(C) adalah agak sukar oleh kerana harus dikira
kebarangkalian mendapatkanjumlah 3,4,5 dan seterusnya. Adalah lebih
senang jika ditakriflcan penistiwa C iaitu penistiwa mendapatkan jumlah
kurang dan 3 yang terdini dan hanya satu titik (1, 1) sahaja.
P(C)
oleh itu
P(C)
P(C)
35
36
32
Contoh: 8.2
Katalab dan satu kajian mengenai isi rumah di Malaysia, didapatL
kebarangkalian untuk si suami merokok ialah 0.8 dan kebarangkalian si
isteri merokok ialah 0.4. Katalah juga keharangkalian kedua-dua suanu
isteni merokok ialah 0.6. Dapatkan
(a) Kebarangkalian kedua-dua suami isteni tidak merokok.
Penyelesaian:
Katalah H penistiwasuami merokok dan Wperistiwa isteni merokok.
Maka
P(H)
0.8,
P(W)
P(H n W) = 0.6
=
dan
0.4
(a)
2.9
Kebarangkalian Bersyarat
Dalam kebanyakan kes kita juga berminat mengetahui
kelakuan peristiwa atau penistiwa-penistiwa, selepas benlakunya
peristiwa itu. Benlakunya penistiwa mi adalah terpengaruh oleh
peristiwa yang benlaku sebelumnya. Sebagai contoh, di Malaysia
setelah beberapa han panas terik akan diikuti pula oleh han hujan
jadi kebarangkalian untuk hujan pada satu han adalah sangat
dipengaruhi oleh sama ada han-han sebelumnya panas tenik
ataupun tidak. Keadaan mi membuat kita ingin memerhatikan
kebanangkalian satu-satu penistiwa, selepas penistiwa itu telah pun
diketahui benlaku.
Definisi: 9.1
Katalah A dan B adalah dua penistiwa; kebarangkalian
bersyarat bagi B, dibeni A adalah ditaknif sebagai
P(BIA)
P(A)
33
P(A) # 0.
P(AnB)P(K,K)
P(A)
P(K)
41
12
2
di mana P(A n B) dan P(A) diperolehi dengan menggunakan nuang
sampel yang asal.
Contoh: 9.2
Katalah danipada keputusan banci penduduk kita dapati
34
Menganggur
Bekeija
Jumlah
500
10,000
10,500
lelaki antara
20-30 tahun
1,000
10,000
11,000
kiaki kurang
dan 20 tahun
5,000
5,000
10,000
Jumlah
6,500
25,000
31,500
lelaki Iebth
dan 30 tahun
Katalah seonang penduduk lelaki pekan itu dipilih secana nawak dan
didapati dia berumur 25 tahun. Apakah kebarangkalian seonang
penganggur?
Katalah P penistiwa seonang benumur 20 30 tahun, dan M
penistiwa seonang lelaki bekenja. Maka kebanangkalian penistiwa
benkenaan ialah
-
P(MIP)
P(M n P)
P(P)
1000/31,500
11000/31,500
11
Perhatikan jika kita gunakan nuang sampel yang tinggal selepas
peristiwa P benlaku
1000.
P(MIP) = 11000
11
sama sepenti keputusan dahulu.
Teorem: 9.1
Jika dalam satu percubaan, penistiwa-peristiwa A dan B botch
berlaku, maka
P(A n B) = P(A) P(BIA)
-
35
A%1)
~P(A1 nA2A2
...
...
nAn)
2.10
P(B) P(A] B)
36
P(A) P(B)
P(B)
P(A B)
P(B)
benenti
=
=
P(A) P(B)
P(A B)
(42
83
BI)]
(i\
=
(~\ (1
(i\
~) ~4J+
8
~.
Hukum Bayes
Da!am keadaan sebenan, penistiwa yang benlaku sela!unya
bergantung kepada penistiwa yang ben!aku di peningkat
pertengahan. Pengetahuan berkenaan kebanangka!ian penistiwa
peningkat pentengahan mi membolehkan kita mendapatkan
kebanangka!ian penistiwa yang dik ehendaki. Sebagai contoh
kebanangkalian seonang pelajan !u!us satu-satu pepeniksaan adalah
benkait napat dengan penistiwa ia najin menalaah ataupun malas.
Jika kita mempunyai pengetahuan berkenaan kebanangkalian
untuk najin dan kebanangkalian urituk malas berserta dengan
kebarangka!ian untuk !u!us bagi petajan yang najin dan kebarangkalian untuk !u!us bagi pe!ajan yang ma!as, maka danipada kenyataan mi dapat kita kina apakah kebanangka!ian seseonang pe!ajan !ulus.
Jika A ada!ah penistiwa seonang pe!ajan !ulus serta B dan B masingmasingnya adalah penistiwa najin dan malas, maka
(A)
(A n B) u (A n B)
=
PM n B) + P(A n B)
38
P(A)
P(B) P(AIB~)
Contoh: 11.1
Perjalanan sebuahjentena bengantung kepada keadaan harang
gantinya sama ada da!am keadaan haik, kunang baik atau rosak.
Katalah kebarangka!ian jentena benjalan !ancar jika dipasang
dengan barang ganti baik, kunang baik dan nosak adalah masingmasing 8, 6 dan 1. Jika 81, B2 dan B3 ia!ah peristiwa-peristiwa
barang ganti da!am keadaan baik. kunang baik atau rosak dan
mempunyaikebanangka!ianP(B1) = -9,P(B2)
08, P(B3) =O2dan
A ialah penistiwa jentera benja!an lancar. Maka P(A~B3=8, P(A~B2)
=
6 dan P(A~B3)= -1 Keadaan di atas bo!eh ditunjukkan dengan
menggunakan gambarajah ranting sepenti benikut:
=
P(B,)
P(AIB1)
P(82) P(A/B2)
P(83)
P(A/6~
Bola
Merah (M)
Bini (B)
Putih (F)
Hitam (I-I)
Uj
U2
U3
Ui,
3
2
3
1
4
2
4
2
1
2
6
1
Satu uncang dipilih secara rawak dan uncang yang tenpilih, dipiih
satu biji bola. Apakah kebanangkalian mendapatkan bola menah?
Penyelesaian;
P(M)
40
4(10
1cr
~10
1/SI
Li
~1o
4112
1
4
11~1~
4(12
P
H
I(~2)
1,1
114
418
112
418
4(8
111
418
M 1(~)
B
p
4(12
41
Teorem: 11.2
Jika B1, B2
B1 ia!ah peristiwa-peristiwa sa!ing bereksklusif,
maka bagi sebanang penistiwa A di mafia PM)
0
P(B,IA)
P(B3.P(/~BL
;r
1, 2,..., k
~ P(B~) P(AIB~)
-
________
P(B~IA)= P(B1nA)P(B2nA) +
..
+ P(B1nA)
Bukti:
Perhatikan gambarajah Venn berikut.
~B~n A)
(B2 n A) u
maka
P(B,IA)= P(B,.nA)
42
...
o (B~
A)
P(BrflA)
___
Pr(BIflA)+...+P(BkflA)
P(AIBr)
P,(B,) P(AIB,) +
+ P(B,,) P(AIBk)
P(Br)
_____
____
...
P(Br)
___
P(AIB,)
E P(B1) P(AIBI)
Contob: 11.3
Katalah dalam kalangan onang yang berumun 35 tahun Iebih
terdapat 15 penaTtus yang mengidap keneing manis. Katalah seorang
dokton benjaya mengecam dengan betul, 90 penatus dani pengidap
sebagai mengidap penyakit tensebut dan membuat pengecaman
satah sebanyak 3 peratus dani bukan pengidap sebagai mengidap
penyakit tersebut. Katalah seonang yang benumun 40 tahun telah
dicam oleh dokton tadi sebagai mengidap kencing manis. Apakah
kebanangkalian beliau bukan benan-benan pengidap penyakit
tensebut?
Penyelesaian:
Katalah A, dan A2 masing-masing adalah peristiwa dokton
mengecam sebagai mengidap dan bukan sebagai pengidap kencing
manis mi
Katalahjuga P, adalah penistiwa seorang mengidap dan P2 sebagai
penistiwa bukan mengidap kencing manis.
Kebanangkalian yang dipenlukan ialah: P(P,1A1)
Dengan menggunakan teorem 11.2
PP A
I
P(P;)P(A,IP,)
P(PI)P(A1~Pd+P(P2)P(AIIP2)
(15) (9)
(15) (9) + (85) (03)
135
2605
52
Latilnn Bfl 2
2.1 Senanaikan unsun-unsun yang tenkandung di dalam set-set berikut.
(a) Set yang mengandungi nombor bulat positif di antana lOdan
10.
43
(b)
(c)
2.2
2.3
2.4
Jika set sejagat S = {1, 2,3,4,5,6,7,8) dan set A = {1, 3,5, 7}, B =
{ 1,2,3,5, 7}, C = {2, 4,6,8) dan D = {3, 4}. Senanaikan semua ujisur
yang terdapat dalam set-set benikut:
(a)AuS
(b)AnB
(c)C
(d)(CnD)uB
(e)(SuC)
(9AnCnD
(g) (A n C) n 17 (h) A u 17
25
26.
2.7
2.8
Buktikan bahawa
(a) AuB=(AnB)u(Anff)u(AnB)
(b) AB=AnU
2.9
4.
C)
(vii) A u (B n C) = (A u B) n
(viii) (A u B) = A u (A n B)
maka
n B
4 dan jika
2.13
2.14
215
2.16
2.17
2.18
(d)
2.24
2.25
2.26
2.27
(c)
Mendapat gned setingginya C.
(d) Mendapat sama ada gred B atau C.
Jika dalam satu kotak tendapat 15 batang paku yang terdini dan 10
yang baik dan 5 yang rosak. Jika 4 paku diambil senentak, apakah
kebarangkahian untuk mendapatkan:
(i) 2 paku rosak.
(ii) Tiada yang nosak.
(iii) Selebih-lebihnya 2 paku nosak.
Jika satujawatankuasa yang mengandungi 3 orang dibentuk dengan
memilih dan 5 orang Mehayu, 4 onang Cina dan 2 onang India,
apakah kebarangkahian
(a) Seonang Mehayu tenpilih dalam jawatankuasa.
(b) Sekurang-kunangnya 2 onang Cina tenpihih.
(c) Dua onang Melayu dan 1 onang India tenpilih.
(d) 2 orang India tenpiih ke daham jawatankuasa; dan
(e) Kesemua bangsa diwakihi daham jawatankuasa.
Seorang pemandu keneta yang rabun ayam apabiha memandu di
waktu maham mempunyai kebanangkahian -4 untuk melanggan
keneta lain dan kebanangkahian -3 untuk dilanggan oheh kendenaan
lain. Jika diandaikan seorang nabun ayam memandu di waktu maham
apakah kebanangkahian
(i) Tenhibat dengan pehangganan.
(ii) Tidak tenhibat dengan pehangganan.
Andaikan kedua-dua jenis pehangganan tidak boleh benlaku
senentak.
Dua buah dadu enam muka dicampak senentak. Apakah
kebanangkalian untuk mendapatkan:
(a)
(b)
(c)
(d)
()
(ii) P(B)
(iv) P(A n B)
(vi) PM n B)
=
-63 P(B)
(ii) PM n B)
(iv) PM n B)
(vi) P(BIA)
P(AIB) = P(A)
PM) = P(B). P(AIB)
49
2.35
2.36
2.37
2.38
2.39
(a)
1 orang Mehayu dan 2 orang Cina dipihih
(b) 2 dan yang dipilih ialah orang India, dan
(c)
Kesemua yang tenpihih iahah orang Melayu.
Sebuah finma menggunakan satu ujian kecekapan untuk memilih
pehatih-pehatih baru. Mengikut pengahaman 70% dani semua yang
ditenima sebagai pehatih didapati menjahankan tugas dengan
memuaskan. Dan semua yang memuaskan didapati 85% mencapai
mankah yang baik dalam ujian kecekapan, sementana dan yang
tidak memuaskan hanya 35% mencapai markah yang baik. Jika
seonang pelatih baru diambil dapatkah kebanangkahian ianya dapat
menjalankan tugas dengan memuaslan jika ia lulus dengan baik
ujian kecekapan.
Katalah terdapat tiga tong buab himau, A, B, C. Tong A mengandungi 10% himau yang nosak, tong B, 15% dan tong C ialah
5%. Jika satu tong dipihih secana nawak dan dad tong tersebut dipihih
satu himau secana rawak, apakah kebanangkahian mendapatkan
himau yang nosak? Jika setehah limau nosak dipihih apakah
kebanangkahian tong yang dipilih iahah tong C.
Andaikan kebanangkalian untuk hulus satu pepeniksaan jika pehajar
datang dan luan bandan ialah 0-6 dan jika pelajan datang dad bandan
ialah -8. Jika di satu sekohah terdapat 200 pelajan luan bandan dan 100
pehajan bandar apakah kebanangkahian
(a) Seorang pelajan yang dipihih secana nawak dan sekolah
tensebut adalah datang dan huan bandan dan lulus pepeniksaan.
(b) Seorang pelajar yang tenpihih lulus pepeniksaan, jika setelah
peperiksaan benlaku seorang pelajan yang gagal dipiih,
apakah kebanangkahian behiau datang dani huan bandar.
Katahah satu dadu 6 muka dicampak 3 kali bentunut-tunut.
(a) Apakah kebanangkahian mendapat nombon 6 di ketiga-tiga
campakan.
(b) Jika campakan~pentama menghasilkan nombor 6, apakah
kebarangkahian mendapatkan nombor 6 di dua campakan
benikutnya?
(c) Jika campakan pentama dan kedua menghasihkan nombor 6
apakah kebanangkahian mendapat nombon 6 pada campakan
ketiga.
Dad 1000 orang lelaki dewasa yang dipeniksa didapati 20 onang
mempunyai tekanan danah tinggi. Dan onang yang mempunyai
tekanan danah tinggi dapati 30% mengidap kencing manis, 50%
50
Jumlah
h~~t ~
B
1200
800
600
1000
Botch disclasnatkan
400
300
200
300
5600
1200
Musnah
ioo
so
40
30
200
1700
1130
840
1330
5000
Baik
Jumlah
Dapatkan kebanangkahian
(a) Satu benih pokok yang dipilih datang dani pusat penyehidikan
A dan masih boleh disehamatkan.
(b) Satu benih pokok dihasil oheh pusat penyelidikan B.
(c) Satu benih pokok yang masih boheh disehamatkan.
~d) Saw benih nosak jika diketahui ia datang dani pusat penyelidikan A.
51
BAB3
TABURAN PEMBOLEHUBAH RAWAK
3.1
Pembolehubah Rawak
Di dalam bab satu kita tidak menghadkan titik-titik sampeh
supaya mengambil nihai danipada aspek tententu. Kesemua kemungkinan kesudahan bagi pencubaan nawak adalah dianggap
menjadi ahli kepada ruang sampeh. Sama ada ia ruengambil nilai
bennombon atau nihai bukan nombon adalah tidak dipensoalkan.
Ruang sampeh, S boheh dalam bentuk S = {1, 2, 3,4, 5, 6} ataupun
daham bentuk 5= {K, E}.
Walaupun tidak ada syarat supaya nuang sampeh hanus tendini
danipada unsur tertentu, namun adahah mudah jika kita tumpukan
penhatian kepada nuang sampeh yang tenhad kepada unsun-unsun
daham bentuk nombon. Oleh kerana itu, adahah menjadi satu
kepenhuan untuk menukankan atau menaknif kembahi setiap
kesudahan supaya tendini danipada niai-nilai nombon. Sebagai
contoh, di daham pencubaan mehambung duit syiing tiga kahi, titiktitik dalam nuang sampel ialah:
{KKK,
KKE,
EKE, EEE}.
Jika kita tentanik kepada bilangan kepala yang muncuh, maka nilainilai
{0, 1, 2, 3}
yang boheh dipadankan kepada setiap titik di daham S akan menjadi
ruang sampel yang bahanu.
Dalam memberikan nilai nombon kepada setiap tik sampel
asal, kita tehah mentakniflcan satu fungsi kepada titik-titik tersebut.
Fungsi tersebut membentuk apa yang dinamakan pembohehubah
rawak.
52
Definisi: 1.1
Jika X ialah satu fungsi nilai nyata yang ditaknif di atas titik-titik
daham nuang sampel, 5, maka X dipanggih pembohehubah rawak.
Penhatikan bahawa kita akan sentiasa menggunakan X atau
sebanang hunuf besar hainnya sebagai fungsi kepada semua titik
sampeh dan X(S) atau sebagainya untuk fungsi kepada satu titik
sampeh tententu. Jadi, X, ii
adahah digunakan untuk mencatat
pembohehubahnawakdanhurufkecilx,y,...dimanax = X(S),y =
Y(S) digunakan untuk mencatat nihai-nilai yang diambil oleh
pembohehubah nawak tensebut.
..
Contoh: 1.1
Satu duit syihing dilambung dua kahi. Taknifkan X sebagai
pembolehubah rawak bagi bihangan kepaha K yang muncul. Maka:
Ruang sampeh S = {KK, KE, EK, EE}
niai pembolehubah nawak: 2 11 0
atau X(KK) = 2, X(KE) = 1, X(EK)
Ruang bagi X. A~= {x; x = 0, 1, 2}
1 dan X(EE)
= 0
Contoh: 1.2
Dua buah dadu enam muka dicampak senentak. Takriflcan Y
sebagaijumhah yang keluan, maka .Ymengambi nihai-nilai 2, 3,4
11, 12. Jika Z ditaknif sebagai jumhah yang genap maka Z hanya
mengambil nihai 2, 4, 6, 8, 10, 12.
Dani kedua-dua contoh di atas kita penhatikan bahawa
benbagai fungsi boheh ditaknifkan tenhadap titik sampel. Penentuan
tentang apakah pembolehubah rawak yang sesuai adahah
bengantung kepada tujuan atau minat di daham menjahankan
pencubaan tensebut.
Ruang bagi pembolehubah nawak yang dicatat A~sekarang
adalah tendini dani nombon nyata dan dipanggih domain atau daenah.
Sementana kesemua niai yang boheh diambi oheh pembohehubah
nawak tensebut dipanggih julat. Hubungan keduanya sehahu ditulis
sebagai
A~= {x; xe R)
.
[XeA]
{s:seSdanX(s)eA}
= P~(A) = P(seS
dan X(s$A})
P(C)
(iii)
u A2})
P({s,seSdanX(s)eA1
oleh kerana:
{s:seSdanX(s)eA1
{s
uA2}
{s:seSdanX(s)eA1}ti
~5
maka
P(A1uA2)= P({s:s eSdanX(s)eA3})
dan
X(s)eA2})
P~A1) +
-I-
P({s:seS
P(A2)
P~(A) atau
p1
P({s2})
p~
P(~s4})=
Ps
P2
di mana
i~1
Contok 2.2
Satu duit syihing dicampak tiga kahi. Katalab X adahah
55
X(s)
p,
3
2
2
1
2
1
1
0
1
8
KKK
KKE
KEK
KEE
EKK
EKE
ELK
LEE
px
8
8
8
8
8
(b)
(a)
Jadual 2.1:
Perhatikan bahawa:
S = {KKK, KKE, KEK, KEE, EKK, EKE, EEK, EEE} dan K = {0,
1, 2, 3}
di mana
[X =0] ={s:seSdanX(s) =
[X = 1] ={s:seSdanX(s)=
[X = 2] = {s:sESdanX(s)=
[X =3] ={s:seSdanX(s)=
0}
1)
2}
3}
{EEE]
~KEE,EKE,EEK}
{KKE,KEK,EKK}
{KKK}
56
2
1(x)
10
11
12
36
36
36
36
36
36
36
36
36
36
36
Contob: 3.2
Satu uncang mengandungi 6 bola merah, 2 bola hijau dan 2 bola
57
fix) =
x=o
iaitu 1 (\x)t\2)
x0
(~~)
~)
(~\2 f~\2
/h\~ (Al
Il\ (hV
1(i~i4
+4~) ~
+4l~) k,j) +6~)
2 k~2)
(1\4(1\o
~)
~)
4 + 6 + 4 + 1]
(b)
P(X=2)=
(c)
P(X<2)=
x2
fix)
(4\
(1~2(1\2
fi2)
1
=
L
x0
59
/4
\x
)GYw
/1\4x
~)~) ~)
5
16
3.4 Taburan Kebarangkalian Selanjar
Bagi pembohehubah nawak selanjar kebarangkahian di atas satu
titik dalam domain adalah tidak tertaknif. Defrnisi 3.1 tidak boheh
digunakan. Bagaimanapun dengan menggunakan konsep yang sama
sepenti kes disknit kita boheh taknifkan tabunan kebarangkalian
sehanjar atau juga disebut fungsi ketumpatan kebarangkahian
sebagai benikut.
DefirnsR 4.1
Fungsi bukan negatif f(x) dipanggil fungsi ketumpatan
kebanangkahian bagi pembolehubah nawak X jika bagi Ax adalah
domain bagi X maka
1(x) dx
A,
ff(x)dx.
JA
a
Gamb.raj.h 4.1:
Kelok tun
f(x)dan Fra
60
f(x) dx
A,
f(x) dX
J A,
1.
e~ dx
1
=
=
=
0+1
1
ff(x)dx
.1.4
61
~e_1dx
Jo
1
C2.
P(X
a)
J:f(x)dx
b)
rawak
1<x<1
di lain-lain
fix) dx.
Jx~x
jjdx
1
1
~x +
1
-1
62
mempunyai
fungsi
(b)
P(X -c 02)
P(X ~ 2)
(2) +
I + -5
=6
=
cf(x)
f(x)=~
x E A~.
di lain-lain
mi
.3 A,
63
KEBARANGKALIAN
DAN
STATISTIK
Oleh itu
1=
cxdx
Jo
cx2 2
2~
2c
bererti c
yang
1
=
O<x2
~o
di lain-lain
(b) P(1X-cl)=
P(1X-cO) + P(O.cXcl)
to
0 +
~dx+
xdx
!x2
1
4
3.5
Fungsi Taburan
Kita telah pun memberi definisi kebarangkalian bagi peristiwa
di mana pembolehubah rawak X mengambil nilai tertentu. Satu
daripada peristiwa dan kebarangkalian berkenaan yang menarik
perhatian kita ialah peristiwa [X E x] dan kebarangkalian P( [X (
64
bagi
f(w)
w~x
Contoh: 5.1
Katalah pembolehubah rawak diskrit X adalah mempunyai
fungsi ketumpatan kebarangkalian
Ii
fix)=
x=0,1,2,3
di lain-lain
F(x)
__
______
1/4
I
I
P(X < 0)
0
P(X
0)
65
0)
KEBARANOKALIAN DAN
STATISTIK
1)
P(X <1) +
PR
1)
U
1
x<0
Ocx<1
1Cx2
2~x<3
1
3Cx
{e~
0
mempunyai fungsi
0<x<cc
di lain-lain
x ialah
P(X C x)
Jf(w)dw
JJ~e_wdw 0<x<co
1I4~Odw
xCO
0 < x < ~
i~eX
xCO
10
66
5.2
contoh
0 C FN C 1 bagi
< x <
~.
P(X C x) C 1
{X C x2}
(c)
F(x)
F(+ciJ)
1,
F(x)
F(co)
Jika x
+~ maka ~R
C x) mendekati P(X C ~) = 2.
Begitujugabilax
~makaP(X
C x)~.P(X C
~) = P(s)
=0
(d)
mi boleh
P(x C x0
+ h)
atau
F(x0 + h)
Bila h
F(x0)
P(x0 <
X C
maka {xo -c X C x0 + h}
x0 + h)
{~}
sehingga
P(x0 C
X C x0 + h)
Oleh itu
~
[F(x0 + h)
F(x0)]
P(x0 <
X C x~+ h)
yakni
F(x, + h)
F(x0)
atau
F(4)
F(x0)
masih dipenuhi. Bagi contoh 5.2 kelok F(x) adalah selanjar di manamana, iaitu dani kin dan juga dan kanan pada setiap titik. Keadaan
mi membolehkan kita membuat kesimpulan iaitujika F(x) adalah
selanjar maka X adalah selanjar. Jika F(x) mempunyai bentuk yang
melompat dan selanjar dan kanan maka X adalah pembolehubah
rawak disknit. Dan jika F(x) menupakan gabungan kedua-dua sifat
mi, iaitu pada beberapa titik tertentu ia melompat sedangkan di lainlainnya selanjar X adalah pembolehubah rawak jenis bercampur. Jul
boleh ditunjukkan seperti contoh benilcut.
Contob: 6.1
Katalah pembolehubah nawak X mempunyai fungsi tabunan:
F(x)
11
x>~
ax
Kita dapati F(x) selanjar pada setiap nilai x kecuali pada titik x
Padatitikx
=
OF(0)
OsementaraF(0)
sehingga
P(X
0)
0.
~.mthberertiPIX <Q)
~.
Dan kenyataan
mi
{X C b}
P{X C b}
F(b)
=
=
=
{x C a} u {a < x C b}
P{X C a} + P{a C X C b}.
F(a) + P{a C X C b}.
iaitu formula
P{a
X C b}
F(b)
F(a)
F{b
h C X C b}
Bila h
0 had bagi set {b
sehingga
jF(b)
F(b
h C X C b} adalah set
{x
b}
P(~= b)
had P{b
h C X C b}
P(X
b)
F(b)
yakni
=
F(b)
PR
b)
F(b)
F(b
1)
bagi X disknit.
P(X
b)
bagi x selanjan.
0
70
F(b)maka
F(x)=
1CxC2
{~+i
x>2
F(x)
2/3
1(3
(a)
P(X
1)
F(1)
F(1)
F(1)
F(0)
(b)
71
(c)
P(1CX~~)=P(X=1)+P(1<X(~)
=
5
6
(d)
- p(x
1-
=1-
<})
~(x
F(~)
-4)]
[FG
=11-0
1
6
Contoh: 7.2
Katalah X adalah pembolehubah rawak yang mempunyai
fungsi taburan yang diberi seperti berikut.
F(x)=
0
1
3
2
3
x<0
2<x
0(x<
1(x<2
72
bahawa kebanangkalian bennilai bukan sifar hanya wujud pada titiktitik X = x di mana x = 0, I, dan 2. Kebarangkalian masing-masing
~-.
____
Gambarajah 7.2:
Graf bagi
Fix)
3
untuk contoh 7.2
/(x)
x)
0,1,2
di lain-lain
fix)
F(x)
F(x
I),
I/x eA~
KEBARANGKALIAN DAN
(b)
STATISTIK
dx
F(x) = fix)
pada setiap titik x.
(c) F~(x)adalah selanjar sesecebisan.
Berdasarkandefinisi 7.1 adalahjelas bahawa fungsi ketumpatan
kebanangkalian bagi pembolehubah rawak selanjan boleh dipenolehi
dan terbitan pentama bagi F(x), F~(x)di dalam domain yang
berkenaan.
Contoh: 7.3
Fungsi tabunan bagi pembolehubah nawak X adalah
F(x)=
(0
XC1
F(x)
x
0
Gambar~J~h
7.3:
dx
Contoh: 7.4
Anggap fungsi F(x) dibeni sebagai
74
x<i
2
1CxC~
F(x)
x<0
0~x<
1 z~x
x~
x<0
O~x<l
dF(x)
0
l~x
atau
f(x)
ix 0 1C x < I
=
di lain-lain
fix)
{10
exp{
~XJC x C ~
di lain-lain
F(x)= j1_ex~
ygw~~2
1.
C x C X~
75
4)(X(s))
P(YC y)
P(b(X) C y)
atau
{0(x) C
~.G(x) dx
bagi X selanjan
.I~(x)
bagi X disknit
Fy(y)
{J
{4)(x)
C y~
76
P(Y
I
=
y)
P(aX + b C y)
yh
PI,~XC
Fx(~)
b)
maka
=
jika
Coutoh: 8.3
Katalah X mempunyai fungsi ketumpatan kebarangkalian
.f~(x)=
Biarkan Y =
1
1 fx_p~2
exp~
I. 2\ tYJ
~CxCcc
bagi 1.
79
Sementana
Fy(y)
=
=
=
P(X2 C y)
P(YC y) =
P(\/~CXC~/~)
F~(~) F~(
-
j&ay>0
ix(~J~)
..,/i~C 0 makaf
1(
MY)
fj)
maka
-0
2~/~
atau
f~( ~/I;)
2../
0
di lain-lain
w(y)
KEBARANGKALIAN DAN
~wtv))
Contoh: 8.5
Pembolehubah rawak
kebarangkalian
~,
x > 0
di lain-lain
(~
Katalah Y
STATISTIK
Penyelesaian:
dan
2
=-x=y
dx= 2ydy
3)=]x
ma ka
fy(y)
.fx(y2) 2yj
2ye~
atau
1
1(y)
t2ye
0<xCcC
di lain-lain
Latihan Bab 3
3.1 Satu duit syiling dicampak berturut-turut sebanyak empat kali.
Senataikan kesemua kemungkinan kesudahan. Senaraikan juga
titik-titik sampel yang terdapat dalam penistiwa C di mana sekunangkurangnya dua kepala muncul. Jika ditaknilkan X sebagai
pembolehubah nawak yang menunjukkan bilangan kepala yang
keluan padankan kesemua titik sampel dengan nilai-nilai bagi X.
Nyatakan penistiwa C sebagai padanan kepada penistiwa yang
melibatkan pembolehubah rawak X.
3.2 Satu uneang mengandungi 3 biji bola menah yang bertanda 1,2 dan 3
dan 2 bola putib yang bertanda 1 dan 2. Jika 2 biji bola dipilih
senentak secara rawak senaraikan kesemua titik-titik dalam ruang
sampel. Jika pembolehubah nawak X ditaknifsebagai bilangan bola
merah yang terpiih.
82
TABURAN
PEMBOLEHUBAI-I
RAWAK
3.3
3.4
(a)
(b)
3.5
3.6
3.7
berikut:
Bilangan pelanggan (xi) :
P(X
x1):
=
3.8
05
15 ~25 -3
05
Dapatkan
(a) Kebarangkalian sekurang-kurangnya 4 pelanggan membeli di
kedai tersebut dalam satu han
(b) Kebarangkalian kedai tersebut tidak dapat menjual sebarang
jualan dalam satu han
(c)
Kebarangkalian di antara 1 hingga 4 orang yang membeli di
kedai tersebut dalam satu han.
Jika saw fungsi adalah dalam bentuk
83
(b)
P(X
P(X
=
=
2)
2 atau 3)
3.13 Pembolehubah
kebarangkalian
rawak
fix)=
mempunyai
10
fungsi
ketumpatan
xCO
OCxC2
ax
a(4x)
2CxC4
x>4
(a)
(b)
Dapatkan kebanangkalian
(i)
(iii)
P(X ~ 2)
P(0 C X
(ii)
5)
P(X C 3)
(iv)
PU
3)
1(x)
Jika penistiwa A
08
~4
15
12
-05
{F
4), B
{X
2} dan C
{2 C X
3}.
Dapatkan
(i)
(iii)
P(A)
(ii)
P(B)
P(A u B)
(iv)
P(A u C)
3.15 Pembolehubah
kebanangkalian
nawak
f(x)
mempunyai
El
=~
fungsi
C
di lain-lain
85
ketumpatan
Dapatkan
(i)
(iii)
PR
0)
(ii)
P(X C x)
(iv)
PR >
0)
P(l c X ~ 5)
3.16 Dan fungsi ketUmpatan dalam soalan 2.11 dapatkan dan lakarkan
fungsi tabunan bagi X.
3.17 Lakankan fUngsi taburan F (x) bagi fungsi ketumpatan kebarangkalian dalam soalan 3.11.
3.18 Dapatkan dan lakankan fungsi taburan bagi X dalam soalan 3.13.
3.19 Dapatkan dalam bentuk formula fungsi taburan bagi pembolehubah
nawak X yang mempunyai fungsi ketumpatan kebarangkalian
1(x)
0CxC~
di lain-lain
10
(a)
xCO
OCxC2
1
(b)
x~2
F(x)=J~
I
xCO
e~ x > 0
Dapatkan:
(i) P(X = 0)
(iii) PU C X
(v) P(X=2)
3)
(ii) P(X C 2)
(iv) PR > 3)
(vi) PU CXC2)
F(x)
F(x)
3/4
1/2
1/4
Dapatkan:
(i)
P(X
2)
(ii)
PR > 3)
(iii)
PU C X C 3)
(iv)
PR
(v)
P(1CXC2)
(vi)
PR > 5)
2)
3-
0, 1, 2, 3
di lain-lain
Lakarkan fungsi taburan F(x) bagi x dan
Dapatkan
(i)
PR
(iii)
P(X
0)
(ii)
PR > 0)
3)
(iv)
PR C x)
nawak
X
(0
~1
mempunyai
fungsi
xCO
OCxC1
F(x)=
J3
(,i
87
lCx<2
x~2
taburan
xCO
(0
OCXC1
F(x)=
x>0
(I,)
xCO
(0
(1
F(x)=
x > 0
2X
1.
BAB4
SET-SET
RAWAK
BEBERAPA
PEMBOLEHUBAH
4.1
Pengenalan
Setakat mi kita telah menghadkan perbincangan kepada kes
yang
melibatkan ruang sampel domain yang mempunyai hanya sam
dimensi. Kesudahan dianggap hanya
membentuk satu
pembolehubah nawak sahaja. Dalam keadaan tententu kita juga
penlii membincangkan bebenapa pembolehubah nawak yang ditaknif
di atas satu nuang sampel yang sama. Sebagai contoh, kita
perhatikan percubaan mernilih seorang kanak-kanak lelaki dani
luar bandan. Danipada kumpulan kanak-kanak mi, yang menupakan
set bagi nuang sampel, kita mungkin penlu mengetahui dua hal,
katakan tinggi dan j.uga berat badan mereka. Jika kita taknitkan X
mewakili tinggi dan Ymewakili benat badan, maka X dan Yadalah
dua pembolehubah rawak yang ditaknif ke atas setiap kanak-kanak
tersebut. Kita penhatikan domain bagi X dan Ybukan lagi domain
satu dimensi.
OIeh kerana kes dua atau lebib pembolehubah nawak mi
merupakan lanjutan kepada satu kes pembolehubah rnaka konsep
dan penjelasan yang sama danipada kes tersebut masih boleh
digunakan.
Dalam bab mi, penumpuan akan hanya dibeni kepada kes yang
melibatkan dua pembolehubah nawak sahaja walaupun tendapat
juga kepenluan membincangkan kes-kes yang melibatkan lebib
danipada dua pembolehubah. mi kenana konsep-konsep mi boleh
dengan senang dikembangkan untuk mengambil kira kes banyak
pembolehubah.
4.2
89
~ KKK,
KKE,
KEK,
S
~2
EKK,
EKE,
LEK,
54
55
S~
EKK,
EEE
57
s~
S~
$3
$4
$5
~6
S~
S~
X(s)
Y(s)
{x. y: x
0, 1,2 dany
0, l}.
0} iaitu
~ I
f(x.y)
(ii)
flf(x,y)
xy
atau
bagi kes selanjar.
=
4.3
Definisi: 3.1
Jadual atau formula yang menyenaraikan kesemua
kemungkinan (x, y) bagi pembolehubah rawak X dan 1, dan fungsi
kebarangkalian f(x, y) adalah dipanggil taburan kebarangkalian
bersama atau fungsi ketumpatan kebarangkalian bersama bagi X
dan Y.
Contob 3.1
Perhatikan percubaan lambung duit syiling 3 kali, dan X
ditakrif sebagai bilangan kepala yang muncul daripada dua
lambungan mula-mula dan Y sebagai bilangan kepala yang keluar
pada lambungan ketiga. Maka, domain bagi X, Y ialah
~
{(0, 0), (0, 1), (1, 0), (1, 1), (2, 0), (2, 1)}
ftx,y)
If
1
Ef(x.y)
4,,
iaitu,
Katalah,
Ef(x,y)=1
x=o y~o
1
2
1
12
1
=I+I+I+I+_+I=1
A = [X Cl, Y= 0]maka
A= {(O,O),(i,0)}
Dan
P(A)
f(O,O) +f(1,O)
12
+
3
8
Katalah B = LX C 1]
PeristiwaB = [X C 1] bolehditulissebagaf[X C 1 dan Y= Oatau
1]
OIeh itu,
P(B)
=
=
=
1226
92
Katalah,
C
P(C)
[X
P(X
2, Y= 1] maka
2, Y= 1) =f(2, 1)
Definisi: 3.2
Fungsi bukan negatif f(x, y) dipanggil fungsi ketumpatan
kebarangkalian bersama bagi pembolehubah rawak selanjar X dan
Yjika bagi domain, ~ maka
y) dx dy
fi~x.y) dx dj~
JAJ
I(x,y)
f(x, y)
Axy
O.mb~~.h
al: .A~yden f(x. y)
93
y
y
VA
Gambarajah 3.2a:
rssA
/////~ ~///////////////
GambersjthS.Z,:
94
y=x
Gambarajah 3.2d:
Contob: 3.2
Katalah X, Yadalah dua pembolehubah rawak selanjar yang
mempunyai fungsi ketumpatan bersama
95
f(xy)=
(0
1,0
< x <
< y <
di lain-lain
Dapatkan
(a)
<X
(c)
<x
YC
<~,
<x
(b)
(d)
<~,
< y <
P(X ~ Y)
Penyelesaian:
Domain bagi ~
y
1.1
0,2
<
.v
< ~
<
<
0, 0
(a)
<
2,
<-i, y~
~)
f 5
1,0
j~Jf(x.y)dyax
dy
dx
(b)
~(o < x
<
~,
< y <
jJf(x.
5~f~
dy
1 dy dx
4
96
y)
dx
(c)
ii
[o <~
<x
< y <
1,1
0,1
Gambarajah 3.3a:
1,0
0,0
______
Ialah
peristiwa[O ~ X
<
fl
OIeh itu
fjf(x.
P(X ~ Y)
97
dx dy
JJ~1dxdy
1
2
(d)
y)
y=x
(ii)
G~mb~~~jah
3.3b~
________
i&ah pe~istiw~
[X
11
Y1
1)
J J
Contoh: 3.3
Katalah X, Y adalah dua pembolehubah rawak selanjar yang
mempunyai fungsi ketumpatan bercantum
f(xy)={2
0<x<y<2
di lain-lain
Domain bagi X, Y A~,adalah.ditunjukkan sebagai kawasan berlorek
dalam gambarajah di bawah.
~02,O
ii
Lc
A dalam gambarajah
YC
C,
3.4
1fI~xy
/
1
1\
Pt~0<X c~,Y<~,)=
J0J0-ydxdY
2I
Jo
256
Sementara peristiwa
[X
.c
1, x
<
<
[x
<
2] dan
P(X<fl=
JJ~1dydx
1(
x~\
I Ix----ldx
Jo\
4j
7
16
4.4
f(x.y)=
Sementara bagi X dan Yselanjar
f(x,y)=
J J
(x
-~
Iy
~a)
99
f(x, y) dy dx
Contoh: 4.1
Katalab X, Ymempunyai fungsi ketumpatan bercantum.
Jf
ffr,y)
II
2S
0
C
f(0,0)
8
F(0, 1)= 1(0,0) + f(0.1)
6
8
4
8
F(2,2)= f(0,0) +1(0,1) +f(1,0) +f(1, 1)
+fl2,0)+fl2,1)
F(2,0)=
F(x,y)
I8
Contoh: 4.2
4xy
0
< x
c 1,0 c y
di lain-lain
maka
F(x,y)=
=
=
rx
r~4xydydx
I I
Jo Jo
1:
y2
2xy2 dx
x2
OCF(x.y)C1bagiaJcx<cxD,aDcy<~~
mi adalah jelas oleh kerana F (x, y) adalah fungsi
kebarangkalian.
101
(1)
had
F(x. y)
F(cc,cc)
F(x, y)
F(
cc, y)
F(x, y)
F(x,
cc)
F(x~,y2)
y -,
(ii) had
(iii)
(d)
(i)
(it)
(e)
had
had
~
F(x, y)
F(a. y)
F(x,y)
F(x.b)
Keadaan
F(a,c)
F(a,d)
F(b,c)
P(a c X C b.c -C Y C d)
F(b,d)
(0 (0
(ii)
had
F(x,y)= F(cc,y)
Fy(y)
had
F(x, y)
F~(x)
F(x, cc)
y.r
y
dan
~ f(x, y)
/z(y)
J-~
f(x, y) dy
dan
h(y) =
f(x, y) dx
Contoh: 5.1
Katalahf(x, y) bagi dua pembo]ehubah rawak X, Yadalah
x+y
f(x,y)=
x= 1,2,3dany=
21
0
di lain-lain
103
1;2
Fungsif(x,
y)
~3,2)
4
3
21
21
21
1(3, I)
21
21
21
2
yang diperolehi dengan menggunakan formula g(x)
iaitu
Z
g(1)
g(2)=
j~y
,~i 21
2~~=3
~
Y=i
3
+
1
7=1
f(x, y)
21
3+y4
21
5
9
21+2121
12
21
21
104
Contoti: 5.2
Katalahf(x,y) = e;O C X <
ketumpatan bersama bagi X dan Y
: I.:-;
(13,0
f(x. y) dy
e~
dy
atau
o
g(x)
{e~
<
<
di lain-lain
dx
O<y<03
hW= {C
di lain-lain
g(x) dx
=
105
Jo
1
e~dx
1
C
misalan,
P(a < X < b/Y= y)
ff(x/y)dx
Ef(x/y)
x=o
ketumpatan bersama
1xy
fix, y)
Ocx<y<2
2
0
di lamn-lain
J-~
bagi
0<x-c2
di Ilin-lain
Fungsi ketumpatan bersyarat bagi Ydiberi X
/(x
f(y/x)
2 0
4x
=0
cx<2,
di
108
lain-lain
x ialah
x<y<2
f(x/y)
~Cj)
= y
ialah
f~i/(y3/4)
o
y2
<
y < 2; 0 c x c y
atau
(2x
f(x/y)
=~
< y <
2; 0
c x c y
di lain-lain
(0
Contoh: ~2
Dengan menggunakan keputusan dad contoh 6.1. Dapatkan:
(a)
P(0
(b)
(c)
y)
X <~/Y =
P(YC1/Xczl)
Penyelesaian:
(a)
P(0<X<1/Y=y)a
Jo
0
f(x/y)
dx
2x
i- dx
1
(b)
<x <~/Y=1)=
f(x/y =
2x
:rit
109
1) dx
(c)
mi
persamaan
P(Y
<
1/X
1)
<
ldanX <1)
P(Y<
=
P(X
1)
<
(0,0)
(10)
[X
<
1]
(2,0)
1,0< Y
= [X
< 2];
ly < 1, X < 1]
P( Y <
1, X
< 1)
jJf(x. y) dy dx
II ~~xy
I
Jo Jo
=
C y3
J~d~
1
16
110
dxdy
P(X
1)
P(X
c 1~OC YC 2)
y) dy dx
fJ~di~dx
1 (x
-4-) dx
Jo
7
16
Oleh itu
P(YC 1/iCc I)
< 1, X C 1)
PR < I)
16
7
16
1
7
Contob: 6.3
Katalah X dan Y ada dua pembolehubah rawak diskrit yang
mempunyai fungsi ketumpatan bersama, sebagaimana jadual
berikut:
flx,y)
1
i
ii
1
12
12
h(y)
6
12
12
iii
12
6
ii
12
5(x)
2
12
12
2
12
f(x, y)
g(x). h(y)
V(x. y) e
stokastik.
Adalah tidak sukar untuk menunjukkan bahawa definisi bagi
ketakbersandaran stokastik adalah lahir daripada konsep
lcetakbersandaran bagi peristiwa-penistiwa. Katalah terdapat dua
penistiwa A dan B. Peristiwa A dan B adalah tak bersandarjika dan
hanya jika
P(A
n B)
= P(A). P(B)
Sekarang anggapkan
P(A n B)
= P(X
C x] dan B
= [X
x, YC y)
= P(X
= [Y
C
C y] maka
x). P(Y C y)
atau
F(x,y)
F(x).F(y)
F(x).F(y)
x, Y
= y)
f(x, y)
P(X =
x). P(Y
= y)
atau
g(x)
h(y).
Jika A dan Yselanjar, terbitan pertama bagi F (x, y), F (x) dan F (y)
adalah wujud di atas domain X dan Ysehingga
F(xy)
F(x) 5F(y)
Uxy
ax
atau
f(x,y)
114
g(x).h(y).
f(x/y)
dan
g(x)
f(y/x) =
ii(y)
(x,y)
di lain-lain
{(O,O),(1,0),(0, 1),(l,1)}
II
fxNfy(y);
0, 1
di lain-lain
t-0
Maka didapati
f(x.y)
0, 1
di lain-lain
x
0,1, y
0,1
(x, y)
(~0
di lain-lain
115
1
=
g(0)= P(x
0)
h(0)= P(Y
0)
iaituf(0, 0)
1
4
3
4
g(0). h(0)
Contob: 7.3
0
adalah X dan Ytakbersandar.
Penyelesaian:
g(x
Jf(xy)dy
(x+y)dy
Jo
0<x<1
C
=
I (x + y) dx
Jo
O<y< 1
makag(x)h(y)= (x +
fl
(y +
0 < x < 1,
O<y<1
116
g (x) h (y).
fJ
= g
g (x) h(y) dy dx
f~x)dx.Jh&)dy
1~I
0 < x <
~,
0 C y C
di lain-lain
0 < x
h(y)= e
f(x. y) = g(x) h(y)
0<y<oo
Katalah kita ingin mencani P(0 < X < 1, 0 < X < 2). Dengan
menggunakan fungsif(x, y);
117
n r2
P(0 <A <1,0 C Y< 2)
I e_x_Ydydx
Jo Jo
=
(1
e~ JO e_xdx
e2).(1
e)
Jo
=
e~dx
(2
e~dy
Jo
=
(1
e~)(1
C2)
Sebenarnya pengetahuan berkenaan dengan ketakbersandaran dua pembolehubah rawak akan memberi kemudahan
dalam perbincangan kes dua pembolehubah rawak atau lebih.
Teorem-teorem yang berkaitan, bagaimanapun akan ditangguh
sehingga bab-bab yang akan datang.
4.8
yakni
F(x,,x2
x,)
x, x2
x,)
...
118
dicapai.
4.9
~(A, Y)
...
Fz(z)
C z)
= P(44X1
A,) C 2)
P(Z
nEfx1~..AJx,...x.J
...
...~,
(x, ...xjdx,dx2
...
dx,
x,) C z}.
P(Z ~ z)
P(X + Y~ z)
jf(xY)dxdY
X+ycz
Gambarajah 9.1:
Oleh itu
F~(z)=
Kawasanx + y ~z
11
f(x. y) dx dy
x* y~2
r~
f(x. y) dx dy
121
j-, J
i:
y maka
j(r;~y) dt dy
1.tu_Y.YdYdt
fz(z)
fi
I
dz
f7(z) =
y) .f1(y)dy
Keputusan bagi kes diskrit adaIah sama seperti yang telah
diperolehi kecuali tanda kamilan digantikan dengan tanda jumlah.
Yakni
f7(z)
P(Z
z)
f(x
y. y)
y
atau bagi X dan Y takbersandar:
fz(z)
y)fy(y)
Contoh: 9.1
Katalah X1 dan X2 adalah dua pembolehubah rawak tak
bersandar masing-masing bertaburan
f(x1)
andaikan S
x~> 0
Penyelesaian:
Fungsi ketumpatan bagi S ialah
s(s)
122
x2)f~2(x2)dx2
olehkeranaX1 ~ OdanX2
>
0 kecuali s
x2)
t~(s)
Omakaf~2(x2)= Okeeualijikax2 ~ 0.
j0txi(s
f~I
x2 ~ 0. Maka
x2) f~(x2)dx2.
)/2
(sx
IA
Jo/t
/t
e~
e~
s e~
1A
e~2Me~2~dx2
dx
2
s
>
f~(z)=
...Jf(z
dx2 dx3
...
...
x~,x2,x3,
...
dx4
Dan satu uncang yang mengandungi 5 biji bola merah dan 3 biji bola
hijau, 3 biji bola dipilih secara rawak. Jika ditakrifkan X sebagai
123
4.4
.1
.2
.1
.3
.15
.15
x
DapatkanP(X = 2, Y= 3),P(X <2,0< Y< 3),P(X
dan P(X ~ x, Y= 1)
4.5
1, Y= 0)
84
-~--
84
84
12
jj
84
84
12
24
L~
n4
124
Dapatkan
(a) P( Y < 2.5)
(b) P( Ymengambil nilai genap)
(c) P(X -c 3/Y= 3)
(d) P(X -c 1)
4.6
fe
-(x*y)
< y <
Dapatkan
(a) P(X > 1,Y> 1)
(b) P(X > 1)
(c) P(Y> 1/X >1)
(d) P(X > 2, Y= 1)
(e) P(X > 1,Y>0)
4.7
f(x,y)=
0<x<y<l
di lain-lain
Dapatkan kebarangkalian:
1
4.8
()
[0<
Xc
(ii)
[x
(iii)
[Y
<
~/X
~,
1
Y-c
<~
125
(c) f(x,y)
(d) f(x,y)
4.9
=
=
2y30 cxc
ax
a(x +~y);y
y < I
1,2,3,x
1,2
(a)
(b)
(c)
(d)
0<xcy<3
di lain-lain
4.11 Dan fungsi ketumpatan bersama latihan 4.4 dan 4.5, dapatkan
(a) P(X = x/y)danP(Y= y/x)
(b) P(X = x)danP(Y= y)
(c) Adakah X dan Yketakbersandaran stokastik. Jelaskan.
4.12 Dan fungsi ketumpatan bersama latihan 4.8, dapatkan fungsi
ketumpatan marginal g(x) dan h(y). Dapatkan juga fungsi taburan
F (x, y), F~(x)dan F~(y).
4.13 X dan Ymempunyai fungsi ketumpatan
~TN?~ 0
2
L
12
12
L
12
~i~1
i2
126
Dapatkan
(a) F(x,y)
(b) Fx(x)
(c) Fy(y)
(d) Adakah X dan Ytak bersandar?
4.14 Jika fungsi taburan bersama bagi X dan Ydiberi stbagai
%~NN~:.N
Tentukan
(a) P(0 < X <2,0<
(b) P(X = 1, Y= 1)
(c) F~(x)dan Fy(y)
Yc 2)
4.15 Jika diberi fungsi taburan bersama bagi dua pembolehubah rawak X
dan Yialah
F(x,y)
(1
10
e~)(1
x > 0, y > 0
di lain-lain
Dapatkan
(a) Fx(x) dan Fy(y)
(b) Fungsi ketumpatan bersama f(x, y)
(c) Adakah X dan Y tak bersandar? Jelaskan.
4.16 Dua pemboleh rawak X1 dan X2 adalah tak bersandar dan masingmasing mempunyai fungsi ketumpatan kebarangkalian
f(x)
di lain-lain
127
>
Dapatkan
(a) F(x,y)
(b) f(x, y)
(c) P(X < 1, Y< 1)
(d) P(X < 2/Yc 2)
4.17 Bagi kes-kes berikut tentukan adakah X dan Yketakbersandaran
stok astik.
(x, y)
(0, 0), (0, 1) (1, 1)
(a)
(H
f(x. y)
di lain-lain
(0
(b)
f(x.y)
;(x;y)
(1
=.~
6xy
f(x.y)
=~
:0 c x
f(x.y)
=~
1)
<
1,0
<
y -c 1
di lain-lain
0
x+y
(d)
di lain-lain
10
(c)
21
(~0
1,2,3,
1, 2
di lain-lain
4.18 Katalah X
1, X2 dan X3 adalah 3 pembolehubah rawak tak
bersandar, masing-maSing mempunyai fungsi ketumpatan
0<x<4
0
Dapatkan
=
di lain-lain
J(xy)
{x+y
x= 1,2,3
di lain-lain
128
Y= 1,2
Jika ditakrifkan Z
dapatkan
X + Y
(a) P(Z
3)
(b) P(Z ~ 3)
(c) Fungsi ketumpatan bagi Z.
=
fix y)
<
<
2
di lain-lain
Jika ditakrif Z
X + Y
da~atkan
(a) P(Z ~ 2)
(b) Fungsi ketumpatan kebarangkalian bagi Z.
129
c 2
BAB5
JANGKAAN MATEMATIK
Dalam menggambarkan kel-ak uan kebarangkalian satu-satu pembolehubah rawak kadangkala kita hanya memerlukan satu pengukuran
yang ringkas. Gambaran ringkas mi seboleh-bolehnya dapat menerangkan
sifat-sifat pembolehubah rawak tersebut sebagaimana juga fungsi ketumpatan kebarangkalian ataupun fungsi taburan. Di sini kita akan bincangkan penggunaan satu nombor yang boleh dianggap sebagai memberi
gambaran pusat di mana pembolehubah rawak tersebut tersebar. Penumpuan akan hanya diberikan kepada teknik yang dipanggil jangkaan
matematik. Pengukuran lain seperti median atau mod tidak akan disentub secara langsung.
5.1
E(X)
E xf(x)
bagi X
8~~~
-~
di mana (a) E
Ixjf(x)
<
~ atau (b)J
IxIf(x)
dx c
t.
130
JANGKAAN MATEMATiK
(~
f(x)
x
0
E(X)
4
=
0, 1, 2, 3, 4
di lain-lain
xf(x)
o(~)+1
Jadi mm
+2
+4(1)
Cofltoh: 1.2
Katalah X adalah pembolehubah rawak
yang mempunyai
fungsi ketumpatan kebarangkalian
2e2~c
0~xccc
f(4=
Maka
E(X)=
di lain-lain
xf(x)dx= J
0x2e-2xdx
1
I ue~du
2 Jo
1
131
di mana u
2x
5.2
E(aXh)=
aE(X)+b
aE(X)b
atau
E(aX I,)
aE(X) h.
Contoh: 2.1
Katalab pembolehubah
ketumpatan kebarangkalian
f(x)
Takrilkan Y
rawak
C)G~x)
2X
mempunyai
fungsi
x =0,1,2
1, apakah LV
Penyelesaian:
2
E( 1)
(2x
1]
1)f(x)
+ [2(1)
1]
-~
+ [2(2)
bJ
132
aE(X)
1)
2 E(X)
1]
JANGKAAN MATEMATIK
F (X )
GL0)
l(~)+ 2(~)
Oleh itu
E(Y)= 2Q~)_
Contoh: 2.2
X adalah pembolehubah rawak selanjar dengan fungsi
ketumpatan kebarangkalian
f(x)
( e~
di lain-lain
Definisi: 2.1
Jangkaan bagi Y
E(Y)
E[4(X)]
E 0(x) f(x)
bagi X diskrit
r~
j 0(x) f(x) dx bagi X selanjar
-
135
46
10
KEBARANGKAi~IANDAN STATISTIK
Ekoran (i):
Nilaikan jangkaan bagi pemalan b; P2(b)
Buk ti:
Dengan teorem 3.2
E(aX
mengambil a
E(h)
h
h)
E(X)
b.
0 maka
Ekonan (ii)
Nilai jangkaan bagi aX, L(aX)
a E( X)
Bukti:
Dengan teonem 3.1 dan mengambil b
E(aX) = ci P2(X).
0, maka
Teorem: 3.2
Nilai jangkaan bagi jumlah atau perbezaan bagi dua fungsi
kepada pembolehubah nawak X adalahjumlah atau penbezaan bagi
nilai jangkaan masing-masing:
-
E[q(X) h(X)]
E[g(X)]
E[h(X)]
g(xjf(x1) h(xjf(xJ
E[g(X)]
E[h(X)]
JANGKAAN MATEMATIK
EE[gi(X)]
Katalah pembolehubah
ketumpatan kebarangkalian
nawak
mempunyai
OcxcO
0
Katalah Y
= (X
1)2. Dapatkan
di lain-lain
E(
Y).
Penyelesaian:
2
(X
1)2 boleh ditulis sebagai X
maka
2X + 1
E(X
1)2
=
=
=
E( X)
dan
E(
E(X2
P2(X2)
P2(X2)
2X + 1)
E(2X) + P2(1)
2 P2(X) + I
X2) ialah:
E(X)=
Jlxftx)dx
x2f(x) dx
E(X2)=
137
fungsi
Oleh itu
E[(X
If]
(02
2G)
30 + 3)
Contoh: 3.2
Katalah pembolehubah rawak disknit X mempunyai fungsi
ketumpatan kebarangkalian
(3 \
J(x)
(~x)p
(I
0, 1, 2, 3
I
O<p<
Dapatkan E[X (X
Penyelesaian:
E[X(X
I)]
1)]
=
E[X2
X]
= E(X2)
P2(X)
tetapi:
P2(X)
~x(~)P~(I
0.(I
p)3 +
I.3p(1
3.1.p3
2.3p2(I
p)
p)2 + 4.3p2(1
p)
p)2 +
3p
3
P2(X2)
)p~(l
x2(
p)3~X
x~o
0(1
p)3 + l.3p(l
+ 9 p3
=
Olehitu
P2[X(X
6p2
1)]= 3p + 6p2
=
5.4
3P +
3p
6p2
JANGKAAN MATEMATIK
mi
x7(x)
bagi X diskrit
~J
P2(X)
P2(X)
Sementara
Contoh: 4.1 momen yang kedua ialah
P2
P2(X
f
0
di lain-lain
Maka
Cr
Ph =
If(x)dx
Jr
JO
5k
k+1
139
25
1 iaitu
25
atau
E(X2)
Varians
Jika fungsi 0 diambil sebagai 0(X)
(X
p)2 di mana p
adalah momen yang pertama atau mm bagi X maka E[0( K)]
E[(X
pf] dipanggil vanians bagi pembolehubah nawak X, dan
dicatat sebagai:
=
a2x
a2
= E[( X
Teorem: 4.1
Vanians bagi pembolehubah nawak
=
~2
p2
2)
Bukti:
a2 =
=
p)2]
[E(X)]2
= P2(X
E[(X
E(X2
EX2
EX2
E(X2)
P2
p)2]
2pX + p2)
2pE(X) + p2
2~ + p2
p2
p~2atau
P2(X2)
[E( X )]2
Contob: 4.2
Katalah X adalah pembolehubah rawak yang mempunyai
taburan kebarangkalian seperti berikut.
x
fix)
10
10
10
(3\
10
(4
xf(x)
o(~)+
+ 2~) + 3~
7=0
=2
3
E(X2)=
E x2 f(x) =
x=o
o(~)+
140
~)
9(a)
JANGKAAN MATEMATIK
2)
= E(X
=5
p2 5
=
22
E(X
E(xp)2f(x)=
(O_2)2.~+(1_2)2.(~)+
22_
+ 3
22
4
2
4
i_o+io+o+io
~/vanians
Contoti: 4.2
= E[(Y
=
E(aX
lepas] jadi
=
b)
E[(aX
+ b
aE(X)
_b)]
141
Var(Y)
P2[{a(X
p)2]
P2[a2(X
a2 P2(X
p)2
a2 Var(X)
=
=
Ketidaksamaan Chebyshev
Kita perhatikan bahawa a2 adalah menggambarkan sebanan
ukuran pembolehubah rawak X di sekitan mm p. Jika nilai a2 adalah
kecil kita akan menjangkakan bahawa nilai-nilai bagi X adalah
berkumpul berhampinan dengan mm bagi X atau sebaliknya. Jadi
nilai kebarangkalian pembolehubah rawak tersebut mengambil
nmlai-nilai di kawasan tententu adalah bergantung kepada nilai
vanians a2 bagi X. Untuk mengukur kebanangkalian pembolehubah
nawak X
berada di antana jarak tententu dan mm kita kemukakan
teonem yang dmnamakan ketidaksamaan Chebyshev.
mi
Teorem: 5.1
Katalah pembolehubah rawak X mempunyai mm
varians a2. Maka bagi sebanang nombon positif Ic
P(IX
p~~ ka)
p dan
ka
< X
<p + ka)
JANGKAAN MATEMATiK
<
di lain-lain
X
<
5).
Penyelesaian:
Mm dan vanians bagi X ialah masing-masing
a2
p= 4
P(3 <X
P(4
Ic
<X
<
+ k
dengan mengambml
P(4
cX
k =
~+
41 didapati
k~)
P(3
<
<
5) ~ 1
v~2
2
143
atau
1
4
P(3
<
<
5) ~ 1
<
<
5) ialah
<
5)
I:
~dx
2
Dan contoh d~ atas tennyata penbezaan di antara nilai
kebarangkalian yang sebenar dengan angganan Chebyshev adalah
besar.
adalahdijangkakan oleh kenana penganggaran Chebyshev
adalah konsenvatif dalam enti kata ia adalah benlaku untuk semua
jenis taburan.
Sebagaimana yang telah disebutkan pengangganan Chebyshev
adalah tidak digunakan untuk pengangganan ukuran kebanangkalian.Tetapi penggunaan teorem
adalah mustahak untuk
tujuan lain
yang akan ditemui nantm.
mi
mi
5.6
mi
144
JANGKAAN MATEMATIK
mi, maka
Z
0(X.
Y)
P2(Z) = P2[0(X,
bagi
X,
Y)] =
J-~J~
0(x. y)f(x. y) dx dy
Yselanjar, atau
P2(Z)
E(X, Y)
0(x. y)f(x, y)
fl
7~~
bagi X,
Y adalah diskrit.
Definisi 6.1 boleh dikembangkan untuk menjadi lebih umum
iaitu jika
Z = 0(Xi X,j
...
maka
P2(Z)
E[(X
...
f~
X0)] =
n~ii
f (x1
...
0(xi
fir
x0) dx1
...
...
xj.
dx0
...
...
145
Jf(x
y)f(x,y)dxdy
J~I:
I: J:r
J~x[J~
~[J:r
xf(x, y) dx dy
yf{x, y) dx
f(x, Y) dy] dx +
f(x,
JTr
Y) d:] dy
xf~(x)dx +
-r
yf~)dy
-r
E(K)+
E(Y)
= E(K)P2(Y)
=
Px
Pr
146
JANGKAAN MATEMATIK
Contoh: 6.2
Andaikan K, dan X2 merupakan dua pemholehuhah rawak
dengan fungsi ketumpatan keharangkalian masing-masing ialah
j ~
~
f(x=
Taknilkan Z
(X1
x,
<
di lain-lain
Dapatkan mm
+ K2).
<
bagi Z.
Penyelesaian:
P2(Z)
~P2(K1
K2)
= ~P2(K1)
+ P2(X2)
Tetapi
P2(K1) =
12
I
Jo
x/(x)dx
3dx
Jo123x
S
3
dan
P2(K
2)=
x~dx
Oleh itu
P2(Z)=
I: J~
E(XY)=
xyf(x,y)dxdy
E (KY)
Teorem: 6.3
Andaikan K dan Y adalah dua pembolehubah rawak
takbersandar, maka
E(KY)= P2(K).P2(Y)
Buktm: kes selanjar.
E(KY)=
oleh kerana K dan Ytakbersandan maka
E(
KY)
CC
xyf~(x).fy~)
dx dy
J~
xfx(x)dxf
Yfr&) dy
= P2(K).P2(Y)
= E[91(K )].E[92(
14S
Y)]
JANGKAAN MATEMATIK
di mana g~dan
92
/~x+
ty
1-
pj2]
= E[(K + Y
Px
= E[{(K Px) + (Y
= E[(K p)2 + (Y
2(K
1-tx) (Y
= E[(K
2 E[(K
p)2] +
1-tx) (Y
= a~+ aj + 2axr
p~)2+
t2y)]
E[(
p~)2]
pr)]
11 mana a2
2y ialah masing-masing vanians bagi K dan Y.
dan 0 dipanggil kovarians bagi K dan Y. Yakni
Sebutan ~xy 1adalah
Cov(K, Y)
= a
1y = P2[(K
Px) (1 Pill
Jadi kesimpulannya ialah varians bagi jumlah dua pembolehubah
rawak malah jumlah bagi varmans pembdlehubah rawak tersebut.
ditambah dengan dua kali kovanians.
Adalah tidak sukan untuk menunjukkan bahawa Coy (K, Yfluga
boleh ditulis sebagai formula benikut:
Cov(K, Y)
= P2(KY)
PxPr
p1)(Y py)
= KY p~K
Px) ( Y
Pr)
Px Y+ PxIfr
p1)(Y Ity)]
= E(KY) #rP2(K) 1y
PxP2(Y)
+ PxPy+ Pxlty
= P2(KY)p~p,
E(KY) PyPx 1x1
=
149
JANGKAAN MATEMATIK
+ .1
fix. s)
<
<
1.0
<
di lain-lain
Dapatkan kovarians dan pekali kore asi bagi X dan Y
Penyelesaian:
ft ft
=
E(X)
2j=
E(X
+ v) dx (IV
in Jo x (x
7
12
r r
J J0
(x
+ y) dx dy
60
144
ER2)
1L~
60
144
E(fl=
+ y)dxdy
y(x
49
144
=
60
y2(x + y) dx dy
E(Y2)=
o~=E(Y2)
E(XY)=
maka
/4
xy(x
1
Jo
II
144
+ y)dxdy
o
1y
=
E(XY)
48
7 UxI
7
144
1212
1
144
dan
Pxy
151
48
144
II
44
1
11
Contoli: 6.4
Andaikan X dan Yadalah dua pembolehbah rawak dengan
fungsi ketumpatan bersama
/(xy)
;x=l,2,3,4,y~l,2,3,4
16
0 di lain-lain
X + TiC
Penyelesaian:
X dan Yadalah ketakbersandaran stokastik keranafx(x)
f~v)=
danf(x, y)
fx(x)fy(v).
Oleh itu
V(X + 2Y)
V(X) + 4 V(Y)
Tetapi
dan
x2__~z
x1
16
120
16
20
16
100
16
4
V(Y)= y=L 1 y2
16
120
100
16
16
4
20
16
152
4
x~i
[4
I ~
Lx1
412
xj
16
4]2
16
JANGKAAN MATEMATIK
mak a
20
V(X + 2Y)
20
+ 4.-~-~
100
16
25
4
Harusjugadiingat bahawaolehkeranaZ
X
Ybolehditulis
dalambentukZ = X + (1Y)makavariansbagiZ
X
Yadalah
=
V(X
Y)
=
=
aX
a2 a~ + b2 c~
Dan jika
E a1X1
153
X1 + a2 X2 +
.~
+ ~
Teorem: 7.1
Jika X1 X~adalah n pembolehubah rawak maka bagi a1, a2
a~pemalar dan Y = a1 X1 + a2X2 +
+ a~X~
...
...
E(Y)
L a~E(X1)
1=1
dan
11(Y)
L af 11(Xa + 2
11
EL
c a1a~Cov (X, X~)
I
3
adalah
...
ii
E a1X~maka
E(Y)
E a1 E(XJ
1=1
dan
V(Y)
Contob:
7.1
Andaikan
X1
...
E a~ V(X1)
p) Katalah
dan p(1
p)/n
Bukti:
E(X,)
p dan V(XJ
maka
E(Y)=
1
E -E(X1)
1=1 fl
154
p)
JANGKAAN MATEMATIK
=-L
fl 1=1
np
n
=
p.
i~t
(1)2
E 11(X1)
1=1
1
1np(l
n
p)
Contoli: 7.2
Pembolehubah rawak X1, X2
...
p)
X~adalah takbersandar
2. Jika
dan varians masing-masing malah ~z dan a
dengan mm
Y= X X
1, apakah mmn dan varians bagi F?
Penyelesaian:
E(X1)
V(J(~)=
cr2
oleh itu
E(Y)
E(LXJ
i~1 ~
E(X1)
flu
dan
V( Y)
V(EX1)
155
V(XJ
1=1
=
ncr2
E X
2
1 ialah masing-masing np dan ncr
di mana X,
...
X, adalah n
V(X3
- L 11(X
1)
i1
p~)~
kcr4
x
x
156
JANGKAAN MATEMATIK
atau
P(IX~
1-
-~
Dengan mengambil e
ka
=
atau k
a..Jn
=
Maka
P(IX.
Bila diambil had; n
z~ a)
cc, maka
hadP(Ik~~i~
ct)=
~1~(i
~~)=
I
atau
had P([X,
p~c a)
E(X1)
Maka
dan 11(X1)
p,
np
dan
V(Y~)= ncr2
np~<k ~
a= kfncr
Ambil
OIeh
a) ~ 1
makak
mtu
npj < a) ~ 1
1
L
atau
(I
bila ii
np~ < a) ? 1
cc, maka
had P(l
c a)
(i
ncr)
JANGKAAN MATEMATIK
Delinisi: 9.1
Katalah ea adalah fungsi kepada pembolehubah rawak X,
maka nilai jangkaan bagi er. jika wujud bagi nilai t yang tertentu,
adalah dipanggil fungsi penjana momen bagi X (atau bagi taburan
kepada X).
r r~
bagi kes selanjar
M~(t)= E(X)
i_cc
ef(x) dx
E
etX f(x) bagi kes diskrit
x
Peringatan:M~(t)jugaditulis M(t) jika kita tidak perlu membezakan
antara fungsi penjana momen dengan pembolehubah.
Contob: 9.1
Katalah X pembolehubah rawak yang mempunyai fungsi
ketumpatan kebarangkalian
a
0 < x c cc
f(x)
~l~o
di lain-lain
E[etX]
a e dx
cc
I
Jo
aE
e~
dx
1
et~
at
t a
t/a
KEBARANGKALIAN DAN
maka
t2x2
E(eL~~) E[1 + tx +
=
-~
...
Ef(x) + t ~ xf(x) +
L
=
t x
Z x2f(x) +
...+
~ xf(x) +
t2
1+p
1t+p2~+...+p,-~+...
Yakni momen i4 ; r = 1, 2,
boleh diperolehi dengan
mengembangkan M(t) dalam bentuk kuasa bagi t. Momen ke-r
...
2
t
l+1/1t+/t2F+...+Pr~T
M(t)
M(O)= p
2(0)= P21 = E(X)
E(X2)
M
dan set.erusnya. Dalam bentuk yang lebih umum M(m) (0) iaitu
terbitan ke-m dmnilaikan pada t = 0 bagi M(t) boleh ditulis
=
Mm(0)
E (Xm)
Contoh: 9.2
Kataiah X mempunyai fungsi penjana momen M(t)
t <
JANGKAAN
MATEMATIK
Penyelesaian:
-.
I
1/a
M(r)= + 1(1 t)~2
1
a
0
)-2
a
- (I
E(X)=
M(t)=
4(1
M(O)
E(X2)
4
2
-y
Var(X)= E(X2)
2
a2
p2
a2
1
a2
Oleh itu mm dan varians bagi X ialah masing-masing
dan
4.
Mx+a(t)
161
e M~(t)
.JANGKAAN MATEMATIK
1222
=
/1/
C I
i~ 2,2
=e
E(ehl
1
2Y)
dan
M(01)
E[eJ
E[e
=
=
JANGKAAN MATEMATIK
Ccc
=
..nkali
Jika K1
...
..
lx
e
ix
1+
+i:t
j(x
1...xjdx1 dx2...dx,
K, takbensandar makaf(x1
xJ
...
fxj(x1) ...f*(x~)
Oleh itu
cc
dx1
fX1(xl)
tx
.f~2(x2)dx2
...
-cc
dx,
tX,X
Ele II
...
LIe
Mx1(t)
...
A1~jt)
M~(t)
Contoh: 11.1
Katalah K1 ... K, adalah n pembolehubah nawak tak bebas
dengan fungsi penjana momen
2
M~~t)
= (1
flt)
(a) Jika Y
1 maka
MAt)
H M~.t)
rI(1pt)
2
=
(b) Jika I
(1
flt)
M
14~)
(1 fl~)-fl~
(1
atau
Mx(t)
167
5.2
C) (.2)x
C)
(0
(c) f(4= ~
(.g)2x
(2x)
0, 1,2,3,4
1,2,
0, 1,2
lcx<k+1
0<x<l
>0
JANGKAAN MATEMATIK
apabila 4 rekod dipilih dan satu rak yang mengandungi 5 rekod lagu
Melayu, 3 rekod lagu Cina dan 2 rekod lagu Hindustan.
5.5
5.6
5.7
x=0,1,2,3
f(9=~x
0<x<3
Dapatkan
(a) E(K) dan E[K(K
(b) 11(K)
1)]
Ocxcl,0<y<l
di lain-lain
= 2K2 + Y 1.
169
~iCh
Dapatkan
(a) E(K + 1)
(b) E(XY2)
(c) E(K)danE(Y)
5.11 KatalahK
1,K2 danK3 pembolehubah nawak tak bersandan masingmasing bertaburan
f(x1)
(4)(1)x1
1,2,..
(a)
(b)
Jika I
=
=
1
0
lcw<2
di lain-lain
Dapatkan
(a)
E(~K-
y)
dan
y)
(b) E(2KY)
(c) EU/K)
5.13 Katalah K dan Y mempunyai fungsi
sebagaimana soalan 5.10. Dapatkan
170
ketumpatan bersama
(a)
Dapatkan ~(i
< K c
(b)
bahawa I,
5.19 Bagi fungsi ketumpatan dalam soalan 4.3 dapatkan fungsi penjana
momen bagi tiap-tiap kes.
520 Bagi fungsi ketumpatan dalam soalan 52 dapatkan fungsi penjana
momen masing-masing.
5.21 Jika K1, K2, K3 adalah 3 pembolehubah rawak tak bensandar
masing-masing mempunyai fungsi penjana momen
M1.(t)
[(1
p) + p e]
f(9=pU
x=0,1
_p)l~X
3K
1 apakah
0 c x .c cc
2K dan gunakannya
BAB6
TABURAN-TABURAN KHUSUS: DISKRIT
6.1
6.2
Pengenalan
Dalam bab mi perbincangan akan dmtumpukan kepada
bebenapa bentuk khusus taburan kebarangkalian diskrit yang sening
dijumpai dalam praktik. Penekanan akan diberi kepada penggunaan konsep dan kesimpulan yang dipenolehi dan Bab 3 hingga
Dab 5. Kajian terhadap taburan-taburan khusus mi adalah
dipenlukan oleh kerana banyak kes dalam praktik boleh diwakii
sebagai satu bentuk percubaan yang mempunyai ciri-ciri yang sama.
Sebagai contoh, bilangan pelajar yang akan lulus dan 100 pelajar
sama pandai yang menduduki satu pepermksaan adalah mempunyai
sifat-sifat yang sama dengan percubaan mendapatkan bilangan
kepala apabila satu duit syiling dicampak 100 kali. Pembolehubah
rawak yang ditakrif bagi kedua-dua percubaan tensebut boleh
dianggap sebagai satu pembolehubah nawak untuk mendapatkan
bilangan sukses dan n ulangan percubaan. Jadi adalah wajar untuk
kita mengkaji taburan-tabunan khusus yang boleh menjelaskan
kelakuan kebanangkalian pembolehan nawak yang timbul dan
keadaan han-han.
Sebelum penbincangan dilanjutkan, satu konsep baru yang
harus dikemukakan di sini, iaitu parameter bagi taburan. Parameter
bagi taburan atau parameter bagi pembolehubab rawak yang
mengambil taburan tersebut boleh difahamkan sebagai kuantiti
yang tak diketahui, sekunang-kurangnya sebelum percubaan selesai,
yang membezakan kelakuan kebanangkalian pembolehubah nawak
dan satu taburan tertentu.
Taburan Seragam
Taburan kebarangkalian yang paling mudah ialah yang
174
di lain-lain
~.
1, 2, 3, 4, 5, 6.
Taburan Bernoulli
Jika satu percubaan rawak boleh menghasilkan hanya dua
kemungkinan kesudahan yang benbeza yang selalunya disebut
sukses atau gagal dengan kebanangkalian masing-masing p dan
q; p + q = 1, maka pencubaan tersebut dipanggil percubaan
Bernoulli. Dan pembolehubah rawak K yang menunjukkan
bilangan sukses yang benlaku dikatakan bentaburan Bernoulli.
Pembolehubah rawak K adalah mempunyai fungsi ketumpatan
kebarangkalian I x 1x
~p q
x=0,l
f(x.p)= ~
.
1 o
di lain-lain
Kita perhatikan bahawa pembolehubah rawak K hanya mengambil
dua nilai iaitu 0 bila gagal dan 1 bila sukses.
Contob: 3.1
Dalam percubaan melambung duit syiing sekali, jika kita
175
KE~ARANGKALIANDAN STATISTIK
f(x,p)
Mm
)(
Pupi~ ~ . = .0, 1
E(K)
E(K2)
=
V(K)
=
=
=
di lain-lain
K ialah:
0(1
+ l.p =
p) + 12(p)
E(K2)
p2 = p
020
p)
p
=
p
p2
~1
p)
b(x;n,p)
x=0,1,2
di lain-lain
~flpxqn-x
~0
(n\
n!
dimana! 1=
\xj
x! (nx)!
Fungsi ketumpatan kebanangkalian bagi K adalah dipenolehi
dan penjelasan benikut:
S~tupercubaan nawak mempunyai dua kesudahan, sukses dan
gagal dengan P(sukses) = p dan P(gagal) = q. tJntuk mendapatkan
kebanangkalian x sukses dan it kekenapan percubaan kita hanus
penhatikan kebarangkalian x sukses dan it
x gagal. Oleh kerana
kekenapan pereubaan adalah tak bersandar maka kebarangkalian
176
TABURAN-TABURAN KHUStJS:
it
(n)
unsur
yang
masing-masing
mempunyai
it
kekenapan)
()
pX qfl~X
P(K=9=b(xn,p)=(~pxq~x=Q,l,...,
Fungsm ketumpatan kebarangkalian bagi bebenapa nilai p
ditunjukkan dalam gambanajah 4.1
Contoh: 4.1
Katalah satu duit syiling dmcampakkan sebanyak 10 kali.
Apakah kebarangkalian dua danipada campakan menghasilkan
kepala.
Penyelesaian:
Dalam satu campakan kita mempunyai dua kesudahan iamtu
kepala dan ekon dengan kebarangkalian
~.
Campakan tensebut
~.
177
P(K
2)
I
b(2; l0,~)
10 /1
(2)~)
1\~
(~)
u1V0
10!
2! 8! \2)
90
2 Ii
Contolt 4.2
Katajah K bertaburan bmnommal dengan parameten 20 dan
iaitu ditulis K
(a)
(b)
b(x; 20,
~).Dapatkan
P(K ;~5)
P(2 c K <6)
Penyelesaian:
(a) P(K
5)
I _Eh(x;20~~)
.5852
P(K C 5)
.4148
=
x~2
b(x; 20,
t b~x;20,
x~o
.6172
x~ob(~20~~)
.0243
.5929
tao
p)
f(x)
.5
10
p=.5
.4 -
.3
.2
f(x)
/1=5
npq
.5 -
I
7
t
8
10
10
=ff~
.4 -
10
.2
.3
.2
.1
T
0
23
.5
(7
.4
10
p.=.8
.3
.2
Gambarajah 4.1:
T
4
I
5
I
6
10
179
(p
+ q)
(0) pX
qfl~X =
x~,I
h (x;
it,
p)
tabunan binomial.
Teorem: 4.1
Jika K bentaburan binomial dengan parameter
mm dan varians bagi K ialah
p=np
dan
c2=itpq
it
dan p. maka.
Bukti:
(a)
Mm
bagi b (x: n, p)
p=E(X)=
I xb(x;n,p)
xao
C
=
I x(~)px
~=,
n!
x! (n
x= i
np I
~i
andaikanx1
E(K)
(nI)!
(x1)! (nx)!
ydanm
np
tip (p
(b)
qnx
y! (iny)! j9 q~
oleh kerana p + q
=
px-I
nI maka
~=,,
E(X)
pXqfl~X
n(n1)!
(x 1)! (it x)! p~px
q~X
+ qY
=
t maka
np
Vanians bagi K b
p)
Perhatikan fungsi K (K
it
180
(it.
1)
E[X (X1)]
(xl) x~(nx)!
qfl~X
x(x_Y21L(!lcJ)uiL2JL p2 qX~2
q?l~X
pX
n(nl)p
(n2)!
~-
7p
(x2)! (nx).
ydann2
,nmaka
m
2 5 y!(mv)! ~
n(n 1) p
n(n
1) p2 (p + qY
n(n1)p2
x2
andaikanx2
E[X (X
I)]
E(X2)
[E(X)]2
np
np (1
npq
rip2
p)
Oleh itu mm dan varians bagi X adalah masing-masing rip dan npq.
Contoh: 4.3
Katalah X pembolehubah
ketumpatan kebarangkalian
f(x)
rawak
x = 0,1,2
di lain-lain
5(1s)~)x~yz_x
mempunyai
fungsi
15
15 dan p
~.
masing-masing np dan
(a)
~t
npq.
E(X)
np
(b)
~2
npq
15h1\h1\
\~2)k~2)
Yakni X mempunyai mm
15
4
dan varians
M1fl)
[(1
p) +
binomial
yang
pe]
Bukti:
1
Mx(t)
Efe]
exi
=
=
=
(~)p
qJt~X
(ep ~+ (e
q) p)X qfl~X
[(lp) + epJ
0, kita akan dapat momen yang ke-m bagi taburan binomial iaitu
E(X)
M, (t)
M, (0)
tipS [1 + p(e
np
182
l)]~~_1 +
n(n
1)p2 e2
E(X2)
M~(O)
np(1
p + rip)
[E(X)]2=
np(l
np(l
p + np)
p)
n2p2
(4
=
~.
Mm bagi x, E(X)
Var(X)
6.5
rip
7Q)
7 dan p
Taburan Multinomial
Bentuk yang lebih umum bagi taburan binomial ialah apa yang
dinamakan taburan multinomial. Jika dalam percubaan yang
menghasilkan taburan binomial kita mempunyai hanya dua
kemungkinan kesudahan, maka taburan multinomiat adalah lahir
daripada percubaan yang mempunyai Iebih dan dua kemungkinan
kesudahan. Keadaan yang lebih terpeninci dan mana taburan
multinomial berlaku, boleh dijelaskan seperti benikut:
Katalah satu percubaan rawak boleh menghasilkan m
kemungkinan iaitu K
1, K
K,,, dengan kebarangkatian masingmasing p1~ P2
Pm- Katalah percubaan tersebut mengikut
kekerapan ii kali secara tak bersandar, maka percubaan mi boleh
menghasilkan taburan multinomial. Yakni jika kita takrifkan
pembolehubah rawak X1, X2
X_ sebagai tnenggambarkan
bilangan berlakunya K1, K2,
K,,, maka taburan kebarangkalian
bagi pembolehubah rawak tersebut boleh ditulis sebagai
...,
183
fix
..
Xm;
fl
P!
P2
Pm)
Pi
1!x2!
di
mana
x1
ri
dan E
x
I
P2
In
Pm
Xm!
Fungsif(x1
X~, ri: Pi P2
~m) adalah fungsi ketumpatan
bersama bagi in pembolehan rawak X1, X2
Xm dan proses
memperolehinya boleh dijelaskan sebagaimana mendapatkan
fungsi ketumpatan kebarangkalian bagi taburan binomial.
.
...
Contoh: 5.1
Katalah kebarangkalian bahawa satu kemalangan kereta boleh
menyebabkan kematian, kecederaan berat, kecederaan ningan, dan
tidak cedera adalah masing-masing 0-05, 0-3, 0-4 dan 025. Katalah
dalam satu han tententu tendapat 8 kemalangan kereta. Apakah
kebarangkalian bahawa dan lapan kemalangan, 2 menyebabkan
kematian, 2 kecederaan berat, 3 kecederaan ningan, dan 1 tidak
teicedera.
Penyelesaian:
Terdapat 4 kesudahan dan satu kemalangan. Katakan:
K1 = kemalangan menyebabkn kematian
K2
kemalangan menyebabkan cedena berat
K3 = kemalangan menyebabkan cedena ninga
K4 = kemalangan tidak menyebabkan sebanang kecedenaan.
5P2 = P(K
Makap, = P(K,) =
2) = 3,p~= P(K3) = -4dan
724 = (K4) = 25.
Taknilkan X1, X2, X3 dan X4 sebagai bilangan kemalangan yang
menyebabkan kematian, cedena benat, cedera ningan dan tidak ada
kecedenaan, maka X1, X2. X3, X4 adalah bertaburan multinomial.
Dan kebanangkalian yang dikehendaki ialah P (X, = 2, X2 = 2, X3
3, X4 = 1) iaitu
=
f(2,2,3,1,8, 05,-3,-4,-25)
6.6
2!2!3!1!
006
(25)
Taburan Hipergeometri
Jikalau n kekenapan pencubaan dilakukan tenhadap percubaan
184
memilih x dan
iatah
ii
\flXJ
(k~(N
(N
ii
f(x,N,n.k)
0,1,..~n
~n)
Contob: 6.1
Dalam sebuah uncang tendapat 15 biji bola; 10 bola menah dan 5
bola putih. Katalah 2 biji bola dipilih satu lepas saw dengan bola
yang tenpiih tidak lagi dimasukkan ke dalam uncang. Dapatkan
kebarangkatian bagi bilangan bola putih yang terpiih.
Penyelesaian:
Anggapkan penistiwa mendapat bola putih sebagai sukses dan
mendapatkan bota menah sebagai gagal. Jadi k = 5 dan N-k = 10.
Maka untuk mendapat 0 sukses (dan 2 gagal) terdapat
(~)(~)
10
maka PU sukscs)
k~2)
Ringkasnya
(5)(10)
P(xsukses)
186
(~)Q~)
p(X=x)=p(1p)~
x=O,1,...
Beberapa contoh fungsi ketumpatan kebanangkalian tabunan
geometri dapat ditihat dalam gambanajah 7.1.
f(x)
.5
-4.
p-
.5
.3
-2
x
0
188
KNUSUS: DISKRIT
TABURAN-TABURAN
1(x)
.3,
p=25
Gambarajah 7.1:
Contob: 7.1
Katalah satu duit syiing adalah pincang di mana kebarangkalian untuk kepala keluar ialah
~-
dan ekor
~.
dicampak berulang-ulang sehingga ekor keluar, apakah kebarangkalian mendapatkan ekor pada campakan ke-2 dan pada campakan
k e-5.
Penyelesaian:
Takrilkan X sebagai pembolehubah rawak yang menunjukkan
bilangan campakan hingga ekor keluar. Maka X adalah bertaburan
geometri dengan parameter p
Oleh itu
P(X
dan
p(X
2)
p(1p)
5)= p(1p)4
~fl4
=
243
Intern: 7.1
Mm dan varians bagi taburan geometri dengan parameter p
ialah masing-masing
189
Contoh: 7.2
Katalah seonang pemain tenis mempunyai kebanangkalian 04
untuk menang dalam satu-satu penlawanan. Andaikan setelah
bermain 5 kali beliau kalab kesemuanya. Apakah kebanangkalian
beliau mencapai kemenangan pentama di penlawanan yang ke-7.
Penyelesaian:
Taknifkan Ysebagai bilangan penlawanan selepas 5 penlawanan
di mana pemain tensebut mencapai kemenangan pentama. Maka
penistiwa menang yang pertama di perlawanan ke-7 ialah [Y = 2].
Oleh itu
P(Y
2) =
(-4) (-6)
24
Kebarangkalian pemain mi mencapai kemenangan pentama di
penlawanan ke-7 setelah kalah dalam S penlawanan mula-mula ialah
0-24.
=
=
6.8
192
b(x-1; k-I, p)
I\
~k-i) ~
(x-
(1-p)~
(:D
(1
_p)X-k
k, k+ 1,
p(1~p)~ x
1.2,
Contob: 8.1
Seonang pakan perubatan mementukan 2 orang pesakit banah
untuk dicuba sejenis ubat banu. Beliau memenilcsa seonang demi
seonang pesakit di hospital untuk menentukan siapa yang benanbenan mengidap banah tensebut. Jikalau danipada pesakit-pesakit
tersebut
kebanangkalian
mengidap banah
iatah
apakah
2 p
Jadi
P(X=8)=
()(~)9
7
i~
193
56
UI
-065
b(k. x. p)
= ~b(2.8~~)
nilai b(2. 8,
(-2376)
-065
~)
=
Teorem: 8.1
Mm dan vanians bagi tabunan binomial
mempunyai fungsi ketumpatan kebanangkalian
f(x,k.p)
p)x~k
x =
negatif yang
k,k + 1,...
masing-masing iatah
k
p=danc
p
k(ip)
p
Coutob: 8.3
Penhatikan masalah dalam contoh 8.1. Katalah kita ingin
mengetahui secana punata benapa orang penlu dipeniksa oleh doktor
194
Penyetesaian:
Katatah X adatah bilangan tikus dalam satu ekan. Maka X
adatah bentaburan Poisson dengan parameter p = 10.
Kebanangkalian satu ekan sawah mengandungi kunang danipada 4
ekon tikus boleh ditulis sebagai:
3
P(X
<
4)
10)
f(x,
x~o
~ e~lox
,~
r[I
-0103.
+ 10 +
102
1~
10)
P(X -c 10)
9
1 E b(x;20,4)
x=o
-2447
-7553
197
Andaikan tip
[I +
p maka
M~(t)
p(e
hadj I +
p(et
1)i~
~-
it
I)
Jadi
had Mx(t) =e~~= M~(t)
M~ (t) =
1) adalah fungsi penjana momen bagi tabunan
Poisson dengan parameter p. Jadi dengan menggunakan teonem
bahawa fungsi penjana momen adalah unilc (teonem 4: 8.2) X adalah
bertaburan Poisson dengan panameter p bila it mendekati infinit. mi
menunjukkan bahawa taburan binomial boleh dianggankan dengan
menggunakan taburan Poisson bila n cukup besan.
Contob: 9.3
Katalah satu pembolehubah rawak X mempunyai fungsi
penjana momen sebagai M~(t)=
bagiXdanP(X = 2).
- ~.
Penyelesaian:
Jika M~(t)=
dengan parameter p
4, a2 = 4
P(X
2)
f(2 :4)
C442
2!
8 e4
0-147
Latihan Bab 6
6.1
(a)
Buktjkan bahawa
b (x; n, 6)
b (nx;
di mana
h(i; it 0) adalah P(X
(b)
10)
i) dan X
h(n, 0)
6.2
it,
bUS, 9)
~b(1;x,p)
-35.
(b)
(e)
(d)
S b(~9, -35)
(e,~ PU c X C 6); X
(I)
6.4
P(X
<
2 atau X
h(15, .55)
>
8)di mana X
b(10, 25)
(b)
(c)
Dapatkan
(i) P(X=3)
(ii) P(3 < X ~ 10)
(iii) P(X C 9)
dv) P (X > 10)
(v) P(X = 5 atau 6)
6.5
6.6
dan
~-.
Satu dadu 6 muka dicampak sebanyak 10 kali, apakah kebanangkalian 1 nombor 1, 2 nombon 2, 3 nombon 3 dan 4 nombor 4
keluar? Apakah kebarangkalian semuanya nombon 1 keluar?
6.8
(a)
MO)
(b)
(t)
~et (i
1)1
Dapatkan
(a) Mm dan varians bagi X
(b) Kebarangkalian
0) P(X C 3)
(ii) P(X = 5)
(iii) P(2 C X < 6)
6.21 Fungsi penjana momen bagi taburan Binomiat negatif parameter k
dan p adatah
M~(t) = jI (1
(1
ehyk
p)
p)/p
1)
Mfl)
= ~2~
Apakah fungsi penjana
momen
bagi Y= X
bagi Y? Dapatkan P( Y
3) dan P(2
~)
b(3~ dan Y =
E(Y).
205
5),
~) ~).
dan b(5.
Dapatkan
2, Y C 4)
2/Y= 0)
2)
Y)dan V(X + Y)
S 2~.
i~I
(b)
parameter p maka Y
206
BAB7
TABURAN-TABURAN KHUSUS: SELANJAR
Sekarang kita perhatikan puta beberapa taburan selanjar khusus
yang selalu ditemui di dalam analisis statistik. Penumpuan akan dibeni
kepada penggunaan konsep dalam bab-bab sebelumnya terhadap
tabunan-tabunan tersebut.
71
Taburan Seragam
Taburan yang paling mudah dan selalu digunakan sebagai
contoh untuk menjelaskan aspek-aspek teoni statistik adalah
dinamakan taburan senagam. Pembolehubah nawak X dikatakan
bentabunan seragam jika ia mempunyai fungsi ketumpatan
kebarangkalian yang tepat di dalam satu-satu selang, iaitu
f(x)
aCxCb
ba
di lain-lain
lx
207
F(x)
Gan~barajahii
7.2
F~ng~i
keturnpatan don fungsi
toburan bagi taburan seragam
Tabunan Normal
Taburan yang sangat penting dan sangat luas penggunaannya
dalam bidang statistik ialah taburan normal. Ia juga dikenali sebagai
taburan Gauss mengambil sempena nama salah seonang pengkaji
awalnya Karl Gauss (1777-1855). Satu ciri yang paling ketara bagi
taburan normal mi ialah bentuk fungsi ketumpatannya yang simetrik
di sekitan satu danipada parameternya.
C
G~mbaraj~h
2.1:
f(x; p,a
-C X -C
l,.0
di lain-lain
~,
a2
x
Gambarajah 2.28:
~1
= ~2
tetap, a~ = a
ala
P2
Gambarajah 2.2b:
~ ,~tetapi
=
Takrilkan,
1=
1~e)1~dx
1 -~
I = 4J
-~
e12 dy
sehingga
=
e~x2/~
dx
J -~r
r~rz
I
C12dy
-
)/2 dxdy
J-~ J-c~
Dengan menukarkan kepada koordinat polar iaitu mengambil y
kos 0 dan x = r sin 0 maka
j2=
j2
+~
,f2;
.1:
r e_r2/2
dr dO
r2 g
dO
Jo
2n
atau
I=~
r~
JL,
di mana z
__!_
=1
210
ez212d
TABURAr~-TABURANKHUSUS~SELANJAR
1(x)
.1
ax
,~=0
1.6
Gambarajah 2.3:
P(0
<
16)
<
P(0
<
juga
P(O
.~
.~
1 6)
<
16)
P(Z
<
l6)
-.
P(Z <0)
<
.445
Contoh: 2.2
Katalah sejenis tayar secara hitung panjang boleh tahan untuk
50,000 kilometer perjalanan dengan sisihan piawai 2000 kilometer.
Andaikan ketahanan tayar adalah bertaburan normal, apakah
kebarangkalian bahawa satu tayar jenis tersebut boleh tahan
sekurang-kurangnya 45000 kilometer perjalanan.
Penyelesaian:
Takrifkan X sebagai hitungan kilometer ketahanan tayar, maka
X
n(50,000, 45,000). Apa yang diperlukan di sini ialah P(X ~
45,000).
P (X
>
45000)
(X
di mana Z
P~z ~
P(Z ~
n(0, 1)
213
>
45000_50000)
5000
-
25)
x
.2.5
0
Gambarajali: 2.4p (z
2.5)
>
n(p, u2)~Dapatkan P(
~ ~I~2a).
Penyelesaian:
P(IX
=
=
P(X
p < 2adanX
p
P( 2a < X
2c)
P( 2 < Z <2)
>
2a)
Xp
dimanaZ
n(0, 1)
P(X <2)
977
.954
P(Z
023
<
2)
M
1(t)
Bukti
M1(t) E[e]
214
e~f(x)dx
216
219
10)
(a)
P(X
/95
=
=
=
(b)
c 105)
219
P~685 .c
8729
P(10 C K C 15) =
i05
tip
P(95
<
<
155)
155
2~19
(c)
P(10
<
X C 15)
219
Z < 1141)
7533
1196)
2~19
3425)
2464
=
P(1G5
~ X <
15~5)
155
2 19
\ 219
= P(1141 <
= P9997
= 1268
(ii)
Z c 3425)
(b)
P(10 ~ X C 15)
E b(x;20,4)
x=o
L b(x;20,~4~
x0
= .9997
.7553
= P2444
~c) P(10
X C 15)
15
10
b(x 20, ~
9997
8725
= 1172
b(x; 20, A)
218
16.
16
z=
n(0,l)
~tig
mak a:
(a)
P(X
P(145
= 10) =
/14~s
15~5)
16
C
15~5
<
--____
0125)
P( 0375 C Z <
04502
&3539
00963
16
(b)
P(10 C X
<
20)
P(9~5c X
195)
16
195
16
<ZC4
= P( 1625 C Z
= 08092 0-0521
0875)
07571
Taburan Gamma
Sebelum kita membincangkan taburan Gamma perhatikan
dahulu keputusan dan bidang matematik yang dipanggil fungsi
Gamma. Fungsi Gamma, yang ditulis f adalah ditakrif sebagai:
1e dy
=
y~
Dengan mendarab bahagian demi bahagian dapat kita tunjukkan
bahawa
I:
F(a)
=
=
(a
219
1J:
r2 e
1)f(~1)
dy
(~
f(~)
Dan bagi ~
1)
(~
2)... 3. 2. 1
(~
1)!
I ditakrifkan sebagai
F(1)
I:
e dy
=~
1
~
F(~)/3~
OCx<
di lain-lain
(0
~=
1, ~=
4~f3
~=
4,
fi
= 1
x
0
Gambarajah 4.1:
220
;0 C
Le_42
f(x)
<2
(o
XC
di lain-lain
= (1
2t)
= 1 dan/i =
t C
a/i = 2
a/i2 = 4
Beberapa kes khusus bagi taburan Gamma adalah sangat
mustahak dalam bidang-bidang tertentu. Satu daripadanya ialah
taburan Chi-kuasa dua yang sangat penting di dalam inferens
statistik. Taburan Chi-kuasa dua yang ditulis X2(,) adalah taburan
Gamma bila a = r/2; r adalah nombor bulat positif dan $ = 2.
Parameter r juga dipanggil darjah kebebasan bagi taburan Chikuasa dua.
Fungsi ketumpatan kebarangkalian bagi taburan Chi-kuasa
dua dengan r darjah kebebasan, K2(,) adalah
=
1
f(x;r)=.~r(r/2)2hi2
I/21
e~12
OC XC ~
di lain-lain
1(t)
;t C
= (1 2t~
g2~
a/i = r
a/i2 = 2r
222
2a darjah kebebasan.
Contob: 4.2
Katalah X adalah bertaburan Gamma dengan parameter a
2-5 dan $ = 4. Dapatkan P(2-3 -C X C 222).
Penyelesaian:
/2(2-3)
P(23CXC22-2)=
Dan jadual
2(22-2)
4C
di mana Y =
2X
P~~---C
P(115
YC 114)
2X
f~5~
maka didapati
Pft15
11-1)
0-95
=90
0-05
Taburan Eksponen
Satu lagi kes khusus bagi taburan Gamma ialah taburan
eksponen. Taburan eksponen mi mempunyai penggunaannya yang
tersendiri di dalam menggambarkan taburan hayat bagi satu-satu
komponen. Bagaimanapun penggunaannya di bidang teori reliabiliti
(kebolehan-paraan) mi tidak akan dibincangkan di sini.
Pembolehubah rawak K yang ditakrif di dalam domain 0 C x
C
~ adalah bertaburan eksponen jika fungsi ketumpatan
kebarangkalian bagi X adalah berbentuk
223
A e~
f(x,A)
;0 Cx
< ~
di lain-lain
di mana A > 0
Adalah tidak sukar untuk menunjukkan bahawa taburan
Gamma dengan parameter a
dan /3
adalah taburan
X=2
X= 2
x =1
x
2
dan
/3
maka
224
M~(t)
(1
(1
= (1
= 1 dan
fi =
kepada mm
/3 iaitu:
~,
1
p
dan
~fi =
ccfi2
1.
f1\2 =
1(~~A)
Contob: 5.1
Anggapkan pembolehubah rawak X adalah mempunyai fungsi
ketumpatan kebarangkalian
;O C x
f(x)
<
di lain-lain
(~o
P(X C x)
jf(w)
Cx
dw
225
7.7
(c)
J
j
dx
2
50
I/x_50\
dx
r2\9~)
-~
rio
e~
(x6)
dx
J34~
7.8 Jika K
7.9
b)
= -95
2)
7.16 Pembolehubah
k ebarangkalian
rawak
mempunyai
f(x)=4xC2
Apakah mm dan vanians bagi K?
1
=
(1
ketumpatan
OCXCcC
fungsi
-~
1
tC~
;t)
2.5
5 dan
/3
= 6
apakah
=~
n dan $
7.22 Tunjukkan bahawa mmn dan varians bagi taburan Beta a, jI ialah
masing-masing
d
a+/3
an
(a$)2(a+$1)
_______
K~(1
x)1 dx
r(a) [(/3)
Jo
[(a+$)
7.23 Katalah panjang hayat satu komponen elektronik adalah bertabunan
eksponen. Jika purata panjang hayat komponen tensebut adalah 5
nibu jam apakah kebarangkalman satu komponen boleh tahan
(a) Kurang dan 5 nibu jam
(b) Melebihi 6 nibu jam
(c) Di antana 4 hingga 5-5 ribu jam
Jika satu lagi komponen telah pun digunakan selama 4 ~
apakah kebanangkalian ia tahan 1 nibu jam lagi?
232
jam
BAB8
TEORI PENSAMPELAN
8.1
Pengenalan
Dalam setiap percubaan yang dilakukan keputusan-keputusan
yang didapati merupakan pengamatan bagi pembolehubah rawak
yang menerangkan percubaan tersebut. Jika pencubaan mi diulang
benkali-kali kita akan mendapat satu himpunan pengamatan bagi
pembolehubah rawak benkenaan. Misalnya, di dalam memerhati
tinggi pelajar di sebuah universiti; setiap pelajar adalah merupakan
kekerapan percubaan yang menghasilkan pengamatan dalam
bentuk ketinggian masing-masing. Dalam percubaan lambung duit
syiling berkali-kali dan ditaknifkan satu pembolehubah rawak
sebagai bilangan kepala yang keluan pada satu-satu lambungan,
maka bilangan kepala yakni 0 atau 1 bagi semua lambungan
merupakan pengamatan bagi pembolehubah rawak tensebut.
Kesemua pengamatan yang berkenaan mi membentuk apa yang
dinamakan populasi. Jadi, dalam masalah tinggi pelajar, tinggi
selunuh pelajar di universiti tersebut adalah membentuk satu
populasi. Sementana dalam kes melambung duit syiling sehingga tak
terkina, bilangan lambungan, satu hingga infinit, adalah merupakan
satu populasi.
Setiap pengamatan dalam satu populasi merupakan nilai bagi
pembolehubah rawak berkenaan yang mempunyai fungsi
ketumpatan tertentu. Misalnya, dalam memerhati setiap lambungan
duit syiing, setiap pengamatan adalah berkemungkinan mengambil
nilai 0 atau 1 dan taburan Bernoulli. Jadi, bila kita katakan, satu
populasi adalah populasi normal atau umumnya bertaburan f(x),
maka setiap pengamatan dalam populasi adalah mengambil nilainilai bagi pembolehubah nawak normal atau pembolehubah rawak
yang bentaburanf(x). Begitu juga dengan parameter bagi populasi.
233
Pembolehubah-pembolehubah rawak K1
K,, dikatakan
membentuk sampel rawak bersaiz n dan populasi yang bertaburan
f(x).
Sekarang jika kita taknifkan Y sebagal fungsi kepada sampel,
yakni Y = p4K1
K,). Maka Y ternyata adalah merupakan satu
pembolehubah rawak di mana nilainya bergantung kepada nilai..
...
234
TEORI PENSAMPELAN
Taburan Pensampelan
Oleh kerana statistik Y =
p4K
1, K2
K~)adalah berbeza dan
sampel ke sampel, maka Yadalah satu pembolehubah nawak yang
mempunyai tabunannya yang tensendmrm. Bagaimanapun taburan
bagi Ybengantung kepada taburan bagi K
K,, iaitu taburan bagi
populasi dan mana sampel diambml. Tabunan kebanangkalman bagi
sebarang statmstmk adalahdipanggml taburan pensampelan.
...
Contoh: 3.1
Katalah satu sampel nawak bersaiz n diambil darm satu populasi
yang bertabunan Poisson dengan parameter p. JIka ditaknifkan
statistik Y sebagai
Y= K1 + K2 +
...
+ K,,
K,
~K, ialah
1)
E[e
Di mana ~
1)
E(e~x1)E(e2)
e~
e~~
l)E
e~~1)
...
1)4
E(e~n)
.+
pIe
1)
l~
...
...
8.4
K,/n
..
) K,rn:
E(X)
pdan V(X)
it
Bukti:
E(X)=E[
238
TEORI PENSAMPELAN
1~
E E(K,)
it 1=1
1
it
1=1
V(K,)
1~
=
E
ii
it
V(K,)
1
it
iI
ita2
it2
a2
it
11(1)
oleh
(p,
~2)
iaJah
4e2r2
M11(t)
eju-sMaka fungsi penjana momen bagi Xialah:
~)
M~(t)= M
=
E[e
x] E[e
~
=
X]
...
E[e~
~]
2 /,\2.
fle5~i
1
exp~E ~zz
2
02
242
1
-i E
n 1=1
g2
X2
14x1
Pi~=
Ui
142
dan
2
x
2_; =
+
A2) = a;j
2 =ay1
Untuk menunjukkan bahawa X
1
X2 adalah bertaburan normal
kita boleh gunakan fungsi penjana momen bagi X
X2 iaitu
Mj~
X2(t)
Mj~(t). M~ (
t)
x/2
__________
.~2n/2r(r/2)
o
di lain-lain
Fungsi f(x) tersebut digambarkan sebagaimana gambanajah 7.1
untuk bebenapa nilai r.
Mm dan varians bagi tabunan x2 ialah masing-masing p = r dan
a2 = 2r. Sementara fungsi penjana momen ialah
M
1(t)
(1 20_n/2
Teorem: 7.1
2 adalah bertaburan
2
1 (1) Jika X adalah bentaburan n(O, 1) maka X
244
TEORI PENSAMPELAN
/(x)
r~4
r=8
0
Gambarajah 7.1:
Teorem: 7.2
Jika X1, X2
E
1=1
r, darjah kebebasan.
Bukti~
2
=
(1
M~.(t)
I
=1
H (1
(1
2ty1~
2t)~/2
2t)_~12
di mana
i~I ~
x2~.
X2(~).
1=1
TEORI PENSAMPELAN
Oleh itu
P(S2
728
1)5
(728) (25))
P(X2(
25, ~ 3641)
05
nilai
sekurang-
Taburan t
Taburan t adalah digambarkan dengan fungsi ketumpatan
k ebarangkalian
f[(r + 1)/2] 1 + ~-fr+1if2
~
< x <~
f(x)
=~( ,J~F(r/2)
r
0
di lain-lain
di mana pembolehubah rawak X yang mempunyai fungsi
ketumpatan seperti di atas dikatakan mempunyai taburan t dengan r
darjah kebebasan, ditulis t(~)
Keluk bagi fungsi ketumpatan kebarangkalian bagi tabunan tfr)
adalah simetrik di sekitar 0 dan bentuknya adalah ditentukan oleh
parameter r.
0
Gambarajah 8.1:
Kelokbagi f(x)taburan t
TEORI PENSAMPELAN
Contoh: 9.1
F
adalah bertabunan F(15,
io).
Oleh itu
<
.95)
~fS~/a~ <
~S~/a~
30 \
F(15
10)
15, 10)
2.85
Gambarajali 9.1: P(F < 2.85)
1
.95
&05
Latihan Bab 8
8.1
8.2
(a)
(b)
8.3
8.4
t5
Satu sampel bensaiz 25 dipiih dati n(70, 25). Satu lagi sampel bensaiz
taburan n(80, 25). Carl kebanangkalian mm sampel
kedua melebihi mm sampel pertama di antara 75 dan 125.
36 dipiih dati
8.6
8.7
Katalah X
X,, dan Y
1
...
254
TEORI PENSAMPELAN
~n
in
8.9
Katalah XL
...
i~1 X
________
8.10 Katalah XL
...
eksponen dengan mm
~.
Tunjukkan bahawa
z=
adalah bertaburan n(0, 1) bila ii mendekati infinit.
8.11 Satu sampel bersaiz 1002 diambil
dan satu penghampiran
populasi yang mempunyai
= 16. Dapatkan
bagi P (6 <
mm
p
=
8
dan
vanians
a
I c 20).
8.12 Jika XL
....
X
64 adalah sampel rawak dan taburan Poisson dengan
parameter A
9 dan ditaknif I
1
=
64
z x1 apakah kebarangkalian
fix)
=S
~
255
di lain-lain
(ioo
Dapatkan P
X1
..,
= I~L (X
1
2(n)~
adalah
X 9 tunjukkan bahawa mm dan vanians bagi Y
Jika
p =bentaburan
5 dan a2 =
adalah masing-masing bernilai 9 dan 162/n.
X2u0)
8.17 Dani satu sampel bensaiz 16 dan tabunan normal dengan mm 50,
didapati mm dan vanians sampel adalah 45 dan 60. Apakah
kebanangkalian mm sampel bernilai
(a) Di antana 1097 dan 50.
(b) Kunang dan 7012
8.18 Jika X adalah pembolehubah rawak bentabunan F apakah
kebanangkalian
(a)
(b)
~c)
(d)
8.19 Katalah S~dan S~adalah vanians sampel bagi dua sampel rawak tak
bensandan masing-masing bersaiz n
1 = 15 dan n2 = 9 yang diambil
dani dua populasi normal dengan vanians a~ = 12 dan a~ = 6.
Dapatkan P(S~/S~> 5-4).
256
TEORI PENSAMPELAN
8.20 Andaikan X1
X~dan Y
Y~adalah dua sampel nawak tak
bensandar masing-masing diambil dan taburan n(p,, a~)dan n(p2, a~).
Jika p~dan P2 diketahui apakah taburan bagi
...
i1
(X
(Z
257
p2)/a2
BAB9
ThoR! PENGANGGARAN
9.1
Pengenalan
Kaedah untuk membuat keputusan atau kesithpulan
berkenaan populasi bendasankan maklumat danipada sampel adalah
tujuan utama dalam analisis statistik. Kaedah mi yang dinamakan
inferens statitstik atau teori keputusan, secana umumnya tenbahagi
kepada dua aspek; pengangganan dan ujian hipotesis. Dalam bab mi
kita tumpukan kepada aspek pentama, iaitu menganggar parameten
bagi populasi seperti mm, sisihan piawai atau sebagainya
berdasarkan statistilc yang diperolehi dani sampel. Sementana aspek
ujian hipotesis akan dibincangkan di dalam bab-bab benikutnya.
9.2
Masalah Penganggaran
Di dalam masalah menganggar parameter populasi
berdasarkan statistik, kita benhadapan dengan populasi yang tidak
diketahui tabunannya. liii menupakan masalah besan bukan sahaja di
dalam pengangganan tetapi juga inferens statistik seluruhnya.
Bagaimanapun masalah mi dapat diatasi dengan mengandaikan
bahawa tabunan populasi tensebut adalah ahli kepada satu keluarga
tabunan yang diketahui. Hanya panameter yang membezakan di
antana ahli-ahli bagi taburan tersebut sahaja yang belum diketahui.
Jadi masalah penganggaran sekanang dikecilkan bidangnya kepada
menganggar parameter d engan menggunakan makiumat sampel
untuk menentukan ahli yang mana danipada keluanga tersebut.
Katalah X adalah merupakan pembolehubah rawak yang
menggambarkan satu populasi. X menupakan satu keluanga tabunan
yang mempunyai fungsi ketumpatan {f(x. 0); 0 e fl} di mana bagi
setiap nilai Ge Q terbentuk saw ahli kepada keluarga tensebut. Dan
matlamat pengangganan ialah untuk menentukan 0 mana yang
258
~.
E(X)
fl
E E(XJ
I
=-E0
11
nO
n
=0
Yakni X juga menupakan statistik tak pincang bagi 0.
Dan contoh 3.1 di atas kita dapati ada beberapa penganggar tak
pincang bagi satu-atu parameter. Jadi untuk menentukan apakah
statistik yang baik adalah tidak cukup dengan hanya memerhatikan
sifat tak pincang satu-satu penganggar berkenaan.
9.4
Penganggar Cekap
Jika terdapat dua penganggar tak pincang bagi satu parameter,
tentunya penganggar yang mempunyai vanians tenkecil akan
menjadi penganggan yang lebih baik. mni adalah k&ana vanians yang
lebih kecil menggambarkan penumpuan penganggar tersebut
adalah di sekitar minnya~Jadi kita-boleh jangkakan penganggar mi
akan memberi anggaran yang lebih hampir kepada parameter
berkenaan. Oleh itujika terdapat satu penganggar tak pincang yang
260
Contob: 4.1
Katalah X~ X,, adalah sampel rawak bersaiz n dad tabunan
normal dengan mm 0 dan vanians a2. Katalah X diambil sebagai
penganggar bagi 0. Apakah X penganggan cekap.
...,
Penyelesaian:
E(X)
1
=
v2ir a
262
fxO\
eiC)
TEORI PENGANGGARAN
1
Kecekapan nelatif bagi ~2 ialah
E
B(a2)
V(S2)
2a4/n
2a4/n
ni
n
Jika n
cc maka F adalah mendekati 1. Maka ~2 adalah
penganggan cekap secara asimptotik bagi varians a2.
.
9~.5
Penganggan Konsisten
Kadang-kadang dalam proses pengangganan kita dapat
menentukan pengangganan cekap bagi satu-satu panameten. mni
timbul oleh kenana tidak semua taburan mempunyai batas bawah
Rao-Cramen. Jadi untuk mengatasi masalah mi kita cuma dapat cani
satu penganggan yang membeni anggaran yang hampir kepada
parameter tensebut, sekunang-kunangnya apabila saiz sampel
dijadikan cukup besan. Penganggan yang memenuhi sifat demikian
tidak kina Ia pincang atau tidak pincang, dipanggil penganggar
konsisten.
Deflnisi: 5.1
Sebarang statistik Y = u(X i,..., Xn) adalah statistik konsisten
bagi 0 jika bagi sebarang a > 0 maka
hadP(iYoi)o
TEORI PENGANGGARAN
...
X~ialah
rIJ(x; 0)
L(0, 02)
fm
j,
e~C
:0)2
~exp~_~E(x_0)2
~. 2a
~
atau
n
1
lnL(0,a2)= _~1na2__ln2it__j
E (x
2
2
2
2a ~=i 10)
267
TEORI PENGANGGARAN
Contoh: 6.2
Katalah X1
X,, adalah sampel nawak dan tabunan Poisson
dengan parameter A. Dapatkan penganggan kebolehjadian
maksimum bagi A.
...
Penyelesakan:
L(A)=
~ eAAX.
H
1=1
Xj.
H x1!
1=1
atau
lnL(A)
nA + Ex~1nA
1nx~!
11
maka
Sin L(A)
_____
A
selesaikan untuk A didapati
n
Jadi penganggar kebolehjadian maksimum bagi A iaitu mm
bagi
Kaedah Momen
Masalah akan timbul di dalam menggunakan kaedah
kebolehjadian maksimum jika taburan tidak diketahui terlebih
dahulu atau jika ia meiibatkan kesukanan penginaan. Sebagai
misalan penhatikan X~ X,, yang diambil danipada tabunan Gamma
dengan panameten ~ dan fi. Fungsi L(cc, fi) ialah
...
L(~,II)
p~Ffr) X~ e~~
atau
lnL(a,fl)
in infl
In[(i)
(cz
i) mx
x/fl
1=1
fl
KEBARANGKALIAN DAN
STATISTIK
(x
196
1~96
memberikan gambaran
9.9
P(a
<
<
274
b)
TEORI PENGANGOARAN
Kebarangkalian
<
z~12)
z.
9.1.
Gambarajah 9.1:
~(_Z~12< Z
<
1 a
< ~4 <
X+
-
Z~
=~~
anggaran bagi (1
a) 100%
~+Z~~I2~=
Contoh: 9.1
Katalah sampel rawaic bersaiz n = 16 diambil daripada taburan
n(p, 25). Andaikan pengamatan daripada sampel memberikan
=
4245. Dapatkan 95% selang keyakinan bagi p.
275
TEORI PENGANGGARAN
Maka (1
ti/
<~
<
t212
<
p c
r212
t,
12
-.,
+ t~12
fn
Contoh: 9.2
Katalah
sampel
rawak bersaiz
= 16 diambil daripada taburan
2). Andaikan
pengamatan
bagin mm
sampel ialah I = 4245 dan
n(p, avarians sampel ialah s2 = 25. Anggarkan 95% selang keyakinan
bagi
bagi p.
Penyelesaian:
Nilai
t,
25
supaya
c T<
di mana T=
bertaburan
t(1$)
95
ialah
t.25
213
2~13
<p
<
213
2 = 25 dan r
Daripada
sampel didapati
~ selang
= 4245, s
Oleh
itu anggaran
bagi 95%
keyakinan ialah
42~45
213
(~)
< p <
3979 c p
<
4245
213
16.
(~)
4511
Jadi anggaran bagi 95% selang keyakinan bagi p ialah (3979, 45 11).
277
KEBARANGKALIAN DAN
STATISTIK
zIp
adalah mendekati taburan n(0, 1) (Teorem had pusat). Berdasarkan
kenyataan mi, bila n adalah cukup besar maka kuantiti Z yang
bertaburan n(0, 1) boleh digunakan untuk mendapatkan (1
a)
100% selang keyakinan bagi mm p. Yakni kita dapat mencari nilai
Z~112supaya
z~<z
<
z~
<~ <
z~
4/2
<p
<
+ Z~
mi,
z~,2
fn
20
196
1921
9.10
< p <
20
< p c
2078
196
p2 ialah X
2
adalah bertaburan ni p1
a1
P2.
ii
Y di mana X
a2
Maka pembolehubah
rawak
1)(Pip2)
___
z_(x_~(P1P2)
a) 100%
(I
Y)
]~+~
m
Z~2
<
P2 C
(I
Y)
z212
di mana
4~2
Contob: 10.1
Katalah ~
56,
57
TEORI PENGANGOARAN
1. Katalah Y
<
<
~.
seperti berikut:
f(x~)=
pXiU
p)Th
maka
~
1x
L(p)= H p(l p)
~ZX1 (1
p)IlZXI
Exj
atau
In L(p)= Ex~In p + (ii
~ In L(p)
tx~ n
op
ip
ln(1
p)
Denganmenyamakan
maka p
I,
ii
283
<
z~,2)
TEORI PENGANGGARAN
atau
0184
< p <
0216
9.12
bahawa
1) S2
a2
2
i/2
(n
<
a21)S
x2~/2)=
la
f(x)
~i
cr12
0
x
Gambarajah 12.1:
P(f
1 _,jz
285
<
<
TEORI PENGANGGARAN
supaya
1(x)
f~
(~.
Vi))
F(V1, V2)
/2
i.O~/2
<
<f~
(~.
V2))
1~a
1
=
f~/2 (V2.
V1)
untuk rnemperolehinya.
Maka persamaan kebarangkalian di atas boleh juga ditulis
= 1
a
sebagai
(jc12(V~V1))<a21S~ <i~,2(vi~
i
\
~
Dan menyelesaikan untuk a~/a~
kita akan dapat (1
keyakinan bagi nisbah a~/c~.
Yakni
I
S~f~/2(V2,
V1)
a~
S~
~f~,2(V1,
V2)
287
<
a) 100% selang
Contob: 13.1
Katalah dan satu sampel rawak bersaiz 16 danipada satu
taburan normal didapati vanians sampel s~ 30. Satu lagi sampel
bersaiz 11 diambil dan taburan normal didapati s4 = 10. Andaikan
kedua sampel adalah tak bersandar, dapatkan 95% selang
=
a,
Penyelesaian:
F~10.15)
a~S~x
2
Cy
PY~o15)
<1025(10,
a~S~
15))
-95
atau
I~,f025(15, 10)
<F
/025(10,
~(10,
15)
-95
ialah
S~
S~
< -r <j (3-06)
Danipada sampel didapati s~= 30 dan S~= 10. OIeh itu anggaran
95% selang keyakinan ialah
s?~
a~
152
30
1 \
10~152)< Cy
/
IL C
10 (3-06)
atau
-85
<
288
<
9-18
TEORI PENGANGGARAN
Latjhan
Bab
9.1
9.2
f(x; 0)
(b)
(c) f(x;0)=
/20
cc
0 e
O~e
< x C cc;
< x C cc;
x=0,I
x/
>
< cc
0>0
9.3
9.4
9.5
Tunjukkan bahawa Y
S X1 di mana X
X~adalah sampel
(ii)
2X
(iii)
.X
(iv)
2X
(v)
(vi)
x2)
TEORI PENGANOGARAN
0, l,2,3;0
x= l,2,..4OCOC
0)
0<1
(c)
mm
p.
291
...
kebarangkalianseIang~(X + Y
l),~(X + Y
I)mengandungi
TEORI PENGANGGARAP~
9.25 Katalah X
X~adalah sampel rawak daripada n(p. a2). Jika p
diketahui, bina 100(1
selang keyakinan bagi a2. Jika darmpada
..,
~)%
Pantai Timum
X
2
s~=$250
(a)
(b)
$270
4=550
293
294
BAB 10
UJIAN HIPOTESIS: TEORI
Satu lagi bmdang yang mustahak di dalam mnferens statistmk ialah apa
yangdinamakan ujian hipotesis. Masalah yang dihadapi di dalam ujian
hipotesis berbeza daripada masalah penganggaran dan segi keperluannya
untuk membuat pilihan tentang parameter atau tabunan sebenar yang
boleh mewakili populasi. Semasa penganggar kita gunakan sampel untuk
menentukan nilai sebenar parameter populasi. Untuk ujian hipotesis pub
kita gunakan sampel untuk menentukan kenyataan tentang populasi yang
harus diterima sebagai benar. Jadi di dalam bab mi kita cuba membincangkan beberapa konsep dan aspek teori yang penting di dalam memahami
dan menjalankan ujian hipotesis.
ia tidak konsisten
dengan hmpotesms im, kita cendenmg untuk menolak H0 atau
menerima hmpotesms alternatmf H,. Sebagai misalan, di dalam
percubaan metambung duit symlmng 1000 kali dan kita ingin menguji
H0:p
~5denganH,:p
s 5.Jmkalau9okepada yang muncul sudah
tentu kmta cenderung untuk menolak hipotesms nul (atau menenima
H1). Manakala,jikalau kepala yang keluar ialah 50, sudah tentu kita
cenderunguntuk menenima H0.
Bagaimanapun setakat mi, kmta masih belum dapat tentukan
ganis pemisah di mana jika kenyataan sampel terjatuh di datam satu
kawasan menyebabkan kita menerima H0 dan jika di kawasan satu
lagi harus menolak H0. Sebagai mmsalan di dalam kes melambung
duit syiling 100 kali tadi, jika katalah kepala yang keluar malah.6o,
sudah tentu sukan untuk menentukan sama ada hanus ditolak atau
diterima H0.
=
Dehnisi 1.4
Katalah C adalah subset kepada ruang sampel di mana jika
keputusan daripada sampel terjatuh di dalam C membawa kepada
penolakan hipotesis nul, maka C adalah dipanggil kawasan genting
bagi ujian tersebut.
Andaikan kita mempunyai populasi yang bertaburanf(x, 0): 0
eQ, di mana 0 adalah ruang parameter bagi taburan tersebut.
Katalah kita mngin menguji H0: 0 ~ 0~dan H, : 0 > 0~.Dengan set
hipotesis tersebut kita telah membahagikan 0 kepada dua bahagian
iaitu (2~dan 0, di mana
menunjukkan ruang parameter yang
diambil oleh 0 di bawah H0 dan 0, menunjukkan ruang parameter
yang diambil oleh parameter 0 di bawah H1. Jadi jika sampel bersaiz
n diambil danipada taburan tersebut, X1
X, dan pengamatannya
x,, x2
x~kita akan cuba bahagikan sampel kepada dua bahagian
yang saling bereksklusif, C dan C* sppaya jika (x
x0) e C kita
boleh membuat kesimpulan bahawa 0 berada di dalam L]~,atau
menolak H0. Sementara jika (x1
x0)
C~kita menyimpulkan
bahawa 0
Q~,atau menerima H0. Hukum yang sedemmkman
dinamakan ujian hipotesis dan kawasan C pula dinamakan kawasan
genting bagi ujman tersebut.
Sebagai penjelasan selanjutnya kita perhatikan kes berikut:
Katalah satu
sampet
bersaiz
n = 25 diambil danipada
2), dan
kita rawak
mengujm
H
taburan n(O, a
0: 0 ~ 5 dengan H, : 0 > 5.
Andaikan C adalah satu subset supaya
0
...
297
~,
...
x~);L xJS
>
i~}
atau ringkasnya C =
> 15}.
Jika pengamatan darmpada sampel berada di dalam C kita menolak
H~ataujika cterkeluar daripada C kita menenima H0, C dikatakan
kawasan genting bagi ujian H0: 0 ~ 5 dengan H~:0 >5. Subset C*
yang merupakan set pelengkap bagm C adalah C*
x C l5} yang
merupakan kawasan penermmaan bagi ujian tersebut. -rmtmk yang
memisahkan C dan C* mi iamtu c = 15 dmnamakan titik genting.
Setakat mm kita telah pun jelaskan konsep-konsep penting di
dalam ujian hipcctesms. Sekarang kita beralih pula kepada Iangkahlangkah yang harus dilaksanakan untuk menjalankan ujian bagi
hmpotesis statistik.
Langkah pertama adalah sewajarnya menentukan hipotesis nul
dan hipotesis alternatif yang akan digunakan. Pemilihan hipotesis
nul dan hipotesis atternatmf mm bergantung kepada tujuan kita
menjalankan kajman. Bagaimajiapun, jangkaan atau agakan yang
dinasakan benar oleh penyelidik selalunya dijadikan hipotesms
alternatif. Dan hipotesis nul merupakan kenyataan yang akan cuba
ditolak.
Langkah kedua, yang merupakan kandungan utama bab mni,
adalah menentukan kawasan gentmng bagi set hmpotesis yang telah
ditetapkan. Penentuan kawasan genting mi mustahak kerana ia
mempengaruhm keputusan sama ada untuk menerima atau menolak
H0 apabila maklumat daripada sampel diketahui nanti. Proses
membuat keputusan berdasarkan sampel mi merupakan langkah
terakhir dan perbincangann~a akan dibuat di dalam bab akan
datang.
=
mnm
masing-
Definisi: 2.1
Ralatjenis I ialah kesalahan dalam menolak H0 sedangkan H0
adalah benar.
Deflnisb 2.2
Ralat jenis II ialah kesalahan dalam menermma H0 sedangkan
H1 ad.alah benar.
Contok: 2.1
Katalah danipada satu sampel bersaiz n = 25 yang diambil
daripada n(p, 25) kita ingin menguji set hipotesis H,, : p = 5 dengan
H, : p = 10. Katakan kawasan genting bagi ujian mi diperolehi
sebagai
C =
> 665}.
(2
Maka ralat jenis I berlaku bila kmta membuat keputusan X > 665
sedangkan p sebenar ialah 5 Sementara nalat jenis II berlaku bila
kita memutuskan bahawa
C 665 sedangkan p sebenar ialah 10.
.2
Definisi 2.3
Kebarangkalian melakujtan ralat jenis II dipanggil aras
keertian bagi ujian dan selalGnya dicatat sebagai
~.
Contob: 2.2
Dengan menggunakan masalah dalam contoh 2.1 (a) Dapatkan
aras keertian bagi ujian tersebut. (b) Dapatkanjuga kebarangkalman
melakukan ralat jenis H.
Penyelesaian:
(a) P(melakukan ralat jenis I) =
=
P(X > &65/H0 adalah benar)
6.6S/p = 5)
= P(2 >
OIeh kerana jika p = 5
299
0.
dengan
H1 0
Dalam kes mi ruang parameter hanya mengambil dua nilai iaitu 0~
bila H0 adalah benar, dan 0~apabila H1 adalah benar.
Sekarang katalah X1
X, adalah sampel rawak bersaiz n
dengan pengamatan x
x~yang diambil dan taburanf(x. 0), 06
fl Taburan bersama bagi pembolehubah rawak mi hanya tertakiuk
0o): oo 61~yakni taburan
kepada dua fungsi, L0 (X1 X0) =
bila H
0 adalah benar, dan L1 (X1 X11) = flf(x1. Od: 0~eQ, yakni
=
...
RfN
...
...
...
...
...
...
Delinisi: 3.1
Misalkan terdapat satu nilai C, supaya
301
L(X~
Xj
...
f(x1. 0)
2
uc -~----P
I
exp
[Ta
1 ~~n/2
exp
\~2Ha2)
(x
0)2}
in
~~---~
(x~
0)2
Di bawah H
0: 0
00
oleh itu
2 [Ia2
0,,)2}
exp
DibawahH
1:0=01
maka
\n/2
{~~
(x1
exp
\~2Ha2)
i&
Oo)2}
L,, (X1
...
\12
~,,2ira2)
e~ ~
~
\ii/2
(~~~)
exp
E (x1 2
ex~[~ 2a
exp
i#1
{~
(x~
o~)2
(x~
Oi)2}
E (x
1
9)2
032
{~!-~x~(0~
2a
0~)
ii
(0~
0,,) L
1=l
303
]}
n(0~ 0*)
>
C,
di mana
P(exp{~[(0i
0~) E
n(0~
0~)]}
>
C8)
{~2-~
~
0~) E
n (0~ 0~)]
ditulis sebagal
2 In C
atau
2 In C, + n(0~ 0~)
~ (0~
Oleh kerana 01
0,,
0,,)
>
2a
>
2a2InC,
> -~-
~ +
0~
>
di mana
P (X> k,)
-0.
10
=
> d,
--~
di mana
P (Z > d,) = a
Nilai d, dengan senang diperolehi daripada jadual taburan normal
piawai setelah adik etahul nilainya.
Contoh: 3.2
Katalah X1 X25 adalah sampet rawak yang diambil daripada
n (p, 1) dengan pengamatan x
x25. Katalah kita ingin menguji set
hipotesis
...
H,,:= 1
dengan H~:= 0
dengan menggunakan a
bagi ujian mi.
Penyelesaian:
L(X
...
Di bawah H,,:
X,,)
=
...
X25 ialah
1 ~25/2
k~2it) exp{
125
E (x1
H1: ~
L1(X1 ...X~)=
/ 1
S (x1
L1 ialah
\25/2
~~)
Sx~+
305
1 25
exPI_.~ S
i~1
exp
~)2}
125
25/2
exp{
maka
L,,(X,...X~= (~)1
Sementara di bawah
25
1)2}
L1
j25
exP~-~-Sx1,)>C.
di mana
P(~1>C)
>
~1nC, !
atau
X <In C, +
di mana
P (2 <k)
maka
n (0, 1)
Jadi bagi ujian bersaiz a
2-1
<k~5
di mana p (21
<
k.05)
-05
1645
1-645
Contoh: 3.3
Dengan menggunakan masalah ujian .dalam contoh 3.2
dapatkam kebarangkalian melakukan ralat jenis II.
Penyelesaian:
306
=
=
P(Z
P (Z > 1645)
-975
P(Z >196)
-05
=
dan seterusnya.
Keluk K (0) diberikan sebagai gambarajah 41
K(O)
K( 0)
0
0
Gambarajah 4.1: Keluk K(0)
Deflnisi: 4.2
Katalah H,, : 0 e
hipotesis alternatif H
~,,
1: 0
Araskeertian a bagi ujian mi ialah
nilai maksimum bagi fungsi kuasa bila H,, adalah benar. Atau
=
(~.
1: 0
0~.Sekarang, jika diambil sebarang Oil> 0,, kita dapati kawasan
genting {~t> k,} adalah masih lagi kawasan genting terbaik bagi
menguji set hipotesis H,,: 0 = 0~dengan H~:0 = 0~. Malah bagi
sebarafig nilai 0, 0 > 0,, didapati kawasan genting mi masih kawasan
genting terbaik bersaiz a. Jadi kawasan genting {~ > k,} adatah
merupakan kawasan genting paling berkuasa seragam bersaiz a bagi
menguji H,,: 0 = 0,, dengan H1: 0 > 0,,.
=
3.1 dapat ditunjukkan bahawa hukum bagi ujian di atas juga boleh
ditulis dalam bentuk menolak H,, jika
Z
di mana
>
0,, >
4,)
normal piawai.
Contoh: 5.2
2), ~2
Katalah
X1Maka tidak
adalah
sampelujmanpaling
rawak daripada
n(0,seragam
a
adalah
ketahui.
terdapat
berkuasa
bagi menguji set hipotesis H,,: 0 = 0,, dengan H, : 0
0,,.
...
X~
Penyelesaian:
Anggapkan 01 adalah nilai 0 # 0,,. Jadi set hipotesis boleh
ditulis sebagai menguji H,,: 0 = 0,, dengan setiap set hipotesis mudah
H
1 : 0
0~
1;
0,,.
L1 (X1
L,,(X1 ...X,)
...
atau
(01
Di bawah H
1~o~
X,,)
>
C2
UJIAN
HIPOTE5I5: ThOR!
2a2lnC,,n(0f
00
0~)
jikalau 0~> 0,,. Sementara jika 01 c 0,, ujian bersaiz a iatah menolak
H,, jika
2a2InC,,
01
n(0~ 0~)
0,,
H, : p = p,,
H1: p < p,,
dengan
mi.
Penyelesaian:
Andaikan P1 .cp,, maka H1 boleh ditulis sebagai H1 : p = PiUjian terbaik bagi menguji H,,: p = p,,dengan H1: p = Pt bagi setiap
Lx, (1
11Pi
L1(x1,..x~)
L, (x
1 x,,)
Lx, (1
...
atau
L1
(Pi~jLx,(i
=1I
L,,.
\p,,/
\1
p,/
313
Pi) nfl,
J nfl,
> C,
a~a~ >
a~.
Nisbah kebolehjadian L1 (X
(a,,~
...X,,)/L,,(X~ ...X,)ialah
In
p)2
2a~
-~
L (x,
p)2}
exp~E (x,
OI
tO 2
~
~-~~
2a~a
> C,
IL
Di mana
>
C2)
L (x,
;j)2
(ala~\
k.
>
2Ink+2nIn(!)
315
X,
... X,,
Q~)
Nisbah
_____
L(Q,,)
L(X1
L(X1
...
X,. f2~)
... X,,;
U,,)
yang
...
X,, U,,)
H
1
: 0
0,,
317
...
L(X~
X,; 0)
...
Di bawah H,, :0
L(XI
...
exp[_
(x1
0)2]
X,; 0,,)
(~~-i) exp
L (x1
032]
L(X1 ...Xn;x)
L(X1
... X,.
...
0)
~
yu2
exp[
=~~-)
L(x, x)
1 1
exp S~j1i1
(x,
2
0,,)
(x,Og)
,=i
(x,
2a
/ L fZ~)ialah
L(X
X(x,_i42]
H,,
>
x)
jika
k
-I
atau
2
>
318
2lnk
(j2
a2 /ii
atau
0,
>d
I?
4,
di mana
P (~Z~> d,
72)
Pembolehubah rawak
j~adalah
bertaburan normal
11
0,,
dengan
H1 : 0
0,,
Katalah X1
X,, adalah sampel rawak bersaiz n dad
tersebut dengan pengamatan x~
parameter
11 adalah
set yang mengandungi
{0,
c 0 kuang
< cc a2
> 0J. Fungsi
kebolehjadian
bagi X
1
X,
...
...
...
L(O, ~2, x,
... X,,)
(~~~T) exp
(x,
taburan
2 cc
a
ialah
0)2}
a2
0,, dan a
X
1
...
X~)=
exp
319
L (x,
0)2}
TEORI
[z
(x,
~L
[(n
+ I o,,~21n/2
j
(nUS2
I) ~2 + n (I
(n1)52
0,,)1~2
/i_o,,\
1n12
7-]
nl\S,/~
mi
r11+
[
r~0~\1nI2
II
n1\5/~/~JJ
>
ialah tolak
jika
H,
atau
(10)2 > n (n
1) (k~ 1)
5/f
>
T= ~
0,,
s/f
adalah bertaburan t dengan n I darjah kebebasan. Sebagai kesimpulannya, ujian tersebut menentukan bahawa kita harus menolak
H,, pada tingkat aras keertian a jika
s/f
321
WIAN HIPOTESIS:
_J~
>
(x
n~
S/f
o~)2]n/2 >
bila ~ >
dan
I
bila
2m~1)
d2~
>
0,
(n_I)(k
>
>
Jika diambil punca ganda dua kita dapati bentuk di atas boleh ditulis
sebagai:
10,,
>
0,
>
S/f
dan
0>d
0,,
0, yang bertaburan t(
0_
s/f
dimanaP(X
0,,
0,,
s/f
> d2)
H,,
jika
> d,
=
s/f
Contoh: 6.4
Ujian
Yakni bagi
H,, : p1
dengan
#2
#3
H1
Penyelesaian:
2}
L(Q)
1
(i)
3n/2
exp {- ~
#2 #3,
1~~
E (xu
pJ2}
Di bawah H
0 : p~= po; i
L(0,,)
3a12
1, 2, 3
maka
exp {- ~
Z S (xu
2 ialah:
Penganggar kebolehjadian maksimum bagi p,, dan a
if
3N
(x
1~
Sementara di bawah
H1
jz=~i_=
~
fi~
n
dan
2/3n
3
N
1=1
E iI
E
(x1f~~)
Jadi nisbah kebolehjadian
324
1, 2,
3 dan a2 ialah
HIPOTE5IS: TEORI
UJIAN
3~2
(x~
-,
-~
[x E
L(O,,)
13~2e
~)2
(x~~
ii
x x (xU
ii
>k
-
S E (xu
E (xu
= E
ii
x~
ii.
fl2.
+ 3
~ 2
t(xu
x-)2 + n E
(ii:
oleh kerana
xx (X~~R.. )2/~2adalah
(3(,, 1))
ii
dan
(Xc,
1.
maka
nE (K
2adalah
X2(3(n ID
)~/a
X)2/a2
adalah
xz
nE (x~
(ic,~
x)
>k1=d
ii
fl2
F=
S S (X1~
yang mempunyai taburan F dengan 31 dan 3 (ni) darjah
(x1.
>f,(2,3(n1))
S S (x~~
x)2
Latihan Bab 10
10.1
15
dengan
H1 : p = 10
Jika kawasan genting ialah
C
{x1
; x c iO348}
...
...
x12 x <
12-436)
102
Anggapkan X1
X,, adalah sampel rawak danipada ;,(0, 4).
Dapatkan kawasan genting terbaik bagi menguji hipotesis
...
H,: 0
10.3
10.4
Katalah X1
...
dengan H1 : 0
tunjukkan bahawa
10.5
Anggapkan XI
X, adalah sampel daripada taburan Poisson
parameter 0 dan kita ingin menguji H,, :0 = 0,, dengan H1 :0
01;
...
100
X~... X,, adalah sampel rawak daripada n(0, 25). Tunjukkan bahawa
C = {x1
x, jc~> c] adalah kawasan genting terbaik untuk
menguji H,,: 0 = 15 dengan H1 : 0 = 20. Dapatkan nilai c dan n
supaya
...
P C?
c/H,,)
P(X ~ c/HI)
=
=
05,
dan
-90.
2).
10.7
Katalah
adalahsetsampel
rawak danipada taburan ;40, a
Jika
kitaXingin X,
menguji
hipotesis
H,, : a2
dengan H
a~
di mana
1 : a
327
>
a2
a,
10
mi ialah C
{x
1
X15
> kl.
10.10 Satu sampel rawak bersaiz 25 diambil daripada taburan n(0, 4) dan
kita ingin menguji
H,, : 0 = 5
dengan
H1:0#5
Jika kawasan genting yang digunakan ialah x c 4 atau x> 6,
lakarkan keluk liingsi kuasa K(0). Dapatkan aras keertian a dan
kuasa bagi ujian mi jika 0 sebenar adalah 3.
10.11 Dapatkan kawasan genting paling berkuasa seragam bagi menguji
H, :0
= 50 dengan H1 : 0 -c 50 jika X
X100 adalah sampel
danipada taburan n(0, 64). Apakah K (0) bila 0 sebenar ialah 50.
10.12 Jika X1 ... X15 adalah sampel danipada taburan Bernoulli
parameter p. tunjukkan bahawa kawasan genting paling berkuasa
1
1
seragam bagi menguji H,: p = dengan H1: p > adalah 1
/15
\2
i-i
) c. Tentukan nilai c supaya
I
c/H0) = -0591,
ii
328
mi.
10.15 Katalah X
X ~ adalah sampel rawak bersaiz 25 diambil dan
taburan n(0, 100). Tunjukkan bahawa kawasan genting bagi ujian
nisbah kebolehjadian di dalam menguji H,,:0 = 70 dengan H I :0 $
70 adalah
10.18 Andaikan X
1
X,, dan Y
Y,~adaiah dua sampel rawak tak
bensandar danipada taburan n(p, 9) dan (#2~ 16). Dapatkan
kawasan genting bersaiz a bagi menguji hipotesis
H1 : #2
#1 # 0
Dengan H1:p2p1#0
...
10.19 Bagi masalah yang sama sebagaimana soalan 10.18 katalah vanians
329
dengan
#2
#2
Pt
1020 Jika X, X16 dan Y i16 adalah dua sampel rawak tak bersandar
darmpada n(p1, 9) dan n(p2, 16). Dapatkan kawasan genting bersaiza
= -05 bagi menguji
H,: #2
Pi = 0
dengan
H1:p2p1>0
330
BAB 11
UJIAN HIPOTESIS: PENGGUNAAN
Kita telah membincangkan beberapa kaedah untuk mendapatkan
kawasan genting dan menentukan hukum membuat keputusan di dalam
menguji set-set hipotesis statistik. Bahagian itu merupakan aspek-aspek
teori di dalam ujian hipotesis. Sekarang kita akan memerhatikan pula
aspek terakhir yang melibat penggunaan makiumat sampel terhadap
keputusan yang telah diperolehi itu. Berdasarkan keputusan sampel mi,
dapat kita tentukan satu-satu hipotesis itu harus diterima atau ditolak
dalam keadaan sebenarnya. Aspek mi merupakan penggunaan dalam
ujian hipotesis.
11.1
...
331
>
cli
z~..2
P(IZI
>
Z~)
p0
atau ~
>
di mana P(Z
<
Z~2)= P(Z
>
_____
~0
Z~12)
~/2.
01/2
/2
1 ~
0
G~mb~r~j~h
2.1:
:f~~
adalahjatuh
di kin dan
atau di kanan dan Z~2 maka membawa kita
menolak hipotesis nul. Jika terjatuh di atas atau di antara nilai
Z~,2dan Z~2maka kita harus menenima H0.
Sebagai ingatan kaeda1~ujian yang dijelaskan mi adalah sama
dengan mendapatkan (1
~ 100% selang keyakinan bagi p dengan
menggunakan pengamatan x Kita akan menolak H0 jika p~berada
di luar selang tersebut.
333
Contob: LI
Sejenis padi didakwa boleh menghasilkan hasil purata 600
kilogram gehektar dengan sisihan piawai 50 kilogram. Katalah dan
100 hektar yang ditanam dengan padi tersebut didapati hasil purata
ialah 650 kilogram sehektar. Adakah dapat anda menerima
dakwaan tersebut pada aras keertian 5%.
Penyelesaian:
Set hipotesis yang diuji ialah:
H0: 11
dengan
H~:p
600
600
d~mana P(Z
~L, >
<
= P(Z > Z.025)
05
Daripada jadual normal piawai didapati Z025 =
Dan itu kita harus menolak H0 jika
izi
p0
>
Mo
cif~
~
=
650,
650
600
196
196
100 dan a
=
5, jadi
100
5/~/i
OIeh kerana
100 > 196 maka kita harus menolak H~dan
membut kesimpulan bahawa hasH purata padi tersebut adalah tidak
sama dengan 600 kilogram sehektar.
=
Contob: 2.2
Katalah daripada satu sampel bersaiz 25 yang diambil daripada
taburan nQt, 4) didapati ~ = 486. Katalah kita ingin menguji
H0: p
dengan
H1: ~ ~
334
55
O1
Penyelesaian:
Jikax =Olmaka 1
= 99
99% selang keyakinan bagi p ialah
~
<p
di mana bagi Z
<
~~oos
n(O, 1)
P( Z.005
<
Z c
99
258
4~344/
<
<
486
<
< }376
258
258
di mana P(Z
= X
p0
>
r~
a,jn
Z,)
335
>
<
piawai
(a)
z
0
(b)
G~mbar~h
2.2: Kawasen genting bagi menguji H0
dengan hipotesis &ternatif (a) H1 : p >uo
dan (bI Hj ~< p~
Contob: 2.3
Katalah daripada satu sampel bersaiz 9 yang diambil daripada
n(p, 9) didapati Yc
4. Kita ingin menguji
dengan
H0: ~
H,: p
>
5
5
336
<
1645
maka
V = 72
72
Z
7.4
74
048
Oleh kerana Z =
048 >
1645 maka kita tidak boleh menolak
H,, pada tingkat 5% aras keertian. Jadi persatuan pengguna tidak
boleh menyangkal dakwaan syarikat tersebut.
Dalam pnaktiknya a2 yang digunakan dalam ujian-ujian setakat
mi adalah tidak diketahui dan harus dianggankan dengan
menggunakan vanianssampel S2. Jika ~2 digunakan sebagai ganti a2
yang kita dapati dalam bab 10, ujian statistik yang harus digunakan
ialah
T= ~
5/f~
p,,
r
>~
0l2
s/sin
di mana
c,2
t(~_j)
supaya
P(T> 1~)=
8/2
Bagi menguji H0: p p,, dengan H,: p > p0 maka kita harus menolak
H,, pada tingkat cc aras keertian jika
t =
> t2
di mana
P(T> ) =a
338
di mana P(T
<
<
p,, maka
p0
tc,.) =
Contoh: 2.5
Danipada satu sampel bersaiz 16 yang diambil danipada taburan
normal mm p didapati I
4 dan ~2 = 9 uji hipotesis
H,,: p = 5
dengan
H1: p < 5
=
1753.
Oleh kerana
H11.
1333
>
1753
= 3.
Jadi
1333
Contoh: 2.6
Sebuah syanikat pengeluan rokok telah mengeluarkan sejenis
rokok baru yang didakwa mempunyai kandungan tar purata 20
miligram bagi setiap batang rokok. Danipada 25 batang nokok yang
dipilih secara rawak didapati kandungan purata far ialah 23
miligram dengan raTht piawai 6 miligram. Uji kebenaran dakwaan
tersebut dengan menggunakan 5% aras keertian. Andaikan
kandungan tar bentabunan normal.
Penyelesaian:
Di sini kita ingin menguji
339
344
-~
fr,(n
I,m
1)
SI
of C of
jika
~ f,(m
1, n
1)
pada tingkat 8 aras keertian.f,(n
1. in
1) danf,(m
1, n
I)
dipilih danipada jadual taburan F supaya P(F(n
I, m
1) >
f,(n
1,m
1) 8danP(F(m
1,n
1) >fr,(m
l,n
1)) = 8
Contoh: 4.2
Katalah danipada dua sampel rawak tak bensandan daripada
dua taburan normal dengan vanians of dan of didapati
n,=lO
4=15
n2=16
4=10
uji hipotesis
H,,: of
H,: af
dengan
= of
of
=
=
jika sf
15 > sf
15/10 =
< sf
10 oleh itu
Oleh kerana sf/sf = 15 C 312 kita tidak boleh menolak H,,. Jadi
sebagai kesimpulan dapat dikatakan bahawa vanians bagi kedua-dua
populasi adalah tidak berbeza.
347
11.5
...
digunakan ialah
,~,
X, dan ~
LX,/n.
Bagi ujian bersaiz 8, kita harus menolak H,, dan menerima H,:
p
3&
p,, jika
> p0
8/2
atau
p
< 8/2
Di mana LX, adalah bertaburan b(n. p,,) sehingga 8/2 boleh didapati
danipada jadual taburan binomial.
Untuk ujian ~, kita harus menenima H,: p > p0 jika
fr > p0 dan P(LX, ~ fl,/H,, adalah benar) C 8
sementara jika
C
C 8
3
IS
=.
02;
Lx,
= 3
15
dan L X, adalah
,~,
3/p
4)
01841
p,,)/n
LX,np,,
7np,,(1
p,,)
H,,: p
H,: p
>
0~1
01
p0
+ ~2+
x=L
p,,)
1).
ialah menolak H,, jika
2(k
adalah
bertabunan
x
Jadi
ujian bersaiz
(X,
~<
n,pjl
n,p,,,)
> y2
2(k
1)
n,p,,(l
p0)
1) dipenolehi danipada jadual taburan
2~(k
di
mana
supaya
P(x2
x2(k
I)
> x2
2(k
1))
Contob: 5.3
Katalah sebuah syanikat ingin memasankan sejenis barang yang
diberi label yang benlainan A dan B dengan tujuan mendapat
pasaran yang lebih baik di Juar bandar dan di bandar. Setelah sekian
waktu dipasarkan syanikat tersebut ingin mengetahui sama ada
polisi tensebut berkesan atau tidak. Danipada satu sampel yang
tendiri dan 400 sun numah di luar bandar didapati 250 menggemari
label A. Sementara danipada 200 suni numah di bandar 110
menggemani label A. Adakah terdapat penbezaan kegemaran di
antara kedua-dua label di kalakigan penduduk luan bandar dan
bandar. Gunakan 8 = .05.
Penyelesaian:
Katalah p, dan P2 adalah masing-masing nisbah sebenar sun
rumah di luan bandan dan bandar yang menyukai label A. Jadi set
hipotesis yang hendak diuji ialah
H,,: Pi
= P2 =
P0
H,: p,
P2
Oleh kenana p0 tidak diketahui, harus dianggarkan dengan
.352
di mana /
>
Contoh: 6.1
Katalah satu buah dadu dicampak 180 kali dan didapati
kekerapan bagi setiap kesudahan adalah sepenti benikut:
Kesudahan
Nilaidianiat
25
30
85
40
15
35
= ~p{2}
f...
p{6} =
t~~I
25
30
85
40
15
35
30
30
30
30
30
30
x2
(25__30\2
30
(30
30
355
3Q\2
(35
30\2
30
(is
(40
30\2
30\2
30
(35
30\2
1333
Bilangan set ialah 6, bilangan panameten yang dianggar ialah 0. Jadi
2(6
(0 + 1) = x2 (5). Bagi 8 = 05
~2 hanus dibanding dengan x
maka /05 (5) = 1107.
=
Oleh kenana /
1333
>
0 pada
tingkat 5% anas keertian. Sebagai kesimpulan dapat dikatakan
bahawa dadu tersebut adalah pincang.
Contoh: 6.2
Katalah kita ingin menguji hipotesis bahawa benat badan bayi
yang banu dilahinkan adalah bentabunan normal. Untuk tujuan i-ni
170 bayi yang baharu lahin dipilih secana rawak dan dicatat benat
badan masing-masing. Keputusan adalah seperti benikut:
Bent badan dalam lb.
Bilangan
bayi
34
45
56
67
78
89
910
1011
18
30
35
11
16
exp
I
2
(~
(5
+
=
3.5)2
3.5
1064
11.7
Kategorij
,
Jumlah
0 7
8 14
15 21
120 p11
20 p12
5 p13
90 p21
15 p22
5 p23
n2
c1210
c235
c310
N255
Pekerjalelaki
Pckei~apeermpuan
Jumlab
1145
110
Pu
P21,
P12
P22
benlaku.
2 dapat
Ujian bagi x
kuantiti
x2
P,3
P23;
tidak
boleh didasankan kepada
persamaan
ditujukan bahawa
di atas
=1 j=1
e,j
mana bagi kes mi c = 3 dan k = 2.
Nilai e,~adalah nilai jangkaan bagi set, i,j dan dipenoleh danipada
penginaan
di
1,...k
e,~=~-L~=
j=1,2,...c
120
Pekexjalelaki
1119.41
90 [90.6]
814
1521
20 [19.9]
15.7]
15 [15.1]
[4.31
])
x2
>
x2~(ki) (ci)
359
di mana z2Ak
supaya
I) dipilih
2jk1)(cl) =
didapati
119.4)2
20
>
1)
7 8.2
Pengiraan daripada jadual
(120
1194
l~9
(5
9.9)2
-+
4.3)2
0208
-11.8
<
Fendapa tan
bulanan
$500
leblh
dan 3
Jumlah
42(p14)
SO(p15)
ri~ =
26(p25)
2O(p
35)
n2 = 192
c596
N =460
3(p
11)
32(p12) 48(p13)
175
$500-$1500
>
11500
n3
93
138 c
Jumlah
c120
c2
3116 c495
11.3
11.4
11.5
11.6
11.7
normal dengan sisihan pmawam i55 yang mempunyai mmn Y~= 820.
Satu lagi sampel bersaiz 16 diambil daripada taburan normal
dengan sisihan pmawam 102 dan didapati mm sampel Y2 = 790. Uji
hipotesis
dengan
pada 5% aras keertian.
11.8
H, : Mi = P2
H1 Mi #
11.11 Seorang calon wakil rakyat wanita ingin mengetahui sama ada
terdapat perbezaan peratus penyokong wanita dan lelaki di dalam
kawasan pilihanraya beliau. Untuk maksud tersebut beliau
meninjau (secara rawak) 100 wanita dan 100 lelaki yang layak
mengundi. Daripada tinjauan tadi didapati 70 wanita dan 60 lelaki
menyatakan sokongan terhadap beliau. Adakah terdapat
perbezaan di segi peratus di antara wanita dan lelaki yang
menyokong beliau?
11.i2 Sebuah mesin pengetin dikatakan rosak jika sisihan piawai
364
~7
Ulangan
kemalangan
10
30
40
15
20
10
sekiranya daripada
90
30
10
Dan keluarga
bench
Dan kehjarga
miskin
Tidak
Merokok
Merokok
$tcara
scdethana
Kuat
merokok
20
50
10
40
70
10
Lutus
Gagal
KacdaliA
25
20
Kacdah B
20
23
<50% rosak
Tiada kerosakan
20
100
120
NeganaB
10
40
50
20
30
40
(a)
(b)
10
40
60
50
15
368
p)
#2
dengan
H1 : sekurang-kunang satu
/4
ji~benbeza.
X11
X12
XII
x22
an
x n2
Jumlali
Miii
k,
Jadual 2.1:
....
xk
nkk
T
Ok
Pengamatan bagi * sampel rawak
370
ANALISIS
mm
ZX
1~
1,2,..., k
dan
i~=TIn];
J= 1,2,..., k
77,
adalah mm bagi
Ic
z ~
Ic
k.
dan
TJE
n~
j=
ji~+
e~
j= 1
[t
+ a~+
f~E rz~=
j~.
ri~
371
ANALISIS VARIANS
Punca vanlasi
JuSal.
kuasa din
JKO
Olahan
Darjab
kebeba.an
kI
MKO
kI
JKR
taint
nj
MKR JKR
MKO
MKR
Lnj-t
Total
JKT
Jadual 2.2:
Contob: 2.1
Katalah sebuah syarikat mengeluarkan sejenis minuman ningan
yang diisikan di dalam 3 bentuk packing iaitu botol, tin dan kotak
kertas~syanikat tensebut ingin mengetahui sama ada bentuk
packing memberi kesan tenhadap juala~minuman tersebut atau
pun tidak. Untuk tujuan tersebut ketiga-tiga bentuk packing
tersebut dijual dmsebuah kedai dan dicatatkan bilangan yang laku
pada tiap-tiap han selama 5 hani. Keputusan ditunjukkan dalam
jadual 2.3. Dapatkah dikatakan bentuk packing mempengaruhi
jualan? Gunakan 5% aras keentian.
T
x
.J
Botol
Tin
10
13
15
20
50
10
20
40
50
60
12
17
22
87
135
127
349 = T
17.4
27
25.4
23.27 = x
Jadual 2.3:
Kotak kertas
375
JKT =
102 + 132 +
...
172 + 222
15
= 4440.93
JKO=
(87)2
1352
1272
3492
= 264.53
JKR= 4440.93
264.53 = 4176.4
Jumlal.
Kuasa dii.
Da4ah
KCbCbSUE
Olalian
264.53
Ralat
417640
12
Total
4440.93
14
Jadual 2.4:
P4.
Kia dii.
132~26
34803
.3~Q2
ANALISIS VARIANS
#1
x_f
E(X.~)=
dan mempunyai vanians
V(X~)
it)
~2
MKR
ni
bahawa
T=
S(X))
adalah bertabunan t dengan
t,
12
S(X.~c
xi
+ t11~
S(X)
benpasangan.
377
P(T>
secana
yang
kesan
secara
x~
#1
xJ
Penganggan D X -j
X.J mi adalah penganggan tak pincang bagi
1~idan mempunyai varins
V(D)= V(X~)+ V(X~)
=
= ~2
(1
n~
\fl~
MKR
/1
(
\iti
~2
1
~
(#i#J)
T=
S(X.~X])
adalah bertabunan
dengan E
x~)
t,~
2S(D)
< iii
< X.j
X.J
6/2 S(D)
a/2
pJ
dengan
Maka nilai anggaran bagi selang keyakinan bagi ~
p, boleh digunakan sebagai kawasan penenimaan. Bagi ujian bersaiz
378
Jumlah
kuasa din
Danjali
kebebasan
Olahan
19-554
9-777
Ralat
18-246
12
1-521
Total
37-80
14
Jadual 3.2:
NSa
kuasa dun
6-43
/4i =
#3
#5
#3
#2
~2
~.3
0~6
12-4
11-8
OIeh itu
S(X~
1)
i~)
(~
MKR
2(1-521)
0-6084
0~7800
I)
t025(0~7800) C
.025(07800)
380
#1
~k~ia1ah
malah
#1
< ~
~J)
ANALISIS VARIANS
Danipada jadual
t(
(x~
x~1)
16996 <
+ 1-6996
#1
#2
#1
lajur
lajur
12
~Ij
lb
22
2~
2b
21
...
~fl
12
xal
it
T1
T2
~i
.2
Jumlah
bails
T1
T2
T.
.2
Jadual 4.1:
...
K.
aj
x ab
Ta.
T.
Tb
~b
Miii
bans
i~
k
a.
P.)
= E #if/~
u1~/ab
ii
p4
1,2,...a
j=
382
1,2,...b
0 dan E
f3~ = 0
p + a1
dan
p3=
/2
J= 1,2,...b.
fl~
H,,:fl~=O j= 1,2,..., b
dengan H1: sekunang-kurangnya satu dan
dengan sifan.
bagi mengujm perbezaan mm faktor B.
fl~tmdak
sama
E(Xu
Xf
+
383
atau
di mana JKA
JKB
E ~(x~
JKT
b L(i;
~)2
)2adalahjumlahkuasaduafaktorBdanJKR
Yc~+
bertabunan
x2(b 1)
bentabunan x2(a
1)
dan
JKR
i-- bertaburan ~(a
a
lXb 1)
+ 8~+ /Ij
ataupun apabila H
1 bagi kedua set hipotesis adalah benan. Angganan
bagi p ialah ~. bagm a~ialah
dan bagi fl~adalah ~
sehingga
~. Maka angganan bagi
2 ialah anggaran bagi m1 ialah ~ +
a
Z X(x
2/ab
1~
+ ~)
~
~.
384
0,
H1: tidak semua
/3,
1,2,...,
sama dengan 0.
(~I
(JKB + JKR)/ab.
Dapat ditunjukkan bahawa ujian bagi hipotesis tensebut ad,alah
bendasankan nisbah
12
MKB
JKB/(ai)
MKR
JKR/(alXb1)
f2>f~
Puna
vantasi
Jumlab
kant. dv.
Daijah
kebebasan
kane due
Mm
Pcnglsaaa
f
MEL
fs~R
FaktorA
JKA
b-I
JKA
MKA
b-i
FaktorB
JKB
a-I
MK8
Ralat
JKR
JKB
(a-1)(b-i)
MICR
a-I
JKR
(a- i)(b-i)
Jadual 4.2:
386
MRB
141CR
f-a
ANALISIS VARIANS
ab
T2
T2
JKA= z~~__u_
b
ab
JKB=
~
~
T2
T2
ab
dan
JKR= JKT
JKA
JKB
4.1
Katalah syanikat pengeluan minuman ningan di dalam contoh
2.1 di samping ingin mengetahui kesan benbezaan bungkusan yang
berlainan, ingin juga melihat kesan jualan akibat jenis kedai yang
benbeza. Untuk tujuan tensebut 3 kedai yang tendini dan kedai
nuncmt, kedai makan dan .kedai pasan raya dipilih dan dipenhatikan
jumlahjualandalam satu mmnggu. Keputusanjualantensebut dicatat
sebagai benikut:
Cositob:
Faktor B
Botol
Tin
Kotak
Kertas
T~
Kedairuncit
Kedalunakan
Faktor
Paaarraya
50
30
100
180
60-00
100
60
30
190
63-35
140
170
160
470
15&67
290
260
290
T = 840
96-67
86-67
9667
F,
1
Jadual 4.3
387
93-33
di mana
E a,
= ~
/3,
0 dan ~ (a$)u
(a$)~~
= 0
ANALISIS VARIANS
atau
H0:fl~=O
j=1,..., b
dengah H1: sekurang-kurangnya satu
fl~tidak
kosong
dan inferens bagi kesan tingkat faktor dijalankan seperti biasa bagi
faktor yang mempunyai kesan perbezaan yang bermakna.
Sekarang katalah pengamatan bagi nab sampel daripada
populasi adalah sebagaimana jadual 5.1 di mana
adalah
pengamatan ke-k, k = 1,2,... n bagi tingkat I faktor A dan tingkatj
faktor B. i~dan
adalahjumlah pengamatan dan mm sampel bagi
kombinasi If. 7~ dan i. adalah jumlah pengamatan dan mm bagi
tingkat I faktor A. T~dan i,. .adalah jumlah pengamatan dan mm
sampel bagi tingkatj faktor B. Dan T dan ~ adalahjumlah dan mm
sampel bagi kesemua pengamatan daripada sampel.
.
Jika dipecahkan jumlah kuasa dua total kepada komponenkomponen yang berkaitan dapat ditunjukkan bahawa
JKT = JKA + JKB + JK(AB) + JKR
di mana
JKT
S S S (xi,
I
jk
JKA = bn S
(~
JKB
(~
JK(AB)
an S
~)2
n S S
~)2
adalahjumlah kuasa
if
S S S (x1fr
I
jlc
Faktor B
1
x
x121
x112
x122
X1 ln
x 12n
T11
T12
Tib
~l 1.
~l 2.
b.
x211
x221
x2b1
x212
x222
T21
Xlbl
b2
all
a12
lbn
T1..
xl..
x2b2
.
~!
~a
T22
T2b
41.
Mm
111
Faktor
A
Total
T2
2b.
x
x
a21
a22
x2
abl
ab2
Total
Mbi
am
x~
Tal.
sal.
Ta2.
Tab.
Xa2.
ab.
T1
T2
T.b.
.1.
Jadual 5.1:
Xabn
.2.
.b.
392
Ta..
x
L.
T
i...
ANALISIS VARIANS
abn 1
(ai) + (bi) + (a
1)(b 1) + ab(n 1)
dan jika jumlah kuasa dua dibahagikan dengan darjah kebebasan
masing-masing kita akan dapat mm kuasa dua bagi tiap-tiap
komponen; yakni
=
MKA = JKA/a
1
MKB = JKB/h
1
MK(AB) = JK(AB)/(a
1) (h
MKR = JKR/ab(n
1)
dan
MK(AB) >f,[(a
dimanaf2[(a
(a
(h
1)
i)(b
1,..., a j
1),ab(n
1,
..,
b kita
1)]
fl(b 1),ab(n
1)]adalahnilaidarijadualFdengan
I) (b 1) dan ah(n 1) darjah kebebasan supaya P(F> j~[(a 1)
1), ah(n 1)])
a.
MKA
MKR
>
f,[a
1, ab(n
1)]
di mana f,[ (a
1) (b
1), ab(n
1)] adalah nilai dan jadual F
dengan (a
1) (b
1) dan ab(n
1) danjah kebebasan supaya P(F
> J~[(a
1)(b
1), ab(n
1)11) = a.
b, ujian bersaiz a
MKB
MKR > fa[b
1, ab(n
1)]
di manaL[b
1, ab(n
1)] diperolehi danipada jadual taburan F
denganb
ldanab(n
1)darjahkebebasansupayaP(F >JJb
1, ab(n
1)]) = a.
Punca
variasi
Jumlali
kuasa dua
Daijab
kcbcbasan
Mlii
kuasa din
Pcngtraau
f
Faktor A
JKA
ai
MKA
FaktorB
JKB
bi
MKB
f3~~
MKR
JK(AB)
Silangan
(aI) (bI)
2~
~1 = MK(AB)
MK(AB)
MKR
Ralat
JKR
ab(ni)
Total
JKT
abni
Jadual 5.2:
MKR
JKA=
JKB
uk
T2
EL~r
p 2
bit
abn
T2
=
T2
abn
an
JK(AB)
dan
JKR
EZ
uj
JKT
T2
JKA
T2
bit
iKE
it
E
u
T2
an
T2
abn
JK(AB)
Contob:5.1
ANALISIS VARIANS
Faktor B
Botol
Faktor A
Tin
Kotak kertas
Kedai
runcit
20
30
15
15
75
25
Kedai
makan
30
70
20
40
10
20
Kcdai
pasarraya
65
75
70
100
115
45
Jadual
5.3:
Tin
Kotak
kate.
Total
T.
Kecial macit
50
30
100
180
3000
Kedal makan
100
60
30
190
31-67
Kedampasarraya
i40
i7~
160
470
78~33
Total T.
290
260
290
43.33
4833
bun
48~33
Jadual 5.4:
840
4667
JKA=
=
+302
56300
1802
+ 152 ~+
1902
~
48233~33
4702
~
395
17100
9033~33
8402
18
39200
2902
2602
2902
JKB=-~+~-+--~--
8402
1152
39200
&~2
~j-
Mlii
aL
JK(AB)
39300
502
-~
39200
302
48233-33
51000
...
100
1702
1602
39300 + 39200
4823333
39300 + 39200
9033-33
100
266667
oleh itu
JKR= 17100
2666-67
5300
MK(AB)
=
fl
Punca
variasi
Faktor A
Faktor B
Jumlab
kin.. dna
903&33
100~00
MKR
>f
0.05(4,9)
Daijab
kebebasan
Mlii
kit... dna
4516-66
767
50~00
=
=
0.085
1-132
Salmug
Tmdak
266&67
2
4
666~67
Ralat
5300-00
58&89
Total
17100.00
17
Jadual 5.5:
Paighsan
f
396
Latihan Bab 12
12.1
Bagi model analisis vanians satu cana tunjukkan jumlah kuasa dua
total dan jumiah kuasa dua olahan boleh juga ditulis sebagam
T..2
JKT =
L
Lu
dan
JKO
12.2
L T~
I Ilj
T..
-~
Bagi model analisis vanians dua cara tanpa saling tindak dengan
faktor A dan faktor B buktikan bahawa
T2
JKT = L E x 2
u
ab
11
T2
T2
JKA= E_!~~_~r_
h
ab
dan
T2
T2
JKB=E_L__~
u a
ab
12.3
JikadidalamanalisisVanianssatucara,dibenimodelx~ = p
a
1
~ di mana L a1
0, tunjukkan bahawa
a1
p1
12.4
Bagi model ~u
p + a, +
$~
La,
$,
0 tunjukkan bahawa
Bagi model analmsis vanmans dua cara tanpa salmng tindak tunjukkan
bahawa
398
ANALISIS VARIANS
L L (x,1
hE (~, i
)2
a L(x
E L(x,
2
1
12.6
1 i.)
i.)
x)
a,
a/I,
1
0 V~maka bagi E a,
L fl~
benerti
p.1
/I~
p +
p + a,
dan
12.7 Jika dibeni satu set pengamatan:
A,
3
2.5
5
4
6.5
2.5
A2
3
3
6
3.5
4
5
A3
4
5.5
4
5
7.5
5
10
12
16
Kcdainzncit~
10
12
15
Kelabnialaml
13
ii
10
Restoran
399
(a)
(b)
Punca
Jumlak
kin.. dna
Darjah
kebebasan
JKO
1 108~33
JKR
JKT
2108-33
K12
K13
K14
11
Saiz sainpel:
n16
Jumlah pengaunatan:
Jikadiperolehibahawa
T1
025
18
zz~Yi
T2
n38
35
T5
n47
18
T:4=66
1035
~J
(a)
(b)
12.11 (a)
(b)
400
ANALISI5 VARIANS
(c)
12.12 Bagi masalah dalam soalan 12.9 dan 12.10 tentukan apakah
pasangan mm yang benbeza pada tingkat 95% anas keyakinan.
12.13 Dalam kajian tenhadap basil keluaran bagi 3 jenis padm yang
dikenakan 3 jenis baja yang berlainan hash keluanan punata (dalam
ratus gantang) seekan dibenikan sebagai benikut:
Jenis Path
Baja;
8,
Bu
Malinja
Mah.uri
68
46
46
55
43
38
Mat Candu
54
46
B
3
(a)
(b)
(c)
(ci)
12.14 (a)
42
Jumlab
kuasa
dun
Darjah
kebcb.san
1150
JKB
JKR
350
JKT
3780
Mm dun
kuasa
175-5
Faktor A
FaktorB
(a)
(b)
A,
A3
A4
B2
B2
12
35
24
16
20
36
18
19
B3
40
30
28
22
1 kampit seckar
Pcnggunaan Racun
tanpa uacun
dengan racun
10
13
12
20
15
18
8
17
5
12
2 kampit scekar
tanpa racun
dengan racun
11
24
15
25
8
19
13
15
11
12
3 kainpit acekar
tanpa racun
dengan racun
17
17
20
16
10
18
14
10
9
15
(a)
(b)
(c)
12.17 Danipada masalah d~dalam soalan 12.16, jika kita tenlebih dahulu
mengandaikan bahawa tidak tendapat unsur salmng tindak di antana
kuantmti penggunaan baja dengan penggunaan nacun, apakah
model yang hanus digunakan. Jalankan analisis vanians tenhadap
model mi.
12.18 Dan satu ujilcaji yang melibatkan 3 fakton A dan 2 fakton B, 2
sampel dmambml bagi setiap kombinasi tingkat fakton. Jumlah
pengamatan bagi setiap sampel dibenikan sebagai jadual di sebelah.
402
ANALISIS VARIANS
A2
A3
B1
12
24
20
82
35
16
56
322
4Jk
1381 di mana Xijk ialah
Jika diperolehi juga bahawa E L L
pengamatan ke-k bagi kombinasi fakton i dan j, dapatkan jadual
analisis vanians dan jalankan analisis Vanians tenhadap keputusan
tensebut.
=
12.19 (a)
(b)
Jumlab
kuasa dna
16
Faktor B
27~25
Daijab
kebcba.an
Miii
kuasa dun
Faktor AR
(a)
(b)
(c)
(d)
Ralat
12~00
Jumlah
65~75
REGRE5!
X.
~ + fix.
Regresi Linear
Anggapkan (Y1, X1), (Y2. X2)
(}~.X,j adalah n pasang
pembolehubah nawak tak bensandan. Andaikan ~1, Y2,..., adalah
masing-masing
nonmal
mm sebagai
~ + fix, dan
vanians
2. bentabunan
Keadaan mi
bolehdengan
dianggap
mengambil
yang sama
c bensaiz n danipada Yyang bentabunan normal di mana
sampel
nawak
...
E(Y/x,)
~ + $x,
dan
V(Y/x,)
405
yl
I
E(lY/x1~)
x1
+ /1~
~x2
Gambarajah 2.1:
13.3
REGRESI
L(~,/3,
\nj2
2)
exp
(~+
uixJ]2}
atau
In L(~,/3, ~2)
-i
in 2ita2
[_vi
~ in
[y~ (~ + fixJ]
~,
/3
(~ + fixJ]2
5 in L
in
op
~?
lnL
0
2
[y~
(~+ fixJ]
y
1
(ii)
dan
cm
E x1
/3
Ex~y1cxEx1fiEx~
=0
~
2 +
(iii)
L [y~ (cm +
fi;)]2
()
tic
anggaran
fl=; ~
(x~~)(y~~)
E(x~
t=i
dan
=
407
yjn
dan
L x,/n
(& +
[y,
$x32
L
1=1
& + fix,
a + fix.
+ fi~!~
+
e,
a + fix, + E,
408
REGRESI
di mana
E(Y/x,) = a + fix,
2)
danE,
bertabunan
n(0, adan sampel (y,, x-) memenuhi syanat
Setiap
pengamatan
=
a +
fix, + e,
dan kaedah kuasa dua terkedil adalah menentukan supaya pemilihan a dan $ supaya jarak di antara pengamatan sebenan daripada
ganis regresi adalah tidak jauh penbezaannya. Keadaan mi digambarkan dengan gambarajah 3.1
y
E( Y/x,)
a+~
( x~,y4 )
( x~,y6 )
(x7, y1)
(x3, y3)
~5
X~7
5 )
( ~
)2
Gamb.s.jah 3.1
i~1
[y, (a + fix,)]2
409
REORE5I
(s
di
mana
s2=
~\2
~ 1x
dans~2= S
ni
i=1
1=1
ni
10 21
27
25
17
13
20
27
15
32
19
29
Bcrat(dalamlb)
14
38
34
21
18
26
36
25
42
27
41
27
a + fix
1
14
27
38
34
21
18
26
36
10
21
27
25
17
13
20
27
140
567
1026
850
357
100
441
234
729
625
289
169
520
972
400
729
411
196
729
1444
1156
441
324
676
1296
REGRESI
=
46750
8281 1
P304 (46750)
3648
Teorern: 4.1
Sebarang penyetesaman bagi
persamaan
,=,
[y,
kuasa
dua terkecil
(a + fixj]2.
Teorem: 4.2
Penyelesaian & dan $ di dalam kaedah kuasa dua terkecil
adalah penganggar-penganggar tak pincang bagi parameterparameter a dan /3.
Bukti:
Penyelesaian untuk /3 ialah
413
E(x,
x)
t c~IC, di manac,
f=
maka
4)
V[Ec, IC]
E[V(c, YJ]
5[c,2
i#1 c,2
V(Y,)J
~
iaitu
v~
1=1
2
______
LE(x,
________
~(x,
416
x)
1i
x x~
V(a)=
a251 I
12
ialah
1366
2228(1873) c
.c 1366 + 2228(1873)
atau
2806 c ~
5539.
<
2228(O0842) .c
fi ialah
fi
<
1304 + 2228(O0842)
fi
<
1492.
atau
1116
<
&
1366
1873
0729
it
ff0842
1548.
OIeh kerana it.025 = 2228 maka it = 1548 > it.025. Jadi kita harus
menolak H0 pada tingkat 5% aras keertian.
Sebagai peningatan, ujian bagi hipotesis yang diberikan botch
juga menggunakan selang keyakinan yang telah diperolehi. Jikalau
selang tersebut mengandungi nilai sifat maka hipotesis nut adalah
diterima, dan jika tidak H0 terpaksa ditolak. Bagi set hipotesis
berbentuk lain kaedah mi tidak botch digunakan.
422
REGRESI
atau
1592
c 18-09
<
2.228(1-9O9)~jl +
2-228(1-909)
12
21-25
51425
.f+1~
+
atau
atau
12
17-01
<
<
Y2
<
y2
122125
17~0l+ 439
4~39 < y
12-62 .c
c 21-40
Jadi dapat dikatakan bahawa 95% setang keyakinan bagi mm benat
badan bita umun I tahun ialah di antara 1592 dan 18-09 paun.
Sementana 957~setang keyakinan berat badan seorang kanak-kanak
bib umur kanak-kanak 1 tahun iatah di antana 12-62 hingga 21-40
paun.
13.8 Analisis Varians dalam Regresi
Kita telah pun membentuk satu model regresi linear mudah
dan membincangkan inferens benkenaan dengan parameterparameter benkenaan. Sekanang kita perhatikan pula pendekatan
yang berlainan iaitu cuba memecahkan variasi di sekitan mm y
kepada komponen-komponen sebagaimana yang dibenikan dalam
kes analisis varians.
Variasi di antara pengamatan y, di sekitan mm yadalah diukun
dengan jumlah kuasa dua total iaitu
JKT
di mana
=
427
& + fix,
Jika JKR mi adalah sifar maka kesemua nilai y, adalah jatuh di atas
kelok negnesi.
Satu lagi vaniasi yang timbul adalah di antana mm sebenan bagi
y, iaitu 3Tdengan titik-titik di atas ketok negresi. Ulkunan bagi vaniasi
Y~
9~2 =
(9,
)2
+ E
9,)
atau
JKT= JKRe + JKR
Pemecahan bagi danjah kebebasan bagi tiap-tiap komponen
yang berkaitan boleh dilakukan dengan eana yang sama. Darjah
kebebasan bagi JKTadalah ii
1 oteh kerana satu daripadanya
hilang di dalam membeni kekangan bahawa L(y, j)2 = 0. Danjah
kebebasan bagi JKR tetah pun ditunjukkan dalam seksyen lepas
sebagai n
2. Dua danjah kebebasan hilang di datam
menganggarkan parameter a dan fi. Sementara danjah kebebasan
bagi JKR~ialah perbezaan di antana darjah kebebasan JKTdan
JKR iaitu 1.
428
REGRESI
JKR,.
MKR
n2
Keputusan-keputusan mi adatah lebih sesuai jika diningkaskan
dengan menggunakan jadual anatisis vanians
Jumlah
San dua
daijab
kebebasan
RcgrS
JKRC
MKRC
Ralat
JKR
n2
MKR
Total
JKT
ni
Punca variasi
Mi.
kin,. dat
.Janglcaan
bagi
Mi. kuasa dua
2+fl(x~x}
Jadual 8.1:
a2
LY,
JKRe =
Ey,2
fl2E(x
JKR=
(& + fixa]
[~
(n
2)~
0 fi
H~ fi
Ujian terhadap hipotesis
0
0
429
MKRe
MKR
F >f
2(l,n2)
di
manafjl,
Contoh:8.1
Berdasarkan pengiraan datam contoh 3.1, gunakan anatisis
vanians untuk menguji hipotesis
fi
fi
H,
H1
0
0
Penyetesaian:
Penginaan danipada sampet memberikan:
2
JKT=
EU
~2
(~)2
EYE
1106!
91092
3492
JKRe
$2
1E(x
~)2
430
13042
[Ex2
1.3042
(51425)
(Ex~2
]
RaGRE5I
.JKR
(12
2) d2
874-44
36-48
Punca
JUInIaII
Darjali
Ml.
Pcngiraan
variasi
kuan dii.
kebeba.an
kuan dua
Regresi
87444
87444
2397
Ralat
36-48
10
Total
910-92
ii
Jadual 8.2:
3.648
431
3Qk
E(Y/~. x,
$~..,
fi~
fib +
fl~x,1 +
/~2X,2
C1
nfl,
$1
Ex,
fl~
0
2tx,2 $2= Ex,~
x,,
fi~tx,1
2
fi~Lx,, x,2 $2 tx,2
EY,
LY, x,,
x,
2
fi~Lx,,
(3,Ex,2
432
= 0
= 0
REGRESI
349x255\/
255><69
12
)~1494
/
255 x
12
6558
69\2
0-0043
L3041
0~0043(?-;)
13465
0-0043 X2
x,2
dX21=
/3,, /3,
dan $2
(Ed~y,dX,3(EdX2?)
(Edy, dX21) (LdX,,
2 dX21)
(ZdX~)(LdX~) (EdX~,dX21)
(Edy, dX
21) (EdX,~) (Ldy, dx,,) (EdX,, dX21)
2) (EdX~) (LdX
2
(tdX,
1, dX2J
2
$0
Contoh: 9.2
Berdasarkan data dalam contoh 9.1 langkah-Iangkah pengiraan
kelok regresi
=
130 +
13~ x,1 +
$2 x12
dx,
x1-~1
yj
15-08
2-08
8-92
4-92
8-08
11-08
3-08
6-92
4-08
12~92
2~08
11-92
dX2
x2-t2
11-25
0-25
5-75
3.75
4-25
8-25
1-25
5-75
6-25
10-75
2-25
7-75
dydX2
dydXj
0-75 169-65
1-75
0-52
51-29
1.25
1-25
18-45
0-25
84-34
0-25
?1.41
0-75
3-85
39~79
1-25
1-75
25-50
0-75 138-89
1-25
4-68
0~25 92-38
670-75
Jadual 9.2:
dX1dX2
dx!
dx!
11-31
8-44
364
0-06
7-19
4-69
1-06
2-06
0-94
719
10-94
8-06
2-81
1-94
12656
0.06
33-06
14-06
18-06
68-06
1-56
33-06
39-06
115-56
5-06
60-06
0-56
8-06
156
1-56
0-06
0-06
0-56
1-56
3-06
0-56
1-56
0-06
36-25
27-76
514-22
14-22
11~15
6-15
2-02
2-77
2-31
8-65
7-14
9~69
2-60
2-98
/3,, /3,
dan $2 ialah
(67075) (14-22)
(36-25) (27-76)
(514-22) (1422)
(27.76)2
$1 =
1-3042
$2
JKR
Ly,2
&ty,
fl,Ex,,y,
$
2tx,2y,
Contoh:9.2
ingin menguji
dengan
Katalah
= -05
makaf05(2, 9)
4-26
JKT=
11061
JKR= 11061
910-92
1-3465 (349)
3&03
JKE= 910-92
=
36-03
874-89
F-
Punca
Juntli
nSgl
kuasa dun
Darjah
kebebasan
Mm
Sass dun
Pengkaan
Regresi
Ralat
874-89
36-03
2
9
437-45
4-00
109-36
Total
910-92
11
Jadual 9.3:
438
REGRESI
Keputusan:
Oieh kenanaj = 109-36 > J~(2, 9) = 4-26 maka kita harus
menolak H, pada tingkat 5% aras keertian. Dan kesimpulannya
ialah terdapat hubungan regresi linear yang bermakna di antara
berat badan dengan umur dan berat masa lahir.
13.10
E(Y)
~ + x, in/I
f3~x,
di mana
=
In E(Y3, f
439
In ~ dan /3*
In $
E(Y,)
2$Xj
x1
13*
xi
di mana
*
yl
in y~
&$Xi
di mana
~=e
dan
Contolr 10.1
Katalah kita mempunyai data
z~
y1
12
10
20
3
6
10
15
atau
2*
ln2
=
=
=
3-5909.
Latihan Bab 13
13.1
x
y
7-3
12-8
17
8-7
10-8
13-15
6-9
14-8
132
(a)
(b)
442
py
~+
fix,
fl)~
REGRESI
(c)
(d)
13.2
ft
Umurdalambulan
15
10
13
11
20
16
11
15
18
Beratdalamlb.
43
40
41
20
50
45
25
46
50
(a)
(b)
(c)
13.3
Lx,
50
Ey,
150
Lxf
60
Ex,y,
120
Ey~ =
400
13.4
JI,:fl=0
H1:fl , 0
(c)
Vu set hipotesis
H, a = 0
H1:a >0
(d)
443
13.5
13.6
Bagi data dalam soalan 13.1 bina jadual analisis varians dan uji
hipotesis sama ada tendapat hubungan negnesi linear di antara Y
dan X. Bandingkan keputusan ujian mi dengan keputusan 13.4b.
13.7
Bagi data dalam soalan 13.2 bina jadual analisis varians dan uji
sama ada terdapat hubungan linear di antara berat badan dan
umur bayi.
13.8
13.9
444
fi~
Tabungan aebulan
300
350
400
450
500
550
600
(a)
(b)
(c)
(d)
100
60
20
100
150
110
80
50
50
100
150
100
150
100
0
50
30
80
80
120
200
(c)
p~, = fi0x,
(d)
(e)
p~-=
fi0fi~
/3.,
p2
x2
x3
x, +x2 +x3
REGRESI
Talrnn
Jumlah
tangkapan
(000 tan)
(a)
(b)
(c)
120
142
201
190
100
90
10
105
180
100
140
mi.
menggunakan model
64710
Ex
1= 360
Ex2= 440
Ex2y = 709660 Ex,x2 = 1141910
13906340
py =
13.20 Bagi data di dalam soalan 13.1 dapatkan kelok regresi bagi
hubungan
a e
~
SENARA!
ISTLLAH
aksium
anggar
anggaran
anggaran selang
anggaran titik
pekali korelasi
axiom
estimate, to
estimate
interval estimate
point estimate
correlation ceofficient
significant level/level of
significance
aras keertian
batas bawah
lower bound
probability lower
bound
Rao-Cramer lower bound
batas bawah
kebarangkalian
batas bawah Rao-Crammer
batas atas
batas atas
kebarangkalian
tak bersandar
tak bersandar
upper bound
probability upper bound
independent
pairwise independent
mutual independent
stochastic independent
dependent variable
Bernoulli distribution
berpasangan
tak bersandar
bersalingan
tak bersandar
stokastik
bergantung, pembolehubah
Bernoulli, taburan
449
bersyarat
conditional
bertumpu
converge
converge stochastically
Beta, taburan
Beta distribution
difference
Binomial distribution
negative Binomial
bezaan
Binomial, taburan
Binomial negatif
Cekap
Chi-kuasa dua
Chi-square
domain
degree of freedom
descriptive
disjoint
discrete
exponential
domain
darjah kebebasan
deskriptif
tak bercantum
disknit
eksponen
fun gsi
fungsi Gamma
fungsi kebolehjadian
fungsi ketumpatan
fungsi ketumpatan bersama
fungsi ketumpatan bersyarat
fungsi ketumpatan marginal
fungsi ketumpatan
kebarangkalian
fungsi kuasa
fungsi nilai sahih
fungsi penjana momen
efficent
assymptotically efficient
function
Gamma function
likelihood function
density function
joint density function
conditional density function
marginal density function
probability density function
power function
real-valued function
moment generating function
450
SENARAI ISTILAH
fungsi kebarangkalian
fungsi
fungsi
fungsi
fungsi
fungsi
set kebarangkalian
taburan
taburan bersama
taburan bensyarat
taburan longgokan
probability function
distribution function
kesatuan
gambarajah ranting
gambarajah Venn
Gamma, taburan
ganis regresi
Geometni, taburan
had
had kanan
had kin
hasildarab
Hipergeometri, taburan
hipotesis
union
tree diagram
Venn diagram
Gamma distribution
regression line
Geometric distribution
limit
right-hand limit
left-hand limit
product
hypengeometric distribution
hypothesis
alternative hypothesis
composite hypothesis
simple hypothesis
null hypothesis
statistical hypothesis
relation
Bayess rule
low of large number
hukum Bayes
induktif
inferens
inductive
inference
infinite
451
infinit terbilang
jangkaan
jangkaan matematik
julat
jumlah kuasa dua
jumlah kuasa dua olahan
jumlah kuasa dua ralat
jumlah kuasa dua regresi
jumlah kuasa dua total
kaedah
kaedah kebolehjadian
maksimum
kaedah kuasa dua terkecil
kaedah momen
kamilan
kawasan genting
kawasan genting paling
berkuasa seragam
kawasan genting terbaik
kawasan penenimaan
kawasan penolakan
tak bersandaran
kebarangkalian
countably infinite
expectation
mathematical expectation
range
sum square
treatment sum square
error sum square
regression sum square
total sum square
method/technique
maximum likelihood technique
least square technique
method of moment
integration
critical region
uniformly most powerful
critical region
best critical region
acceptance region
rejection region
independence probability
(probabititi)
kecekapan relatif
kehomogenan
kelok negresm
kendalian set (operasi)
bezakan (kerbeda)
kesudahan
relative efficiency
hemogenemty
regression curve
set operation
differentiate
outcome
452
5ENARAI ISTILAH
kombinasi
konsisten
korelasi
kovarians
kuasa
kuasa bagi ujian
maksimum
mm
mm kuasa dua
mm kuasa dua
mm kuasa dua
mm kuasa dua
mm kuasa dua
mm sampel
minimum
combination
consistent
correlation
olahan
ralat
regresi
total
momen
momen pertama
momen ke-k
multinomiat
nisbah
n-kali
nul
nombor sahih
normal, taburan
normal piawai
olahan
parameter
parameter lokasi
covaniance
power
power of the test
maximum/maxima
mean
mean square
mean square treatment
mean square error
mean square regression
moment
first moment
kth moment
multinomial
propotion
n-tuple
null
real number
normal distribution
standard normal
treatment
parameter
location parameter
453
pelengkap
pemberat (wajaran)
pembolehubah
pembolehubah rawak
pembolehubah rawak
talc bersandar
pembolehubah rawak
bergantung
pembolehubah rawak
diskrit
pembolehubah rawak
selanjur
penganggar
penganggar cekap
penganggar cekap
secara asimptotik
penganggar kebolehjadian
maksimum
penganggar konsisten
penganggar kuasa dua
terkecil
penganggar pincang
penganggar talc pincang
penganggar tak pincang
terbaik
penganggar terbaik
penganggar titik
pengan ggaran
pengangganan selang
pengangganan titik
pengelasan dua cara
pengelasan dua cara
dengan sating tindak
complement
weightage
variable
random variable
independent random
variable
dependent random
variable
discrete random
variable
continuous random
variable
estimator
efficient estimator
assimptotically
efficient estimator
maximum likelihood
estimator
consistent estimator
least square estimator
biased estimator
unbiased estimator
best unbiased estimator
best estimator
point estimator
estimation
interval estimation
point estimation
two way classification
two way classification
with interaction
454
5ENARAI ISTILAH
ramaI a n
regresi
regresi berbitang
pembolehubah
regresi linear
ruang parameter
ruang sampel
ruang sampet disk nt
ruang sample finit
ruang sample infinit
ruang sample selanjar
sahih, nombor
saling bereksklusif
sating bereksktusif
selang
selang keyakinan
setanjar
selanjar secebisan
set
subset
set finit
set infinit
set kosong
set nut
set universal
sifat pelupa
sating tindak
sisihan
sisihan piawai
statistik
prediction
regression
multiple regression
linear regression
parameter space
sample space
discrete sample space
finite sample space
infinite sample space
continuous sample space
real number
real number
mutual exclusive
interval
confident interval
continuous
piecewise continuous
set
subset
finite set
infinite set
empty set
null set
universal set
forgetfulness/memoriless
property
interaction
deviation
standard devmation
statistik
456
SENARAI ISTILAH
statistik
statistik
statistik
statistik
statistik
statistik
berpenihalan
aruhan
cekap
pincang
tak pincang
terbaik
taburan
taburan Bernoulli
taburan Binomial
taburan Binomial negatif
tabunan Beta
taburan Chi-kuasa dua
taburan eksponen
taburan-F
taburan
taburan
taburan
tabunan
taburan
Gamma
Geometri
had
had normal
Hipergeometni
taburan multinomial
taburan normal
tabunan normal piawai
taburan pensampelan
tab uran pensampelan normal
ta bunan Poisson
tak pincang
teorem had pusat
tenbitan
tingkat faktor
titik geting
titik sampel
Deseniptive stat
inductive stat
efficient statistic
biased statistic
unbiased statistic
best statistic
distribution
Bernoulli distribution
Binomial distribution
negative Binomial distribution
Beta distribution
Chi-square distribution
exponential distribution
F-distribution
Gamma distribution
Geometric distribution
limiting distribution
normal limiting distribution
Hypergeometnic distribution
multinomial distribution
normal distribution
standard normal distribution
sampling distribution
normal sampling distribution
Poisson distribution
unbiased
central limit theorem
derivative
factor level
critical point
sample point
457
ujian dua-hujung
ujian Chi-kuasa dua
ujian Chi-kuasa dua
untuk ketakbersandaran
ujian Chi-kuasa dua
untuk kehomogenan
ujian-F
ujian hipotesis
ujian kebagusan cocokan
ujian nisbah kebarangkalian
ujian paling
berkuasa seragam
ujian satu-hujung
ujian-t
ujian tenbaik
ujikaji
kekerapan
kekerapan relatif
unsur
variasi
varians
vanians sampel
two-tailed test
chi-square test
chi-square test for
independence
chi-square test for
homogeneity
F-test
hypothesis testing
goodness of fit test
likelihood ration test
uniformly most
powerful test
one-tailed test
t-test
best test
experiment
frequency
relative frequency
element
variation
variance
sample variance
458