Kebarangkalian & Statistik

KEBARANGKALIAN
DAN
STATISTIK
KEBARANGKALIAN
DAN
STATISTIK
Mansor Jusoh
MA. Statistic Ph.D. (Economics)
Jabatan Statistik Ekonomi
Fakuiti Ekonomi Univarsiti Kebang,aan Malaysia
Dewan Bahasa dan Pustaka

Kementerian Pelajaran Malaysia
Kuala Lumpur
1986
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.
Hakcipta MansorJusoh 1986

Cetakan Pertama 1986
Oiaturhuruf oleh Dewan Bahasa dan Pustaka

Rupataip Teks: T/Roman Mono (Kod 327-6801)
Saiz Taip Teks: 10/12 pain.
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
sebut apabila berhadapan dengan masalah yang lebih rumit di dalam

praktik.
Terangkum dalam buku mi, kita perhatikan, percubaan untuk menggunakan penjelasan yang lebih mudah untuk tujuan para pelajar dan penyelidik yang menggunakan buku mi sebagai asas teori terhadap penggunaan statistik yang digunakan dengan tidak meluputkan keupayaan
untuk menyediakan keperluan asas pelajar-pelajar bidang statistik yang
ingin melanjutkan pemahaman konsep dan teori-teori statistik yang Iebih
tinggi.
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
Persoalan Umum dalam Statistik

Masalah utama yang dibincang dalam statistik adalahberkait
dengan cara mempersembah dan meramalkan ukuran-ukuran
tertentu. Ia merupakan satu bidang ilmu yang bukan sahaja
melibatkan dengan memungut data dan mernpersethbahkannya
dalam bentuk carta atau jadual atau ukuran-ukuran tertentu
berkenaan data tersebut, tetapi juga merupakan ramalan terhadap
sesuatu yang dikaji (populasi) berdasarkan sebahagian atau kesemua data yang diamati. Malah secara lebih umum, ia melibatkan
KEBARANGKALIAN DAN STATISTIK
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
putuskan kesudahan manakab yang sening muncul. Maka dan

sinilah dapat diramalkan dengan lebih pasti kelakuan kesudahan
danipada percubaan tersebut. Begitu juga dengan masalah melihat
pesakit kencing manis. Jika hanya seonang yang dilihat, kita hanya
dapat tentukan sama ada dia sakit ataupun tidak tanpa dapat
menggambarkan suasana sebenar penduduk Malaysia. Sekiranya
1000 orang yang ditihat dan diketahul bitangan onang yang sakit,
maka dapat kita ramalkan suasana sebenan penduduk Malaysia.
Daripada penhatian yang dmbuat tenhadap ulangan pencubaan
mi akan dapat dikumpulkan pengamatan yang merupakan data bagi
percubaan tensebut. Inilah yang akan menupakan gambanan ukunan
kepada masalah atau populasi yang dikaji. Dan kajian statistik
adalah benusaha, dengan menggunakan kaedah-kaedahnya yang
berbagai, untuk mempersembah, menganalisis data mi untuk
memperolehi ketenangan benkenaan data itu sendini dan juga
populasi atau masatah yang dikaji.
-
1.2
Statistik Berperihalan dan Statistik Aruhan

Dalam kebanyakan masatah mengguna kaedah-kaedah
statistik kita umumnya boleh membahagikan kepada dua bidang
yang sating berkaitan, iaitu statistik benperihalan dan statistik
anuhan. Jika kita hanya berminat kepada pensembahan data yang
dipenolehi setakat menjelaskan kedudukan himpunan data tadi,
tanpa melihatkan penjelasan umum tenhadap himpunan yang leblK
besar di mana data tadi menjadi sebahagian danipadanya maka kita
benada dalam bidang statistik benperihalan. Jika olahan data
melibatkan juga usaha membeni ketenangan umum tenhadap
himpunan yang lebih besan atau ramalan-namatan terhadap
keadaan akan datang, maka kita tenmasuk dalam bidang statistik
anuhan. Sebagai misalannya, katalah kita mempunyai himpunan
nilai yang menunjukkan bilangan pelajan Univensiti Kebangsaan
Malaysia (U.K.M) yang ponteng kuliah dalam satu minggu.
Sebanang nilai yang menenangkan data tersebut sepenti peratus
pelajan yang ponteng, bilangan pelajan penempuan yang ponteng
atau nisbah pelajar perempuan dan lelaki yang ponteng bagi pelajanpelajan U.K.M dan dalam minggu tersebut adalah berkait dengan
statistik benpenihatan. Manakala, jika membuat kesimpulan
terhadap seluruh pelajan univensiti di Malaysia atau terhadap
pelajan-pelajar U.K.M sendmni untuk satu semester adalah
menupakan bidang kajian statistik anuhan.
3
KEBARANGKALIAN DAN 5TATi5TIK
Dalam bidang statistik anuhan secara umumnya penggunaan

kebanangkalian tidak dapat dielakkan. mi memandangkan
kebanyakan kajian statistik aruhan tenlibat dengan usur-unsun
tidak pasti. Oleh itu, untuk mencapai tingkat pemahaman yang lebih
jelas mengenai niasalah dalam statistik aruhan mi wajanlah
diketahui terlebih dahulu bidang kebarangkalian itu sendini. Oleh
kenana hubungan di antana kedua-dua bidang ml amat napat dan
sukar untuk diasingkan, maka kebanyakan konsep dan penjelasan
kadang-kadang tenpaksa dihuraikan secana senentak.
1.3
Statistik dan Keharangkalian

Walaupun kedua-dua bidang mi dihubungkan dengan konsep
pencubaan tetapi penekanan terhadap masatah yang dibincangkan
membezakan kedua-duanya. Jika, sebagal contoh, kita ambil
percubaan melambung duit syiling sepuluh kali dan ingin memenhatikan apakah peluang atau kebanangkalian tidak ada
satu pun kepala yang keluar, maka masalah yang dibincangkan
adalah masalah kebanangkalian. Tetapi jika kita ingin menentukan danipada 10 lambungan tadi adakah kebanangkalian tidak mendapat satu pun kepala adalah 010, maka kita benhadapan dengan
masalah statistik. Begitu rumitnya penbezaan kedua-duanya
menyebabkan sukar untuk kedua-duanya dikaji secana berasingan.
Bagaimanapun secana ningkas, penkana utama yanig
membezakan bidang-bidang mi adalah masalah yang cuba
diselesaikan. Dalam bidang kebanangkalian bmdang masalah yang
dihadapi ialah apabila dibeni kebarangkalian kesemua penistiwa
tertentu dan cuba menyelesaikan masalah meneani kebanangkalian
terhadap penistiwa-penistiwa yang benkaitan dengan penistiwa yang
telah pun dibeni. Dalam mencari kebarangkalian tadi mungkin
dalam bentuk nilal tepat, penghampiran ataupun batas-batasnya
sahaja. Manakala dalam statistik pula kita diberi satu keluarga
kebanangkalian yang salah satu atau sebahagiannya boleh mewakili
perkana yang dikaji. Dan tugas utama adalah memilih danipada
kesemua kemungkinan mi ahli keluanga yang benan-benan boleh
mewakili penkara tensebut, bendasanka keputusan percubaan yang
telah dijalankan. Jadi masalah yang benkaitan mungkin
thenggunakan keputusan mi, untuk membeni keterangan tentang
perkara yang dikaji atau mungkin untuk membuat namalan.
Oleh kenana pemahaman tenhadap teoni-teoni kaedah statistik
memenlukan pemahainan konsep dan teonm kebarangkalian terlebih
4
PENGEN ALAN
dahulu, maka di sini kita akan terlebih dahulu kemukakan bab-bab

yang berkaitan dengannya. Selepas itu baharulah konsep dan teoni
mi dihubungkan dengan masalah statistik dalam bab-bab
berikutnya.
Untuk mcmudahkan pemahaman yang benkaitan dengan
kebarangkalian, kita mulakan perbincangan dengan mempelajani
konsep dan fahaman tenhadap teori set tenlebih dahulu. Bab 2 dan
bab-bab seterusnya hingga 7 akan dibincangkan hal-hal yang
berkait dengan kebarangkalian, manakala Bab 8 dan setenusnya
mengenai perbincangan bidang statistik. Di samping itu aspek
gunaan terhadap teonl dan kaedah statistik tadi juga disentakan
secana ningkas.
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
Set dan Snbset

Satu set adalah boleh difikinkan sebagai satu himpunan objek
atau entiti. Himpunan tensebut hanuslah ditaknifdenganjelas supaya
boleh ditentukan apa yang tenkandung dan apa yang terkeluan dani
himpunan tensebut.
Definish 2.1
Set adalah himpunan yang bentaknif dengan jelas bagi objekobjek.
Sebagai misalan, himpunan ibu negeri di Malaysia, sungai-sungai di
negeni Selangon, nombon bulat positif atau himpunan nombor nyata
di antara sifan dan sepuluh adalah menupakan contoh-contoh set.
Untuk mencatat set selalunya hunuf besar sepenti A, B, CX dan
sebagainya digunakan. Sementara objek yang menganggotai set
dicatat dengan huruf kecil sepenti a, be dan sebagainya. Objek yang
menganggotai set mi dipanggil unsun atau ahli kepada set tensebut.
Jika s adalah unsun kepada set S. maka kita tutis
5
ES
Sebaliknya jika a adalah bukan unsur kepada S kita tulis

a4 S
Untuk menunjukkan hubungan di antara unsun-unsun di dalam
set beberapa cara boleh digunakan untuk menggambankannya.
Misalnya,jika A adalah merupakan set yang mengandungi unsun 3,
4, 5, 6 dan 7 maka A boleh ditulis sebagai
A
{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}
Sekiranya set C pula adalah set yang mengandungi semua nombon

nyata positif, maka C ditulis sebagai
C
{x; 0
<
Set juga boleh ditulis dalam bentuk kenyataan sepenti

D = {(x, y); x + y = 4}
yang benenti set D adalah set yang mengandungi pasangan titik (x, y)
supaya titik tersebut memenuhi syanat bahawa jumlahnya adalah
sama dengan 4.
Dani bebenapa contoh di atas kita penhatikan bahawa set boleh
tendini danipada unsur-unsur yang boleh dibilang dan yang tldak
dibilang. Set-set mi masing-masing dipanggil set finit dan set infinit.
Set-set finit adalah sepenti A. B dan C sementana set-set infinit adalah
C dan D.
Definisi: 2.2
Dua set A dan B dikatakan sama, dan ditulis A = B, jika setiap
unsun di dalam A terdapat di dalam B, dan setiap unsun di dalam B
7
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
Kadangkala semasa memerhati set, kita hanya tertanik kepada

sebahagian danipada u~sur-unsurset tensebut. Sebahagian danipada
unsun-unsun mi juga adalah merupakan set. Set mi dinamakan subset
kepada set tersebut.
Definisi: 2.3
Satu set A adalah subsetkepada set Bjika setiap unsun di dalam
A adalah juga unsun kepada set B. Subset dicatat sebagai A c B.
Contoh: 2,2
JikasetA = {2,3,4,5,6}dansetB
{3,5}makaB c AdanA
A, begitu juga B = B.
Bendasankan definisi dan cqntoh di atas, tennyata setiap set juga
merupakan subset kepada set itu sendini. Sebarang subset yang
bukan set itu sendiri dinamakan subset sempunna, iaitu dalam
contoh 2.2, B adalah subset sempurna bagi A oleh kenana B = A
tetapi B
A.
Jikalau satu set mengandungi kesemua kemungkinan unsun
atau subset yang ingin dibmncangkan ia dinamakan set universal dan
selalunya dicatat sebagai S atau U. Untuk kemudahan kita set
universal mi juga dipan~gilsebagai set bagi nuang sampel, iaitu set
yang mengandungi kesemua kemungkinan kesudahan (unsur) hasil
danipada satu-satu percubaan rawak.
Satu set yang tidak mengandungi sebarang unsur dinamakan
set nul atau set kosong dan dicatat 4. Ternyata set 4 = { } adalah
subset kepada sebarang set.
=
Contoh: 2.3
Jika S
{s1,
~2
s3} adalah set universal maka subset yang

8
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
Gambarajah 2.1: Gambarajah Venn bagi set U dan

subset A, B, C, dan D.
Definki 2.1: PeIei~kap

Jika A adalah subset kepada set universal 5, maka pelengkap
bagi A, ditulis A atau N, adalah set yang mengandungi semua unsur
di dalam S tetapi bukan kepada A.
Secara simbol, definisi 2.1 boleh ditulis sebagai
A= {s:sesdans*~4}
atau dengan menggunakan gambarajah Venn, A ditunjukkan oleh
kawasan benlonek.
9
Gambarajah 2.2: Pelengkap A
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}
Definisi 2.2: Kesatuan

Katalah A dan B ialah dua set. Kesatuan A dan B, dicatat Au B,
adalah set yang mengandungi unsur-unsur yang terkaridung di
dalam A atau B atau kedua-duanya sekali.
Secara simbol kesatuan A dan B ialh
AuB={x:xeAatauxEB}.
A u B ditunjukkan sebagai kawasan benlorek di dalam
gambarajah Venn di bawah.
S
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
A, maka kesatuan set tersebut ditakrif sebagai

UA~= A, u A2
=
u..
{x;x E A1 atau xe A~atau
...
atau xeA~
Kesatuan bagi tiga Set A1. A2 dan A3 ditunjukkan sebagai kawasan

berlorek dalam gambarajah Venn 2.4.
Gambarajah 2.4:
A, ~ A, ~ A,
Definisi: 2.3 Persilangan

Katalah A dan B adalah dua set. Persilangan bagi set A dan B
ditulis A r~B, adalah set yang mengandungi unsur-unsun yang
terkandung di dalam A dan juga di dalam B.
Secara simbol ia boleh ditunjukkan sebagal
A ~ B = {x: xeAdanxEB}.
11
Manakala dengan gambanajah Venn A r~B ditunjukkan sebagai

kawasan berlonek dalam gambarajah 2.5.
S
GambaraJah 2.5:
Kawasan berlorek menunjukkan
BetA nB
Contoh: 2.3
Katalah A = {1, 2, 3, 4, 5} dan B
persilangan A dan B ialah set
A ~ B = {2, 4}
{2, 4, 6, 8, 10} maka
Definisi 2.3 boleh dikembangkan untuk mengambilkira

pensilangan bagi beberapa set. Jika A1, A2
A~ialah set-set maka
persilangan Set-set tensebut ialah set yang mengandungi unsur yang
menjadi ahli kepada kesemua set tersebut.
n
A~= A1 n A2 n
nA~
xe A~dan x C A2 dan
...
...
dan x
Berdasarkan definisi persilangan adalah tidak sukar untuk

menunjukkan bahawa
AnS= A
A n A = 4
Definisi 2.4: Tak Bercantum
Jika persilangan dua set A dan B tidak mengandungi sebarang

unsur, A n B = 4. maka set A dan B dikatakan tak bercantum.
Berdasarkan definisi di atas, ternyata set A dan pelengkap bagi
A adalah dua set yang tak bercantum oleh kerana A n A = 4
12
00
Gambarajah 2.6:
Set Adan Badalah tak
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:
Kawasan berlorek lalal,

set A B.
Bezaan A dan B sebenannya dapat digambarkan juga oleh

konsep operasi yang telah dibenikan sebelum mi iaitu
AB=AnB
Konsep operasi set sebenarnya boleh dikembangkan untuk
melibat gabungan operasi set. Set-set bahanu yang terjadi hasil
13
campuran pelengkap, kesatuan dan persilangan dapat dijelaskan

dengan menggunakan gambarajah Venn. Di sini diberikan beberapa
bentuk operasi yang selalu ditemui untuk latihan. Diharapkan
pelajar-pelajar mencuba dan tunjukkan dengan melukis gambarajah
Venn serta melorekkan kawasan-kawasan berkenaan.
A u B
B u A dan A n B = B n A
(A u B) u C = A u (B u C)
(A n B) n C
A n (B n C)
A n (B u C)
(A n B) u (A n C)
A u (B n C) = (A u B) n (A u C)
(A) = A
(A u B) = A n B
(A n B) = A u B
A n (A u A) = A
(A n A) u (A n A)
A
=
2.3
Percuhaan Rawak dan Ruang Sampel

Dalam kajian teori kebarangkalian kita tidak boleh Ian dan
menganggap keadaan han-han yang berlaku sebagai hasil dan satu
pencubaan yang belum tentu kesudahannya. Keadaan~seperti
seorang pelajar mengambil pepeniksaan misalnya adaiah tentakiuk
kepada kemungkinan lulus atau tidak lulus. Seorang individu dipilih
dan diperhati berat badannya,juga mempunyai kemungkinan berat
yang masih belum tentu. Keadaan-keadaan sebegini dalam kajian
kebanangkalian adalah dianggap sama pnosesnya sebagai percubaan
melambung duit syiling dan memerhati kesudahannya. Sama ada
ekor atau kepala yang muncul adalah masihbelum pasti selagi
pencubaan itu belum selesai. Jadi di sini kita benhadapan dengan
bentuk percubaan yang benunsur tidak pasti akan kesudahannya.
Percubaan sebegini dinamakan percubaan rawak.
Definisi: 3.1
Percubaan rawak ialah sesuatu yang dilakukan dalam keadaan
tertentu di mana kesudahannya adalah tidak pasti.
Danipada konsep percubaan rawak yang mudah ml kita akan
dapat menghayati keadaan atau percubaan yang benlaku
sebenarnya.
Di dalam memerhati konsep percubaan rawak tadi kita
bertemu dengan beberapa kemungkinan, hash daripada percubaan
14
tersebut. Hasil daripada satu-satu percubaan mi dinamakan

kesudahan bagi satu percubaan rawak. Kesemua kesudahan mi
adalah merupakan satu set yang jika dihubungkan dengan konsep
dan seksyen 2.1 Ia adalab merupakan set universal.
Definisi 3.2: Ruang Sampel
Set yang mengandungi kesemua kemungkinan kesudahan
daripada satu-satu percubaan rawak dinamakan set bagi ruang
sampelatau ringkasnya ruang sampel dan dicatat sebagai S.
Sebagai contoh dalam percubaan~melambung duit syiling
sekali, kepala K dan ekor E adalah merupakan kesemua
kemungkinan kesudahan percubaan tersebut. Set S = {K, E} ml
adalah merupakan nuang sampel.
Sebagai ingatan, harus kita perhatikan juga bahawa ruang
sampel itu sebenarnya bukan sahaja ditentukan oleh percubaan. Ia
juga ditentukan oleh tujuan percubaan itu sendini. Katalah, sebagai
misalan, percubaan melambung dua duit syiling sekali. Kemungkinan kesudahan adatah set
S = {KK, KE, EK, EE}.
Tetapi jika kita hanya berminat kepada bilangan kepala yang
keluar, maka cuma tiga kesudahan sahaja yang menjadikan ruang
sampel iaitu
S = {0, 1, 2}.
2.4 Peristiwa
Kita perhatikan bahawa di dalam nuang sampel terkandung
unsur yang terdiri danipada beberapa kemungkinan kesudahan.
Tiap-tiap kesudahan mi juga dinamakan titik-titik sampel atau
penistiwa mudah. Sebarang kombinasi penistiwa mudah yang
menjadi minat kita adalah merupakan subset kepada ruang sampel.
Subset mi kita namakan peristiwa.
Definisi 4.1: Peristiwa
Penistiwa adalah merupakan subset kepada ruang sampel.
Kemungkinan penistiwa hanya merupakan subset yang
mengandungi satu titik sampel adalah jelas dan definisi di
atas. Penistiwa begini adalah dipanggil peristiwa mudah. Penistiwa
yang mengandungi kombinasj penistiwa mudah dipanggil penistiwa
majmuk. Manakala penistiwa yang mengandungi kesemua penistiwa
15
dm
dalam ruang sampel dipanggil peristiwa benar. Sementara

peristiwa yang tidak mengandungi sebarang unsur dipanggil
peristiwa nul.
Defrnisi 4.2: Peristiwa Saling Bereksklusif
Dua peristiwa A dan B adalah saling bereksklusif jika
pensilangan di antara A dan B adalah penistiwa nul.
Definisi 4.2 memberi gambaran bahawajika A dan B adalah dua
set, silangan set mi ialah set nul; iaitu A n B = 4. Atau dengan kata
lain set A dan B adalah tak bercantum.
Dengan bahasa yang Iebih mudah, penistiwa A dan B adalah
saling bereksklusif jika sekiranya penistiwa tidak boleh benlaku
secara serentak.
Contoh: 4.1
Bincangkan percubaan melambung dua duit syiling sekali.
Kemungkinan kesudahan:
S = {KK, KE, EK, EE}
=
{S~,~2 53, 54
= {KK}, ~2 = {KE}, 53 = {EK} dan 54 {EE} adalah titik-titik
sampel atau penistiwa mudah.
Jika kita taknifkan A sebagai peristiwa untuk mendapatkan satu K
maka A adalah penistiwa yang mengandungi titik-titik sampel, ~2
dan 53 atau
A = {KE, EK}.
Jika B adalah peristiwa untuk mendapatkan dua K, maka
B = {KK}.
adalah penistiwa mudah.
Penistiwa untuk mendapatkan sekurang-kurangnya satu K adalah
merupakan kesatuan penistiwa A atau penistiwa B iaitu
A u B = {KE, EK, KK}.
Contoh: 4.2
Perhatikan pereubaan mencampak dua buah dadu sekali.

Katalah kita berminat kepada jumlah
yang keluar. Kemungkinan
kesudahan ialah
S = {2, 3,4,5,6,7, 8,9, 10, 1!, 12}.
.
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
Begitu juga kalau kita takrillcan satu peristiwa, katalah bilangan

jualan dalam satu harm kita juga akan mendapat set
yang mengandungi nombor infinit terbilang.
Contob: 4.4
Dalam memenhatikan tinggi Seseonang lelaki dewasa, kita akan

memperol ehi kemungkmnan kesudahan:
S
~13, 145, 148, IS, 19,..., 2O}.

17
KEBARANGKALIAN DAN STATI5TIK
Kita perhatikan unsur-unsur dalam set S adalah nilai-nilai dan 13

hingga 2 yang tak holeh dibilang. Titik-titik sampel sebenarnya
tidak tertakrif pada satu-satu titik tetapi pada satu selang tertentu.
Begitu juga dengan ruang sampel S.
S
{x; 3
< x
c 8}.
Dan contoh-contoh yang telah dikemukakan kita dapat

membuat kesimpulan bahawa ruang sampel boleh dibahagikan
kepada tiga kategori. laitu ruang sampel yang mengandungi unsurunsur yang boleh dibilang yang dipanggil ruang sampel finit, ruang
sampel yang infinit terbilang seperti contoh 4.3 dan ruang sampel
yang ditakrif di atas selang iaitu ruang sampel tak terbilang
sebagaimana contoh 4.4.
Dalam kebanyakan kes ruang sampel finit dan infinit terbilang
tidak diasingkan dan dipanggil ruang sampel diskrit. Sementara
ruang sampel tak terbilang dipanggil ruang sampel selanjar.
2.5
Mengira Titik Sampel

Satu masalah dalam memerhatikan kesudahan percubaan
rwak ialah menentukan jumlah unsur di dalam ruang sampel atau
penistiwa. Masalah mi akan menjadi lebih besar bila percubaan
adalah sukar dan menghasilkan titik sampel yang banyak. Konsepkonsep yang digunakan untuk mengira jumlah unsur diberikan
secara ningkas di sini.
Teorem: 5.1
Jika satu operasi boleh dijalankan dengan n1 cara danjika dan
setiap cara operasi kedua boleh dijalankan dengan n2 cara, maka
kedua-dua operasi boleh dilakukan bersama dengan n, x n2 cara.
Contoh: Si
Berapa banyak titik sampel jika dua dadu dicampak serentak.
Dadu pentama ada 6 unsur
1, 2, 3, 4, 5, 6
Dadu kedua ada 6 unsur
1, 2, 3, 4, 5, 6
Jadi pasangan yang boleh dibentuk dan kedua-dua dadu ialah
1 dengan 1, 2,..,, 6
2 dengan 1, 2,..., 6
18
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
2 ..., in~cana maka n

dilakukan dengan in1 x
x
...
pasangan openasi bersama bolch

x m~cana
Contoh: 5.2
Tendapat 5 jenis sabUn, 3 jenis ubat gigi dan 2 jenis syampu

dijual di sebuah kedai. Seorang suni numah ingin membeli satu
banang bagi tiap-tiap jenis. Ada berapa cara ia dapat membelinya.
Sun numah mi mempunyai 5 cara untuk memilih sabun.
Dani tiap-tiap satu jenama sabun ia boleh memilih 3 jenis ubat
gigi.
Dani kedua banang mi tendapat 5 x 3 cara.
Dan tiap-tiap kombinasi sabun dan ubat gigi dia boleh memiih
2 jenis syampu.
Jadi kesemua cana ialah 5 x 3 x 2 cana.
Analisis Pilihatur
Kadang-kadang dalam mengina unsun dalam ruang sampel kita
hanya benminat kepada set yang mengandungi unsur-unsur yang
disusun mengikut aturan. Yakni satu titik itu dianggap sama jika
objek yang terkandung adalah sama; begitujuga dengan aturan atau
kedudukan objek itu juga hanus sama.
Sebagai contoh A, B, C adalah tidak sama dengan B, C, A kerana
aturannya tidak sama. Cara untuk mendapat junilah aturan ml
dinamakan analisis pilihatun.
Definisi: 5.1
Analisis pilihatur ialah susunan bagi kesemua atau sebahagian
dan set bagi objek-objek.
19
SET DAN KEBARANUKALIAN
Jika kita gunakan teonem 5.3 dengan senang kita boleh

tunjukkan ia sama dengan 720 cana iaitu
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!
laitu terdapat 10 cara susunan.

Kadangkala kita memenlukanjuga pengiraanjumlah pilihatur n
objek diambil Ic setiap kali bila objek yang sama dibenarkan
berulang. Keadaan mi menyebabkan pemiihan pertama dan
pilihan seterusnya adalah dan n objek, sehingga kita mendapat
n.n...n
~,~-~1
= Ilk
k- kali
cara pemilihan.
Contoh: 5.6
Satu uncang mengandungi 5 biji bola A, B, C, D danE. Katalah
kita ingin mengambil 3 biji bola yang dipilih satu lepas satu.
Kes A: Apakah jumlah pilihatur jika bola yang diambil tidak
dimasukkan semula ke dalam uncang.
Penyelesaian:
Cabutan pertama terdapat 5 pilihatur A, B, C, D dan E. Untuk
cabutan kedua cuma terdapat 4 pilihan oleh kerana satu danipada
bob tersebut sudah diambil. Cabutan yang ketiga cuma terdapat 3
21
KEBARANGKALIAN DAN 5TATISTIK
pilihan olch kenana 2 bola sudah diambil. Otch ,tu tendapat 5 x 4 x

3 = 6Ocara untuk memilih 3 biji bola yang diambil satu pensatujika
gantian tidak dilakukan.
Kes B: Apakah jumlah pilihatun jika bola yang diambil
dimasukkan halik ke dalam uncang.
Penyelesaian:
Cabutan pentama tendapat 5 piihan. Begitujuga cabutan kedua
dan ketiga. Oleh itu tendapat 5 x 5 x 5 = 53 = 125 cana memilih 3
biji bola dan 5 jikalau gantian dibenankan.
Analisis Gabungan
Jika dahulu, di dalam analisis pilihatur susunan objek adalah
dianggap mustahak, maka di dalam analisis gabungan ia dilupakan.
Yakni jika (A, B, C) adalah satu susunan maka Ia dianggap sama
dengan Susunan (B, C, A) atau (A, C, B). Apa yang dikira, di sini, ialah
objek di dalam susunan walaupun atunan atau kedudukan objeknya
benbeza.
Definisi 5.2
Gabungan ialah penyusunan n objek kepada dua set yang
masing-masing mengandungi r dan n
r unsur.
Teorem: 55
Jumlah gabungan n unsur yang berbeza diambil r Setiap kali
ialah
I
1=
r!(n
Perhatikan bahawa analisis gabungan

dengan analisis piihatur dalam bentuk
=
mi adalah
benhubung
PICk
mi adalah diperolehi oleh kenana pilihatur n objek diambil k setiap

kali dapat dianggap sebagai memiih gabungan objek kemudian
mengaturnya mengikut susunan. Jumtah susunan yang boleh dibuat
tenhadap Ic objek ialah kPk = k!. Dengan teonem 5.1 kita akan dapat
keputusan di atas.
22
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
Jumlah cana memilih I perempuan dan 2 penempuan ialah
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
menggambankanjumlah unsur di dalam set benkenaan.

23
Katalah C adalah penistiwa mendapatkan jumlah genap.

C
{(t, 1),(l,3),(2,2),(3, 1),(t, 5),(2,4),(3,3)
(4, 2), (5, t), (2, 6), (3, 5), (4, 4), (5, 3), (6, 2)
(4, 6), (5, 5), (6, 4), (6, 6)}
=
Oleh itu
P(C)
IC~
18
Definisi 6.1 yang dikenali juga sebagai model kebanangkalian

kiasik adalah melibatkan pengiraan jumlah unsun dalam penistiwa
dan nuang sampel. Syarat utama tiap-tiap unsun atau titik sampel
adalah dianggap mempunyai peluang yang sama untuk benlaku.
Atau dengan kata lain, kebanangkalian bagi satu-satu titik sampel
adalah sama sehingga untuk mengetahui kebarangkalian bagi satusatu penistiwa dalam kes mi kita hanya penlu tahu kebanangkalian
bagi titik-.titik sampel tensebut.
Contoh: 6.3
Satu dadu dibaling dan dipenhatikan jumlah. yang muncul.
S = {t, 2, 3,4, 5, 6}
S = {Sl.52.53,S4.S5.Se}
maka
ISi}I
iw
Jika kita taknilkan A sebagai penistiwa untuk mendapatkan nombon

genap, maka
P(A) = P({52}) + P({S4}) + P({56})
t
t
2
Jika B adalah penistiwa untuk mendapatkan sekurang-kurangnya 2

maka
P(B) = P({51}) + P({52})
1
t
1
=
25
Jmkalau titik-titik sampel tidak mempunyai peluang yang sama

untuk benlaku, definisi 6.1 tidak boleh lagi digunakan.
Contoh: 6.4
Katalah satu duit syiling adalah benat sebelah sehingga kepada
K mempunyai dua kali Iebih kemungkinan untuk benlaku
benbanding dengan ekon E. Jika ia dicampak dua kali, apakah
kebanangkalian dua ekon F muncul?
Penyelesaian:
Katatah A penistiwa mendapatkan 2 E maka
A = {EE}.
Ruang sampel S ialah
S = {KK, KE, EK, EE}.
Maka dengan menggunakan definisi 6.1
P(A)
Padahal kebanangkalian bagi A benlaku ialah

Jika kemungkinan satu-satu penistiwa itu berlaku dapat dinilai,
maka kita boleh gunakan pembenat (wajaran) tenhadap setiap titik
dalam nuang sampel. Pembenat mi adalah bernilai di antara 0 dan t
dan bila dijumlahkan akan sama dengan t. Untuk mendapatkan
kebanangkalian bagi penistiwa A maka harus dijumlahkan pembenat
bagi setiap titik di dalam A.
Definisi: 6.2
Kebarangkalian bagi sebanang penistiwa A adalah jumlah
pemberat bagi kesemua titik sampel di dalam A.
Contoh: 6.5
Menggunakan masalah dalam contoh 6.4, katalah pemberat
bagi kepala dan ekor masing-masing ialah 2x dan x. Oleh kerana 2x
+ x
ialah
~-.
t, maka x
~. Pemberat bagi kepala ialah dan bagi ekor
Dengan mengguna definisi 6.2 maka

26
P(A)
11
=
1
=
Katalah satu lagi penistiwa, B adalah penistiwa mendapatkan

sekunang-kunangnya satu ekor. Maka
B = (KE, EK, EE}
Dan
P(B)
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
sebagai pemberat, kita akan dapat mengina

sebanang penistiwa.
mengandungi4unsunmakaP(A)
Jika
! +! +! +
penistiwa
=
~.iaitusama
seperti menggunakan definisi 6.t.

Bagaimanapun dalam pnaktiknya kita tidak dapat menentukan
peluang bagi satu-satu titik sampel untuk benlaku. Untuk mengatasi
masalah mi pemberat boleh dianggarkan dengan memerhati
bilangan kekerapan kesudahan, hasil dan percubaan berkenaan
yang diulang beberapa kati. Pemberat yang diperolehi dengan
kaedah mi dinamakan kekenapan nelatif.
Contob: 6.6
Satu duit syiing dilambung n kali dan dipenhatikan bilangan
kepala yang keluar. Katatah keputusan adalah seperti jadual 6.1.
n
K
K
f/K)
5
2
3
2/5
10
3
7
3/10
20
7
13
7/20
27
50
200
500
18
105
253
32
95
247
18/50
105/200
253/500
Jadual 6.1: Keputusan danipada percubaan melambung duit syiing n

kali.
Danipadajadual 6.1dm atas kekenapan nelatif yang dicatatf/K)
adalah menggambarkan bilangan K yang muncul berbanding
dengan jumlah bilangan n kali.
Bagi sebanang penistiwa A kekenapan nelatmf bagi A di dalam ii
pencubaan ialah
f~(A)=
x (Jumlah kekerapan A benlaku).
Definisi: 6.3
Kebanangkalian bagi sebarang penistiwa A ialah
P(A)
had
U. ~
f (A)
Had dalam definisi 6.3 diwujudkan supaya P(A) dapat

didefinisikan. Definisi jelas menunjukkan 0 < fjA) < 1 bagi
sebanang nilai it. maka P(A) memenuhm syarat
(i) 0 ~ P(A) ~ 1
(ii) E() = 0
(imm) P(S) = 1
Definisi di atas dinamakan definisi bagi kebarangkalian kekerapan
nelatif.
2.7 Aksinm Keharangkalian

Adalah nyata danipada ketiga-tiga definisi yang telah
dibincangkan, bahawa hanya percubaan yang menghasilkan ruang
sampel diskrit sahaja yang boleh diselesaikan. mi adalah tidak
mencukupi kenana masalah kebarangkalian juga boleh melibatkan
kes-kes selanjar. Juga masalah penginaan ruang sampel akan
28
semakin sukan bila pencubaan menjadi semakin rumit bentuknya.

Begmtu juga untuk mengulang pencubaan berkali-kali adalah, dalam
kebanyakan kes, tidak mungkin. Daripada masalah-masalah mi
timbul model kebanangkalian matematik yang bebas dani syarat
penggunan yang telah disebutkan tetapi boleh digunakan untuk
kesemua keadaan.
Definisi: 7.1
Satu ukunan kebarangkalian ialah satu fungsi P yang
memadankan unsun-unsun dalam nuang sampel 5, kepada nombon
nyata di mana aksiurn-aksium benikut dipenuhi:
(i) PM) ~ 0 bagi sebarang A c S
(ii) P(S) = 1
(iii) jika A1. A2, ... adalah subset di dalam S dan ia tak
bencantum maka
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
KERARANGKALIAN DAN STATISTIK
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)
Bukti~Gunakan gambanajah Venn.
A2
A, (mA2
A2
A, u (A1 ~ A~)dan A1 ~ (A1 r~A2)
maka dengan Definisi 7.1 (iii)

30
P(~42)= P(A~) + P(A~n A2)

OIeh kerana P(A1 r~A2) ?~0 [dan 7.1(i)] maka
P(A2) ~ P(A~)
Teorem: 8.4
Jika A dan B adalah sebarang peristiwa ditaknif di dalam ruang
sampel maka
P(A u B) = P(A) + P(B)
P(A n B)
Bukti: Perhatikan gambarajah Venn.
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)
Perhatikan jika A dan B adalah saling bereksklusif maka

P(A u B) = P(A) + P(B)
Contoh: 8.1
(a) Katalah sepasang dadu dicampakkan serentak apakah kebarangkalia~bagi peristiwa-peristiwa berikut
31
(a) mendapatkan titik 3

(b) mendapatkan jumlah 7 atau 11
(c) mendapatkan jumlab sekurang-kurangnya 3?
Penyelesaian:
(a) Katalah A peristiwa mendapatkan titik 3. Titik 3 boleh diperolehi
sama ada dan dadu pertama atau dadu yang kedua. Katalah A1 peristiwa
mendapatkan titik 3 dan satu dadu dan A2 penistiwa mendapatkan titik 3
dan dadu lain maka
6
6
1
11
P(A) =
+
=
(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)
Peristiwa kedua suami isteri tidak merokok ialah

HnW= (HuH)
P(HuW)= 1P(IIuW)
=
10.6
= 0.4
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.
Perhatikan P(BIA) adalah kebarangkalian berlakunya penistiwa B

setelah diketahui penistiwa A sudah pun berlaku. Dalam kes ml kita
seolah-olah menghadkan penbincangan kita kepada penistiwapenistiwaselepas benlakunya penistiwa A. Ruang sampel adalah
dikunangkan kepada titik-titik yang tenkandung dalam subset
kepada nuang sampel asal. Subset mi hanya mengandungi unsurunsur yang berkemungkinan selepas A telah benlaku. Kita
perhatikan contoh benikut.
Contoht 9.1
Pencubaan melambung duit syilihg dua kali
Ruang sampel S
{KK, KE, EK, EE}.
.=
Katalah penistiwa A ialah kepalakeluar pada lambungan pertama.

Kesudahan seterusnya hanya bergantung kepada kesudahan dalam
lambungan yang benikutnya iaitu
5 = {K, E}.
S sekanang akan menjadi nuang sampel yang baru setelah
benlakunya penistiwa A. Untuk mencani kebanangkalian penistiwa
benikutnya, kita hanya penlu membincangkan S. Sebagaicontoh,jika
B peristiwa mendapatkan kepala pada lambungan kedua maka
P(K pada lambungan kedua)
Penhatikan jika kita gunakan definisi, kita akan mendapat

keputusan yang sama.
PBA
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
SET DAN KEBARANGKALIA~
tabunati tenaga buruh di sebuah pekan ken! ada!ah sepenti benikut.

Umur
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
Teonem 9.1 dipeno!ehi dengan mendarabkan kedua pihak dani

definisi 9.! dengan P(A).
Definisi 9.! bo!eh ditulis bagi kes yang !ebih umum. Jika A1, A2,
Ak adalah k penistiwa-penistiwa maka kebanangka!ian bersyanat
A~dibeni A1. A2
Ak_ hen!aku ia!ah
P(AkIAI. A2
A%1)
~P(A1 nA2A2
...
...
nAn)
dan kebanangka!ian kesemua A1, A2

A,~ben!aku bo!eh ditu!is
sebagaiP(A~nA2...nAk)
P(A1)P(A2IA~)P(A3~A1
nA2)...P(Ak
IAlnA2...nAk~l)
...,
2.10
Peristiwa Tak Bersandar

Da!am seksyen !epas kita perhatikan keadaan di mana
benlakunya satu-satu penisti~ayang mempenganuhi kebanangkalian
penistiwa-penistiwa set epasnya. Tendapat juga kes di mana satu-satu
penistiwa yang benlaku tidak mempenganuhi penistiwa lain
~e1epasnya. Keadaan begini menimbulkan konsep ketakbersandanan yang menggambarkan hubungan kebanangka!ian
antana penistiwa-penistiwa.
Definisi: 10.1
Dua penistiwa A dan B ada!ah tak bensandanjika dan hanyajika
P(A n B) = P(A) P(B)
Definisi di atas bo!eh juga ditu!is da!am bentuk
P(A B) = P(A)
dengan menggunak~ndefinisi kebarangkalian bensyanat.
Perhatikan bahawa persamaan di atas ada!ah menunjukkan
penistiwa A takbensandar kepada penistiwa lain B jika
kebanangkalian ben!akunya tidak bergantung kepada sama ada
benlaku atau tidaknya penistiwa B. Juga kita dapat penhatikan
dengan menggunakan hubungan
P(A n B)
P(B) P(A] B)
36
P(A) P(B)
SET DAN KEBARANOKALIAN
P(B)
P(A B)
P(B)
benenti
=
=
P(A) P(B)
P(A B)
bahawa jika A takbensandar kepada B, maka B juga takbensandar

kepada A.
Contoh 10.1
Sepasang duit syi!ing di!ambungkan sebanyak 2 kali. Apakah
kebanangka!ian untuk mendapat 2 kepa!a atau 2 ekon?
Katalah A~,A2, B1. 82 ada!ah menupakan penistiwa-penistiwa
untuk mendapatkan 2 kepa!a pada !ambungan pertama, 2 kepa!a
pada lambungankedua, 2 ekon pada lambungan pertama dan 2 ekon
pada !ambungan kedua. Untuk mendapatkan dua kepala dan dua
ekon kita harus mendapat 2 kepa!a pada !ambungan pertama dan 2
ekor pada !ambungan kedua atau 2 ekon pada !ambungan pentama
dan 2 kepala pada lambungan kedua yakni
(A~n B2) u
(42
83
Kita perhatikan A1 dan B2 senta A2 dan B~adalah masing-masing

tak bentanda kerana !ambungan pentama tidak mempengaruhi
keputusan lambungan kedua o!eh itu
n B2) u (A2 n
BI)]
P(A1) P(B2) + P(A2) P,(B1)

.
(i\
=
(~\ (1
(i\
~) ~4J+
8
[Penistiwa A1 n B2 dan A2 n B1 ad!ah saling bereksklusifl]

Dan definisi 10.1 kita boleh bentukkan definisi yang lebih
urnum yang melibatkan k peristiwa, iaitu A1, A2
A1 adalah tak
bersandan jika dan hanya jika
P(A1 n A2 n A1) = P(A1) PM2) P(A,j
...
~.
Sebagai ingatan kita seharusnya dapat membezakan antana

penistiwa saling beneksk!usif dan penistiwa tak bensandan. Penistiwa
saling bereksk!usif kebanangka!ian bagi kesatuan ialah jum!ah
37
KEBARANGKALIAN DAN STATISTII(
kebanangkalian tiap penistiwa, sementana bagi penistiwa tak

bersandan kebanangkalian bagi sa!ing tindak ada!ah hasil darab
kebanangka!ian setiap penistiwa.
2.1!
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)
=
di mana A n B ialah penistiwa pelajan najin dan lulus pepeniksaan

dan A rB ia!ah penistiwa pelajan ma!as dan !ulus.
(A)
PM n B) + P(A n B)
dan menggunakan definisi kebanangkalian bensyarat da!am seksyen

lepas maka
PM)
P(B) P(AIB) + P(B) P(AIB).
=
Dengan pengetahuan P(B), P(B), P(AIB) dan P(A~B)dapat kita kina

kebanangkalian untuk peristiwa A.
Keadaan di atas dapat kita sanankan dalam bentuk teorem
benikut.
Teorem: 11.1
Jika B~,B2,
dan P(B1)
B,~ialah penistiwa-pensitiwa saling bereksklusif

0, maka bagi sebarang penistiwa A
...
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~
Dengan menggunakan teorem

P(A) = (-9) (-8) + (08) (6) + (.02) (1)
=
:77
Perhatikan PM) juga dipero!ehi dengan menambahkan
kebanangkalian-kebarangkalian di hujung ranting bagi gambarajah
ranting di atas.
Contoh: 11.2
Katalah bola-bola berwanna di dalam 4 buah uncang adalah
berkedudukan sepenti berikut
39
KEBARANOKALIAN DAN STATISTIK
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)
P(U1) .P(MjU1) + P(R2) P(MIU2) + P(U3) P(M[U3)

+ P(U4) P(MIU4)
1(2\
i(s\ i(i\
1(3
~ijo) +
+
+
0.244
.
Dengan menggunakan gambanajah ranting di muka sunat 41 kita

dapati
P(M) dipenolehi dengan menambah kebarangkalian di hujung
ranting yang bertanda M.
Katalah kita benminat untuk mengetahui kebanangkalian penistiwa
sebelum satu penistiwa tertentu telah pun benlaku. Misalnya dan
contoh pelajar tadi, katalah sekumpulan pelajan telah pun lulus satu
pepeniksaan. Dani pelajar yang lulus mi kita ingin tahu apakah
kebanangkalian ia najin; iaitu jika A penistiwa untuk lulus, B dan B
adalah masing-masing penistiwa najin dan malas kita ingin dapatkan
P(BIA). Dalam contoh di atas mungkin kita ingin tahu apakah yang
menyebabkan seonang pelajan itu lulus; mungkin kenajinannya atau
mungkin kenana ufisun-unsun nasib baik atau kelemahan
pepeniksaan itu sendini.
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~)
-
Teorem: 11.2 dikenali sebagai hukum Bayes. Perhatikan bahawa

teorem di atas boleh juga ditulis sebagai
P(B A)
________
P(B~IA)= P(B1nA)P(B2nA) +
..
+ P(B1nA)
Bukti:
Perhatikan gambarajah Venn berikut.
Peristiwa A ada!ah gabungan penistiwa sating bereksklusif B1 r~A,

B2 n A, B1
iaitu
.~
~B~n A)
(B2 n A) u
maka
Dengan menggunakan definisi 9.1
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
Set yang mengandungi nombon bulat di antara 10 dan 10.

Set A
{x: x adalah nombon bulat positif supaya 0 -c x -c
10}.
(d) SetB = {x:xadalahnomborbulatpositifsupayax2 2 = 2}.
(e) SetC = {x:adalahnomborpositifsupayax2 + 50 11 = 0}.
Jika set S = {0, 2, 4};
(a) Senaraikan:
(i) Semua subset kepada S
(ii) Semua subset jati kepada S.
(b) Jika set A = {x : 0 c x c 2} adakah A satu subset kepada 5?
(c) Jika satu set B = {x: nombon bulat positif di antara 0 dan 2}
adakah B subset kepada S?
Tentukan set manakah yang boleh dikatakan sama:
A = {1, 3}
B = {1, 2, 3}
C = {x :
4x + 3 = 0}
D = {Bilangan kepala yang keluar bila 3 duit syiling di lambung
senentak).
=
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
Dapatkan A u B dan A n B bagi set-set A dan B di mana

(a) A= {x:x>0},
B= {x:x=2,3,4,5}
(b) A={x=0<x<3},
B={x:1<x<5}
(c) A={x:x>0},
8
{x:x25x+4=
0)
26.
Gunakan gambanajah Venn untuk membuktikan bahawa:

(i) A n (A u A) = A
(ii) (A n B) = A u B
(iii) (A u B) = A h B
(iv) A n (A u B)
A
(v) (AnA)u(AnA)=A
A n(B u C) = Mn B)uMn C)
44

(A
2.7
Buktikan bahawa jika A n B

A u B = A maka A n B=
2.8
Buktikan bahawa
(a) AuB=(AnB)u(Anff)u(AnB)
(b) AB=AnU
2.9
Dan 200 pelajar didapati 60 mengambil matematik, 150 mengambil

sejarah dan 30 mengambil kedha-duanya sekali. Benapakah
bilangan pelajar-pelajar yang:
(a) Tidak mengambil sejarah atau matematik.
(b) Mengambil matematik tetapi tidak mengambil sejarah.
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
2J0 Katalah dan 1000 orang yang diperiksa didapati 35 mengidap

penyakit darah tinggi, 20 mengidap kencing manis dan 15 mengidap
lemah jantung. Juga didapati 8 mengidap darah tinggi dan kencing
manis, 6 mengidap danah tinggi dan Iemah jantung dan 5 mengidap
kencing manis dan lemah jantung. Dua orang didapati mengidap
ketiga-tiganya sekali. Dapatkan bilangan:
(i)
(ii)
(iii)
(iv)
mengidap lemah jantung sahaja.

mengidap lemah jantung dan darah tinggi sahaja.
tjdak mengidap sebarang penyakit.
mengidap kencing manis atau lemah jantung tetapi tidak
mengidap darah tinggi.
(v) tidak mengidap kencing manis atau lemah jantung.
(vi) mengidap sekunang-kunangnya dua dan penyakit tersebut.
(vii) mengidap tidak lebih dan satu penyakit sahaja.
2.11 Dalam percubaan melambung dua dadu enam muka senentak,
senaraikan
(a) Unsur-unsun dalam ruang sampel.
(b) Unsur-unsun dalam penistiwa
(i) A di mana A ialah penistiwa mendapat jumlah nombor
permukaan adalah 6.
(ii) B ialah peristiwa di mana jumlah permukaan adalah
genap.
(iii) C ialah penistiwa di mana nombor 1 keluar pada salah
satu dadu.
45
KEBARANGKALIAN DAN 5TATI5TIK
2.12 Satu pencubaan melambung duit syiling benkali-kali sehingga

kepala keluar. Senaraikan (jelaskan):
(a)
(b)
2.13
2.14
215
2.16
2.17
2.18
Unsur-unsun yang tendapat dalam nuang sampel.

Unsur-unsun dalam penistiwa A di mana A ialah penistiwa yang
memenlukan sekunang-kunangnya 5 lambungan.
(c) Unsun-unsun penistiwa B di mana 2 ekor keluar.
(d) Unsur-unsun penistiwa C di mana 2 kepala keluan.
Satu duit syiling dilambung benturut-turut sebanyak 3 kali. Senanaikan unsun-unsun kepada:
(a) Kesemua kemungkinan kesudahan.
(b) Penistiwa mendapat 3 kepala.
(c) Penistiwa mendapat kepala pada lambungan yang pentama dan
kedua.
(d) Penistiwa sekurang-kunangnya satu ekon keluan.
Dalam satu pertandingan bakat tendapat 10 pesenta di peningkat
akhin. Nyatakan berapa cana untuk memilih
(i) Johan dan satu naib johan.
(ii) Johan, naib johan dan dua pemenang ketiga.
Satu bahagian pepeniksaan objektif terdapat 10 soalan. Tiap-tiap
soalan mengandungi 4 piihan jawapan. Dalam benapa earakah satu
jawapan yang betul boleh disusun bagi tiap-tiap soalan?
Dalam satu penmainan judi terdapat 10 angka 0, 1, 2,..., 9 yang
disusun untuk membentuk 1 nombor 4 angka. Terdapat benapa cana
untuk:
(a)
Membentuk 1 nombon untuk hadiah pertama.
(b) Membentuk 1 nombon hadiah pentama dan 2 nombor hadiah
kedua.
Dalam satu uncang tendapat 10 biji bola yang bertanda 0, 1, 2
9.
Benapa canakah untuk memilih 4 biji bola jika bola tensebut dipilih
satu-satu dengan bola yang tenpiih dimasukkan balik ke dalam
uncang? Tendapat benapa cara jika bola yang telah dipiih tidak lagi
dimasukkan ke dalam uncang?
Dalam satu kotak tendapat 5 nekod lagu Melayu ash, 6 rekod lagu
kenoncong dan 3 nekod lagu pop Melayu. Tendapat benapa cara
untuk memilih:
(a) 4 nekod dani kotak tensebut.
(b) 2 nekod Melayu ash dani 4 yang dipiih.
(c) 2 nekod Melayu ash dan 2 nekod kenoncong dani 4 yang dipihih.
46
(d)
2 nekod Melayu ash, t rekod keroncong dan 1 rekod pop

Melayu dan 4 yang dipilih, dan
(e) Selebih-hebihnya 2 hagu pop Melayu dan 4 yang dipihih.
2.19 Dalam benapa cara dapat disusun 10 nekod di atas satu rak? Berapa
canakah jika dalam susunan tersebut dipenlukan 5 lagu ash, 3 lagu
kenoncong dan 2 lagu pop Melayu berada bersama-sama jenisnya?
2.20 Danipada 200 tong buah yang diimport terdapat 4 tong yang
mengandungi buah yang rosak. Ada berapa cana untuk memihih 4
tong supaya
(i) Tidak terdapat tong yang rosak.
(ii) Tendapat hanya h tong nosak.
(iii) Terdapat selebih-lebihnya h tong yang rosak.
2.21 Terdapat 2 pemohon helaki dan 2 pemohon wanita untuk mengisi
jawatan A dan B. Jawatan B diisi dengan memihih dan pemohonpemohon yang tak berjaya mendapat jawatan A. Tendapat benapa
cana untuk
(a) Kedua-dua jawatan.
(b) Jawatan A diisi oheh seorang helaki.
(c) Salah satu dan jawatan diisi oleh seonang lelaki.
(d) Kedua-dua jawatan difsi oleh wanita.
2.22 Daham satu uncang terdapat 20 bola putih yang bennombon dan 1
hingga 20, 10 biji bola hijau bennombon h hingga 10, 40 bola hitam
bennombon 1 hingga 40 dan 10 bola binu bennombon 1 hingga 10.
Katahah satu bola dipihih secara nawak apakah kebanangkahian
mendapat:
(a) Bola benwanna hitam atau binu.
(b) Bola bennombon 1, 2, 3 atau 4.
(c) Bola bennombon 39 atau 40.
(d) Bola berwarna hijau atau putih dan bennombon 1, 2 atau 3.
(e) Sama ada benwama hitam dan bennrnnbon kunang dani 10 atau
benwanna putih dan bennombor kunang dan 10.
2.23 Kebarangkahian seonang pelajan mendapat gned A, B, C, D dan E
ialah masing-masing 0-h, 0-3, 0-4, 0-h dan 0-1. Jika E dianggap
tidak hulus apakah kebanangkahian seonang pehajar yang mengambil
pepeniksaan:
(a) Akan huhus.
(b) Mendapat gned sekunang-kunangnya C.
47
KEBARANUKALIAN DAN 5TATI5TIK
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)
()
Jumhah penmukaan adahah 4

Jumlah penmukaan sekunang-kunangnya 4
Jumhah permukaan adahah genap
Satu dan dadu menunjukkan nombon 2 atau empat
Jumhah penmukaan genap dan salah .satu dan dadu
menunjukkan nombor 2.
2.28 Biankan S adahah nuang sampeh. Katahah C dan D adaiah dua
penistiwa di mana C u D = 5, P(C) = 5 dan P(D) = 8. Dapatkan
(a) P(C n D)
(b) P(C u D)
(c) P(CjD)
42
Adakah C dan D tak bersandan? Jehaskan.

2.29 Jika A dan B adahah dua penistiwa sahing benekskhusif di mana PM)
= 5 dan P(B) = -3. Dapatkan
(i) PM)
(iii) PM u B)
(v) P(A n B)
2.30 Jika dibeni P(A)
(i) PM u B)
(iii) PM u B)
(v) P(AIB)
(ii) P(B)
(iv) P(A n B)
(vi) PM n B)
=
-63 P(B)
-52 dan PM n B) = 4, dapatkan
(ii) PM n B)
(iv) PM n B)
(vi) P(BIA)
2.31 Katalah kebanangkalian seonang pehajan huhus 1,2,3,4,5 atau 6 mata

pelajaran dalam satu pepeniksaan iahah masing-masing -08, -2, -4, -15,
-08 dan 0-02. Jika hanya tendapat 6 mata pelajanan apakah
kebanangkahian
(a) Pelajar gagal kesemua mata pelajanan
(b) Lulus sekurang-kurangnya dua mata pelajanan
(c) Luhus di antana 2 hingga 5 mata pehajanan
(d) Gagah sehebih-hebihnya 3 mata pelajaran.
2.32 Buktikan kenyataan-kenyataan berikut:
(a) P(AIB) + PMIB) = 1 jika P(B) # 0
(b) Jika A dan B adalah dua peristiwa bebas maka
(c)
P(AIB) = P(A)
PM) = P(B). P(AIB)
+ P(B) P(AIB) dengan benpandukan

gambanajah Venn.
2.33 Andaikan sebuah sekohah berasrama penuh mempunyai
kebanangkalian -8 untuk mencapai kehulusan 100% di dalam
pepeniksaan S.R.P. Andaikan juga bahawa setelah mencapai
kehulusan 100% kebanangkahian mencapai kehulusan 100% di tahun
benikutnya ialah -7 dan kebarangkahian mendapat kehuhusan 100% di
dua tahun berikutnya iahah 0-6
(a) Apakah kebanangkalian sekohah tersebut mencapai kelulusan
100% di tiga tahun bertunut-turut?
(b) Apakah kebanangkahian mencapai kehulusan 100% di dua
tahun bentunut-tunut?
2.34 Dani ahhi-ahhi sebuah jawatankusa kampung yang terdini dan 4
onang Mehayu, 2 onang Cina dan 3 onang India, 3 onang dipilih secana
nawak untuk berjumpa pegawai daenah. Dapatkan kebanangkalian:
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
mengidap hemah jantung dan hainnya tidak mengidap kedua-dua

penyakit tensebut. Sementana dani kahangan tekanan danah biasa
didapati 2% mengidap kencing manis. 6% mengidap hemahjantung.
Jika seorang helaki dewasa dipeniksa apakah kebarangkahian
(i) ia mengidap kencing manis
(ii) mengidap hemah jantung dan kencing manis
(hi) tidak mengidap sebarang penyakit.
Jika seorang yang tehah dipeniksa dan didapati tidak mengidap
kedua-dua penyakit apakah kebanangkahian behiau mempunyai
tekanan danah tinggi?
2.40 Seorang pakar tanaman memeniksa mutu bekalan benih kehapa
sawit dan 4 pusat penyehidikan. Hasil pemeriksaan behian adalah
sepenti benikut:
Mutu Benib
A
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,
KEK, KEE, EKK,
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)
.
di thana R adahah set nombon nyata.

Di daham penbincangan setenusnya kita akan menumpukan
53
terus kepada pembolehubah nawak dan menggunakan domain bagi

pembolehubah nawak tensebut sebagai asas anahisis tanpa
mempendulikan kesudahan atau ruang sampeh asal.
3.2
Peristiwa daham Pembolehubah Rank dan Kebarangkalian

Kita tahah pun membeni definisi kebanangkahian bagi satu-satu
penistiwa sebagai fungsi set yang membenikan nilai di antara 0 dan 1
kepada subset bagi nuang sampeh. Sekanang kita cuba puha
men~hubungkan konsep yang sama dengan penistiwa yang
ditaknifkan ke atas pembolehubah nawak yang mempunyai domain
Ar
Katahah X adahah pembohehubah nawak yang ditakniftenhadap
nuang sampeh S dan katakan domain bagi X iahah A~.Satu penistiwa
A, A c A~adalah pembohehubah nawak X mengambih nilai-nihai di
daham set A, iaitu dituhis [Xe A]. Oheh kerana pembohehubah nawak
X menaknilkan nombon nyata kepada titik-titik di daham S maka
sudah tentu penistiwa [XE A] benkaitan dengan penistiwa C, C c S.
Jika S adalah titik-titik di daham S maka [XeA] boheh dipadankan
dengan penistiwa C dalam bentuk hubungan benikut.
[XeA]
{s:seSdanX(s)eA}
Yakni C adahah subset yang mengandungi titik-titik s yang mana

pembohehubah nawak X mempunyai niai-njhai di dalam set A.
Kebarangkahian bagi peristiwa A, P(XeA). Oleh itu adalah
sehanusnya sama dengan kebarangkahian bagi peristiwa C, P(C).
P(XeA)
= P~(A) = P(seS
dan X(s$A})
P(C)
Kebanangkahian P~(XeA) atau juga ditulis P~(A) adahah

bergantung kepada fungsj kebarangkahian P. Jadi tentunya fungsi P1
adahah fungsi yang bernilai di antara 0 dan 1 yang dipadankan
kepada set A. Juga dengan pentaknifan pembolehubah nawak X, kita
perhatikan bahawa kita memindahkan kebarangkalian dani ruang
sampel S kepada domain A~yang bahanu.
Adahah tidak sukar untuk menunjukkan bahawa P1 adalah
fungsi kebanangkalian yakni memenuhi syarat a, b dan c dalam
definisi 1.1
(i)
(ii)
P~(A)= P(C) >0

P~(A~)
= P(S) = 1
54
TABIJRAN PEMBOLEHUBAH RAWAK
(iii)
Jika A1 dan A2 sahing beneksklusif maka

u A2)
u A2})
P({s,seSdanX(s)eA1
oleh kerana:
{s:seSdanX(s)eA1
{s
uA2}
{s:seSdanX(s)eA1}ti
eS dan X Is) e A2}
~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
ningkasnya P(A) adalah juga dipanggih

kebanangkalian teraruh. Tetapi di daham penggunaan kita, kita akan
hanya menggunakan panggilan kebarangkahian sahaja.
Contoh: 2.1
Katalah S mengandungi 5 titik sampel iaitu
S = {s~,~2, S3, S4, s~}
dengan kebanangkahian bagi setiap titik iahah
P({s1})
P({s3})
P({s5})
p1
P({s2})
p~
P(~s4})=
Ps
P2
di mana
i~1
Taknifkan sam pembohehubah rawak X di mana

X (~L = X (53) = 0
X(s2) = X(s4) = 1
X (s~)= 2
Katalahpenistiwa-penistiwa A0, A1 danA2 ditaknifsebagai A0 = {s.s
eSdanX(s) = 0},AI = {s:eSdanX(s) = h}danA2 = {s:seSdan
X(s) = 2}.MakaP(A0)
Pi + p3.P(A1) = P2 + p4danP(A2) = P5.
=
Contok 2.2
Satu duit syihing dicampak tiga kahi. Katalab X adahah
55
pembolehubah nawak yang menunjukkan bilangan kepala yang

muncul.
Hubungan titik sampeh dan kebanangkahian dengan nilai
pembolehubah nawak X dan kebanangkalian tenanuh ditunjukkan
dalam jadual 2.1 di bawah.
s
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:
(a) titik sampel don kebarangkalian

(b) Pembolehubah rawak dan kebarangkalian
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}
Daham kedua-dua contoh yang tehah dibincangkan, kita

menggunakan catatan [X = x] untuk menandakan peristiwa {s seS
dan X(s) = x}. Keadaan mi benan jika nuang sampel adalah diskrit
dan pembohehubah rawak X mengambih nilai nombor-nombor
buhat. Untuk kes yang hebih umum, yang juga mengambil kira kes
selanjar, kita hanus taknifkan penistiwa-penistiwa benikut:
[Xxj = {s:seSdanX(s) C x]
[X<x] = {s:seSdanX(s) > x]
[a < X < b]
{s:seSdana c X(s) < (b)J
=
56
TABURAN PEMBOLEHUBAH RAwAK
dan sebagainya. Penistiwa [X~x] benenti pembolehubah nawak X

mengambih nilai kunang atau sama dengan x, dan P(X ~x) benenti
kebanangkalian bagi pembohehubah rawak X mengambil nilai di
daham penistiwa tensebut.
Sekarang kita perhatikan puha penjehasan yang lebih hengkap
tentang apa yang dikatakan pembolehubah nawak disknit dan
pembohehubah nawak sehanjan.
Jika satu domain mengandungi sejumhah titik sampel yang finit
atau infinit terbilang maka domain tensebut dipanggih domain
disknit. Pembohehubah yang boleh ditaknifkan di daham domain
disknit dipanggih pembohehubah disknit.
Jika satu domain mengandungi unsun-unsun infinit, ia dipanggil
domain sehanjan, dan pembolehubah rawak yang ditaknif di atasnya
dipanggil pembohehubah rawak sehanjan.
3.3
Taburan Kebarangkalian Diskrit

Pembohehubah nawak X disknit jika x adalah nombon buhat dan
kebanangkahian pada setiap titik [X = x] adahah wujud. Taburan
bagi nilai-nilai x dan kebarangkahian yang berhubungan, dipanggi
taburan kebarangkahian atau fungsi kebarangkahian disknit.
Definisk 3.1
Fungsi kebarangkahian disknit adahah satu fungsi (sama ada
dalam bentuk jaduah atau formula) yang membenikan kebanangkahian f(x) kepada setiap nombon nyata x yang ditaknif
dalarn domain bagi pembohehubah rawak X.
Contok 3.1
Dapatkan fungsi kebarangkahian bagi pembohehubah nawak X
dimana X iahahjumlah yang keluan bila dua dadu dieampak secara
serentak:
Domain bagi X; A = {2, 3,4,5,6,7,8,9, 10, 11, 12} dan fungsi
kebarangkalian ditunjukkan daham jaduah benikut.
.
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
(a) Apakah 1(x) benar-benan fungsi kebarangkalian

(b) Dapatkan P(X = 2)
(c) Dapatkan P(X <2)
Penyelesaian:
(a) Ax) adalah fungsi kebarangkalian jika
1
fix) =
x=o
/4\ /1\x hl\4-x
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]
Ternyata f(x) adalah fungsi kebarangkalian.
(b)
P(X=2)=
(c)
P(X<2)=
x2
fix)
(4\
(1~2(1\2
fi2)
k2) k2) k2)

6
_3
16
8
LAx)
xC2
1
=
L
x0
59
/4
\x
)GYw
/1\4x
~)~) ~)
(4~(1~4 (4\ (1~(i\~

~o)~i,,2) +
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,
dan jika A adalah subset kepada A~maka

P(A)
ff(x)dx.
JA
Oleh kenana pembotehubah nawak X ditaknif di atas nuang

selanjar, makaf(x) juga adalah merupakan satu kelok yang selanjar.
Syanat supaya kamilan di atas A~adalah satu menentukan luas
f(x)
a
Gamb.raj.h 4.1:
Kelok tun
9si ketumpaten keborangkalion

~X gb).
f(x)dan Fra
60
kawasan di bawah kelokf(x) dengan paksi x adalah sama dengan

satu. Sementara kebarangkalian bagi satu subset A adalah
digambarkan dengan luas kawasan di bawah kelokf(x) dengan paksi
x di antara kawasan yang diambil oleh subset A. Sebagai contoh,
jika A adalah subset di mana X mengambil nilai antara a dan b maka
P(A) dapat digambarkan dengan kawasan berlorek dalam
gambarajah 4.1.
Contoh: 4.1
Katalah X adalah pembolehubah rawak yang ditakriflcan di
dalam domain A~= {x; 0 .c x ~}. Katalah satu fungsi
f(x) =
xe A1
adakahf(x) fungsi ketumpatan kebarangkalian bagi X? Dapatkan
P(MdimanaA= {X;0<xc2}
Penyelesaian:
(a) Untuk menunjukkan f(x) adaIaJ~ fungsi ketumpatan
kebarangkalIan bagi N harus ditunjukkan
f(x) dx
A,
f(x) dX
J A,
1.
e~ dx
1
=
=
=
0+1
1
Oteh itu f(x) adalah fungsi ketumpatan kebarangkalian bagi

pembolehubah rawak X.
(b) P(A) = P(0 c X c 2)
ff(x)dx
.1.4
61
~e_1dx
Jo
1
C2.
XEBARANGKALIAN DAN STATISTIK
Perhatikan bahawa oleh kerana kebarangkalian pada satu titik

bagi pembolehubah rawak, selanjar adalah sifar, yakni jika A =
{x; x = a}.
maka
P(A)
P(X
a)
J:f(x)dx
maka kita dapat membuat kesimpulan berikut:

P(a z X c b) = P(X = a) + P(a < X c b) + P(X
=
0
+ P(a < X cb) + 0
=
P(a cX < b)
b)
Keadaan mi tidak sedemikian bagi kes-kes yang melibatkan

pembolehubah rawak diskrit.
Comok 4.2
Katalah pembolehubah
ketumpatan kebarangkalian
(1
I 2
f(x)=,~i
rawak
1<x<1
di lain-lain
Dapatkan (a) P(XCx) dan (b) P(X<02)

Penyelesaian:
(a) P(X C x)
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
=
Walaupun setakat mi kita membezakan pengertian fungsi

kebarangkalian bagi pembolehubah rawak diskrit dan fuiigsi
ketumpatan kebarangkalian bagi kes selanjar, namun penggunaan
keduanya boleh ditukar ganti. Untuk tujuan kita, penggunaan fungsi
ketumpatan kebarangkalian akan digunakan untuk kesemua kes
sama ada diskrit atau selanjar.
Harus juga kita perhatikan bahawa fungsi ketumpatan
kebarangkalian selalunya ditulis dalam bentuk
cf(x)
f(x)=~
x E A~.
di lain-lain
mi
menggambarkan fungsi ketumpatan kebarangkalian bagi

pembolehubah rawak X adalah ditakrif pada semua domain nombor
nyata Tetapi fungsif(x) adalah sifar di luar domain sebenar yang
ditakrif oleh pembolehubah rawak X iaitu A~
Contoh: 4.3
Katalah X adalah pembolehubah rawak yang ditakrifdi dalam
domain A~= {x : 0 < x < 2}. Katalah juga satu fungsi
1(x) = cx. x e
di mana c adalah pemalar.
(a) Apakah nilai c supaya f(x) adalah fungsi ketumpatan
kebarangicalian bagi X.
(b) DapatkanP(1<Xcl)
Penyelesaian:
(a) 1(x) adalah fungsi ketumpatan kebarangkalian jika

f(x)dx= 1
.3 A,
63
KEBARANGKALIAN
DAN
STATISTIK
Oleh itu
1=
cxdx
Jo
cx2 2
2~
2c
bererti c
yang
1
=
Jadi fungsi ketumpatan kebarangkalian bagi X ialah:

~ix
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 (
x]). Bagi sebarang nilai x di dalam domain bagi X ternyata P(X ~

x) adalah juga bergantung kepada nilai x. Kebarangkalian bagi
pembolehubah rawak X mengambil nilai kurang atau sama dengan
x mi dipanggil fungsi taburan longgokan atau ringkasnya fungsi
taburan. Fungsi taburan selalunya dicatat F(x) atau F
1~~
Definisi: 5.1
Fungsi F(x) adalah dipanggil fungsi taburan
pembolehubah rawak X jika
F(x) = P(X ~C4
~ .cx < ~
64
bagi
Jikalau pembolehubah rawak X adalah diskrit dan mempunyai

fungsi ketumpatan kebarangkalian fix) maka
F(x)
f(w)
w~x
Sementara jika X adalah selanjar maka

F(x)
Contoh: 5.1
Katalah pembolehubah rawak diskrit X adalah mempunyai
fungsi ketumpatan kebarangkalian
Ii
fix)=
x=0,1,2,3
di lain-lain
Maka fungsi taburan F(x) bagi X dapat ditunjukkan sebagaimana

gambarajah 5.1
F(x)
1
F(x)
__
______
1/4
I
I
Gambarajah 5.1: F(x)
bagi pembolehubah rawak X dalam contoh 5.1
Gambarajah 5.1 adalah diperolehi dengan penyelesaian berikut:

Pada titik-titik sebelum x = 0 kita dapatif(x) = 0 sehingga
F(0)
Pada titik x
F(0)
P(X < 0)
P(X <0) + P(X
0
P(X
0)
65
0)
KEBARANOKALIAN DAN
STATISTIK
Pada titik 0 .c X .c 1, F(x) masih sania dengan F(0)

Pada titik x = 1
F(l)= P(X
1)
P(X <1) +
PR
1)
Begitu juga titik-titilc seterusnya sehingga F(x) boleb ditulis dalam

bentuk formula berikut:
~
U
1
x<0
Ocx<1
1Cx2
2~x<3
1
3Cx
Apabila formula F (x) di alas digambarkan dalam graf kita akan

dapat gambarajah 11.
Contoh: 5.2
Katalah pembolehubah rawak selanjar
f(x)
Maka fungsi taburan bagi

F(x)
{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
Fungsi taburan F(x) ditunjukkan dengan gambarajah 5.2.

F(x)
Gambarajah 5.2: Fungsi taburan Fx bagi

3.6
5.2
contoh
Sifrt-sifrt Fuiwsi Taburan

Fungsi taburan F(x) mempunyai beberapa sifat terten;u yang
lahir secara langsung daripada sifat fungsi kebarangkalian yang
telah dipelajari, sifat-sifat tersebut diberikan di sini
(a)
0 C FN C 1 bagi
< x <
~.
Keadaan mi dapat ditunjuk dengan mudah oleh kerana F(x)

juga adalah satu fungs~kebarangkalian, yakni
0 C F(x)
(b)
P(X C x) C 1
F(x) adalah tak menurun bagi x. laitu jika x1 C x2

maka F (x1) C F (x2)
Bagi x1 C x2 {X C x2} boleh ditulis sebagai
{X C x2}
{X C x1} u (x1 <X ~ x2}
Olehkerana{X C x1}dan{x1 <X C x2}salingbereksklusifmaka

P({X C x2}) = P({X C x1}) + P({x1 < X C x2})
F(x2)= F(x1) + P(x1 -c X C x2)
yakni
F(x2) ) F(x1)
Oleh kerana P(x1 < X C x2)
67
(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)
F (13 adalah selanjar dan kanan pada setiap titik x. Sifat

ditulis sebagai
I
F(x) = F(x0)
mi boleh
Bagi sebarang nilai h > 0 maka x0 C x0 + Ii
P(x C x0
+ h)
P(X C x0) + P(x0 <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)
F(x4) adalah had kanan bagi F(x) pada titik x
F (x) adalah selanjar dan kanan.
x0. Oleh itu
Syarat untuk keselanjaran dan kin adalah tidak semestinya

untuk semua keadaan. Dan contoh 5.1 iaitu x disknit F(x)
merupakan garis yang melompat pada titilc-titilc x = 0, 1,2 dan 3. Di
lain-lain ia selanjar. Bagaimanapun sifat selanjar dan kanan adalah
68
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>~
Graf bagi F (x) bolch ditunjukkan sepenti gambarajah 6.1.

F(x)
ax
GambaraJah 6.1: F(x) bagl contoh 6.1
Kita dapati F(x) selanjar pada setiap nilai x kecuali pada titik x
Padatitikx
=
OF(0)
0 dan P(X <0)
OsementaraF(0)
sehingga
P(X
0)
0.
~.mthberertiPIX <Q)
~.
Dan kenyataan
mi
kim dapati kebanangkalian adalah tertaknif pada titik x = 0 yang

membawa pengertian X bukan pembolehubah rawak selanjar. Path
69
titik-titik lain ia selanjan. Jadi X tidak boleh dikelaskan sebagai

benan-benar selanjan atau benan-benar diskrit.
Bagaimanapun syarat keselanjanan yang diterangkan di atas
tidaklah cukup. Kim akan bincangkan di seksyen benikutnya secana
lebih mendalam.
3.7
Pengiraan Kebarangkalian daripada Fungsi Taburan

Penhatikan dalam membukti sifat (b) F (x) dalam seksyen 3.6
kita dapati jika a < b maka
{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)
boleh digunakan untuk menentukan kebanangkalian bagi kesemua

selang dalam bentuk {a C X C b}.
Dengan menggunakan keputusan mi juga kita dapati bagi
h >0.
P{b
h C X C b} = F(b)
F(b
h)
dan jika diambil had bila h

~
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)
di mana F(b) ialah had kin bagi F(x~bila x = b Berdasarkan ml

jika F (x) melompat pada titik x = b maka P(X = b) ialah tinggi
lompatan dan F (b
1) dan F (b):
PR
b)
F(b)
F(b
1)
bagi X disknit.
Sementara bagm F(x~yang juga selanjar dan kin F(b)
P(X
b)
bagi x selanjan.
0
70
F(b)maka
TABURAN PEMBOLEHUBAB RAWAK
Berdasarkan dua keputusan di atas bebenapa masalah mencani

kebarangkalian dapat diselesaikan secara langsung dengan
menggunakan fungsi taburan.
Contoh: 7.1
Katalah pembolehubah rawak X mempunyai fungsi taburan
sepenti berikut:
xC
F(x)=
1CxC2
{~+i
x>2
F(x)
2/3
1(3
G.mb.r,iah 7.1: Grit F(s) b~icontoh 7.1
(a)
P(X
1)
F(1)
F(1)
F(1)
F(0)
(b)
71
KEBARANGICALIAN DAN STATISTIK
(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
Graf bagi F (x) adalah seperti gambarajah 7.2

F(x) adaiah merupakan sin lompatan pada titik-titik x = 0, 1, 2.
Pada tempat lain F(x) selanjar. Dan sin mi dapat disimpullan
72
TABIJRAN PEMBOLEHUBAH RAWAK
bahawa kebanangkalian bennilai bukan sifar hanya wujud pada titiktitik X = x di mana x = 0, I, dan 2. Kebarangkalian masing-masing
ialah sama dengan tinggi lompatan iaitu
~-.
Jadi dapat ditaknifkan

F(x)
____
Gambarajah 7.2:
Graf bagi
Fix)
3
untuk contoh 7.2
bagi pembolehubah nawak X sebagai

f(x)= P(X
dan
/(x)
x)
0,1,2
di lain-lain
Dan contoh 7.2 di atas dapat diperhatikan hubungan di antara

fungsi tabunan F(x) dengan fungsi ketumpatan kebanangkalmanfix)
yang benkaitan bagi pembolehubah nawak disknit. Yakni
fix)
F(x)
F(x
I),
I/x eA~
Bagi fungsi tabunan F(x) adalah selanjan hubungan di antara

F(x) dan fungsi ketumpatan kebarangkalian fix) dan kaitannya
dengan keselanjanan bagi pembolehubah rawak X dapat ditunjukkan dengan memerhatikan definisi berikut.
Definisi: 7.1
Pembolehubah nawak X adalah selanjan jika sekinanya fungsi
taburannya F(x) adalah
(a) F(x) selanjan.
73
KEBARANGKALIAN DAN
(b)
Tenbitan pentama F(x)
STATISTIK
adalah wujud dan
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:
Grof bagi Fix) contoh 7.3
Fungsi ketumpatan kebanangkalian gx) boleh dipenolehi dengan

membezakan fungsi F(x):
(0
fix)=F~(x)~=
dx
Contoh: 7.4
Anggap fungsi F(x) dibeni sebagai
74
x<i
2
1CxC~
TABURAN PEMBOLEIIUBAH RAWAK
F(x)
x<0
0~x<
1 z~x
x~
Fungsi ketumpatan kebarangkalian bagi X ialah

0
fix)
x<0
O~x<l
dF(x)
0
l~x
atau
f(x)
ix 0 1C x < I
=
di lain-lain
Dalam kes-kes tertentu tendapat juga taburan di mana fungsi

taburan adalah sukar untuk dipensembahkan dalam bentuk mudah
sepenti contoh-contoh lepas. Kes-kes sedemikian, sebagai contoh,
pembolehubah rawak yang mempunyai fungsi ketumpatan
kebarangkalian
fix)
{10
exp{
~XJC x C ~
di lain-lain
iaitu X bertabunan normal, maka fungsi taburan boleh ditulis dalam

bentuk
r~
F(x)= j1_ex~
ygw~~2
1.
C x C X~
Sebaliknya jika fungsi taburan adalah seperti bentuk di atas yakni

F(x)
75
maka fungsi ketumpatan kebanangkalmanJ(w) boleh dipenolehi dan

tenbitan pentama F (x) adalah fungsi f itu sendini.
3.8
Taburan bagi Fungsi kepada Peinbolehubah Rawak

Katalah X adalah satu pembolehubah nawak yang bentabunan
f~(x).Maka, dalam keadaan tententu kita bukan sahaja benminat
kepada X tetapi juga kepada satu pembolehubah nawak lain, Yyang
merupakan fungsi kepada X. mi benenti, jika hubungan Ydan X
adalah dalam bentuk:
Y= cb(X)
maka kita ingin mengetahui tabunan bagi V Penentuan tabunan bagi
Y, tennyata bengantung kepada fungsi 4) dan taburan bagi X oleh
kerana sebarang kesudahan s yang menentukan nilai X pada titik s,
X(s), juga menentukan nilai Y pada titik s iaitu
Y(.s)
4)(X(s))
Jadi tabunan bagi pembolehubah rawak baharu Yboleh dipenolehi

berdasankan pengetahuan tentang tabunan bagi pemboleubah
nawak X.
Dalam seksyen mi, kita akan bincangkan kaedah yang
digunakan untuk mendapatkan taburan bagi Y dengan menggunakan fungsi ketumpatan kebanangkalian bagi X. Penekanan hanya akan dibeni kepada bebenapa fungsi penting yang
selalu digunakan dalam praktik.
Sekarang, katalah kita andaikan
Y = 0(X)
Maka, fungsi ketumpatan bagi Ydipenolehi dengan tenlebih dahulu
mendapatkan fungsi tabunan bagi Y. F9(y). Rita dapati
F}4y)
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
kita dapati domain bagi pembolehubah rawak Yadalah terdiri dan

semua nilai y supaya y = ax + b dan x adalah nilai di dalam domain
bagi X.
Fungsi taburan bagi Yadalah
Fy(y)
P(Y
I
=
y)
P(aX + b C y)
yh
PI,~XC
Fx(~)
Untuk mendapatkan fungsi ketumpatan kebanangkalian bagi Ybagi

kes disknit kita boleh gunakan kenyataan-kenyataan bahanu jika
F~y)=
b)
maka
=
Sementana bagi kes selanjar kita boleh gunakan teorem benikut:

Teorem: 8.1.
Jika fungsi ketumpatan bagi pembolehubah rawak X ialahfix)
danfungsiy = ax + badalahbolehdibezamakafungsiketumpatan
kebarangkalian bagi Yialah
dF~y)
(yb\dx
(yb\~
dy fx~ a )~fx\~~ a
jika
Coutoh: 8.3
Katalah X mempunyai fungsi ketumpatan kebarangkalian
.f~(x)=
Biarkan Y =
1
1 fx_p~2
exp~
I. 2\ tYJ
~CxCcc
Xp Dapatkan fungsi ketumpatan kebarangkalian
bagi 1.
79
Sementana
Fy(y)
=
=
=
P(X2 C y)
P(YC y) =
P(\/~CXC~/~)
F~(~) F~(
-
j&ay>0
Fungsi ketumpatan bagi Y ialah

MY)
Oleh kenana
ix(~J~)
..,/i~C 0 makaf
1(
MY)
fj)
maka
-0
2~/~
atau
f~( ~/I;)
2../
0
di lain-lain
Penhatikan bahawa contoh 8.4 adalah benbeza dan contoh 8.3

dani segi fungsi 4) adalah bukan linear.Tetapi boleh dijadikan kepada
dua fungsi linear, dan teorem 8.3 boleh digunakan.
Sebenannya teorem 8.3 boleh dijadikan lebih umum supaya
mengambil kina fungsi bukan linear. Tetapi syarat yang hanus
dipenuhi ialah fungsi 4) adalah benhubungan satu dengan
satu.
Jika kita anggapkan
Y = 0(X)
maka hubungan nilal y dan x ialah
y = 0(x)
dan fungsi songsangnya ialah
x
w(y)
maka fungsi ketumpatan bagi Yadalah diberi sebagai

81
KEBARANGKALIAN DAN
~wtv))
Contoh: 8.5
Pembolehubah rawak
kebarangkalian
X mempunyai fungsi ketumpatan
~,
x > 0
di lain-lain
(~
Katalah Y
STATISTIK
~~/iDapatkan fungsi ketumpatan bagi
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
(i) padankan setiap titik sampel dengan X

(ii) senaraikan domain yang boleb diambil oleh X.
Dapatkan kebarangkalian bagi
3.3
3.4
(i) setiap titik dalam wang sampel

(ii) setiap nilai yang diambil oleh pembolehubah rawak X.
Dua buah dadu enam muka dicampak serentak. Jika pembolehubah
rawak X adalahjumlah permukaan kedua dadu, senaraikan domain
bagi X. Jika peristiwa A adalah peristiwa di mana X mengambil nilai
nombor genap senaraikan nilai-nilai yang diambil oleh X di dalam
A. Dapatkan taburan kebarangkalian bagi X Jan tentukan P(A).
Satu duit syiling dicampak 4 kali. Dapatkan taburan kebarangkalian
bagi pembolehubah rawak berikut:
X ialah bilangan ekor yang muncul

X ialah bilangan ekor yang muncul dibalingan pertama dan
k ed ua
(c)
X ialah bilangan ekor yang muncul jika balingan pertama
menghasilkan kepala.
Dapatkan taburan kebarangkalian bagi pembolehubah rawak X di
mana x adalah bilangan paku rosak yang diperolehi apabila 5 paku
dipilih secara rawak dan satu bakul yang mengandungi 100 paku, 15
daripadanya adalah rosak.
Dapatkan tabunan kebarangkalian bagi pembolehubah rawak X di
mana x adalah bilangan orang Melayu yang menganggotai ~atu
jawatankuasa 5 orang jika jawatankuasa tersebut dipilih secara
rawak dan 10 orang Melayu, 8 orang Cina dan 7 orang India.
Bilangan pelanggan yang membeli di sebuah kedai berlian dalam
(a)
(b)
3.5
3.6
3.7
saw han didapati mempunyai taburan kebarangkalian seperti
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
TABURAN PEMBOLEHUBSH RAwAK
Apakah nilai a supaya /(x) adalah fungsi kebarangkalian bagi

pembolehubah rawak X. Dapatkan
(a)
(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)
Apakah nilai a supaya fix) benan-benan fungsi ketumpatan

kebanangkalian bagi X.
(b)
Dapatkan kebanangkalian
(i)
(iii)
P(X ~ 2)
P(0 C X
(ii)
5)
P(X C 3)
(iv)
PU
3)
3.14 Katalah X adaiah pembolehubah nawak yang mempunyai fungsi

kebanangkalian sepenti benikut
x=x
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
Lakarkan graf bagi F (x)

3.20 Diberi fungsi tabunan bagi pembolehubah nawak X sebagai
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)
3.21 Jika fungsi taburan bagi pembolehubah rawak X adalah sepenti

gambanajah di sebelah
86
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)
3.22 Pembolehubah rawak X adalah mempunyai fungsi ketumpatan

kebanangkalian
(i)~
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)
3.23 Satu pembolehubah

sebagaimana benikut
nawak
X
(0
~1
mempunyai
fungsi
xCO
OCxC1
F(x)=
J3
(,i
87
lCx<2
x~2
taburan
XEBARANGKALIAN DAN STATISTIK
Dapatkan fungsi ketumpatan kebarangkalian fix) bagi X.

3.24 Jika dibeni fungsi tabunan adalah
(a)
xCO
(0
OCXC1
F(x)=
x>0
(I,)
xCO
(0
(1
F(x)=
x > 0
Dapatkan fungsi ketumpatan kebanangkalian fix) bagi setiap kes.

nx
0
3,25 Satu pembolehubah rawak
disknit X adalah mempunyai fungsi
ketumpatan kebanangkalian
tl e
x = 0, 1, 2, 3,
di lain-lain
Jika ditaknifkan pembolehubah nawak Y = 2X. tentukan domain

bagi Ydan dapatkan fungsi ketumpatan kebanangkalian bagi 1.
3.26 Pembolehubah nawak X mempunyai fungsi ketumpatan kebanangkalian
2CxC2
f(x) =
di lain-lain
Jika ditaknifkan Y = X2. Dapatkan (a) Domain bagi Ydan (b) fungsi
ketumpatan bagi Y.
3.27 Pembolehubahnawak Yadalahditaknifsebagai Y= 2X + 3,dimana
Xmempunyaifungsiketumpatanf(x) = e~0 C x C co;f(x) = 0,di
lain-lain. Dapatkan fungsi ketumpatan kebanangkalian bagi 1.
3.28 Jika X me~punyai~ju~gsikebanangkalian
P(X = x) = (xx)
p)4~X
x=0, 1,2, 3,4

di lain-lain
Dapatkan fungsi kebarangkalian bagi Ydi mana Y

88
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
Pasangan Pembolehuhah Rawak dan Penistiwa

Jikalau, katalah, X dan Y adalah dua pembolehubah rawak
89
maka X adalah satu fungsi nilai nyata yang memadankan tiap-tiap

titik sampel s e S kepada nilai-nilai di dalam domain yang bahanu.
Begitu juga pembolehubah rawak Y yang dipadan ke atas s e S
tensebut. Jadi domain bagi kedua-dua pembolehubah nawak X dan Y
adalah domain dua-dimensm di mana setiap titik s ; se S dipadankan
kepada unsur nyata x, y di mana x
X(s) dan y
)js). Setiap
pasangan (X. Y) adalah merupakan padanan daris :s eS kepada titik
(x, y). Sebagai contoh, perhatikan pencubaan melambung duit syiing
3 kali. Ruang sampel S ialah
=
~ KKK,
KKE,
KEK,
S
~2
EKK,
EKE,
LEK,
54
55
S~
EKK,
EEE
57
Jika kita taknifkan pembolehubah rawak sebagai:

X = bilangan kepala yang muncul pada dua lambungan yang
mula-mula.
Y
bilangan kepala yang keluan pada lambungan terakhmr
maka X akan mengambil nilai-nilai {0, 1,2) dan Yakan mengambil
nilai-nilai {0, l}. Padanan dan titik-titik sampel s 6 S dengan
pasangan (X, Y) boleh ditunjukkan sebagai jadual benikut.
=
s~
S~
$3
$4
$5
~6
S~
S~
X(s)
Y(s)
Dan jadual di atas kita penhatikan bahawa titik ~i dipadankan

kepada titik (2,1), ~2 kepada (2,0) dan seterusnya. Atau secara umum
domain bagi (X. Y) dicatat ~ adalah domain yang terdini dan (x. y)
iaitu
=
{x. y: x
0, 1,2 dany
0, l}.
Dengan menggunakan konsep yang sama peristiwa bagi

pembolehubah rawak (X. Y) boleh ditaknifkan. Jika A adalah subset
di dalam A~,maka peristiwa [(X, Y) e A] adalah padanan kepada
penistiwa C yang ditaknif atas ruang sampel s di mana C = {s SE S
dan X (s)e A dan Y(s) EA}. Sebagai contoh, penistiwa (X = 0, Y = 1)
adalah padanan dan titik-titik sampel di mana {s :sES danX (s) = 0
dan Y(s) = 1 } iaitu ~6 dan eontoh di atas. Penistiwa (X C 1 dan Y =
90
SET-SET BEBERAPA PEMBOLEHUBAH RAWAK
0) adalah padanan dan {s s eS dan X (s) ~ 1 dan Y(s)

titik-titik 55, 57 dan s3. Dan seterusnya.
0} iaitu
Sekarang, katalah kita anggapkan X dan Y adalab dua

pembolehubah rawak. Taburan kebarangkalian bagi berlakunya X
dan Ysecara serentak, ditulisf(x. y) adalab fungsi kebarangkalian
maka seharusnya ia memenuhi syarat:
(i) 0 ~f(x.y)
~ I
f(x.y)
(ii)
flf(x,y)
xy
bagi kes diskrit
atau
bagi kes selanjar.
=
4.3
Fungsi Ketumpatan Bersama

Jikalau X dan Yada!ah pembolehubah rawak diskrit maka X
dan Y hanya mengambil nilai-nilai nombor bulat. Maka taburan
kebarangkalianf(x, y) = P(X
x. Y = y) cuma tertakrif pada titiktitik di dalam ~
=
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)}
Kebarangkalian untuk setiap titik berkenaan dapat ditunjukkan

seperti jadual di muka surat 92.
91
ftx,y)
If
1
Fungsif(x, y) adalah memenuhi syarat

2
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)
=
=
=
P(X C 1 dan Y= OatauX C idan Y= 1)

P(X C 1 dan Y= 0) + P(X C 1 dan Y= 1)
1(0,0) +f(1,O) +f(0,1) +f(1, 1)
1
1226
92
SET-SET ~EBERAPA PEMBOLEHUBAFI RAWAK
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
dan jika A <A~~

maka
P(A)
fi~x.y) dx dj~
JAJ
Definisi 3.2 di alas memberikan pengertian bahawa fungsif(x,

y) adalah merupakan permukaan di atas satah (x, y) di mana jika
satu subset A yang digambarkan oleh kawasan dalam satah (x, y)
maka P(A) = P(X, Y~A) ialah isipadu yang dibatasi oleh tapak A
dan permukaanf(x, y).
I(x,y)
f(x, y)
Axy
O.mb~~.h
al: .A~yden f(x. y)
93
Dalam penentuan kebarangkalian satu-satu peristiwa ternyata

melibatkan penentuan tapak dalamsatah (x. y) di daiarn domain
As,.. Jadi adalah penting jika kita terlebih dahulu memerhatikan
kawasan yang ditakritkan oleh satu-satu peristiwa sebelum kita
tentukan apakah kebarangkalian. Keadaan mi akan lebih ketara
jika peristiwa tersebut adalah rumit bentuknya. Sebagai contoh kita
perhatikan beberapa peristiwa berikut dengan bantuan gambarajah:
y
y
VA
Gambarajah 3.2a:
Kawasan berlorak menunjukkan

peristiwa [a~X cb y ~ Vt]
rssA
/////~ ~///////////////
GambersjthS.Z,:
Kawasan berlorek menunjukkanperistiwa hi c
94
SET-SET BEBERAPA PEMBOLEHUBAR RAWAIC
Gambarajah 3.2c~ Kawasan ber~orekmenunjukkafl

peristiwa [aC X C b.c <y < d]
y
y=x
Gambarajah 3.2d:
Kawasarl berlorek menunjukkan

peristiwa (~? y)
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 <
atau kawasan berlorek dalam gambarajah 3.3.
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
(PX~ Y)= P(X~y,O<y<

Cl
=
ldxdy
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
SET-SET BEBERAPA PEMBOLEHUBAH RAwAK
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
adalah sama dengan peristiwa
<
2] dan
P(X<fl=
JJ~1dydx
1(
x~\
I Ix----ldx
Jo\
4j
7
16
4.4
Fungsi Taburan Bercantum

Katalah X dan Yadalah dua pembolehubah rawak denganf(x,
y) sebagai fungsi ketumpatan bercantum. Jika kita takrifkan
peristiwa [X C x, Y ~ y] maka
P(X E x, Y~y) = F(x,y)
adalah dipanggll fungsi taburan bercantum bagi pembolehubah
rawak X dan Y
Bagi X dan Ydiskrit maka
~
f(x, y)
X~CxY~y
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
ma ka fungsi taburan bercantum, F (x, y) boleb diperolehi seperti

berikut:
F(0,0)
f(0,0)
8
F(0, 1)= 1(0,0) + f(0.1)
F(1,0)= 1(0,0) + 1(1,0)
F(l, 1)= f(O,O) +1(0,1) +1(1,0) +1(1,1)
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)=
1(0,0) + f(1, 0) + f(2, 0)
ata~iboleh diperhatikan sebagai jadual di sebelah:

100
F(x,y)
I8
Contoh: 4.2
Katalah f(x, y) adalah dua pembolehubah rawak selanjar

dengan fungsi ketumpatan bercantum
f(x. y)
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
Si6t Fungsi Taburan Bercantum

Sifat-sifat fungsi taburan bercantum F (x, y) adalah mempunyai
ciri-ciri persamaan sebagai fungsi taburan, F (x) bagi satu
pembolehubah rawak. Di sini dicatat secara ringkas sifat-sifat yang
inustahak.
(a)
OCF(x.y)C1bagiaJcx<cxD,aDcy<~~
mi adalah jelas oleh kerana F (x, y) adalah fungsi
kebarangkalian.
101
(b) Jika x1 C x2 dan y1 C Y2 maka F(x, y)

atau F(x. y) adalah fungsi tak menurun.
(c)
(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)
Jikaa C bdan Cdmaka

F(a,c)
F(a,d)
F(b,c) + F(b,d) ) 0
Keadaan
mi boleh ditunjukkan seperti berikut:
F(a,c)
F(a,d)
F(b,c)
P(a c X C b.c -C Y C d)
F(b,d)
OlehkeranaP(a <X C b,c -c YC d)) Oketidaksamaan

di atas adalah berlaku.
-
(0 (0
(ii)
had
F(x,y)= F(cc,y)
Fy(y)
had
F(x, y)
F~(x)
F(x, cc)
y.r
Di mana F4y) dan F~(x)ialah masing-rnasing fungsi taburan

bagi peinbolehubah rawak Ydan fungsi taburan bagi pembolehubah
raWak X. Fungsi taburan F~(y)dipangglll fungsi taburan margmna)
bagi Ydan diperolehi dengan mendapatkan had bagi F(x. y) bila x
102
SET-SET BEBERAPA PEMBOLEHUBAI-1 RAWAK
mendekati infinit atau bersamaan dengan mendapatkan P(X C x, Y

c cc). Fungsi taburan marginal bagi X, F,(x) juga diperol ehi dengan
cara yang sama.

4.5
Fungsi Ketumpatan Marginal

Katalah kita diberi fungsi ketumpatan bercantum bagi dua
pembolehubah rawak X, Y sebagai f(x, y). Fungsi ketumpatan
kebarangkalian Ix (x~ = g(x) bagi satu pembolehubab rawak X
adalah dipanggil fungsi ketumpatan marginal bagi X. Juga fungsif~
(y)
h(y) adalah dipanggil fungsi ketumpatan marginal bagi Y.
Fungsi g(x) (atau h(y)) mi adalah fungsi kepada hanya x (atau y)
sahaja. Oleh kerana fungsi ketumpatan marginal adalah satu fungsi
ketumpatan kebarangkalian, maka ia memenuhi syarat fungsi
kebarangkalian.
Fungsi ketumpatan marginal bagi kes X dan Y diskrit boleh
diperolehi dengan formula berikut:
g(x) = tf(x,y)
=
y
dan
~ f(x, y)
/z(y)
Semeritara bagi X dan Y selanjar maka

g(x)
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
KEBARANGKAL1AN DAN STATISTIK
Fungsif(x,
y)
ditunjukkan dalam gambarajah di bawah.
~3,2)
4
3
21
21
21
1(3, I)
21
21
21
Fungsi ketumpatan marginal bagi X ialah seperti gambarajah di

bawah.
x
1
2
3
579
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
Dengan cara yang sama fungsi ketumpatan marginal bagi Ydapat

diperolehi sebagai:
12
21
21
104
Contoti: 5.2
Katalahf(x,y) = e;O C X <
ketumpatan bersama bagi X dan Y
: I.:-;
(13,0
C y < 03 adalah fungsi
Maka fungsi ketumpatan marginal bagi X ialah

g(x)
f(x. y) dy
e~
dy
atau
o
g(x)
{e~
<
<
di lain-lain
Fungsi ketumpatan marginal bagi Yialah

h&)
atau
dx
O<y<03
hW= {C
di lain-lain
Oleh kerana fungsi ketumpatan marginal adalah fungsi

ketuinpatan kebarangkalian bagi satu pembolehubah, maka sudah
tentu ia botch digunakan untuk rncndapatkan kebarangkalian bagi
peristiwa-peristiwa yang ditakrif di atas pembolehubah rawak
tersebut. Sebagai misalan perhatikan contoh berikut.
Contoh: 5.3
Katalahf(x, y) adalah sebagaimana contoh 5.2. Dapatkan P(0
<X1 ic 1)
Penyelesaian:
P(O cX1 < 1)
g(x) dx
=
105
Jo
1
e~dx
1
C
KEBARANUKALIAN DAN STATISTIK
Yaknif(x, y) adalah fungsi ketumpatan kebarangkalian. Bagi kes

diskrit dapat ditunjukkan dengan cara yang sama.
Untuk mendapatkan kebarangkalian bersyarat fungsi
ketumpatan bersyarat boleh digunakan sebagaimana biasa. Sebagai
misalan,
P(a < X < b/Y= y)
ff(x/y)dx
bagi kes selanjar atau

P(a<X<bJYy)
Ef(x/y)
x=o
bagi kes diskrit.

Contoh: 6.1
Katalah pembolehubah rawak X dan Y mempunyai fungsi
ketumpatan bersama
1xy
fix, y)
Ocx<y<2
2
0
di lamn-lain
J-~
Maka, fungsi ketumpatan marginal bagi X. g(x) ialah:

g(x) =
f(x, y) dy
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
Fungsi ketumpatan bersyarat bagi X diberi Y
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 < 1/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)
P(YC l/X <1)
lintuk mengira kebarangkalian peristiwa
mi
kita harus gunakan
persamaan
P(Y
<
1/X
1)
<
ldanX <1)
P(Y<
=
P(X
1)
<
Peristiwa ~ < 1, X < i~

dan
< iJ ditunjukkan sebagai kawasan
berlorek dalam gambarajah berikut.
(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
Perhatikan bahawa penggunaan istilah jika dan hanya jika di

dalam definisi adalah untuk menunjukkan bahawa hubungan
selisihnya juga berlaku. Yakni jika
f(x, y)
g(x). h(y)
V(x. y) e
maka pembolehubab rawak X dan Y adalah ketakbersandaran
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)
Yaknijika X dan Ytak bersandar malta fungsi taburan bersama bagi

X dan Y boleh ditulis sebagai hasil darab fungsi taburan marginal
bagi X dan fungsi taburan marginal bagi Y
Jika A dan Yadalah diskrit maka
F(x,y)
F(x).F(y)
ditakrif pada semua titik dalam domain bagi X dan Y bererti

P(X
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).
Berdasarkan definisi 7.1 juga dapat ditunjukkan bahawa fungsi

ketumpatan bersyarat adalah sama dengan fungsi ketumpatan
marginal bagi pembolehubah rawak tersebut, iaitu jika X dan Y
adalah ketakbersandaran stokastik maka
f(x/y)
dan
g(x)
f(y/x) =
ii(y)
Dengan kata lain, mi bererti fungsi ketumpatan bersyarat bagi Y

diberi X = x (atau X dibeni Y = y) adalah tidak bergantung kepada
kelakuan kebarangkalian pembolehubah rawak X (atau 11.

Contoh: 7.1
Katalah X dan Ymempunyai fungsi ketumpatan bercantum

f(xy)
(x,y)
di lain-lain
{(O,O),(1,0),(0, 1),(l,1)}
Fungsi ketumpatan marginaPialah:

x
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
Oleh itu X dan Yadalah ketakbersandaran stokastik.

Contob: 7.2
Dua pembolehubah rawak A dan Y mempunyai fungsi
ketumpatan bercantum
f(x.y)
(x, y)
(~0
{(0, 0), (1, 0), (1, 1), (2,0)}
di lain-lain
115
maka X dan Y adalah pembolehubah bergantung (kebersandaran

stokastitc). mi dapat ditunjukkan dengan mengambil satu titik
katalah (x, y) = (0, 0).
f(0~0)
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
Katalah dua pembolehubah rawak selanjar mempunyai fungsi

ketumpatan bersama
O<xcl,Ocyc1
di lain-lain
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
SET-SET BEBERAPA PEMBOLEHUBAN RAWAK
g (x) h (y).
Jadi X dan Y adalah bersandar kerana f(x, y)
Dengan pengetahuan bahawa A dan Ytak bersandar pengiraan

kebarangkalian bagi satu-satu peristiwa biasa akan lebih senang. mi
dapat dilakukan dengan menggunakan teorem berikut.
Teorem 7.1
Jika A dan Yadalah dua pembolehubah rawak tak bersandar
dengan fungsi ketumpatan marginal masing-masing ialah g (x) dan
/1(y) bagi setiap a <. b dan c c d maka
P(a <A c b, c -C Y -c d) = P(a -cX <b).P(c -c Y -c d)
Bukti
Jika A dan Ytak bersandar makaf(x, y)
P(a cA -cb, c < Y -c d)
fJ
= g
(x).h(y). Oieh itu
g (x) h(y) dy dx
f~x)dx.Jh&)dy
P(a -cX -c b).P(c < Y-c d)
Pembuktian bagi kes disknit adalah sama, cuma tanda kamilan

digantikan dengan tanda jumlah.
Contob: 7.4
Fungsi ketumpatan bersama bagi A dan Y adalah
f(x,y)=
1~I
0 < x <
~,
0 C y C
di lain-lain
X dan Yadalah tak bersandar oleh kerana

g(x)
dan
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)
Dengan menggunakan teorem 7.1

P(0<A<1)=
Jo
=
P(0 C Y< 2)=
e~dx
(2
e~dy
Jo
=
OlehituP(0 C A < 1,0 C YC 2)
(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
Beherapa Pembolehubah Rawak

Konsep-konsep yang diperbincangkan bagi kes dua pembolehubah rawak dalam seksyen-seksyen lepas boleh dengan senang
dikembangkan kepada kes banyak pembolehubah. Seksyen mi
memberikan sedikit sebanyak pengembangan bagi konsep-konsep
tersebut.
Katakan A,, A
2
A, adalah n pembolehubah rawak ditakrif
di atas ruang n dimensi. Fungsi taburan bersama bagi A,, A2
A, yang mempunyai fungsi ketumpatan bercantumf(x, x,,..., A,)
adalah
F(x,. x2
x,,) = P(X, C x,, A2 C x2
A, C x,,)
yakni
F(x,,x2
x,)
x, x2
x,)
...
118
Bagaimanapun harus diingat di sini bahawa jika keperluan di atas

dipenuhi A, A, adalah dipanggil ketakbersandaran bercantum. ma
harus dibezakan dengan ketakbersandaran berpasangan iaitu setiap
pasangan bagi A
A, adalah takbersandar. Jika setiap pasangan
adalah takbersandar tidak semestinya ketakbesandaran bercantum
...
dicapai.
4.9
Fungsi kepada Beberapa Pembolehubah Rawak

Jilca A dan Yadalah dua pembolehubah rawak dan katakan ~
adalah satu fungsi kepada A dan Y Maka
Z
~(A, Y)
adalah merupakan satu pembolehubah raWak baharu yang ternyata

nilainya bergantung kepada nilai-nilai X dan Y~Bentuk demikian
yang lebih umum mungkin melfbatkan lebih dan dua
pembolehubah rawak iaitu
Z=(A,,A2,..~ A,.)
Fungsi taburan bagi Z iaitu Fz(z) = P(Z C z) boleh diperolehi
dengan menentukan jumlah atau nilai kamilan bagi fungsi
ketumpatan bercantum bagi A, X, di atas domain bagi X
A, di
mana ~(x1 x,). C z. Yakni:
...
...
Fz(z)
C z)
= P(44X1
A,) C 2)
P(Z
nEfx1~..AJx,...x.J
...
bagi kes disknit, atau

=
...~,
(x, ...xjdx,dx2
bagi kes selanjar, di mana

B = {x, ...x,eR 4(x
...
dx,
x,) C z}.
Penentuan jumlah atau kamilan di .atas adalah sukar untuk

dilakukan. Untuk tujuan kita, kita akan hadkan kepada kes dua
pembolehubah rawak sahaja. Dan bentuk fungsi 4i yang kita akan
bincangkan adalah fungsi linear dalam bentuk jumlah.
Andaikan
Z=X+
Y
120
di mana X dan Ymempunyai fungsi ketumpatan bercantumfxy(x, y).

Untuk mendapatkan fungsi taburan bagi Z kita boleh gunakan
formula
Fz(z)
P(Z ~ z)
P(X + Y~ z)
jf(xY)dxdY
X+ycz
Kawasan bagi kamilan di atas ditunjukkan sebagai kawasan

berlorek dalam gambarajah 9.1
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
Dengan melakukan pembolehubab iaitu anggap x

Fz(Z)
j-, J
i:
y maka
j(r;~y) dt dy
1.tu_Y.YdYdt
Untuk mendapatkan fungsi ketumpatan kebarangkalian bagi Z kita

harus bezakan FA:) berdasarkan Z:
dF,(z)
fz(z)
fi
I
dz
Dengan menyelesaikan kamilan berdasarkan y kita akan perolehi

fungsi ketumpatan kebarangkalian bagi Z.
Jikalau X dan Yadalah ketakbersandaran stokastik maka
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
X1 + X2. Dapatkan fungsi ketumpatan bagi S.
Penyelesaian:
Fungsi ketumpatan bagi S ialah
s(s)
122
x2)f~2(x2)dx2
olehkeranaX1 ~ OdanX2
>
Begitu juga F~(s
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
>
Taburan bagi jumlah beberapa pembolehubah rawak

diperolehi dengan mengembangkan formula yang diperolehi untuk
duapembolehubah.YaknijikaZ = X1 + X2 + + X~makafungsi
ketumpatan bagi Z diperolehi dan:
...
f~(z)=
...Jf(z
dx2 dx3
...
...
x~,x2,x3,
...
dx4
Bagaimanapun dalam praktiknya adalah sukar untuk diselesaikan.

Kaedah yang lebih senang akan dibincangkan di dalam bab yang
akan datang.
Latihan Bab 4
4.1 Dua duit syiling lambung serentak sebanyak dua kali. Senaraikan
kesemua kemungkinan kesudahan. Jika ditakrifkan pembolehubah
rawak X dan Ysebagai masing-masing, bilangan kepala yang keluar
pada lambungan pertama dan kedua, tentukan domain bagi Xdan Y
Dapatkan taburan kebarangkalian bersama bagi X dan Y.
4.2
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
bilangan bola merah dan Y sebag-ai bola hijau yang terpilih,

dapatkan
(a~ Domain bagi X, Y
(b) Taburan kebarangkalian bersama bagi X dan Y
(c) P(X = 0, Y= 3)
4.3
Dab satu jawatankuasa yang terdiri dan 4 orang Melayu, 3 orang

Cina dan 2 orang India, 3 orang dipiih secara rawak. Jika X dan Y
adalah bilangan orang Mclayu dan bilan~anorang India terpilih,
masing-masing, dapatkan
(a) Taburan kebarangkalian bagi X dan Y
(b) P(X = 2, Y= 1)
(c) P(X ~ 2, Y= 1)
4.4
Andaikan pembolehubah rawak X dan Y mempunyai fungsi

ketumpatan kebarangkalian bersama sebagai
y
1
.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)
Katalah X dan Y mempunyai fungsi ketumpatan kebarangkalian

bersama sebagai:
0
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
X dan Yadalah dua pembolehubah rawak yang mempunyai fungsi

ketumpatan bersama
f(x.y)=
fe
0 < x < c~,0

di lain-lain
-(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
Katalah X dan Ymempunyai fungsi ketumpatan bersama

8xy
f(x,y)=
0<x<y<l
di lain-lain
(a) Lakarkan domain bagi X dan Y

(b)
Dapatkan kebarangkalian:
1
4.8
()
[0<
Xc
(ii)
[x
(iii)
[Y
<
~/X
~,
1
Y-c
<~
Bagi kes-kes berikut tentukan nllai a supayaf(x, y) adalah fungsi

ketumpatan bersama bagi X dan Y
(a) f(x,y) = axy;0 cx <2,0< y <2
(b) f(x,y) = ax(t
y);O < x < 1,0 < y < 1
125
KEBARANGKAL1AN DAN 5TAT1STIK
(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
Bagi kes-kes dalam soalan 4.2 dan 4.3 dapatkanf(y/x),f(x/y) dan

fungsi ketumpatan marginal g(x) dan h(y).
4.10 Dua pembolehubah rawak mempunyai fungs~ketumpatan bersama

flx,.y)=!xy
0
(a)
(b)
(c)
(d)
0<xcy<3
di lain-lain
Lakarkan domain bagi X dan Y

Tentukan nilai a supaya f(x, y) adalah benar-benar fungsi
ketumpatan bersama.
Dapatkan fungsi ketumpatan marginal bagi X dan bagi V
Adakah X danYtak bersandar?
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
>
KEBARANGKALiAN DAN STATIST1K
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)
(1,O),( 1,0),(0, 1),(0,
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
(a) P(X1 < 1,X2> 1,1 cX3c2)

(b) F(x1x2,.~c3)
(c) Fx2 x3(x2 x3)
4.19 X dan Ymempunyai fungsi ketumpatan bersama
-
J(xy)
{x+y
x= 1,2,3
di lain-lain
128
Y= 1,2
SET-SET BEBERAPA PEMBOLEHIJBAH RAWAK
Jika ditakrifkan Z
dapatkan
X + Y
(a) P(Z
3)
(b) P(Z ~ 3)
(c) Fungsi ketumpatan bagi Z.
=
4.20 Katalah X dan Yadalah dua pembolehubah rawak tak bersandar

dan masing-masing mempunyai fungsi ketumpatan
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
Jangkaan bagi Satu Pembolehubab Rawak

Delinisi 1.1
Jika X adalah pembolehubah ra~s~k,
maka nilai jangkaan bagi
X, E(X) adalah ditakrifkan sebagai
E(X)
E xf(x)
bagi X
xf(x) dx bagi X selanjar
8~~~
-~
di mana (a) E
Ixjf(x)
<
~ atau (b)J
IxIf(x)
dx c
t.
Syarat-syarat (a) dan (b) dalam definisi di atas adalah

menentukan jumlah atau kamilan adalah bertumpu secara mutlak
supaya E (X) adalah wujud. Jika tidak maka E (X) dianggap tak
tertakrif.
-
130
JANGKAAN MATEMATiK
Nilai jangkaan E (X) juga dike:nali sebagai mm

bagi
pembolehubah rawak X atau juga sebagai momen pertama bagi X.
Contoh: 1.1
Satu duit syiling dicampak 4 kali dan katalah X adalah
pembolehubah rawak yang menunjukkan bilangan kepala yang
muncul. Apakah jangkaan bagi X?
Penyelesaian:
Fungsi ketumpatan kebarangkalian bagi X ialah
(4\\
(~
f(x)
x
0
E(X)
4
=
0, 1, 2, 3, 4
di lain-lain
xf(x)
o(~)+1
Jadi mm
(~) (~) (~)

+3
+2
+4(1)
bagi pembolehubah rawak X ialah 2.
Cofltoh: 1.2
Katalah X adalah pembolehubah rawak
yang mempunyai
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
Jangkaan bagi Fungsi Kepada Pembolehubab Rawak

Dalam keadaan tertentu kita juga mungkin tertarik kepada
jangkaan bagi pembolehubah rawak yang berhubungan dengan
pembolehubah rawak lain yang diketahui kelakuan kebarangkaliannya. mi bererti, jika
E(aXh)=
aE(X)+b
aE(X)b
atau
E(aX I,)
aE(X) h.
Contoh: 2.1
Katalab pembolehubah
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)
atau dengan menggunakan keputusan

E[aX
bJ
kita dapati E(2X

Jangkaan bagi X ialah
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
f(x)
( e~
di lain-lain
Y berhubungan dengan X dalam bentuk Y

4(X) kita ingin
mengetahui apakah nilaijangkaan bagi Ydengan menggunakan mm
bagi X. Teknik untuk mendapatkannya dijelaskan oleh definisi
berikut.
=
Definisi: 2.1
Jangkaan bagi Y
E(Y)
E[4(X)]
4~(X) adalah diberi sebagai
E 0(x) f(x)
bagi X diskrit
r~
j 0(x) f(x) dx bagi X selanjar
-
di mana f(x) adalah fungsi ketumpatan kebarangkalian bagi

pembolehubah rawak X.
Syarat untuk wujudnya E[0( X)] adalah sama seperti dahulu
iaitujumlah atau kamilandi dalam domain X harus bertumpu secara
mutlak.
Fungsi 0 yang paling senang dan selalu digunakan ialah fungsi
linear dalam bentuk 0(X) = aX + b di mana a dan b adalah
133
135
46
10
KEBARANGKAi~IANDAN STATISTIK
Hukti: lni tclah dibcrikan dalam seksyen 4.2.
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)]
Bukti: kes diskrit.

E[g( X) h( X)]
[g(x1) h(xJ] f(x~)

[g(xjf(x1) h(xjf(xJ]
g(xjf(x1) h(xjf(xJ
E[g(X)]
E[h(X)]
Untuk k es selanjar gantikan tanda jumlah dengan kamilan dan kita

akan dapat keputusan yang sama.
Teorem 32 boleb dikembangkan untuk mengambil kira
keadaan yang Iebih umum iaitu
136
JANGKAAN MATEMATIK
EE[gi(X)]
di mana fungsi g1 boleh jadi dalam bentuk positif atau negatif.

Contoh: 11
Katalah pembolehubah
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
(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
Momen: Mm dan Varians

Dengan mengambil fungsi
138
dalam seksyen 2 sebagi fungsi
JANGKAAN MATEMATIK
mi
kuasa; 0 (X ) = X~maka nilai jangkaan bagi fungsi

adalab
dinamakan momen ke-r bagi pembolehubah rawak K. Yakni:
L
x7(x)
bagi X diskrit
~J
xrf(x) dx bagi K selanjar

di mana r = 1, 2,
Momen yang pentama p1 ialah nilai jangkaan atau mm bagi X,
iaitu
.
P2(X)
P2(X)
Sementara
Contoh: 4.1 momen yang kedua ialah
P2
2), dan setenusnya.
P2(X
Katalah X mempunyai fungsi ketumpatan kebanangkalian
f
0
di lain-lain
Maka
Cr
Ph =
If(x)dx
Jr
JO
5k
k+1
atau momen ke-k bagi X ialah p~=

Untuk mendapatkan mm bagi X gantikan Ic
5
momen yang ke-2 ialah:

~2
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]
adalah dibeni sebagai
[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
Apakah mm dan varians bagi X?

Mm bagi X
3
E(X)
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
Dengan menggunakan definisi 2.1.

a2
E(X
E(xp)2f(x)=
(O_2)2.~+(1_2)2.(~)+
22_
+ 3
22
4
2
4
i_o+io+o+io
Kita perhatikan varians adalah merupakan purata kepada

kuasa dua sisihan nllai-nilai X dan minnya sendini. Ta
menggambarkan jarak ukuran-ukuran nilai pembplehubah dan
minnya atau dengan kata lain, nilai-nilai X adalah bersebaran di
sekitar minjika a2 adalah kecil dan bersebaran jauh dad minjika a2
besar nilainya.
Punca kuasa dua positif bagi varians, a2 dipanggil sisihan

piawai, iaitu
a
~/vanians
Contoti: 4.2
Katakan X adalah pembolehubah rawak yang mempunyai mm

dan vanians c2. Andaikan pembolehubah rawak Y = aX + h adalah
jiingsi kepada X. Dapatkan vanians bagi Y.
Penyelesaian:
Var (Y)
= E[(Y
=
E(aX
lepas] jadi
=
b)
E[(aX
+ b
aE(X)
_b)]
a E (X) + b telah ditunjukkan dalam contoh
141
KEBARANGKALIAN DAN STATiSTIK
Var(Y)
P2[{a(X
p)2]
P2[a2(X
a2 P2(X
p)2
a2 Var(X)
=
=
Dan contoh di atas kita dapati penambahan pemalar b tidak

membeni kesan kepada vanians atau sisihan piawai bagi satu
pembolehubah nawak. Sementara penukanan pembo!ehubah dalam
bentuk hasil darab, a. menukarkan vanians dengan a2 kali.
5.5
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
Teonem di atas yang juga boleh ditulis sebagai

P(p
ka
< X
<p + ka)
membenikan gambaran bahawa kebarangkalian sebanang

pembolehubah rawak X benada di antara k sisihan piawai dan mm
adalah sekurang-kunangnya 1
Ta membolehkan kita niengira
batas bawah kebanangkalian bagm peristiwa tententu bagi sebarang

tabunan. Bagaimanapun oleh kerana batas yang dipenolehi tidak
semestinya hampir kepada nllai sebenar, ia janang digunakan untuk
142
JANGKAAN MATEMATiK
menganggan ukuran kebarangkalian, tenutamanya jika tabunan

pembolehubah nawak tersebut diketahui. Batas atas kebarangkalian
boleh juga dikina dengan menggunakan teorem di atas. hi timbul
oleh kenana ketidaksamaan di atas boleh juga ditulis dalam bentuk
1
P(]X
p~~ ka) ~
yang membenikan kebanangkalian pembolehubah nawak X

mengambil nilai di luan Ic sisihan piawai dan mm sebagai selebihlebihnya
Contoh: 5.1
Katalah satu pembolehubah rawak X mempunyai fungsi
2<x<6
4
(0
Dapatkan angganan bagi P(3
<
di lain-lain
X
<
5).
Penyelesaian:
Mm dan vanians bagi X ialah masing-masing
a2
p= 4
P(3 <X
P(4
5) boleh ditulis sebagai

1 <X < 4 + 1)
Dengan menggunakan ketidaksamaan Chebyshev

P(4
Ic
<X
<
+ k
dengan mengambml
P(4
cX
k =
~+
41 didapati
k~)
P(3
<
<
5) ~ 1
v~2
2
143
KEBARANOKALiAN DAN STATISTiK
atau
1
4
P(3
<
<
5) ~ 1
Batas bawah bagi P(3
<
<
5) ialah
Sementana ukunan kebanangkalian sebenan ialah:

P(3 <
<
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
Jangkaan bagi Fungsi kepada Dna Pembolehubah Rawak

Konsep nilai jangkaan bagi fungsi kepada satu pembolehubah
nawak boleh dikembangkan untuk mengambil kmra fungsi kepada
dua atau lebih pembolehubah rawak. Definisi 2.1 boleh
diubahsuaikan untuk mengambil kina dua pembolehubah nawak
yang mempunyai fungsi ketumpatan bensama f(x, y) atau n
pembolehubah nawak X1, K2
K0 yang mempunyai fungsi
ketumpatan bensamaf(x1 x2 xj.
Seksyen
akan menumpukan perhatian hanya kepada fungsi
dua pembolehubah nawak. Bagi kes banyak pembolehubah
penbincangan akan diberi secana ningkas sebagai lanjutan kepada
kes dua pembolehubah. Fungsi yang kita akan bineangkan juga
tenhad penekanannya kepada fungsi linear maitu fungsi yang paling
senang tetapi banyak penggunaannya di dalam pnaktik.
Katalah X dan Y adalah dua pembolehubah rawak dengan
fungsi ketumpatan bersamafi x, y). Katalah 0 adalah fungsi kepada
...
mi
144
JANGKAAN MATEMATIK
dua pembolehubah rawak
mi, maka
Z
0(X.
Y)
adalah menupakan satu pembolehubah nawak bahanu yang nilainya

bengantung kepada nilai K dan Y(perhatikan seksyen bab 4). Untuk
mendapatkaiijangkaan bagi Z (atau 44X, Y)) kita boleh gunakanf(x,
y), yakni sebagaimana definisi berikut.
Definisk 6.1
Katalah X daft Y adalah dua pembolehubah nawak dengan
fungsi ketumpatan bensamaf(x, y). Maka nllai jangkaan bagi Z
0( X, Y) ialah
=
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
di manaf(x1 x,,) ialah fungsi ketumpatan bersama bagi X1 X0.

Jika K1 X0 adalah diskrit, tanda kamilan ditukankan kepada tanda
jumlah.
...
...
...
Mm bagi Fungsi Linear kepada Dua Pembolehubab Rawak

Teonem: 6.1
Jika K dan Yadalah dua pembolehubah nawak dengan fungsi
ketumpatan bensamaf(x, y) dan jika 0 (K, Y) = X + Ymaka
P2(X + Y) = P2(X) + P2(Y)
145
Bukti: kes selanjan:

P2(K + Y)
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
di manaf~(x)danf1(y) adalah fungsi ketumpatan marginal bagi K

dan bagi 1.
Oleh itu
E(K + Y)=
E(K)+
E(Y)
Pembuktian untuk kes disknit adalah sama kecuali tanda kamilan

ditukar dengan tanda jumlah.
Teorem: 6.2
Jika K dan Yadalah dua pembolehubah rawak dengan fungsi
ketumpatanf(x, y) maka jika 0(X, Y) = aX + b1~ dan b adalah
pemalar,
E(ax + hi) = a P2(K) + b E(Y)
Teorem 6.2 adalah merupakan ekoran kepada teonem 6.1 dan

menggunakan keputusan Teonem 3.1 Ekonan ii.
Contoh: 6.1
Katalah K dan Yadalah dua pembolehubah rawak dengan mm
masmng-masing malah p~dan pt-. Taknmfkan Z = K
Ymaka
P2(Z) = P2[K +
1) F] = E(X) +
1 P2(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)=
Jangkaan kepada thai! Darab

Sekarang jika fungsi adalah benbentuk hasil danab 0( K, Y)
KY~jangkaan bagi 0( K, }) adalah sepenti di muka sunat 148.
147
I: J~
E(XY)=
xyf(x,y)dxdy
bagi kes selanjar, atau

P2(KY)= Etxyf(x.y)
bagi kes disknit.
Jikalau kita membincangkan kes khusus di mana K dan Y
adalah ketakbersandaran stokastik iaitu
fix,y) =fx(x).fy(y)
maka jangkaan
E (KY)
boleh dmsimpulkan dengan teonem benikut.
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)
Pembuktian bagi kes disknit adalah sama sahaja.

Harus dmingat hubungan sebaliknya bagm teorem d~atas adalah
tidak benlaku. Yakni jmka
E(KY) = E(K).E(Y)
tidak semestinya K dan Yadalah ketakbersandaran stokastik.
Sebagai ekoran dan teorem di atas Ia juga boleh ditulis dalam
bentuk:
P2[g1( K). g2( Y)J
= E[91(K )].E[92(
14S
Y)]
JANGKAAN MATEMATIK
di mana g~dan
92
adalah fungsi linear kepada K dan Y.
Varians bagi Fungsi Linear kepada Dua Pembolehubah Rawak

Sekarang kita penhatmkan pula varians bagi fungsi kepada K dan
Yyang benbentuk
Z=K+Y.
Mm bagi Z kita dapati dengan menggunakan teonem 6.1 iaitu
P2(Z)= P2(K)+P2(Y)
Pz
OIeh itu vanians bagi Z,

V(Z) = a~ = P2[(Z
/~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
mi dapat dmtunjukkan dengan mengembangkan (K

(K
p1)(Y py)
= KY p~K
Px) ( Y
Pr)
Px Y+ PxIfr
sehingga bila dmambil jangkaan didapati

E[(X
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)
Dapatkan varians bagi Z
;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)
=
=
V(X) + (~~2 11(Y)

11(X) + 11(Y)
yakni varians bagi perbezaan dan pembolehubah rawak

takbersandar adalah jumlah bagi varians kedua-dua pembolehubah
rawak tersebut.
Teorem: 6.6
Jika X dan Yadalah dua pembolehubah rawak dan Z
bYmaka
11(Z) = a2 a;~ + b2 a~ 2aba~~.
Dan jika X dan Yketakbersandaran stokastik maka
11(Z)
aX
a2 a~ + b2 c~
5.7 Jangkaan bagi Fungsi Linear kepada Pembolehubah Rawak

Konsep-konsep bagi kes dua pembolehubah rawak yang telah
dibincangkan, dengan senang dapat diperkembangkan kepada kes
banyak pembolehubah.
Jika X
1, X2 X, adalah n pembolehubah rawak dengan fungsi
ketumpatanbersamaf(x1 x,Jmaka fungsikepadaX1 ...X~boleh
ditulis:
Y=b(X1...X~)
...
Dan jika
adalah linear maka Yboleh berbentuk

I
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
Keputusan yang menarik dan teorem mi ialah apabila X1,

X~adalah takbersandar sehingga Coy (X1, X~)bila I ~ j adalah sifar.
Teorem: 7.2
Jika X1
jika Y
adalah
...
ii
pembolehubah rawak takbersandar dan
E a1X~maka
E(Y)
E a1 E(XJ
1=1
dan
V(Y)
Contob:
7.1
Andaikan
X1
...
E a~ V(X1)
X~adaIahn pembolehubah rawak takbersandar
dan masing-masing mempunyai mm p dan varians p(1

Y
p) Katalah
L Xe/n. maka mm dan varians bagi Yialah masing-masing p
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
=
Mm dan varians bagi Y =
ncr2
E X
2
1 ialah masing-masing np dan ncr
5.8 Hukum Nombor Resar

Kita Ielah memerhatikan mm dan varians bagi kombinasi linear
beberapa pembolehubah rawak takbersandar. Bentuk kombinasi
linear
L X~n adalah mempunyai kepentingan tersendiri
dalam analisis statistik. Jadi di sini kita perhatikan kelakuan

kebarangkalian X yang mempunyai purata bagi ii pembolehubah
rawak tak bersandar berhubungan dengan mm dan varians bagi K.
Masalah yang kita akan perbincangkan di smni,jika x I x~adalab a
pembolehubah rawak tak bersandar dan X, = ~ X /n apa akanjadi
pada X bila a mendekati mnfinit. Penyelesaian asas terhadap
masalah mi boleh dijelaskan dengan bantuan ketidaksamaan
Chebyshev.
Teorem: 8.1
Katalah X,
di mana X,
...
X, adalah n
pembolehubah rawak tak bersandar dengan E(X~= p dan varians

V(XJ = a2. Maka bagi sebarang nilai > 0 maka
1
Bukti:
V(X3
- L 11(X
1)
i1
Dengan menggunakan teorem Chebyshev

P(!X.
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)
Sebagai kesimpulan daripada teorem di atas kita boleh katakan

bahawa purata bagi pembolehubah rawak takbersandar yang
mempunyai mm dan varians yang sama adalah mendekati mm bagi
pembolehubah rawak tersebut. Ia akan lebih dekat bila semakmn
besar bilangan pembolehubah rawak tersebut diambil, atau dengan
kata lain X, adalah mendekati mm u dengan kebarangicalian satu.
Jmkalau X~mendakati mm p bila n bertambah atau teorem 7.2
ber1akuk~jugadikatakan bertumpu secara stokastik ke arah satu
pemalar p.
Pengetahuan tentang penumpuan stokastik atau keputusan
Hukum Nombor Besar mi adalah mustahak di dalam perbineangan
berkenaan dengan inferens statistik di dalam bab-bab yang akan
datang.
Contob: 8.1
Katalah Y~= E X1 di mana X1,..., X~adalah n pembolehubah
rawak2.takbersandar
dengan}mmtidak
dan
varians masing-masing
ialah
,i
Tunjukkan bahawa
bertumpu
stokastik ke arah
satu
dan
a
pemalar.
157

Penyelesaian:
E(X1)
Maka
dan 11(X1)
p,
np
dan
V(Y~)= ncr2
Dengan menggunakan teorem Chebyshev
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)
Kesimpulannya, jumlah bagi n pembolehubah rawak takbersandar

adalah tidak mendekati minnya sendiri, atau Y~tidak bertumpu
stokastik ke arah np.
5.9 Fungsi Penjana Momen
Dalam perbincangan lepas kita perhatikan bahawa momen
bagm satu-satu pembolehubah boleh diperolehm dengan membuat
kamilan atau jumlah secara langsung. Sekarang kita cuba
membincangkan satu teknik yang membolehkan kita mengira
momen dengan menggunakan kaedah yang dinamakan penjana
momen. Kaedah mnm dalam keadaan tertentu boleh memudahkan
pengiraan.
158
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
a
0 < x c cc
f(x)
~l~o
di lain-lain
Fungsi penjana momen bagi X

M(t)
E[etX]
a e dx
cc
I
Jo
aE
e~
dx
1
et~
at
t a
t/a
Harus diingat M(t) tidak semestinya wujud iaitu bukan setiap

taburan mempunyai fungsi penjana momen tersendiri. Tetapi jika ia
wujud, fungsi penjana momen adalah menerangkan taburan bagi
pembolehubah rawak tersebut.
159
KEBARANGKALIAN DAN
Perhatikanjika kita kembangkan e~mengikut sin MacLaurin:

2X2 +
= 1 + tX + t
+ tX +
2!
...
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
...
boleh diperolehi dengan melihat kepada pekalm bagi sebutan

Bagaimanapun jika kita dapatkan terbitan secara berturutan
bagi M(t) dan dmnilamkan pada t = 0 kita akan mendapatnya dengan
lebih senang.
Perhatikan:
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 <
a; dapatkan mm dan varians bagi K.

160
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.
Sifat Fungsi Penjana Momen

Penggunaan fungsi penjana momen dapat diperluaskan kepada
fungsi kepada pembolehubah rawak dengan menggunakan
beberapa teorem berikut.
Teorem: 9.1
Jika a dan b adalah pemalar dan M~(t)adalah fungsi penjana
momen bagi pembolehubah rawak K maka
(a)
Mx+a(t)
161
e M~(t)
.JANGKAAN MATEMATIK
1222
=
/1/
C I
i~ 2,2
=e
Kita perhatikan dalam contoh di atas bentuk fungsi penjana

momen bagi Yadalah sama dengan bentuk bagi K. Dan p~ apx +
b serta C2y =a2cr2 adalah menyetujui keputusan mm dan varians bagi
fungsi linear bagi satu-satu pembolehubah rawak dan seksyen lepas.
Sebenarnya Y = aX + b adalah mempunyai taburan yang sama
sebagaimana X kecuali mm dan varians sahaja yang berbeza. Untuk
mi kita perturunkan satu teorem yang tidak dibuktikan di sini.
Teorem: 9.2
Jika dua pembolehubah rawak mempunyai fungsi penjana
momen yang sama maka mereka adalah dan taburan yang sama.
Teorem mi menyatakan sifat bagi fungsi penjana momen adalah
unik. Tidak ada dua pembolehubah rawak yang mempunyai fungsi
penjana momen yang sama melainkan keduanya mempunyai fungsi
ketumpatan yang sama. Keputusan mi adalah mustahak dalam
penentuan taburan bagi fungsi kepada pembolehubah rawak atau
pembolehubah-pembolehubah rawak yang fungsi penjana
momennya wujud.
=
5.10 Fungsi Penjana Momen kepada Beberapa Pembolehubab Rank

Katalah x dan Y adalah dua pembolehubah rawak dengan
fungsi ketumpatan bersamaf(x. y), maka fungsi penjana momen bagi
K dan Yadalah ditaknif sebagai
12) =
E(ehl
1
2Y)
di mana bagi nilai h1 dan h2 tertentiz

h1 .c t1 <h1 dan h2 < t2
c h2, maka jangkaan tersebut adalah wujud.
Fungsi penjana momen M(t1. t2) mi jika wujud menentukan
bukan sahaja taburan bersama bagi pembolehubah rawak X dan Y
tetapi juga taburan marginal bagi K dan taburan marginal bagi 1.
Yakni:
dan
M(01)
E[eJ
E[e
=
=
M7(t1) dan M1(t2) ialh masing-masing fungsi penjana momen bagi

X dan Y
163
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)
Kmaka dengan menggunakan teonem 9.1

M~(t)= Mx(t)
M
14~)
(1 fl~)-fl~
(1
atau
Mx(t)
167
Jika kita perhatikan bahagian (b) contoh 11.1, kita dapati

teorem 11.1 boleh dikembangkan untuk mengambilkina fungsi
linear kepada beberapa pembolehubah rawak tak bensandar.
Keputusan mi berserta teorem 9.2 berkenaan uniknya fungsi
penjana momen adalah sangat mustahak dalam menentukan
taburan bagi kombinasi linear beberapa pembolehubah rawak.
Penggunaan teknik mi akan dibincangkan dalam teoni pensampelan
dan infenens statistik nanti.
Latihan Bab S
5.1 Dalam satu tong tendapat 10% buah-buah yang nosak. Jika 3 biji
buah dipilih secara rawak dan andaikan K sebagai bilangan buah
rosak yang terpilih maka K adalah pembolehubah rawak yang
mengambil ni!ai x
0, 1,2,3. Tentukan fungsi kebanangkalian bagi
K dan dapatkan jangkaan bilangan buah rosak yang terpilih.
=
5.2
Dibeni fungsi ketumpatan kebanangkalian

(a) f(4=
x=0,1,2,3
(b) f(x)=
C) (.2)x
C)
(0
(c) f(4= ~
(.g)2x
(2x)
0, 1,2,3,4
1,2,
(d) 1(4= (1)x-1
0, 1,2
Dapaikan mm dan vanians bagi setiap kes.

5.3
Diberi fungsi ketumpatan kebarangkalian

(a) f(x)=~
lcx<k+1
(b) f(4= 3x2

(c) f(9= ~e~2
0<x<l
(d) f(9= 641
>0
x)0 < x < I
Dapatkan mm dan varians masing-masing.

5.4
Dapatkan jangkaan bilangan nekod lagu Melayu yang ter~iih

168
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
Katalah Y adalah pembolehubah rawak bagi jumlah permukaan

dadu yang keluar bila dua buah dadu 6 muka dicampak serentak.
Dapatkan E(Y).
5.6
Seorang pemain judi dibayan dalam ninggit 2 kali dan nombor

permukaan yang keluar apabila satu dadu 6 muka dicampakkan.
Jika untuk bertaruh sekali (melakukan satu campakan) beliau harus
membayar $3, apakah jangkaan penolehan jika ia bentaruh 3 kali.
5.7
Andaikan bilangan pelanggan yang memasuki satu kedai dalam satu

han di bandar Kajang boleh digambankan sebagai nilai bagi
pembolehubah rawak K yang mempunyai fungsi ketumpatan
x > 0
f(x)
e~5,
=
Apakah jangkaan bilangan pelanggan kedai tersebut dalam satu

han?
5.8
Katalah pembolehubah rawak K mempunyai fungsi ketumpatan

(a) f(9= ~x
(b)
x=0,1,2,3
f(9=~x
0<x<3
Dapatkan
(a) E(K) dan E[K(K
(b) 11(K)
1)]
Jika Y= 2Kdapatkanmindanvariansbagi Ydenganmenggunakan

(a) teonem 3.1 dan (b) mendapatkan fungsi ketumpatan Yterlebih
dahulu.
5.9
K dan Yadalah dua pembolehubah nawak selanjar yang mempunyai

fungsi ketumpatan bensama
1
0
Dapatkan E(Z) di mana Z
f(x,y)=
Ocxcl,0<y<l
di lain-lain
= 2K2 + Y 1.
169
5.10 Jika fungsi kebarangkalian bagi K dan Yadalah seperti benikut.
~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)
Dapatkan E (K1), E[S1 (K1

1)] dan gunakan keputusannya
untuk mendapatkan varians bagi K1
(b)
Jika I
(K, + K2 + K3) dapatkan E(I) dan V(X).
5.12 K dan Y adalah dua pembolehubah nawak takbersandar masingmasing bertaburan

f(w)
=
=
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
KEBARANGRALIAN DAN 5TATISTIK
(a)
Dapatkan ~(i
< K c
(b)
Dengan menggunakan ketidaksamaan Chebyshev dapatkan

batas bawah kebanangkalian tensebut.
5.18 Katalah K i,...,
K0 adalah n pembolehubah rawak takbersandar

masing-masing mempunyai mm 0 dan vanians 00
0). Tunjukkan
bahawa I,
adalah mendekati 0 dengan kebarangkalian satu.
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]
Jika ditaknilkan Y = K1 + K2 + K3, dapatkan fungsi penjana

momen bagi Ydan tentukan mm dan vanians bagi Y.
5.22 K mempunyai fungsi ketumpatan
f(9=pU
x=0,1
_p)l~X
Dapatkan fungsi penjana momen bagi K. Jika Y
3K
1 apakah
mm dan vanians bagi 1?

5.23 K adalah pembolehubah rawak selanjar dengan fungsi k etumpatan
f(x)
0 c x .c cc
Dapatkan fungsi penjana momen bagi Y

untuk mencari mmn dan vanians bagi 11
2K dan gunakannya
5.24 Fungsi penjana kebarangkalian bagi K adalah ditaknif sebagai

~4t) = E(~)
Dapatkan fungsi penjana kebarangkalian bagi kes-kes benikut
172
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
TABURAN-TABURAN KHUSUS: DISKRIT
dinamakan taburan senagam. Ia timbul apabila pembolehubah

rawak boleh mengambil semua nilai yang tertaknif untuknya dengan
kebarangkalian yang sama.
Jika pembolehubah nawak K bolehmengambil nilai-nilai x1, x2,
; maka, jika
x=x1,x2,..~
f(x, k)
di lain-lain
K dikatakan bentaburan seragam dengan parameter k.

Perhatikan bahawa kita gunakan f(x, k) sebagai ganti f(x)
untuk menunjukkan bahawa tabunan senagam tensebut adalah
bergantung kepada nilai k.
Contob: 2.1
Katalah K menunjukkan bilangan
yang muncul bila satu
dadu enam muka dicampak sekali. K boleh mengambil nllai 1,2, 3,4,
.
5 dan 6 dengan kebarangkalian
~.
mi boleh ditunjukkan dengan
lebih kemas sebagai:

f(x, 6)
6.3
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
anggapkan mendapatkan ekon sebagai gagal iaitu 1

p dan
mendapatkan kepala sebagai sukses dengan kebarangkalian p,
maka pembolehubah nawak K yang menunjukkan bilangan sukses
adalah bertaburan Bernoulli dengan parameter p. Dan fungsi
ketumpatan bagi K ialah
f(x,p)
Mm
)(
Pupi~ ~ . = .0, 1
dan vanians bagi
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)
6.4 Tahuran Binomial

Katakanlah satu pencubaan rawak boleh menghasilkan hanya
dua kemungkinan kesudahan iaitu sukses dan gagal. Andaikan
kebarangkalian untuk sukses ialah p dan kebanangkalian untuk
gagal ialah q, di mana p + q
1. Katakanlah percubaan Bernoulli
mi dilakukan mengikut kekerapan yang tak bensandar sebanyak n
kali. Dalam setiap kekerapan percubaan diandaikan p adalah tmdak
berubah. Jika kita taknifkan pembolehubah rawak K sebagai
bilangan sukses dm dalam n kekenapan percubaan tak bersandar
maka K adalah bertabunan binomial dengan parameter n dan p dan
dicatat b(n, p) Fungsi ketumpatan kebarangkalian bagi K ialah
=
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:
untuk mendapatktht x sukses dan n

x gagal ialah ~ q
Sementana susunan mendapatkan x sukses dani ii kekerapan boleh
.
berlaku dengan (n) cana. Oleb itu keharangkalian untuk mendapat

x sukses dan
menjumlah
it
kekenapan percubaan boleh dmdapati dengan
(n)
unsur
yang
masing-masing
mempunyai
kebarangkalian p~qfl~X Jadi

p (x sukses dan
it
kekenapan)
()
pX qfl~X
Danjmka kita taknmfkan K supaya mengambil nilai-nilai x 0, 1,2

it iaitu jumlah kemungkinan sukses dalam it kekerapan percubaan
mak a
=
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
diulang 10 kali secana tak bensandan dengan kebanangkalian kepala

dan ekon adalah kekal. Jika ditaknifkan K sebagam bilangan kepala
yang keluar dan it campakan maka K adalah bentabunan binomial
dengan panameter 10 dan
~.
Perhatikan di sini sukses ialah
mendapatkan kepala dan gagal ialah ekon.

Untuk mendapatkan kebanangkalian K = 2 kmta boleh
gunakan fungsi ketumpatan kebanangkalian bagi K. Yakni
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
(b) P(2 ( K < 6)
P(K C 5)
.4148
=
x~2
b(x; 20,
t b~x;20,
x~o
.6172
x~ob(~20~~)
.0243
.5929
Penhatikan nilai I b(x; it,
tao
p)
boleh diperolehi dan jadual tabunan
binomial (lihat Lampiran).

Mm dan Varians
Sebelum dibmncang Iebih lanjut perhatikan pengembangan
binomial sebelah:
178
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
Fungsi ketumpatan kebarangkalian taburan binomial untuk

n = 10 dan beberapa nilal p.
179
KFBARANGKAL1AN DAN STATISTIK
(p
+ q)
(0) pX
qfl~X =
x~,I
h (x;
it,
p)
Persamaan ml akan sentiasa digunakan dalam membmncangkan
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)
TABURAN-TABtJRAN KHUSUS: DISKRIT
E[X (X1)]
(xl) x~(nx)!
qfl~X
x(x_Y21L(!lcJ)uiL2JL p2 qX~2
q?l~X
pX
x(x 1) (x2)! (nx)!
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)]
Untuk mendapatkan varians bagi X perhatikan bahawa

a2
E(X2)
[E(X)]2
E[X(x1)] +.E(X) [E(X)]2

n(n
1)p2 + rip
n2p2
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
f(x)
rawak
x = 0,1,2
di lain-lain
5(1s)~)x~yz_x
mempunyai
fungsi
15
Dapatkan mm dan varians bagi X.

Penyelesaian:
Kita perhatikan X adalah bertaburan binomial dengan
parameter n
15 dan p
~.
Oleh itu mm dan varians bagi X adalah

181
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
Fungsi Penjana Momen bagi Tabwan Binomial

Kesukaran dalam menentukan momen bagi taburan binomial
dengan menggunakan definisi dapat diatasi jika kita dapatkan fungsi
penjana momen haginya.
Teorem: 4.2
Fungsi penjana momen bagi taburan
mempunyai parameter ii dan p ialah
M1fl)
[(1
p) +
binomial
yang
pe]
Bukti:
1
Mx(t)
Efe]
exi
=
=
=
(~)p
qJt~X
(ep ~+ (e
q) p)X qfl~X
[(lp) + epJ
Dengan mendapatkan terbitan ke-m bagi M(t) dan mengambil

=
0, kita akan dapat momen yang ke-m bagi taburan binomial iaitu
E(X)
M, (t)
M, (0)
tipS [1 + p(e
np
182
TABLJRAN-TABURAN KHUSIJS: DISKR!T
M~(t) = ripe [1 + p(e

[1 + p(e
l)]~~_1 +
n(n
1)p2 e2
E(X2)
M~(O)
dan varians bagi X

a2 = E(X2)
np(1
p + rip)
[E(X)]2=
np(l
np(l
p + np)
p)
n2p2
Kita dapati keputusan yang sama dengan teorem 4.1.

Contoh: 4.4
Katalah fungsi penjana momen bagi X diberi sebagai
M(t)
(4
=
maka X adalah bertaburan binomial dengan parameter n

=
~.
Mm bagi x, E(X)
Var(X)
6.5
rip
7Q)
7 dan p
dan varians bagi X.
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

x
I?.
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
(~5)2 (.3)2 (.4)3
(25)
Taburan Hipergeometri
Jikalau n kekenapan pencubaan dilakukan tenhadap percubaan
184
TABURAN-TABIJRAN KHUSUS: DISKRIT
Bernoulli adalah bensandan maka kita tidak akan lagi menghasilkan

tabunan binomial. Sebaliknya percubaan tensebut akan menghasilkan taburan yang dinamakan tabunan hipergeometri.
Andaikan satu set mengandungi N unsur yang boleh dibahagi
kepada k unsun sukses dan N-k unsur gagal. Katalah kita
mengambil ii unsur danipada N secana rawak; atau dengan kata lain
melakukan n kekerapan pencubaan. Dan, kita benminat untuk
mengetahui kebarangkalian x sukses danipada n kekenapan
percubaan in Untuk mendapatkan x sukses danipada n maka hanus
kita mendapat n-x gagal. Jika kita taknilkan pembotehubah nawak X
sebagai bilangan sukses danipada ii kekerapan maka X adalah
bertabunan hipengeometni.
Fungsi ketumpatan bagi X dipenolehi dengan memerhatikan
kebarangkatian X mengambil nilai x di mana x = 0, 1
n, iaitu
bitangan sukses. mi dapat dijelaskan sebagaimana benikut:
Untuk memilih n danipada N unsun tendapat (~)cana.Oleh itu
kebarangkalian bagi setiap unsur ialah i/(N). Untuk memiih x
daripada ktendapat (/c) cara. Dan untuk memitih nx dan Nk
tendapat
)cara. Oleh itu tendapat
memilih x dan
iatah
ii
( ) (\nx ) cara untuk

\,x
\flXJ
x danipada n. Kebanangkalian bagi tiap-tiap cana
i/(7). Dan itu kebanangkalian untuk mendapatkan x sukses
(dan nx gagal) dani n kekerapan pencubaan ialah dengan

/k\IN-k
menjumlahkan kebarangkalian setiap cara sebanyak I II
\xJ \flx
kali. Yakni
-
(k~(N
(N
ii
Jadi fungsi ketumpatan kebanangkalian bagi pembolehubah nawak

X yang menunjukkan bilangan sukses danipada n kekerapan
pencubaan ialah
185
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
Oleh itu P (0 sukses)
(~)(~)
10
Untuk mendapatkan 1 sukses Wan 1 gagal)tendapat (3G3cana
maka PU sukscs)
Sernentara mendapatkan2sukses (dan Ogagat) terdapat
cana iaitu P(2 sukses)
k~2)
Ringkasnya
(5)(10)
P(xsukses)
186
(~)Q~)
kesudahan, sukses dan gagal yang kekenapannya tak bersandan.

Jikalau kita memerhatikan bilangan sukses danipada n kekerapan
yang ditetapkan kita akan mendapat tabunan binomial. Tetapi
sekarang katalah kita melihat danipada sudut lain iaitu kita ingin
memerhatikan bilangan kekerapan percubaan sehingga sukses
pertama benlaku. Maka percubaan mi akan menghasilkan taburan
geometni. Jika kita takniflcan pembolehubah rawak X sebagai
bilangan kekenapan sehingga sukses pentama berlaku maka X
adalah pembotehubah rawak geometni. Dan X boleh mengambil
nilai-nilai danipada 1 hingga infinit.
Fungsi ketumpatan kebanangkalian bagi X boleh dipenolehi
dengan melihat penistiwa mendapatkan sukses pentama pada kekerapan ke x, x = 1,
Penistiwa mendapatkan sukses pentama
pada kekenapan ke x adalah penistiwa mendapatkan sukses pada
kekenapan ke x dan gagat pada kekenapan sebelumnya.
Kebarangkalian mendapatkan sukses pada kekerapan ke x ialah p
dankebanangkalianmendapatkangagal pada kekerapanke x- 1, x-2,
1 ialah masing-masing i-p. Oleh kenana kekenapan adalah tak
bersandar maka kebarangkalian peristiwa tersebut ialah p(i
p)~. Maka kebarangkalian mendapat sukses pertama pada
kekerapan ke x ialah
...~.
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:
Fungsi ketumpatan bagi taburan

geometri.
Contob: 7.1
Katalah satu duit syiing adalah pincang di mana kebarangkalian untuk kepala keluar ialah
~-
dan ekor
~.
Jika syiling tersebut
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
Tahuran Binomial Negatil

Jikalau dalam tabunan geometni kita memenhatikan bilangan
icekenapan untuk mendapatkan sukses yang pertama, maka
sekanang kita ingin metihat kekenapan di mana sukses yang ke-k
benlaku. Jadi sebagai ganti kepada mencani kebanangkalian sukses
yang pertama pada k ek enapan k e-x kita luaskan konsep kita k epada
mencani kebanangkalian mendapatkan sukses ke-x pada kekenapan
ke-x. Taknilkan pembolehubah nawak X sebagai bilangan di maria
sukses yang ke-k. Oleh itu X akan mengambil nilai-nilai k, k+ 1, k
+2
Uniuk mendapatkan tabunan kebanangkalian binomial negatif
penhatikan penistiwa sebelum k sukses dalam x kekenapan. Peristiwa mi boleh benlaku jika tendapat k-i sukses dan x-k gagal datam
kekenapan pertama hingga ke x-I. OIeh kerana kekerapan adalah
tak bersandan maka kebarangkalian k-i sukses dan x-kgagal,tanpa
mengira susunan, ialah /~ (ip); p adalah kebanangkalian
untuk sukses. Tetapi penistiwa ki sukses dan x-k gagal dan x-i
kekenapan boleh berlaku dengan (~)cana. Jadi kebanangkalian k1 sukses datam x-i kekenapan iatah
192
TABURAN-TABtJRAN KHUSUS: DISKRIT
b(x-1; k-I, p)
I\
~k-i) ~
(x-
(1-p)~
Untuk mendapatkan sukses yang ke-k pada kekenapan x harus

pada kekenapan tensebut benlaku satu lagi sukses dengan kebarangkalian p. Dan itu kebanangkalian mendapatkan bilangan kekerapan
x supaya sukses ke k benlaku ialah
f(x; k, p)
(:D
(1
_p)X-k
k, k+ 1,
Maka pembolehubah nawak X yang mempunyai fungsi

ketumpatan kebarangkalian sepenti di atas adalah bentaburan
binomial negatif.
Penhatikan juga bahawa bila k = 1 taburan binomial negatif
menjadi tabunan geometni dengan fungsi ketumpatan kebarangkalian
f(x,p)
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
kebanangkalian 8 onang pentu dipeniksa sebelum betiau mendapat 2

orang yang dikehendaki.
Penyelesaian:
Masalahdi sini adatah sama dengan mendapatkan 8 kekenapan

supaya sukses ke-2 benlaku.
Taknilkan X sebagai bilangan kekenapan sehingga sukses ke-2
benlaku, maka X adalah bentaburan binomial negatif dengan
parameter k
2 p
Jadi
P(X=8)=
()(~)9
7
i~
193
56
UI
-065
Yakni kebanangkalian dokton tensebut penlu memeniksa 8 orang

pesakit ialah -065.
Penginaan kebanangkalian bagi tabunan binomial negatifdapat
dipenmudahkan d engan menggunakan formula
flx; k. p)
b(k. x. p)
di mana b(k; x. p) adalah kebanangkalian pembolehubah rawak X

mengambil nilai k dan X adalah bentaburan binomial dengan
panameten n = x dan p.
Coutob: 8.2
Dan contoh 8.1 kita dapati:
P(X=8)
= ~b(2.8~~)
nilai b(2. 8,
(-2376)
-065
~)
=
(2376) dipenolehi dan jaduat tabunan binomial.
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
TABURAN-TABURAN Ki-IUSUS: DISKRIT
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~
PenhatikanbahawaP(X <4) = P(X (3)botehdidapatidanijadual

tabunan Poisson.
Contoh: 9.2
Katalah kebanangkalian bahawa seorang pengidap penyakit
merbahaya untuk sembuh ialah 0-4. Jika terdapat 20 onang
pengidap, apakah kebanangkalian sekunang-kunangnya 10 akan
sembuh?
Penyetesaian:
Anggapkan X sebagai bitangan pesakit yang sembuh. X adalah
bentabunan binomial dengan parameter n = 20 dan p = -4.
P(X)
10)
P(X -c 10)
9
1 E b(x;20,4)
x=o
-2447
-7553
Jikalau kita menggunakan angganan Poisson, X adalah bertabunan

Poisson dengan parameter p = np = 8, atau
e8 8~
b (x; 20, -4)
197
Jika X adalah bentaburan binomial, b(n, p) maka fungsi

penjana momen bagi X ialah
M~(t) = [(lp) + pet]
= [1 + p(e
atau boleh ditulis

=
Andaikan tip
[I +
p maka
M~(t)
p(e
bila n mendakati infinit
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).
- ~.
Dapatkan mm dan vanians
Penyelesaian:
Jika M~(t)=
maka X adalah bentaburan Poisson

200
TABURAN-TABURAN KJIUSU5: DISKRIT
dengan parameter p
4, a2 = 4
P(X
2)
4. Oleh itu mm dan vanians bagi X iatah p
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)
Dapatkan, dengan menggunakan keputusan di atas,

P(2 ~ X ~ 5) jika K
6.2
it,
bUS, 9)
Jika g(x, p) adalah P (X = x) di mana X adalah bentaburan

Geometni dengan parameter p tunjukkan bahawa
g(x;p)
~b(1;x,p)
Gunakan persamaan di ata~untuk mengira

(i) g (20; -3)
(ii) g (15; -8)
(iii) P (2 < X ~ 6) di mana X adatah bertaburan geometri
dengan parameter p
6.3
-35.
Dibeni X adalah pembolehubah rawak binomial.

Dapatkan
(a)
b (5; 10, -25)

201
(b)
b (5; 10, -75)
(e)
L b (i; 10, -75)
(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)
Katalah Ybertaburan Poisson dengan parameter

(a) 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
Katalah satu teoni genetik mengatakan bahawa jika lembu merah

dikacuk dengan lembu hitam akan menghasilkan lembu-lembu
merah, hitam, dan cokiat dengan kadar 5 : 3: 2. Dapatkan
kebarangkalian bahawa danipada 9 ekor anak tembu kacukan 5
adalah menah, 3 hitam dan 1 coklat. Apakah jangkaan bilangan anak
lembu merah yang akan dihasilkan?
6.6
Katalah satu duit syiling adalah berat sebelah dalam mana

kebanangkalian kepala dan ekon keluar dalam satu-satu campakan
adalah
dan
~-.
Jika syiing tensebut dicampak (a) 10 kali dan (b) 15
kali apakah kebarangkalian kurang danipada enam kepala akan

keluar?
6.7
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
Danipada saw kajian didapati 10% dan kemalangan jalan raya

adalah disebabkan keletihan pemandu 70% disebabkan cuai, 5%
kerosakan kereta dan 15% lain-lain. Jika dalam satu han tendapat 5
202
TABURAN-TABURAN KHU5US: DISKRIT
kematangan jalan raya apakah kebarangkalian 1 disebabkan

keletihan, 3 kenana cuai, 1 kerana kerosakan keneta dan 1 atas lainlain sebab?
6.9 Ke dalam sebuah kolam telah dilepaskan anak-anak ikan yang
terdinidanipad-a 500 jenis kap rumput dan 1000 jenis tongsan. Setelah
sebulan, katatah kita ingin memerhati perubahan berat badan ikanikan tersebut. Jika 50 ekon ikan ditangkap apakah bilangan ikankap
rumput yang dijangka dapat ditangkap (andaikan tiada ikan yang
mati).
6.10 Datam satu komuniti bandar 2%-dan kalangan wanita telah pernah
melakukan pengguguran. Jika dan 20 orang wanita bandar tersebut
yang dipilih secara rawak tentukan:
(a) Jangkaan bitangan wanita yang pernah menggugunkan anak.
(b) Kebarangkalian di antara 1 hingga 5 onang pernah
menggugurkan anak.
(c) Kebanangkalian sampet yang dipilih tidak mengandungi wanita
yang pennah melakukan pengguguran.
6.11 Katalah satu duit syiling dicampak benkati-kali sehingg~satu kepata
keluan. Apakah kebanangkalian bahawa:
(a) 5 campakan dipenlukan?
(b) Kunang dan 5 campakan diperlukan? dan
(c) Lebih dani 5 campakan dipenlukan?
6.12 Satu buah dadu 6 muka dicampak berkali-kali sehingga nombor 6
keluar. Apakah kebarangkalian 6 campakan dipentukan? Apakah
kebanangkalian hany~satu campakan dipentukan? Tuliskan satu
formula untuk menunjukkan jangkaan bilangan campakan yang
dipenlukan.
6.13 Katalah seorang pelajar memandu mempunyai kebarangkalian -4
untuk tulus satu-satu ujian memandu. Apakah kebarangkatian
pelajar tensebut (a) lulus pada ujian yang ke-4? (b) tulus pada ujian
yang ke-lO? Jika setelah 4 kali mengambit ujian tersebut ia masih
lagi gagat, apakah kebanangkatian ia lulus pada ujian yang ke-lO?
614 Mengikut satu kajian,didapati 10% danipada setinggan di Kuala
Lumpur mempunyai pendapatan di bawah ganis kemiskinan. Jika 50
onang dipiih secara nawak apakah jangkaan bilangan setinggan
yang mempunyai pendapatan di bawah ganis kemiskinan? Dapatkan
kebarangkalian bahawa separuh danipada yang dlpilih adalah
benada di bawah ganis kemiskmnan.
203
TABURAN-TABURAN KHU5US: DISKRY~
6.19 Bagi taburan-taburan berikut dapatkan mm dan vanians masingmasing.

(a) Hipegeometni dengan parameter it
5, k = 10 dan N = 100
(b) Binomial negatifdengan parameter k
3, p = -75
(c) Geometni dengan parameter p = 6
(d) Poisson dengan parameter 5-3
6.20 Pembolehubah rawak X mempunyai fungsi penjana momen
=
(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)
Dapatkanterbitan pentama dan kedua bagi M(t) berdasarkan t. Dan

gunakan keputusan mi untuk menunjukkan bahawa mm dan vanians
bagi taburan tersebut ialah k/p dan k(1
6.22 Katalah X
1 dan X2 adalah tak bersandar dan masing-masing
mempunyai fungsi penjana momen
2.
p)/p
1)
Mfl)
= ~2~
Apakah fungsi penjana
momen
bagi Y= X
bagi Y? Dapatkan P( Y
3) dan P(2
1 + X2? Apakah tabunan

X C 6)
6.23 Jika X adalah bertaburan Poisson dan P (X = 4) = P (X

apakah mm dan vanians bagi X. Dapatkan P (X = 2).
6.24- Katalah X
~)
b(3~ dan Y =
E(Y).
205
5),
~ Dapatkan domain bagi Ydan
6.25 Katalah X dan Yadalah dua pembolehnbah rawak tak bersandar
~) ~).
masing-masing bertaburan b(3,

(a) P(X C
(b) P(X C
(c) P(Y C
(d) E(X +
(e) E(XY)
6.26 (a)
dan b(5.
Dapatkan
2, Y C 4)
2/Y= 0)
2)
Y)dan V(X + Y)
Buktikan bahawajika X1..., X,, adalahit pembotehubah rawak

tak bensandar masing-masing bertabunan Poisson dengan
parameter ~ maka 1 = L X1 adalah juga bertabunan Poisson
dengan parameter p
S 2~.
i~I
(b)
Buktikan bahawa jika X

X~adalah npembotehubah rawak
tak bersandar masing-masing bertaburan Bernoulli dengan
..,
parameter p maka Y
~ X1 adalah bertabunan b(n, p).
&27 Katatah secara purata 20 danipada 10,000 orang dewasa adalah

mengidap penyakit darah tinggi. Apakah kebarangkalian danipada
1000 orang yang dipiih dan kalangan orang dewasa akan
mengandungm kurang daripada 5 onang yang mengidap penyakit
tersebut?
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
di mana a dan b adalah pemalan dan a < b.

Fungsi ketumpatan kebarangkalian f(x) dan fungsi taburan
kebarangkalian F (x) ditunjukkan di dalam gambarajah 1.1.
~x)
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:
Graf bagi fungsi kethmpaton

taburan normal
Satu pembolehubah rawak, katakan X, yang mempunyai fungsi

ketumpatan kebarangkalian seperti gambarajah
I
21, atau
1
2)
f(x; p,a
-C X -C
l,.0
di lain-lain
adatah dikatakan bentburan normal dengan parameter p dan a2.

Taburan bagi X adalah bengantung kepada dua parameter p dan a2
yang masing-masing menupakan mm dan varians bagi X. Jadi X juga
208
TABURAN-TABURAN KHUSIJS: SELANJAR
disebut bertaburan normal dengan mm p dan varians a2 dan dilulis

n(p, a2) atau ringkasnya X
n(p, a2).
Parameter p
p C
dipanggil juga parameter lokasi
oleh kerana ia menerangkan kedudukan pusat di mana nilai-nilai
pembolehubah rawak normal benada di sekitarnya secara simetnik.
Sementara a2 a2> 0, adalah dipanggil parameter sebaran iaitu
membezakan bentuk keluk bagi fungsi ketumpatan. Ia
menerangkan sama ada nilai-nilai tersebar di sekitar atau lersebar
jauh dan parameter p. Untuk menggambankan keadaan mi
perhatikan gambarajah 2.2 a, b.
~,
a2
x
Gambarajah 2.28:
~1
= ~2
tetap, a~ = a
ala
P2
Gambarajah 2.2b:
~ ,~tetapi
=
Kita dapat tunjukkan bahawa bagi sebanang p dan a2 luas

kawasandi bawah keluk taburan normal adalah bernilai satu. Yakni
kamilan bagi fungsi ketumpatan kebarangkalian di atas domain bagi
pembolehubah rawak normal adalah bernilai satu, memenuhi syarat
fungsi ketumpatan kebanangkalian.
Untuk menunjukkan mi terlebih dahulu perhatikan kamilan
di muka sunat 210.
209
KEBARANOKALIAN DAN SIATISTIK
Takrilkan,
1=
1~e)1~dx
1 -~
Oleh itu juga
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=~
Dengan menggunakan keputusan ml maka, jika f(x; p, c2)

adalah fungsi ketumpatan bagi n(p, a2) kita dapati
1
2
2
f(x; a2) dx =
/2e dx
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)
boleh ditulis dalam bentuk
<
16)
P(Z
<
l6)
-.
P(Z <0)
Dengan menggunakan jadual taburan normal maka

P(0 <Z
l6)= 945 ---5000
<
.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)
>
Dan jadual didapati

P(Z >
25) = 9938
Jadi kebarangkalian tayartersebut tahan sekurang-kurangnya 45000
kilometer perjalanan ialah 99

Couitoh: 2.3
Katalah X
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)
Fungal Penjana Momen bagi Taburan Normal

Teerein: 2.2
Fungsi penjana momen bagi pembolehubah rawak X yang
bertaburan normal mm p dan varians a2 ialah
122
M
1(t)
Bukti
M1(t) E[e]
214
e~f(x)dx
sesuai untuk beberapa taburan tertentu terutama taburan-taburan

yang juga simetrik atau hampir simetrik. Di sini kita akan
bincangkan penganggaran normal terhadap taburan binomial dan
taburan Poisson.
Teorem: 3.1
KatalahX bertaburanbinomialdenganparameterndanp.Min
npq. Maka,
dan varians bagi X ialah p
np dan a2
pembolehubah rawak
=
adalah mendekati taburan normal piawai bila n mendekati infinit.

Teorem 3.1 mi membolehkan kita menggunakan taburan
piawai sebagai anggaran kepada taburan binomial bila n adalah
cukup besar. Yakni dengan melakukan piawaian terhadap
pembolehubah rawak tersebut kita
akan memperolehi
pembolehubah rawak yang mendekati taburan normal. Nilai n yang
cukup besar adalah tidak dapat ditentukan dengan jelas. mi adalah
oleh kerana jika p dekat dengan
maka kelok taburan binomial
adalah hampir sekata dan penganggaran normal adalah hampir

walaupun n tidak berapa besar. Sementara bila p menghampiri 0
atau I penganggaran yang baik hanya diperolehi bila n sangat besar.
Langkah yang selalunya diambil ialah jika p adalah mendekati
maka taburan normal akan digunakan sebagai anggaran. Manakala
jika p mendekati 0 atau 1 dan ii tidak berapa besar maka taburan
Poisson (penjelasan telah pun diberi dalam bab 6) adalah lebih sesuai
digunakan.
Contoh: 3.1
Katalah K adalah bertaburan b(20. 4). Dapatkan (a) P(X
(b)P(10 ( X ~ 15)(c)P(10 c K ~ 15).
Penyelesaian:
(i) Menggunakan anggaran normal.
/2 = tip = 8
a
=
216
219
10)
TABURAN.TABURAN KHUSU5: 5ELANJAR
(a)
P(X
/95
=
=
=
(b)
c 105)
10) = P(95 < X
219
P~685 .c
8729
P(10 C K C 15) =
i05
tip
P(95
<
<
155)
155
2~19
= P(685 < Z <

= .9997
.7533
(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)
Dengan menggunakan jadual binomial

(a)P(X = 10) = ~ll72
15
(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
(iii) Dengan mengguna anggaran Poisson.

p = tip = 8
217
b(x; 20, A)
ICEBARANGKALIAN DAN STATISTIK
(a) P(X = 10) = 0993

(b) P(IOCX C 15)=2752
(c) P(10 < X C 15)
1759
=
Kita perhatikan penganggaran normal adalah Iebih hampir kepada

kebarangkalian sebenar sebagaimana yang dijangkakan bila p
adalah dekat dengan
Sebagai ingatan, kita harus perhatikan bahawa dalam
menganggar taburan binomial dengan taburan normal kita telah
menukar pembolehubah rawak diskrit kepada pembolehubah
rawak selanjar. Untuk mengambilkira penukaran tersebut kita
harus mencampur atau menlak
daripada batas atas dan batas
bawah bagi satu-satu peristiwa. Kaedah yang berkenaan

diterangkan denganjelas dalam contoh 3.1 yang telah dibincangkan.
Teorem: 3.2
Katalah X adalah bertaburan Poisson dengan parameter A; miff
d~nvarians bagi X ialah p = A dan a2 = A. Maka, pembolehubah
rawak
X-A
/-
adalah menghampiri taburan normal piawai bila A menghampiri

infinit.
Teorem 3.2 membolehkan penganggaran normal dilakukan
terhadap taburan Poisson bila mm bagi taburan Poisson adalah
cukup besar. Dalam mengatasi masalah tukaran pembolehubah
rawak diskrit kepada pembolehubah rawak selanjar, qara yang sama
sebagaimana kes binomial adalah digunakan.
Contob: 3.2
Katalah X adalah bertaburan Poisson dengan A
Dapatkan (a) P(X = 15)
(b) P(10 C X C 20).
Penyelesaian:
Dengan menggunakan penganggaran normal:
218
16.
TABURAN.TABURAN KI-IUSUS: SELANJAR
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
Sementara kebarangkalian sebenar dengan mengguna jadual

Poisson didapati
(a) P(X = 15) = 00992
(b) P(10 C K < 20) = &7689
Didapati penggunaan penganggaran normal memberi keputusan
yang hampir dengan kebarangkalian sebenar.
7.4
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
Di mana bila ~ adalah nombor bulat positif maka
(~
f(~)
Dan bagi ~
1)
(~
2)... 3. 2. 1
(~
1)!
I ditakrifkan sebagai
F(1)
I:
e dy
Sekarang dengan menggunakan keputusan fungsi Gamma kita

boleh bincangkan taburan Gamma.
Pembolehubah rawak selanjar K yang ditakrifdi dalam domain
0 C x C ~ dikatakan bertaburan Gamma dengan parameter ~ dan
fi jika ia mempunyai fungsi ketumpatan kebarangkalian
f(x:~,fl)
=~
1
~
F(~)/3~
OCx<
di lain-lain
(0
di mana ~ > 0, fi > dan 1(~)> 0.

Beberapa bentuk fungsi ketumpatan kebarangkalian bagi
taburan Gamma untuk beberapa nilai ~ dan fi dilakarkan dalam
Gambarajah 4.1
f(x)
~=
1, ~=
4~f3
~=
4,
fi
= 1
x
0
Gambarajah 4.1:
Fungsi ketumpatari probabiliti taburan

Gamma bagi beberapa nilai ~ dan ~3
220
KEBARANOKALIAN DAN 5TATISTIK
;0 C
Le_42
f(x)
<2
(o
XC
di lain-lain
Dapatkan fungsi penjana momen, mm dan varians bagi X.

Penyelesaian:
X adalah bertaburan Gamma dengan parameter a
2. Maka fungsi penjana momen ialah
M(t)
= (1
2t)
= 1 dan/i =
t C
Mm dan varians bagi X ialah

p
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
Fungsi penjana momen bagi X2(,) boleh diperolehi secara

langsung dan fungsi penjana momen bagi taburan Gamma dengan
menggantikan a = r/2 dan/i = 2 iaitu
M
1(t)
;t C
= (1 2t~
Begitu juga mm dan varians bagi X2 ialah masing-masing:

p
g2~
a/i = r
a/i2 = 2r
222
TABURAN-TABURAN K1-IUSU5: SELANJAR
Saw ciii yang menarik bagi taburan Chi-kuasa dua ialah

taburan Gamma boleh ditukarkan kepada taburan mi berdasarkan
teorem berikut.
Teorem: 4.2
Andaikan K bertaburan Gamma dengan parameter a = r/2; r
nombor bulat positif, dan /3 > 0, maka pembolehubah rawak
Y= 2X//1
adalah bertaburan Chi-gandadua dengan r
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
Jadi P(2-3 C K C 22-2) ialah 090

Perbincangan tentang kegunaan taburan Chi-kuasa dua dalam
inferens statistik akan ditangguhkan sehingga kita mempelajari
taburan pensampelan. Taburan Chi-kuasa dua akan dibincangkan
lagi
di dalam Bab 8 nanti.
7.5
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
eksponen dengan parameter A.

Bentuk fungsi ketumpatan kebarangkalian bagi taburan
eksponen untuk beberapa nilai A adalah ditunjukkan dalam
gambarajah 5.1.
Fungsi penjana momen bagi taburan eksponen berserta mm
dan varians dapat diperolehi dengan menggunakan keputusan
daripada taburan Gamma. Fungsi penjana momen bagi taburan
Gamma parameter a dan /3 ialah
I
M1(t)
(1
F(x)
=
X=2
X= 2
x =1
x
2
GambaraJah 5.1: Fungsi ketumpatan kebarangkalian taburan

ekspOnen.
Oleh itu bila a
dan
/3
maka
224
TABURAN-TABURAN KHUSUS: SELANJAR
M~(t)
(1
(1
Jadi fungsi penjana momen bagi taburan eksponen dengan

parameter A ialah M(t)
= (1
Mm dan varians bagi taburan eksponen dengan parameter A

dapat diperolehi dengan menggantikan ~
= 1 dan
dan varians bagi taburan Gamma parameter
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
;O C x
f(x)
<
di lain-lain
(~o
Dapatkan fungsi taburan F (9 dan apakah P(2 c X C 5).

Penyelesaian:
F(x)
P(X C x)
jf(w)
Cx
dw
225
(a) PUS C X C 30)

(b) P(0 C K C $0)
(c) PR
10)
(d) PR > 20)
=
7.7
Tentukan niiai bagi kamilan-kamilan berikut.

(a)
(b)
(c)
J
j
dx
2
50
I/x_50\
dx
r2\9~)
-~
rio
e~
(x6)
dx
J34~
7.8 Jika K
7.9
n(5, 16) dapatkan nilai b supaya P(
b)
= -95
Anggapkan K satu pembolehubah rawak yang mempunyai fungsi

ccCxCco
Tentukan mm dan varians bagi K dan dapatkan P (K C
2)
7.10 Berat purata sekampit beras keluaran sebuah syarikat pengilang

padi ialah 5.6 kilogram. Jika berat bagi sekampit adalah bertaburan
normal dengan sisihan piawai 0.5 kilogram, apakah kebarangkalian
satu kampit berasakan mempunyai berat
(a) Kurang daripada 5-5 kilogram
(b) Di antara 5-3 dan 5-7 kilogram.
(c) Melebihi 6 kilogram atau kurang daripada 5 kilogram.
7.11 Dan pengalaman lepas didapati 30% dan pelajar yang menduduki
satu peperiksaan akan gagal. Jika dan 100 pelajar yang menduduki
peperiksaan tersebut apakah kebarangkalian
(a) Kurang daripada 20 akan gagal
(b) Di antara 50 hingga 70 akan lulus
230
TABURAN-TABURAN KHU5US: SELANJAR
7.12 Katalah bilangan kemalangan dalam sat.u han adalah bertaburan

Poisson. Jika purata kemalangan dalam satu han ialah 25 apakah
kebarangkalian
(a) 20 kemalangan berlaku satu han
(b) Kurang daripada 25 kemalangan berlaku dalam satu han.
7.13 Daripada satu kajian didapati 20% dan penduduk kampung
menggemari lagu keroncong. Jika dan satu 1000 orang penduduk
kampung yang ditanya apakah kebarangkalian kurang dan 100 akan
menyatakan gemar lagu tersebut?
7.14 Katalah berat badan bayi yang baharu lahir ada!ah bertaburan
normal dengan mm 1-3 kilogram dan sisihan piawai -4 kilogram. Jika
satu bayi ditakdirkan lahir apakah kebarangkalian Ia mempunyai
berat badan
(a)
(b)
(c)
Di antara 1 dan 1-5 kilogram

Kurang dan -8 kilogram
Melebihi dan 2 kilogram
7.15 Jika K dan Y adalah dua pembolehubah rawak takbersandar

masing-masing bertaburan ii (5, 16) dan ii (~3, 9) apakah
kebarangkalian
(a) [K C 5,Y>3]
(b) [3ZKC5.YC3]
(c) [K + Y> 10]
(d) [K
IC 1J
7.16 Pembolehubah
k ebarangkalian
rawak
mempunyai
f(x)=4xC2
Apakah mm dan vanians bagi K?
1
=
(1
ketumpatan
OCXCcC
7.17 Jika fungsi penjana momen bagi K ialah

M(t)
fungsi
-~
1
tC~
;t)
apakah mm dan vanians bagi K? Apakah mm dan varians bagi Y =

2K!- 5
231
7.18 Buktikan teorem 4.2 dengan menggunakan kaedah fuj~gsipenjana

momen.
7.19 Anggapkan K adalah bertaburan Gamma dengan paranietera
dan /3
2. Dapatkan
(a) PR C 0-8312)
(b) PR > 1508), dan
(c) P(0-8312 C K C 15-08)
2.5
7.20 Jika K adalah bertabunan Gamma dengan a

PR > 54-92) dan P(6-42 C K C 6.1-45).
5 dan
/3
= 6
apakah
7.21 Tunjukkan bahawa K

K~adalah n pembolehubah nawak tak
bersandar masing-masing bentaburan eksponen dengan mm 0 maka
=~
K, adalah bertaburan Gamma dengan parameter a
n dan $
7.22 Tunjukkan bahawa mmn dan varians bagi taburan Beta a, jI ialah
masing-masing
d
a+/3
an
(a$)2(a+$1)
_______
Panduan: Gunakan keputusan bahawa
K~(1
x)1 dx
r(a) [(/3)
Jo
[(a+$)
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
Ia menupakan parameter bagi pembolehubah rawak berkenaan

Dalam praktiknya tabunan bagi populasi,f(x) selalunya tidak
diketahul. Tetapi untuk tujuan analisis statistik ia diandaikan
diketahui terlebih dahulu. Hanya parameter yang menentukan
bentuk tabunan f(x) sahaja yang masih belum diketahui. Jadi di
dalam menentukan taburan bagi populasi hanyalah parameter bagi
taburan sahaja yang harus dicari. Untuk mencani parameter bagi
populasi mi memerlukan kita mempelajani teori pensampelan.
8.2
Sampel dan Statistik

Untuk memerhatikan kesemua pengamatan di dalam populasi
adalah mustahil terutama jika bilangan pengamatan atau juga
dinamakan saiz populasi adalah besar. Jadi hanya sebahagian, yang
merupakan subset bagi populasi sahaja yang diambil. Subset bagi
populasi atau sampel yang dipilih mi seharusnya boleh mewakili
populasi dalam erti kata boleh menjelaskan sifat-sifat tabunan
populasi tersebut. Sampel yang memenuhi kehendak-kehendak ml
dinamakan sampel rawak.
Deilnish 2.1
Sampel rawak bersaiz n adalah satu sampel di mana setiap
subset yang tendiri dani n pengamatan danipada populasi adalah
mempunyai peluang yang sama untuk terpilih.
Proses pemilihan sampel nawak bensaiz n danipada populasi
boleh dijelaskan dalam bentuk taburan bagi pembolehubah rawak
sebagaimana benikut:
Anggapkan ii pengamatan dipilih daripada populasi yang
bertaburanf(x). Maka K1, ~
K,, adalah n pembolehubah rawak
yang masing-masing bentaburan f(x). Jadi K1. K2
K,, adalah
mempunyai fungsi ketumpatan bersamaf(x1, x2
xJ. Jika sampel
yang dipiih adalah sampel rawak maka K i,..., X,, adalah tak
bensandar sehingga
f(x~ x,,) = f(x3.f(x2) ...f(x,,)
...
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
adalah dipanggil sisihan-piawai bagi sampel.

Sisihan piawai bagi sampel yang juga dikenali sebagai ralat
236
TEORI PENSAMPELAN
piawai adalah merupakan punca kuasa dua positif bagi vanians

sampel.
8.3
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,
Apakah tabunan pensampelan bagi 1?

Penyelesaian:
K, adalah bentabunan Poisson dengan parameter p. maka fungsi
penjana momen bagi K, ialah
Fungsi penjana momen bagi Y

M~(t)= Mzx,(t)
~K, ialah
1)
E[e
Oleh kerana K, dan sampel rawak adalah tak bersandar maka

M1(t)
Di mana ~
1)
E(e~x1)E(e2)
e~
e~~
l)E
e~~1)
...
1)4
E(e~n)
.+
pIe
1)
l~
adalah fungsi penjana momen bagi taburan Poisson
dengan parameter np. Jadi ternyata Y = S K, adalah bertabunan

237
Poisson dengan parameter np.

Penhatikan bahawajika K1
K,, adalah sampel rawak bersaiz it

yang diambil dan populasi bertaburan f(x) maka K,, I = 1,
it
adalah masing-masing bertaburanf(x). K,, i = 1, 2
it juga adalah
tak bersandan dan mempunyai parameter yang sama. Dalam
keadaan mi K1, K2, K,, dikatakan tak bersandar dan serupa. Jadi
kita dapati dengan mengambil sampel rawak membolehkan kita
menentukan taburan pensampelan dengan lebih senang.
Bagaimanapun kaedah untuk menentukan taburan pensampelan
bagi statistik tidak akan dibincangkan secana mendalam di sini.
Cuma satu danipada kaedah tersebut iaitu penggunaan fungsi
penjana momen bagi mendapatkan taburan bagi statistik tertentu
sahaja ya.ng akan dibenikan.
...
...
...
8.4
Taburan Pensampelan bagi Mm Sampel, X

Salah satu danipada statistik yang selalu digunakan ialah mm
sampel yang ditakrifkan sebagai
=
K,/n
di mana K,, K2,..., K,, adalah pembolehubah rawak daripada sampel

rawak bersaiz it.
Nilai jangkaan dan varians bagi X dapat disimpulkan sebagai
teorem benikut:
Teorem: 4.1
Jika K1, K2, K,, adalah sampel rawak bensaiz
2 (Kit yang diambil
dani populasi yang mempunyai mm p dan varians a
1 K,, adalah
tak bersandar dan serupa) makajika ditaknifkan mm sampel sebagai
...,
..
) 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(X)= V(S K,/n)
V(K,)
1~
=
E
ii
it
V(K,)
1
it
iI
ita2
it2
a2
it
Sebagai kesimpulan teorem 4.1 membenikan keputusan

bahawa jangkaan bagi mm sampel adalah sama dengan mm bagi
populasi dan vanians bagi mm sampel ialah vanians bagi populasi
dibahagikan dengan saiz sampel. Keputusan mi benlaku tidak
mengira apakah taburan bagi populasi berkenaan.
Taburan bagi statistik Ybagaimanapun tidak dapat ditentukan
dengan senang. Ia bengantung kepada taburan asal populasi dath
masa sampel diambil. Sebagai contoh penhatikan K
K,, yang
diambil daripada tabunan Poisson (contoh 3.1). Jika I adalah mm
sampel maka E(2)
p dan vanians bagi
11(1)
oleh
kerana vanians bagi K ialah p. Taburan bagi X adalah bukan lagi

bentabunan Poisson oleh kerana mm dan vanians bagi I adalah tidak
sama.
8.5
Teorem Had Pint

Kesukaran di dalam menentukan tabunan pensampelan bagi
239
Oleh kerana kebanyakan taburan memenuhi syarat-syarat

yang membolehkan penggunaan teorem had pusat maka
penganggaran normal piawai boleh digunakan. Jadi adalah
munasabah jika kita tumpukan perhatian kita kepada pensampelan
yang melibatkan taburan normal.
8.6 Taburan Pensampelan Normal
Andaikan bahawa populasi normal adalah andaian yang paling
wajar dan kerap digunakan. mi kerana kebanyakan keadaan hanhan boleh dianggap sebagai bertaburan normal atau mendekati
normal bila bilangan pengamatan adalah besar seperti taburan
binomial atau Poisson (Bab 7). Juga berdasarkan teorem had pusat,
jika saiz sampel adalah besar, mm sampel yang dipiawai adalah
mempunyai taburan had normal.
Teorem: 6.1
Jika X adalah mm sampel bagi sampel rawak bersaiz n dan
taburan normal dengan mm p dan varians a2 maka X adalah
bertaburan normal dengan mm p ~ p dan vanians ff~ =
Bukti:
Fungsi penjana momen bagi X
1
(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
adalah bertaburan normal piawai.

Perhatikan, oleh kerana kedua sampel rawak adalah tak
bersandar maka X, dan X2 adalah tak bensandar sehingga
E(X1
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)
Penyelesaiannya ditinggalkan sebagai latihan.

Bagi populasi yang bentaburan bukan normal, penggunaan
teorem had pusat boleh dilakukan bila n1 dan n2 adalah cukup besan.
Bagaimanapun Z hanya mendekati taburan normal piawai.
8.7
Taburan 2Chi-kuasa Dua dan Taburan Pensampelan bagi Varians

Sampel,
S Bab 7 kita telah pun menyentuh tentang taburan ChiDalam
kuasa dua sebagai kes khusus bagi tabunan Gamma. Sekarang kita
cuba pula memerhatikan beberapa teorem yang berkaitan dengan
tabunan mi dan hubungannya dengan taburan bagi statistik 52~
Fungsi ketumpatan kebarangkalian bagi taburan Chi-kuasa
dua dengan r darjah kebebasan ditulis X2(r) adalah
f(x)
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:
Fungsi ketumpatari bagi
Teorem: 7.2
Jika X1, X2
X~adalah pembolehubah rawak masing-masing

bertaburan Chi-kuasa dua dengan darjah kebebasan r1, r2
r~
maka jika Y = E X~,Yadalah bentaburan Chi-kuasa dua dengan i
=
E
1=1
r, darjah kebebasan.
Bukti~
2
=
Jika Y= E X~maka lW ~(t)
(1
M~.(t)
I
=1
H (1
(1
Yakni fungsi penjana momen bagi
2ty1~
2t)~/2
2t)_~12
di mana
i~I ~
x2~.
Oleh itu Y = ~ X~adalah bentaburan
X2(~).
1=1
Dengan menggabungkan teorem 7.1 dan 7.2 kita dapat

keputusan dalam bentuk teorem di muka surat 246.
245
TEORI PENSAMPELAN
Oleh itu
P(S2
728
1)5
(728) (25))
P(X2(
25, ~ 3641)
05
Kebarangkalian vanians sampel mengambil

kurangnya 728 ialah &05.
8.8
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
Untuk tujuan kita taburan t adalah dmgambarkan sebagai

nisbah di antara dua pembolehubah rawak normal piawai dan Chikuasa dua.
249
TEORI PENSAMPELAN
Contoh: 9.1
Katalah S~dan S~adalah varians sampel bagi dua sampel rawak

bersaiz n1 = 16 dan n2 = 11 yang diambil daripada dua populasi
yang bertaburan nQi, 10) dan n(p2, 30). Apakah kebarangkalian
supaya nisbah S~/S~
kurang dan 095?
Penyelesaian:
Pembolehubah rawak
5~/a~
F
adalah bertabunan F(15,
io).
Oleh itu
<
.95)
~fS~/a~ <
~S~/a~
30 \
P(F < 285)

di mana F
F(15
10)
Kebarangkalian tersebut ditunjukkan sebagai kawasan berlonek

dalam gambanajah 9.1
15, 10)
2.85
Gambarajali 9.1: P(F < 2.85)
Untuk mendapatkan kebarangkalian berkenaan dapat dilihat dan

jadual taburan F dengan r1 = is dengan r2 = 10 darjah kebebasan,
iaitu
253
P(F < 285)
1
.95
&05
Jadi kebarangkaian nisbah S~/S~kurang

2
darm 95 ialah 95.
Latihan Bab 8
8.1
Katalah satu populasi mengandungi 3 unsun iaitu 2, 4 dan 6. X1 dan

X2 adalah dua pengamatan yang dipilih satu lepas satu, iaitu yang
terpiih benpeluang untuk dipilih kali kedua (sampel dengan gantian)
dapatkan jadual tabunan pensampelan bagi X.Tunjukkan bahawa
2 adalah mm dan varians
E (11= p dan V(I) =
dm mana p dana
populasi.
8.2
(a)
(b)
Satu populasi bentabunan normal dengan p = 5 dan a2 = 16.

Jika sampel bersaiz 1 dipilih, apakah kebarangkalian sampel
tersebut bennilai di antana 4 dan 6. Apakah jangkaan nilai
sampel tensebut?
Jika diandaikan mmn bagi populasi tidak diketahui apakah
penganggar yang sesuai untuk menganggarkan mm?
8.3
Jika satu sampel bersaiz 10 dan satu populasi membenikan nalat

piawai 5, apakah saiz sampel yang diperlukan untuk mengedilkan
ralat piawai kepada 25?
8.4
Satu populasi mengandungi pengamatan 5, 4, 3, 3, 6 dan 10. Satu

sampel bersaiz 2 dipiih dengan gantian dan didapati
pengamatannya ialah 6 dan 10. Dapatkan mm dan vanians populasi,
dan mm dan vanians sampel.
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
Buktikan teorem 62 di dalam seksyen 8~6.
8.7
Katalah X
X,, dan Y
1
...
Y, adalah dua sampel rawak tak
254
TEORI PENSAMPELAN
bersandar dan taburan n(p, a~dan nQs, at). Tunjukkan bahawa
~n
in
adalah bentaburan n(0, 1).

8.8
Jika satu sampel bensaiz 16 dipiih daripada satu populasi

bertaburan i420, 25), apakah kebarangkalian mendapat sampel yang
mempunyai mm yang berada di antara p
196 a; dan p
196 U;.
8.9
Katalah XL
...
X~adalah sampel yang diambil danipada populasi b(i,
U). Jika ditakrif y
i~1 X
(a) Apakah taburan bagi 1?

(b) Apakah taburan bagi (Y nO)/,,/~(1
________
8.10 Katalah XL
...
0) bila ii cukup besar?
X~adalah sampel bensaiz n danipada taburan
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
=
I berada di antara &25 dan 975?
64
z x1 apakah kebarangkalian
8.13 Katalah pembolehubah rawak X mempunyai fungsi ketumpatan

Ocx<1
fix)
=S
~
255
di lain-lain
KEBARANGKALIAN DAN sTATISTLK
(ioo
Dapatkan P
X1
55) di mana X1 tak bensandar dan masing-
masing mempunyai fungsi ketumpatanf(x).

2 dapatkan
8.14 Katalah
X adalah
bentaburan
n(0,Dengan
1). Jika ditaknif
Y= X F(y) yang
fungsi taburan
bagi
Yiaitu F(y).
menggunakan
dipenolehi, tunjukkan bahawa Y adalah bertabunan X2u) (teorem
7.1).
8.15 Buktikan bahawa jika X
maka
..,
X~adalah sampel nawak dani n(p, a2)
= 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.
8.16 Jika dibeni X
X2u0)
apakah nilai a, b, c dan d supaya
(a) P(X > a) = 05

(b) P(b c X c c) = 95
(c) P(X > d)
975
=
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)
P(F > 115) jika F

F(1, 15)
P(F < 1046) jika F
F(5, 7)
P(F > 415) jika F
F(6, 8)
P(162 < F < 453) jika F
F(6, 4)
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
Tunjukkan bahawa X1 iaitu objek pertama bagi sampel dan X

adalah penganggar tak pincang bagi 0.
Penyelesaian:
f(x; 0) adalah fungsi ketumpatan bagi tabunan eksponendengan
A
~.
Oleh itu X adalah bertaburan eksponen dengan mm
Perhatikan statistik X1,

Oleh kerana X1 bentabunan eksponen maka X1 juga bentaburan
eksponen. Oleh itu
E(X1) = p = 0
Yakni XL adalah penganggar tak pincang bagi 0.
Perhatikan statistik X,
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
Oleh kerana batas bawah Rao-Cramer membenikan vanians

minimum bagi sebanang penganggar tak pincang jika satu statistik
tak pincang Y memenuhi syanat definisi 4.2 maka varians bagi Y
adalah minimum. mni berenti jika satu penganggar itu adalah
penganggan cekap maka ia adalah juga penganggan tak pincang
terbaik. Hubungan sebalik adalah tidak semestinya.
Oleh kenana sebanang statistik tak pincang mempunyai vanians
lebih besan atau sama dengan batas bawah Rao-Cnamen, maka
nisbah di antara vanians dan batas bawah menupakan pengukur yang
baik bagi satu-satu penganggar. Pengukuran tersebut dinamakan
kecekapan relatif bagi satu-satu penganggar. Jika Y adalah satu
penganggar maka kecekapan nelatifbagi Yuntuk menganggankan 0
ialah
V( Y)
Nilai E adalah kurang atau sama dengan 1 bergantung kepada sama
ada varians bagi Ylebih besar dan 8(0) atau sama dengan B (0). Jika
kecekapan relatifbagm Y adalah E = -9, maka Y dikatakan 90 penatus
cekap. Manakala jika E = 1 maka penganggar tersebut dikatakan
100% cekap atau merupakan penganggar cekap.
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)
X adalah penganggar tak pincang.

11(X) = a2
Sekanang perhatikan batas bawah Rao-Cramer
f(x, 0)
1
=
v2ir a
262
fxO\
eiC)
TEORI PENGANGGARAN
Oleh itu batas bawah Rao-Cramer ialah

2a4
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
Jika statistik Y memenuhi definisi di atas maka } juga

dikatakan bentumpu secara stokastik ke anah 0 (lihat bab 5 seksyen
5.8). Pengertian dan definisi mi boleh disimpulkan sebagai bila saiz
sampel dibesarkan maka statistik i akan mendekati parameter yang
hendak dianggankan.
Jika statistik }, tak pincang maka untuk menentukan satu
265
TEORI PENGANGGARAN
penganggar yang baik, sekanang, manilah kita perhatikan bebenapa
kaedah yang selalu digunakan untuk mendapat penganggar

tersebut. Kaedah yang kita akan bincangkan ialah kaedah
kebolehjadian maksimum dan kaedah momen.
9.6 Kaedah Kebolehjadian Maksimum
Kaedah mi merupakan saw kaedah yang digunakan secara
meluas dalam mendapatkan penganggar bagi satu-satu parameter.
Dengan kaedah mi kita cuba mencani satu fungsi kepada
pembolehubah rawak supaya nilai bagi fungsi tersebut menjadikan
fungsi ketumpatan kebanangkalian bagi sampel adalah maksimum.
Katalah X1
X~adalah sampel rawak bensaiz n danipada
...
taburanf(x; 0). Ketumpatan bersama bagi X1

L(0)
...
X~ialah
rIJ(x; 0)
Fungsi L yang bergantung kepada parameter 0 dinamakan fungsi

kebolehjadian. Maka penganggan kebolehjadian maksimum ialah
satu statistik 0 = u(X1 X~)yang memaksimumkan fungsi L(0) pada
titik p0).
...
Bagi kebanyakan kes adalah lebih sesuai untuk fungsi loganitma

jati bagi Ldigunakan. Penubahan mi tidak menjejaskan keputusan
oleh kerana 0 yang memaksimumkan L(0) juga akan
memaksimumkan In L(O).
Contob: 6.1
Katalah
X1 penganggar
X,, adalahkebolehjadian
sampel nawak
daripadabagi
tabunan
2). Dapatkan
maksimum
0 dan
n(0,
a
a2.
Penyelesaian:
Fungsi kebolehjadian L(0, a2) ialah
...
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
taburan Poisson ialah X iaitu mm sampel.

Selain dan sifat konsisten, penganggan kebolehjadian
,maksmmum juga mempunyai beberapa sifat penting yang
membolehkan ia digunakan secana meluas. Sifat-sifat tersebut
dibenikan di sini dalam bentuk teorem-teorem yang tidak akan
dibeni pembuktiannya.
Teorem: 6.1
Jikalau penganggan cekap adalah wujud bagi satu-satu taburan,
maka jika syanat-syanat biasa dipenuhi, penganggar kebolehjadian
maksimum boleh menghasilkannya.
Teorem: 6.2
Jika syarat-syarat biasa dipenuhi, penganggan keboiehjadian
269
maksimum adaiah cekap secara assimptotik.

Penhatikan bahawa syarat biasa tidak dijelaskan di sini. Untuk
pengetahuan lanjut benkenaan mi boieh dipenhatikan di daiam buku
statistik yang lebih tinggi.
Teorem 6.1 walaupun tidak mbnyatakan bahawa pengnggar
kebolehjadman boieh mengha~ilkan penganggar terbaik tetapi ia
meyakinkan kita bahawa jika penganggar tensebut wujud ia boleh
dipenolehi dengan kaedah i. Jadi apa yang penlu dibuat ialah
dengan mendapatkan penganggan kebolehjadian maksimum dan
tentukan adakah Ia memenuhi syanat-syarat penganggan tenbaik.
Manakala teorem 6.2 menentukan bahawa jika penganggar cekap
tidak wujud, kita masih boleh mendapatkan penganggan cekap
secana assimptotik dengan kaedah in Jadi sebagai kesimpulan
kaedah pengangganan keboiehjadian maksimum membenikan asas
untuk mendapatkan penganggar tenbaik.
9.7
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
Jika kita bezakan in L(; /3) berdasankan ~ dan /3 dan samakan

dengan 0 kita akan dapat dua persamaan senentak yang sukan untuk
diselesaikan. Untuk mengatasi masalah mi, satu kaedah lagi
digunakan untuk menganggarkannya.
Jika kita dapatkan mm dan vanians bagi tabunan tensebut dan
samakan dengan mm dan vanians bagi sampel kita dapat pensamaan
benikut.
ccfl=Xdan2fl2=
270
1=1
fl
KEBARANGKALIAN DAN
STATISTIK
yang benbeza sehingga menghasilkan selang yang berlainan.

Sebahagian daripada selang mi mengandungi p dan sebahagian lagi
tidak. Tetapi selang di atas menentukan bahawa dalam jangka
panjang, daripada 100 sampel yang diambil, 95 daripadanya
memberikan selang yang mengandungi p.
Selang keyakinan juga boleh dmanggap sebagai memberi 95%
keyakinan bahawa selang yang diperolehi daripada satu sampel
I
(x
196
1~96
adalah mengandungi parameter p.
Panjang selang, iaitu 2(F96}
memberikan gambaran
tentang ketepatan penganggaran titik bagi parameter tersebut. Jika

panjang selang yang dihasilkan adalah lebih pendek kita
berkeyakinan bahawa anggaran titik adalah lebih tepat.
Pemilihan darjah keyakinan, ditulis (1
a) 100% selang
keyakinan adalah terserah. Bagaimanapun dalam praktiknya I
a
mengambil nilai 95 atau 99 atau 90, yakni membenikan 95%, 99%
atau 90%~selangkeyakinan.
Berdasarkan penjelasan yang telah diberikan, sekarang kita
perhatikan beberapa selang keyakinan bagi parameter-parameter
yang kemp digunakan dalam analisis statistik.
9.9
Stang Keyaldnan bagi Mm

Kes A: Pensampelan dan taburan n(p, c2) dengan ~2 diketaliui.
Katalah x1, x2
x, adalah sampel rawak bersaiz ii dan
n(p, g2) dengan pengamatan masing-masing x1. x2
,. Katalah
juga varians a2 diketahui tenlebih dahulu.
Penganggar titik bagi mm p ialah X di mana X merupakan
penganggar terbaik bagi p. Jadi sewajarnya penganggar selang bagi
p adalah berdasarkan statistik X in Bagaimanapun oleh kerana
diketahui sebagai bertaburan n(0, 1) maka adalah lebih baik untuk

kita gunakan Z sebagai asas pengiraan penganggar selang.
(1
a) 10O% selang keyakinan bagi p diperolehi dengan
mencari a dan b supaya
P(a
<
<
274
b)
TEORI PENGANGOARAN
oleh kerana n(0, 1) adalah simetrik maka a

gunakan Z~,2di mana
<
Kebarangkalian
<
z~12)
b dan selalunya kita
mi ditunjukkan dalam gambarajah
z.
9.1.
Gambarajah 9.1:
~(_Z~12< Z
<
Untuk penyelesaian, kebarangkalian tersebut boleh ditulis

sebagai
<p<
Maka (1
1 a
a) 100% selang keyakinan bagi p ialah

X
< ~4 <
X+
-
Z~
Setelah pengamatan bagi sampel diketahui sebagai x1, x2

maka anggaran bagi ~ ialah ~
=~~
anggaran bagi (1
a) 100%
selang keyakinan ialah

~_Z~5~=<P<
~+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/
<~
<
a) 100% selang keyakinan bagi p ialah
t212
<
p c
r212
2 ialah masingJika~ pengamatan

sampelselang
bagi bagi
x dan
masing
dan s2, makadan
anggaran
(1 S a) 100% selang
keyakinan ialah
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
Oleh itu, 95% selang keyakinan bagi p ialah

I
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
Dengan membandingkan contoh 91 dan 9-2 didapati selang

keyakinan yang diperolehi apabila a2 tidak diketahui adalah lebih
lebar daripada selang yang diperolehi bila a2 diketahui. mi adalah
munasabah oleh kerana kita kehilangan ketepatan di dalam
penganggaran bagi parameter a2.
Kes C: Pensampelan dan sebarang taburan bila saiz sampel cukup
besar.
Di dalam kes A telah ditunjukkan bahawa bagi pensampelan
daripada taburan normal, selang keyakinan boleh diperolehi
benasaskan taburan normal piawai. Bagi pensampelan daripada
taburan bukan normal juga dapat kita tunjukkan bahawa taburan
tersebut boleh digunakan dengan syarat saiz sampel adalah eukup
besar. mi adalah lahir daripada keputusan teorem had pusat yang
dibincangkan di seksyen 5 Bab 8.
Jika X
1 X~adalah sampel rawak yang diambil daripada satu
taburan yang mm dan vanians wujud, maka pembolehubah nawak
...
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
<
Setelah diselesaikan untuk p, kebarangkalian di atas boleh ditulis

sebagai
P(x
Dan (1
z~
<~ <
z~
a) 100% selang keyakinan ialah

I
4/2
<p
<
+ Z~
Bagaimanapun anggaran bagi selang

278
mi,
z~,2
fn
Jika pengamatan bagi mm sampel ialah x = 20 dan varlans

16 maka anggaran 95% selang keyakinan ialah
sampel S2
=
20
196
1921
9.10
< p <
20
< p c
2078
196
Selang Keyakinan bagi Perhezaan Dua Mm

Kata!ah kita mengambil dua sampel rawak tak bersandar X
1,
1~m masing-masing bersaiz n dan m daripada
X~dan
~1
taburan n(p,, a~)dan (P2. ~2) AndaikanX darf Yadalah mm sampel,
dan S~danS~adalah varians sampel bagi kedua-dua sampel tersebut.
Perbezaan di antara dua mm p
P2 dianggarkan dengan
menggunakanX
Y dan bcrdasarkan penganggaran titik in kita
dapat membina selang keyakinan bagi perbezaan tersebut.

Kes A: a~dan a~diketahui.
Penganggar titik bagi p

1
p2 ialah X
2
adalah bertaburan ni p1
a1
P2.
ii
Y di mana X
a2
Maka pembolehubah
rawak
1)(Pip2)
___
z_(x_~(P1P2)
adalah bertaburan n(0, I).

Dengan cara yang sama seperti kes A Seksyen 991(1
selang keyakinan bagi (p
1
P2) ialah
a) 100%
(I
Y)
]~+~
m
Z~2
<
P2 C
(I
Y)
z212
di mana
4~2
dipilih daripada jadual taburan normal piawai supaya

c z < z~)
Contob: 10.1
Katalah ~
56,
57
52 adalah pengamatan untuk mm bagi

280
TEORI PENGANGOARAN
parameter yang tidak diketahui ialah p. Jadi penganggaran titik atau

penganggaran selang adalah bertujuan untuk memberi anggaran
bagi parameter p tersebut.
Anggapan X1 X~adalah sampel rawak bensaiz n dan b(t, p);
...
1. Katalah Y
maksimum bagi p ialah p
<
<
~X1 maka penganggar kebolehjadian
mi dapat ditunjukkan dengan senang
~.
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)
denganO dan menyelesaikan untuk p
Denganmenyamakan
maka p
I,
Penganggar p dapat ditunjukkan sebagat
ii
penganggar terbaik bagi p. Jadi adalah wajar digunakan untuk

mengira selang keyakinan bagi p.
Bagairnanapun di sini kita hanya berminat untuk mendapatkan
selang keyakinan bagi p bila n adalah cukup besar di mana taburan
normal piawai boleh digunakan. Teorem had pusat memberikan
adalah bertaburan n(0, 1). Jadi bagi Z~ dapat ditentukan

<
283
<
z~,2)
TEORI PENGANGGARAN
atau
0184
< p <
0216
kita mempunyai 95%

nisbah sebenar penuntut yang mengalami
kerosakan gigi ialah di antana 01 84dan2 16 atau di antara 18 hingga
21 peratus daripada seluruh penuntut.
sebagal kesimpulan dapat dikatakan bahawa
keyakinan
9.12
bahawa
Selang Keyakinan bagi Varian a2

Jikalau X
X~adalah sampel rawak daripada taburan n(p,
a2), maka penganggar bagi a2 ialah S2. Sekiranya x
1
x~adalah
2 adalah anggaran
titik
bagi
pengamatan
bagi sampel, maka s
varians.
Untuk mendapatkan selang keyakinan bagi a2 kita boleh
...
gunakan statistik S2. Oleh kerana pembolehubah rawak

(n
1) S2
a2
adalah bertaburan ~201_~ maka taburan X2~~I boleh digunakan

sebagai asas pengiraan.
(1
a) 100%selangkeyakinanbagia2 bolehdiperolehidengan
mendapatkan nilai X21-~,2 dan X2i/2 supaya
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
adalah bertaburan F dan V1 =

1 dan V2
m
1 darjah
kebebasan. Jadi pengiraan selang keyakinan bagi a~/a~boleh
berdasarkan taburan F(V1, l~).Yakni boleh dicarif1_~12danf~,2
=
supaya
1(x)
(Vi. V2) < F <
f~
(~.
Vi))
F(V1, V2)
/2
i.O~/2
Gambarajah 12.1: P(f1_~,2(V1.V2)
<
<f~
(~.
V2))
1~a
Oleh kerana J~12(V1. V2) tidak boleh didapati daripada jadual

tabunan F maka kita harus menggunakan formula
.11i/2 (V1. V2)
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
=
keyakinan bagi nisbah
a,
Penyelesaian:
F~10.15)
a~S~x
2
Jadi 95,,~selang keyakinan bagi Cx boleh diasaskan kepada taburan

0
Cy
F~0,Is) iaitu supaya
PY~o15)
<1025(10,
a~S~
15))
-95
atau
I~,f025(15, 10)
<F
/025(10,
Danipada jadual taburan F didapatif02

10) = 3-25.
Dan itu 95% selang keyakinan bagi
1
~(10,
15)
-95
3-06 danf025( 15,
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
Anggapkan X~ dan X2 adalah sampel yang diambil daripada

tabunan b(l, p). Apakah penganggar tak pincang bagi p? Apakah
kemungkinan nilai pengamatan bagi penganggar tersebut? Dan
apakah jangkaan nilai penganggar tersebut?
9.2
Bagi taburan-taburan yang mempunyai fungsi ketumpatan berikut:

(a) f(x; 0)
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
dapatkan penganggar tak pincang bagi 0; jika X1 X~adalahsampel

rawak bersaiz n daripada taburan-taburan tersebut.
...
9.3
9.4
9.5
Tunjukkan bahawa Y
S X1 di mana X
X~adalah sampel
rawak bersaiz n dan b(1,p), adalah penganggar pincang bagi

parameter p. Jika a Yadalah statistik tak pincang bagi p, apakah nilai
a?
Katalah
X1,..., X~adalah
sampel
bersaiz
n danipada
taburan
2). Tunjukkan
bahawa
~X~/nrawak
adalah
penganggar
tak pincang
n(0, aa2 dan mempunyai vanians 2a4/n.
bagi
Pembolehubah rawak X mempunyai fungsi ketumpatan
0<x<0
Andaikan X
1, X2, X3 adalah sampel bersaiz 3 dan taburan tersebut.
(a) Bagi statistik-statistik berikut
(i)
(ii)
2X
(iii)
.X
(iv)
2X
(v)
(vi)
x2)
tentukan statistik tak pincang bagi 0.

289
TEORI PENGANOGARAN
(c) f(x;0) =(~)(F(1

(d) f(x;0)=0x_l(1
0, l,2,3;0
x= l,2,..4OCOC
0)
0<1
Bagi setiap kes dapatkan

(i) Penganggar kebolehjadian maksimum bagi 0
(ii) Penganggar momen bagi 0
9.13 Tentukan bagi setiap kes dalam soalan 9.12 adalah U yang diperolehi
dan (i) dan (ii) merupakan penganggar tak pincang bagi 0? Adakah 0
cekap?
9.14 Sam sampel rawak bersaiz n diambil daripada taburan Poisson
dengan parameter 1. Dapatkan penganggar kebolehjadian
maksimum dan penganggar momen bagi varians taburan tersebut.
Bandingkan kedua-dua penganggar dan tentukan sama ada kedua
penganggar tersebut cekap?
9.15 Katalah purata tinggi bagi 50 orang pelajar U.K.M yang diambil
sebagai sampel.adalah 1.4 meter dengan ralat piawai 0.3 meter:
(a) Dapatkan 95% selang keyakinan bagi tinggi sebenar pelajar di
U.K.M.
(b)
Dapatkan 99% selang keyakinan bagi tinggi sebenar pelajar di

U.K.M; dan
(c)
Apakah yang dapat disimpulkan daripada dua keputusan

tersebut?
9.16 Anggapkan hasil keluaran sejenis padi adalah bertaburan normal

dengan sisihan piawai 40 gantang seekar. Dan satu sampel rawak
yang terdiri daripada 30 ekar yang ditanam dengan padi tersebut,
hasil purata ialah 780 gantang seekar. Dapatkan 95% selang
keyakinan bagi hasil sebenar padi tersebut. Jika diingini bahawa kita
mempunyai 95% keyakinan supaya mm sampel adalah di antara 10
gantang dan mm hasil sebenar berapa ekarkah hams dipilih sebagai
sampel?
9.17 Katalah dan satu sampel rawak bersaiz 16 daripada n(p, 100)
didapati ~ = 120 dan ~2 = 250. Dapatkan 95% selang keyakinan
bagi
mm
p.
291
KEBARANGKAIIAN DAN SIATISTIK
9.18 Danipada sampel nawak bersaiz 20 daripada tabunan normal

didapati mm sampel ialah 152 dan ralat piawai ialah 65. Dapatkan
99% selang keyakinan bagi mm taburan tersebut.
9.19 Daripada 1000 teksi yang diperiksa di Kuala Lumpur, didapati 6
peratus mengeluarkan asap berlebihan. Dapatkan 90% selang
keyakinan bagi nisbah sebenar teksi yang mengeluarkan asap
herlebihan di sekitar Kuala Lumpun.
9.20 Satu mesin pembungkus gula dikawal supaya sisihan piawai berat
sekampit gula adalah 005 kilogram. Jika daripada 16 kampit gula
didapati berat punata ialah 6155 kilogram, dapatkan 99% selang
keyakinan bagi berat sebenar sekampit gula keluaran mesin tensebut.
Andaikan berat sekampit adalah bertaburan normal.
9.21 X1 X~adalah sampel nawak daripada taburan Poisson dengan mm
2. Dapatkan 95% selang2 keyakinan
bagi A.
Jika
bagi keyakinan
sampel bersaiz
= 15 dapatkan
95%
selang
bagi
100
didapati
t
=
7
dan
s
2. Panduan: Gunakan keputusan bahawa
X -2
...
adalah mendekati tabunan n(0, I).

9.22 Misalkan X
1
~100 adalah
...
X100 adalah sampel rawak daripada n(p, 9) dan Y1

sampel rawak daripada nQt, 16). Dapatkan
kebarangkalianseIang~(X + Y
l),~(X + Y
I)mengandungi
9.23 Daripada dua sampel tak bersandan bersaiz n1 = 16 dan n2 = 9

daripadaduatabunannormaldidapati~1 = 35~~=
40,s~= 49dan
4 = 64. Dapatkan 95% selang keyakinan bagi p1
#2 jika
diandaikan a~= a~.
9.24 Sebuah pusat penyelidikan pertanian ingin menguji ketuaran 2jenis

padi. Padi A ditanam di kawasan seluas 10 ekan dan didapati
keluaran puratanya ialah 700 gantang seekar dengan ralat piawai 50
gantang. Padi B ditanam di kawasan seluas IS ekar dan didapati
menghasilkan 650 gantang seekar dengan ralat piawai 30 gantang.
Dapatkah 95% selang keyakinan bagi perbezaan hasil purata kedua
292
TEORI PENGANGGARAP~
jenis padi tensebut. Adakah selaQg tersebut mengandungi nilai 0?

Apakah kesimpulan yang anda fikir sesuai terhadap keputusan
tersebut?
9.25 Katalah X
X~adalah sampel rawak daripada n(p. a2). Jika p
diketahui, bina 100(1
selang keyakinan bagi a2. Jika darmpada
..,
~)%
satu sampel bersaiz lOdidapati j~~ (x

1
= 1232 dapatkan 95%
2.
selang keyakinan bagi a
9.26 Sebuah mesin pengetin nenas dikatakan rosak jika sisihan piawai
bagi berat setin yang dikeluarkan oleh mesin tersebut daripada had
yang ditetapkan. Jika daripada 25 tin yang dipilih didapati purata
berat setin ialah 250 gm dengan ralat piawai 5 gm. Apakah 95%
selang keyakinan varians sebenar bagi berat setin yang dikeluankan
oleh mesin tensebut? Jika mesin tensebut dianggap rosak jika sisihan
piawai adalah 2 gm apakah boleh dianggap mesin tersebut adalah
rosak dengan 95% tingkat keyakinan?
9.27 Satu kajian sosio-ekonomi dibuat untuk mengkaji perbezaan

taburan pendapatan penduduk kampung pantai barat dan timun
Semenanjung Malaysia. Untuk tujuan tersebut penyelmdmk mi
memerhatikan perbezaan mm dan vanians sebenar pendapatan di
kedua kampung. Daripada 30 penduduk yang dipilih danipada
setiap kampung, didapati mm dan varians sampel adalah seperti
berikut
Pantai Bamat
= $350
Pantai Timum
X
2
s~=$250
(a)
(b)
$270
4=550
Dapatkan 95% selang keyakinan bagi perbezaan di antana mm

pendapatan kedua kampung.
Dapatkan 95% selang keyakinan bagi nisbah di antara vanians
pendapatan penduduk kedua-dua kampung.
9.28 KatalahX1 ...X~danY1 1~ada1ahduasampe1rawaktakbersandar

masing-masing diambil dan n(5, a~)dan n(10, a~).Dapatkan 100(1
a)% selang keyakinan bagi nisbah a~/a~.
Jika pengamatan daripada
sampel pertama ialah 5,7,9,4,6 dan bagi sampel kedua ialah 6,15,9,
7, 11,6 dapatkan anggaran bagi 95% selang keyakinan bagi a~/a~.
...
293
9.29 Danipada 1000 penduduk di kawasan bandar didapati 20%

mengidap penyakit darah tinggi. Manakala danipada 1000
penduduk luar bandar hanya 15% mengidap penyakit tersebut.
Dapatkan 95% selang keyakinan bagi perbezaan sebenar nisbah
pengmdap penyakit tersebut d~bandar dan luar bandar.
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.
10.1 Hipotesis Statistik dan Ujian Hipotesis

Definisi: 1.1
Hipotesis statistik adalah satu andaian atau kenyataan tentang
populasi yang mungkin benar atau mungkin tidak.
Untuk menjelaskan apa yang boleh difaham danipada definisi
mi, kita perhatikan masalah berikut.
Andaikan satu populasi digambarkan oleh pembolehubah
rawak X yang bertaburan f(x, 0). Katalah daripada pengetahuan
lepas kita tahu bahawa nilai 0 ialah 0~.Setelah beberapa perubahan
berlaku terhadap populasi kita menasakan 0 sebenar bukan Iagi
bernilai 0. tetapi adalah 0~.Tetapi bagaimanapun kita tidak dapat
tentukan dengan pasti. Kenyataan 0 = 0~dan 0 = 0~adalah
merupakan kenyataan terhadap populasi. Keduanya adalah
hipotesis statistik. Sebagai misalan yang lain andaikan sejenis padi
yang ditanam tanpa baja, boleh mengetuarkan hasil pumata kurang
295
dan 1000 kilogram sehektar. K4talah sejenis baja dmgunakan.

Tentunya kita akan menjangkakan hasml purata akan bertambah
melebihi nilai tersebut. Kenyataan hasil purata sehektar ~ 1000 dan
~ 1000 adalah merupakan hipotesis statistik benkenaan keluaran
padi tersebut.
Danipada kedua-dua kes di atas kita perhatikan, tendapat dua
kenyataan berkenaan populasi. Kita catatkan kenyataan yang mulamula bagm H0 kedua-dua kes sebagam H0: 0 = 0~cjan H0: hasil purata
sehektar C 1000. Hipotesis H0 mi dmnamakan hipotesis nul.
Sementara kenyataan kedua bagi kedua-dua kes~dinamakan
hmpotesms alternatif dan dicatat sebagai H1 : 0 = 0, dan H, : hasil
purata sehektar ~ 1000, masmng-masmng.
Definisi: 1.2
.Jmka hipotesis statistmk menentukan tabunan secara tepat, ia
dmnamakan hipotesis mudah. Jika tidak ia dmnamakan hmpotesms
gubahan.
Danipada kedua contoh yang telah dibincangkan setakat mi,

didapati kes pertama kedua-dua hipotesms H0: 0 = 0~dan H, :0 = 0,
menentukan dengan tepat tabunan bagm populasm berkenaan. Jadi ia
adalah merupakan hipotesms-hipotesis mudah. Manakala dalam kes
kedua, nilai hasil purata di bawah H0 boleh mengambil danipada 0
hingga 1000, yakni tidak dinyatakan nilai sebenar bagm populasi.
Maka H0 : hasil punata sehektar C 1000 dinamakan hmpotesms
gubahan. Begitu juga dengan hipotesis alternatif dalam kes mm; ia
merupakan hmpotesis gubahan.
Setelah ditetapkan hipotesis berkenaan, iaitu hmpotesis nul dan
hipotesis alternatif bagi satu-satu populasm, apa yang tinggal sebagai
masalah ialah menentukan hipotesis mana yang benar-benar
menunjukkan populasi sebenar. Yakni, menentukan hipotesis yang
harus ditenima sebagai benar.
Definisi 1.3
Ujian hipotesis statistik ialah satu hukum di mana bila nilai
danipada sampel diperolehi, membolehkan menolak atau menerima
hipotesis berkenaan.
Penentuan sama ada kita harus menenima atau menolak satusatu hipotesis bergantung kepada maklumat sampel. Jikalau
keputusan daripada sampel adalah konsisten dengan hipotesis nul,
296
UJIAN HIPOTEStS: TEORI
kmta botch menerima H0 sebagam benar. Dan jika
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
KEBARANOKALIAN DAN 5TATI5rIK
~,
...
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.
=
10.2 Ralat Jenis I dan Ralat Jenis II

Telah disebutkan di awal bab mi bahawa kebenaran atau
kepatsuan hipotesis statistik tidak diketahum dengan tepat kecualm
jika kita memeniksa keseturuhan populasm. OIeh itu kurang
munasabah jika kebenaran hanya berdasarkan kenyataan danipada
sampel. Jadi tentunya keputusan yang dibuat adalah tertakluk
kepada ralat-ralat tertentu yang timbul danipada membuat
keputusan yang sudah. Satu danipada ralat tersebut timbul daripada
kesalahan menolak H0. Sementara satu lagi mungkin timbut
298
danipada kesalahan menerima ~o. Kedua-dua ralat

masing dinamakan ralat jenis I dan ratat jenis II.
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
tidak menerima dengan senang satu-satu kenyataan yang baharu

terhadap populasi. Jadi !angkah yang diambil ialah menetapkan aras
keertian pada tingkat yang munasabah terlebih dahulu, dan
kemudiannya hukum membuat keputusan adalah ditentukan oleh
kawasan genting yang menghasilkan kebarangkalian melakukan
ralat jenis II yang minimum.
10.3
Ujian Terbaik bagi Set Hipotesis Mudab

Berdasarkan kesimpulan di atas kita telah pun bersedia untuk
membentuk kawasaai genting yang sesuai bagi menguji set hipotesis
mudah. Bentuk umum ujian bagi set hipotesis mudah mi bila kita
ingin menguji:
H0: 0
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
...
...
taburan di bawah H1. Setelah pengamatan x1

; digantikan di
dalam L0 dan L1 kita dapat L0 (x1 xj dan L1 (x1 x,1). Nilai L0 dan
L1 mi nampaknya boleh digunakan sebagai asas menentukan sama
ada 0~dan 01 lebih sesuai untuk mewakili nilai 0 yang sebenar.
Sekiranya L1 (x1 xj cukup besar berbanding dengan L0 (x1 x~)
maka L1 dikatakan menjelaskan data dengan lebih baik dan L0,
ataupun dengan kata lain kenyataan sampel adalah lebih konsisten
kepada kenyataan di bawah H1 sehingga kita cenderung untuk
menerima H1 sebagai benar (atau menolak H0). Jika L, lebih besar
dan L1 adalah sebaliknya.
Berdasarkan kesimpulan mi kita perkenalkan satu definisi yang
dinamakan ujian nisbah kebolehjadian yang memberikan titik
pembahagian di antara kawasan penolakan dan penerimaan.
...
...
...
...
...
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}
Maka, nisbah keboleh)adian:

/ 1
=
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~
Daripada ujian nisbah kebolehjadian, kita harus menolak H,, jika
0,,) L
1=l
303
]}
n(0~ 0*)
>
C,
di mana
P(exp{~[(0i
0~) E
n(0~
0~)]}
>
C8)
Bagaimanapun lebih senang jika

exp
{~2-~
~
0~) E
n (0~ 0~)]
ditulis sebagal
2 In C
n (0~ 0~)+ )x~(0~ 0~)> 2a
atau
2 In C, + n(0~ 0~)
~ (0~
Oleh kerana 01
0,,
0,,)
>
2a
>
0 maka boleh juga ditulis
2a2InC,
> -~-
~ +
0~
Jadi ujian nisbah kebolehjadian ialah menolak H

0 jika
~
>
di mana
P (X> k,)
Kesimpulannya didapati ujian terbaik bagi mm taburan normal

ialah dengan menggunakan pengamatan bagi mm sampel iaitu I
Sebenarnya kawasan genting bagi ujian di atas masih sukar
untuk diperolehi. Adalah sukar untuk mencari nilai k supaya P (~>
k,) = a oleh kerana X di 2bawah H,, adalah bertaburan normal
dengan mm o,, dan varians a Untuk menyenangkan pengiraan k,
n
adalah lebih sesuai jika digunakan pembolehubah rawak
.
-0.
yang bertaburan n(0, 1).

Hukum membuat keputusan bagi ujian di atas ialah menolak
H,, jika dan hanya jika
304
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:
05. Dapatkan kawasan genting terbaik
Fungsi kebolehjadian bagi X1
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
~~)
Nisbah L1/L, ialah
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}
KEBARANOKALIAN DAN 5TATISTIK
Jadi ujian nisbah kebolehjadian memberikan keputusan menolak H,,

jika
L1
j25
exP~-~-Sx1,)>C.
di mana
P(~1>C)
Setelah dipermudahkan didapati kita harus menolak H,, jika
>
~1nC, !
atau
X <In C, +
di mana
P (2 <k)
Oleh krana di bawah H,,
maka
n (0, 1)
Jadi bagi ujian bersaiz a
2-1
-05 kita harus menolak H,,jika sekiranya
<k~5
di mana p (21
<
k.05)
-05
Daripada jadual n (0, 1) didapati k.05
1645
Maka kita harus menolak H,, jika
1-645
Contoh: 3.3
Dengan menggunakan masalah ujian .dalam contoh 3.2
dapatkam kebarangkalian melakukan ralat jenis II.
Penyelesaian:
306
di mana Z ~ n(0, 1).

Daripada jaduat taburan normal piawai boleh diperolehi K (0) bagi
sebarang nilai 0. Misalnya
K(6)
K (7-645)
K(4-04)
=
=
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
~,,
adalah hipotesis nul yang diuji dengan
1: 0
Araskeertian a bagi ujian mi ialah
nilai maksimum bagi fungsi kuasa bila H,, adalah benar. Atau
=
(~.
mak ~ (Tolak H,,/H,, adalah benar}

0 e
Perhatikan bahawa aras keertian a bagi hipotesis nul mudah

H,,: 0 = 0,, a~alahfungsi kuasa pada titik 0,, itu sendiri.
Dellnisi: 4.3
Katalah K(0) adalah fungsm kuasa bagi menguji hipotesis H,,: 0
1,, dengan H1: 0 ~ L~,maka nilai fungsi kuasa pada nilai sebenar bagi
0 dipanggil kuasa bagi ujian tersebut.
Contoh: 4.2
Dengan berpandukan masalah yang diberi datam contoh 4.1,
309
di mana P (X > k~)= a

Oleh itu kawasan genting
{~ > k~)adalah kawasangenting terbaik

bersaiz a bagi menguji set hipotesis mudah H,,: 0 = 0,, dengan H
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,,.
=
Dengan menggunakan keputusan yang diperolehi dan contoh
3.1 dapat ditunjukkan bahawa hukum bagi ujian di atas juga boleh
ditulis dalam bentuk menolak H,, jika
Z
di mana
>
0,, >
4,)
a dan Z adalah bertaburan
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,,.
Sebagai contoh 5.1 kita dapati hukum membuat keputusan bagi

menguji set hipotesis mudah H,, : 0 = 0,, dengan H, : 0 = 01 ialah
menolak H,, jika
L1 (X1
L,,(X1 ...X,)
...
atau
(01
Di bawah H
1~o~
0,,) Lx, + n (0~

exP[-~--~202
2 In C,, n(0~ 02,,)
0,,) ~ > 2c
X,,)
>
C2
1, 8~boleh mengambil nilai C 0, atau > 0,,. Jadi ujian

bersaiz a ialah menolak H0 jika
312
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,,
oleh kerana 0~ 0,, adalah negatif.

Jadi terdapat kawasan genting terbaik bersaiz a yang berbeza untuk
setiap 0~ 0,,. Ternyata dalam kes mi tidak terdapat ujian paling
berkuasa seragam.
Coutob: 5.3
Ujian satu hujung mengenai nisbah
Katalah kita mengambil sampel bersaiz n daripada taburan b(1,

p) dan didapati pengamatan bagi X
1 X~ialah x1, x2
x,. Kita
ingin menguji set hipotesis
...
H, : p = p,,
H1: p < p,,
dengan
Maka terdapat ujian paling berkuasa seragam bagi ujian
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
Pi < p,, ialah menolak H, jika
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,
UJIAN IIIPOTESIS: TEORI
pada tingkat aras keertian a.

Kawasan genting paling berkuasa seragam bagi ujian mi boleh
diperolehi dengan mendapatkan kawasan genting terbaik bagi
menguji set hipotesis mudah H,, : a2 = a~ dengan H1 :
=
a~a~ >
a~.
Nisbah kebolehjadian L1 (X
(a,,~
...X,,)/L,,(X~ ...X,)ialah
In
p)2
2a~
2Co i=1 (x~

expT_~
-~
L (x,
p)2}
Maka ujian terbaik bersaiz a ialah menolak H,, jika
exp~E (x,
OI
tO 2
~
~-~~
2a~a
> C,
IL
Di mana
>
C2)
Jadi kawasan genting terbaik bersaiz a ialah

2(Cl
p~ 2a~a~) > C
exp {,~1 (x,
atau
n
L (x,
;j)2
(ala~\
k.
>
2Ink+2nIn(!)
Jikalau al > a~didapati kawasan genting mi tidak berubah bagi

semua nilai al. Jadi kawasan genting
2 > k,
~ (x1
p)
adalah merupakan kawasan genting paling berkuasa seragam bagi
menguji H,, : al = a~dengan H~: al >
Jika H,, benar pembolehubah rawak
315
LilIAN HIPOTESIS: TEORI
X,
di bawah H1 : 0 0~ialah L(X1
... X,,
Q~)
f(x,, 0); 0 eQ~.
Nisbah
_____
L(Q,,)
L(X1
L(X1
...
X,. f2~)
... X,,;
U,,)
mi, adalah dipanggil nisbah kebolehjadian dan boleh digunakan

untuk membentuk ujian bagi menguji H,,: 6eQ, dengan H1 :0 01.
Bagaimanapun L(U1) dan L(U,,) tidak dapat ditentukan secara tepat
sebagaimana dalam menguji set hipotesis mudah. Langkah yang
diambil untuk mengatasi masalah mi ia menggantikan ~1 dengan ~
yang memaksimumkan L(U) dan Q~ dengan O~ yang
memksimumkan L(t0). Nisbah
L(fl)
L(X1 X,, (1,,)

seterusnya digunakan sebagai asas pengajian.
Definisi: 6.1
Satu ujian bagi menguji H,,: 0 a 0,, dengan H1 : 0 e ~
berbentuk; menolak H,, jika dan hanya jika
L(X1...X~,)
...
yang
L(x1 ... x, U,,)

di mana k adalah pemalal dan L(X1 ... x~,0) dan L(x1 ... x~0,,) adalah
nilai maksimum bagi fung~iL(X ... X~, Q~) dan L(X1 X,, U,,) dan
IL(x1 X,,, 0)
Pj
> k/H,,adalahbenarj ~ a
...
...
X,, U,,)
adalah dipanggil ujian nisbah kebolehjadian bersaiz a.

Di dalam menentukan nilai U dan U,, yang memaksimumkan
fitngsi L(U) dan L(U,,~ kita telah tunjukkan bahawa penganggaran
kebolehjadian maksimum adalah boleh digunakan.
Contoh: 6.1
Ujian normal dua hujung
2); ~
Katalah
X1
... X~
adalah sampel
rawak
bersaizkita
n dan
n (0,
g
diketahui, dengan
pengamatan
x
x~.Katalah
ingin
menguji
set hipotesis
H,:
0 = 0,,
dengan
H
1
: 0
0,,
317
Dalam kes mi kita dapati set 1) = {0; cc < < cc } sementara

0,,
{0,,] dan 01
{0; cc < 0 c cc dan 0 ~ 0,,}. Fungsi
ketumpatan bersama bagi X1
X, ialah
=
...
L(X~
X,; 0)
...
Di bawah H,, :0
L(XI
...
exp[_
(x1
0)2]
0,,jadi L(f,,) ditentukan denganjelas iaitu
X,; 0,,)
(~~-i) exp
L (x1
032]
Tetapi di bawah H 1,L(Q 1) tidak ditentukan dengan tepat oleh kerana

0 masih belum diketahui. Penganggar kebolehjadian maksimum
harus .didapatkan untuk mendapatkan 0 yang memaksimumkan
fungsi L(01). Yakni dengan men~eIesaikanpersamaan
In 1111) =
L (x, 0) = 0
a
didapati
Dengan menggantikan U di dalam 1411) kita dapati 140) adalah
/
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,
Maka hukum menguji hipotesis mi ialah menolak
2a
/ L fZ~)ialah
Jadi nisbah L(O)
L(X
X(x,_i42]
H,,
>
x)
jika
k
-I
atau
2
>
318
2lnk
(j2
yang boleh dipermudahkan kepada

())2 >
a2 /ii
atau
0,
>d
I?
Bagi ujian bersaiz a maka kita harus menolak H, jika sekiranya

>
4,
di mana
P (~Z~> d,
72)
Pembolehubah rawak
j~adalah
bertaburan normal
11
piawai. Jadi nilai sebenar d,72 diperolehi dengan menggunakan

jadual taburan normal piawai.
Contoh: 6.2 Ujian t dua hujung
Andaikan X adalah pembolehubah rawak bertaburan n (0, ~2)

di mana a2 adalah tidak diketahui. Kita ingin menguji
H,, : 0
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}
2 > 0 tidak diketahui. Jadi L(Q) ialah

Di bawah H,, 0
L(0,,
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
Hukum membuat keputusan bagi ujian

sekiranya
r11+
[
r~0~\1nI2
II
n1\5/~/~JJ
>
ialah tolak
jika
H,
atau
(10)2 > n (n
1) (k~ 1)
atau boleh juga ditulms sebagai

1 0,,
5/f
>
Maka ujian bersaiz a dapat diperolehi berdasarkan statistik X

0,
S/f
dan taburan (~ ~. Ini adalah timbul danipada kenyataan bahawa
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
atau boleh dipermudahkan kepada

(I_0~)2
S/f
dan
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,,
di mana jika digabungkan kita dapati kita harus menolak H, jika

10,,
Ujian nisbah kebolehjadian bersaiz a boleh diperolehi dengan

berdasarkan statistik X
0, yang bertaburan t(
0_
s/f
ujian bersaiz a kita harus menolak

I
dimanaP(X
0,,
0,,
s/f
> d2)
H,,
jika
> d,
=
s/f
Contoh: 6.4
Ujian
bagi perbezaan beberapa mm

323
Yakni bagi
KEBARANGKALIAN DAN 5TATIST1K
Katalah X1, X2 dan X3 adalah tiga pembolehubah rawak tak

2), n (P2 a2) dan ii
bersandar
yang
masing-masing
bertaburan
n
(Pi,
a
(ps, a2). Andaikan tiga sampel rawak tak bersandar bersaiz ii diambil
dan X
1. X2 dan X3 dan didapati pengamatan ialah x11. x12. Xhi,
x21, x22, ... x2, dan x31. x32 ... x3,. Kita ingin menguji
...
H,, : p1
dengan
#2
#3
: sekurang-kurangnya salah satu tidak sama.
H1
Penyelesaian:
2}
Ruang parameter ialah 11 = {PI,

Dan fungsi kebolehjadian L(Q) ialah
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_=
~
penganggar bagi p,; 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
Sehingga kita harus menolak H,, jika
x x (xU
ii
>k
-
S E (xu
Sekarang perhatikan sebutan Eii (x,~

sebagai
E (xu
= E
ii
x~
ii.
fl2.
+ 3
Ini boleh ditulis
~ 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
Jadi kawasan penolakan

E E (x
1~
boleh ditufis sebagai
xz
nE (x~
(ic,~
x)
>k1=d
ii
di mana fadalah nilai bagi pembolehubah rawak

325
fl2
KEBARANGKALIAN DAN SJATISTIK
F=
S S (X1~
yang mempunyai taburan F dengan 31 dan 3 (ni) darjah
kebebasan. Ujian adalah berdasarkan nilai statistik F dan taburan F

(2, 3(n
1)). Yakni bagi ujian bersaiz a kita harus menolak H, jika
sekiranya
(x1.
>f,(2,3(n1))
S S (x~~
x)2
dimana F, (2, 3 (nI)) dipilih daripada jadual F 2, 3(n 1) supaya

P(F >L(2,3(nl))
Ujian bagi hipotesis yang lebih umum iaitu bagi k populasi

normal akan dibincangkan penggunaannya di bawah tajuk analisis
varians.
-
Latihan Bab 10
10.1
Katalah satu sampel rawak bersaiz 12 diambil daripada taburan n

(p, 3); dan kita ingin menguji
H,, : p
(a)
15
dengan
H1 : p = 10
Jika kawasan genting ialah
C
{x1
; x c iO348}
...
dapatkan kebarangkalian melakukan ralat jenis I dan ralat

jenis II.
(b)
Jika kawasan genting ialah

C= {x1
...
x12 x <
12-436)
Apakah kebarangkalian melakukan ralat jenis I dan jenis

II?
326
UJIAN HIPOTESIS: TEOR!
102
Anggapkan X1
X,, adalah sampel rawak danipada ;,(0, 4).
Dapatkan kawasan genting terbaik bagi menguji hipotesis
...
H,: 0
10.3
H :0 = 4 Dan masalah 10.2 katalab daripada saw sampel bersaiz n

16
didapati x= 4. Dapatkah anda menolak H,, pada tingkat 5% aras
keertian.
10.4
Katalah X1
X,, adalah sampel bersaiz n daripada taburan h(1, 0~.
...
Jika ingin menguji H0 0
dengan H1 : 0
tunjukkan bahawa
statistik yang boleh digunakan sebagai asas ujian adalah ~ X~.
10.5
Anggapkan XI
X, adalah sampel daripada taburan Poisson
parameter 0 dan kita ingin menguji H,, :0 = 0,, dengan H1 :0
01;
...
01 > 0,,.Tunjukkan bahawa statistik ujian ialah S X1. Jika n
100
dapatkan kawasan genting terbaik bagi ujian tersebut. Gunakan

teorem had pusat bahawa
n~
adalah menghampid taburan n(0, 1).
10.6
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
>
Tunjukkan bahawa statistik ujian harus berdasarkan E X~.

Tunjukkan juga bahawa ujian boleh diasaskan kepada taburan
Chi-kuasa dua.
10.8
Katalah masalah sama seperti soalan 10.7. Kita ingin menguji

H,,
a2 = 5
dengan
a2
a,
10
TiIhjukkan bahawa kawasan genting terbaik bagi ujian

=
mi ialah C
{x
1
X15
> kl.
Bagi saiz sampel adalah n ~ 15 dapatkan nilai k supaya aras

keertian bagi ujian tersebut adalah 005.
10.9
Katalah X1 ... X25 adalah sampel danipada n(0, 25). Andaikan

kawasangentingx > 7digunakanuntukmengujiH,:0 = 5,dengan
H1
: 0 > 5. Dapatkan fungsi kuasa bagi ujian mi dan lakarkan.
Apakah kebarangkalian melakukan ralat jenis I? Apakah kuasa
bagi ujian mi jika (a) 0 sebenar ialah 6 dan (b) 0 sebenar ialah 8?
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
10.13 Satu sampel bersaiz 25 diambil danipada n(0, 100). Tunjukkan

bahawa kawasan genting paling berkuasa seragam bagi mengujiH,,
:0 = 70 dengan H :0 >70 pada tingkat l~anas keentian ialah x
74-65.
10.14 Jika X
X,, adalab sampel rawak hensaiz ii danipada taburan n (0,
I) dan kita ingin menguji H,,:0
0 dengan H1:0
0. Dapatkan
=
ujian nisbah kebolehjadian bagi menguji hipotesis
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
x > 70 + 2d,,2 atau x c 70

2d,~
Jika diperlukan
P(Tolak H1/H,,) = .05
apakah nilai d42?
10.16 Tunjukkan bahawa ujian dua-hujung dalam contoh 62 bolehjuga

dibentuk dengan menggunakan ujian F, yakni berdasarkan taburan
F dengan I dan ii
I darjah kebebasan.
2). Tunjukkan bahawa

10.17 kawasan
X1
X,, genting
adalah bagi
sampel
rawak
dan
n(p, daengan H
menguji
H,:
a~=a~
2
a~,jika
1:a
ptidakdiketahuiadalah S (X...x)2 ~ C.Tunjukkanjuga bahawa
...
ujian mi boleh didasarkan kepada tabunan Chi-kuasa dua dengan ii

I danjah kebebasan.
Jika ii = l5dan kita ingin menguji H,,: a2 = l0denganH
2
10
dapatkan kawasan genting bagi ujian ber~aiza = -05. 1 : a
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
bagi kedua-dua populasi tidak diketahui tetapi diandaikan sama.

Dapatkan kawasan genting bersaiz a bagi menguji hipotesis
H,:
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
Ujian Satu-H~ingdan Ujian Dua-Hujung

Hipotesis statistik boleh mengambil berbagai bentuk,
umpamanya hipotesis boleh berbentuk mudah atau gubahan. Begitu
juga halnya dengan hipotesis alternatif. Bentuk hipotesis alternatif
yang digunakan membawa kesan terhadap kawasan genting dan
seterusnya hukum membuat keputusan bagi ujian tersebut. Jadi di
sini diberikan pembahagian umum ujian hipotesis berdasarkan
bentuk hipotesis alternatif.
Jika hipotesis alternatif berbentuk satu-hujung, yakni jika kita
ingin menguji parameter 0 maka H1 adalah H1: 0 > 00 atau H1: 0 c
0~atau H1 :0 = ~~di mana 01 > 0, atau 0~< 0~maka ujian yang
,digunakan untuk set hipotesis mi dinamakan ujian satu-hujung.
Konsep mi lahir oleh kerana kawasan genting bagi menguji hipotesis
mi terletak di satu hujung satu taburan tertentu. Misalnya jika kita
menguji H0: 0 = 0~dengan H1 :0 > 0, maka kawasan genting bagi
ujianmniialahC = {xi x,, t4x1 xJ > k}.Jikadiperhatikancontoh
...
...
331
UJIAN HIPOTESIS: PENGGIJNAAN
>
cli
z~..2
mana Z~12dipilmh daripada jadual taburan normal piawam supaya
P(IZI
>
Z~)
Bagaimanapun bentuk di atas adalah lebih sesuai jika ditulis sebagai

menolak H0 jika
x
p0
atau ~
>
di mana P(Z
<
Z~2)= P(Z
>
_____
~0
Z~12)
~/2.
Kawasan penolakan diberikan sebagai kawasan yang benlorek

di dalam gambarajah 2.1
01/2
/2
1 ~
0
G~mb~r~j~h
2.1:
Kawasan genting bagi ujian Hipotesis

H0: ~ ~ dengan H,
:f~~
Dan gambarajah 2.1 did~patmbahawa jika ~
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
KEBARANGKALIAN DAN 5TATISTIIC
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
Kawasan penolakan ialah

X
d~mana P(Z
~L, >
<
= P(Z > Z.025)
05
Daripada jadual normal piawai didapati Z025 =
Dan itu kita harus menolak H0 jika
izi
Daripada sampel didapati
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
UJIAN HipoTEsis: PENGGUNAAN
Dapatkah kita menolak H0 pada tingkat
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
Daripada jadual taburan n(0, 1) didapati Z.005

Jadi g9% selang keyakinan bagi p ialah
486
258
4~344/
<
<
486
<
< }376
258
258
Oleh kenana p0 = 5 terjatuh di dalam selang tersebut kita tidak

boleh menolak H0.
Bagi menguji hipotesis nut dalam bentuk H0: p = p0 dengan
hipotesis alternatifdalam bentuk H1: p > p. atau H ~:p .c p. statistik
ujian yang hams digunakan ialah g: Hukum membuat keputusan
bagi menguji H,, dengan ~ : p > p0 ialah menolak H0 jika
:~~>
k
ateu bagi ujian bensaiz ~ keputusan di atas adalah sama dengan menolak
H,, jika
=
di mana P(Z
= X
p0
>
r~
a,jn
Z,)
a Z adalah bertaburan normal
piawai. Bagi menguji H,, dengan H1: p

menolak H,, jika
Z
335
>
<
pmaka ujian bensaiz ~ ialah
di mana d~ditakrif seperti dahulu. Jadi bagi kedua bentuk H1 di atas

x
Po dan taburan normal
u~ianharus didasarkan kepada niLai
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
Dapatkah kita menolak H,, pada 5% aras keertian.

Penyelesaian:
Andaikan
336
KEBARANGKALIAN DAN STATISTII(
<
Daripada sampel didapati
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~
di mana Tadalah bertaburan t dengan n

1 darjah kebebasan. Jadi
ujian bagi hipotesis berkenaan, mm adalah berdasarkan statistik T
dan tabunan t(n
1).
Umumnya bagi menguji hipotesis H,,: p = p,, dengan hipotesis
altematif H~:p ,~ p,,. maka ujian bersaiz ~ ialah menolak H,, jika
p,,
r
>~
0l2
s/sin
di mana
c,2
dipilih danipada taburan

P(T.c
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
UJiAN HIPOTESIS: PENGGUNAAN
Sementara bagi menguji H0 yang sama dengan H,: p

harus menolak H,, jika
I
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
=
dengan menggunakan 5% aras keertian.

Penyelesaian:
Kawasan genting bagi ujian bersaiz ~ = 05 ialah
I
s/,~/~<
05
Danipada jadual t~5, didapati t05 =

menolak H0 jika t <
1753.
Danipada sampel didapati I
4 dan .s
1753.
Maka kita harus
Oleh kerana
H11.
1333
>
1753
= 3.
Jadi
1333
maka kita tidak boleh menolak
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
atau menerima H,:
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
dengan menggunakan 5% aras keentian.

Penyelesaian:
Danipada jadual tabunan F didapati .t?025(9, 15) = 312 dan
1025(15,9) = 3.77
Jadi ujian bensaiz 5% bagi ujian mi ialah menolak H,, jika
sf/sf ~ 3~12 jika sf ~ 4
atau
sf/sf ~ 3.77
Danipada sampel didapati sf
=
=
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
Ujiau Mengenai Nisbah

Ujian mengenai nisbah diperlukan bila kita berhadapan dengan
populasi yang mempunyai hanya dua kemungkinan kesudahan.
Yakni yang melibatkan pensampelan daripada taburan binomial.
Sebagai misalan, kita boleh lihat dalam pengujian nisbah sebenar
pengidap penyakit denggi di kalangan penduduk luar bandar. Ujian
berkenaan nisbah juga timbul bila sebuah syanikat ingin mengetahul
sama ada nisbah penggeman barang keluanannya berbeza di antana
kategori penduduk yang berbeza, atau sebagainya.
Sebagai kes yang pertama kita akan bincangkan ujian yang
hanya melibatkan satu populasi, yakni menguji nisbah bilangan
sukses sebenar di dalam taburan binomial. Bentuk hipotesis nul yang
akan digunakan ialah H0: p = p,,. Sementara hipotesis altennatif
adalah H,: p ~ p,, dan H,: p p,,.
Jika X, X,, adalah sampel nawak bersaiz n daripada tabunan
b(1, p) dengan pengamatan x, x,,. Maka statistik ujian yang boleh
...
...
digunakan ialah
,~,
X, dan ~
LX,/n.
Bagi ujian bersaiz 8, kita harus menolak H,, dan menerima H,:
p
3&
p,, jika
> p0
dan p(LX ~ L x,/H,, adalah benar)
8/2
atau
p
p. dan P (LX, ~ Lx,/H,, adalah benan)
< 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
p,, dan P (LX, ~ Lx,/H,, adalah benar)
C 8
maka kita akan memilih H,: p C p,,

Di mana LX, adalah bertaburan b(n. pj.
Contoh: 5.1
Sebuah mesin dianggap nosak jika nisbah barang tidak
sempurna yang dikeluarkan melebihi 10 peratus. Katalah pada satu
34S
ketika 15 banang keluaran mesin tersebut diperhatikan dan didapati

3 danipadanya adalah tidak sempunna. Dapatkah kita katakan mesin
tersebut telah rosak? Gunakan 5% aras keentian.
Penyelesaian:
Di sini kita ingin menguji
H,,: p = 01 atau mesin tidak nosak
dengan H,: p > 01 atau mesin adalah rosak.
Daripada sampel didapati r~
3
IS
=.
02;
Lx,
= 3
15
dan L X, adalah
,~,
bertaburan b(15, 1).

Danipada jadual binomial didapati
P(LX,
3/p
4)
01841
Oleh kerana P (LX, 3/p

1) 01841 lebih besan daripada 005,
kita harus menenima H,,. Kita dapat katakan bahawa mesin tensebut
adalah tidak nosak.
Jika saiz sampel ii cukup besar adalah lebih sesuai jika kita
gunakan penghampiran normal terhadap ujian tersebut. Statistik
ujian yang boleh digunakan ialah
~
p,,)/n
LX,np,,
7np,,(1
p,,)
di mana Z adalah bertaburan normal piawai. Ujian normal

sebagaimana seksyen 10.2 boleh digunakan untuk menguji nisbah
sebenan populasi.
Contoh: 5.2
Dengan menggunakan masalah di dalam contoh 6.1, katalah
barang yang diperiksa ditambah kepada 30 dan didapati 6
daripadanya tidak sempurna. Adakah mesin tersebut rosak?
Gunakan 8 = 005.
Penyelesaian:
H,,: p
H,: p
>
0~1
01
Daripada jadual taburan normal nilai Z.05 supaya

349
p0
+ ~2+
Di dalam pengangganan bagi p,, kita kehilangan satu darjah

kebebasan sehingga
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
Bagi ujian bersaiz
kita hanus menolak H,, jika

/ > x2~(v)
di mana /
2(v) adalah nilai daripada jadual tabunan Chi-kuasadua

dengan v danjah kebebasan supaya
2A~))=
>
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
Ujikan hipotesis tersebut bahawa itu tak pincang dengan

menggunakan 5% anas keertian.
Penyelesaian:
H,, : p{l}
= ~p{2}
f...
p{6} =
H : dadu tensebut adalah pincang

Nilai yang diamat o, dan nilai yang dijangka e, boleh dibenikan
sebagai jadual berikut
t~~I
25
30
85
40
15
35
30
30
30
30
30
30
Oleh itu nilai ~2 ialah
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
>
1107 kita hanus menolak H
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
Dapatkah ditenima hipotesis tersebut pada 5% aras keentian?

Penyelesaian:
Set hipotesis yang diuji ialah
H,, : Benat badan bayi adalah bertaburan normal
H, : Benat badan bukan bentabunan normal
atau boleh juga ditulis sebagai
H0:f(x)=
exp
I
2
(~
dengan H,:f(x) bukan fungsi ketumpatan tabunan normal.

356
(5
+
=
3.5)2
3.5
1064
Kerana dua set digabungkan jadi bilangan set ialah 7. Bilangan

parameter yang dianggan ialah 2. Jadi ujian harus dibandingkan
dengan /(4).
Jika 8
005 maka /.~~(4)
= 949
1064 > 949 kita hanus menolak H,,. Sebagai
OIehkerana x2
kesimpulan, taburan benat badan bayl bukanlah bentaburan normal.
Sebagai ingatan hanus diperhatikan bahawa di dalam ujian x2
adalah Iebih sesuai jika setiap set yang mempunyai kekerapan
kunang daripada 5 digabungkan dengan set yang berhampiran.
=
11.7
Ujian Chi-kuasa Dua untuk Kehotnogenan

Ujian x2 yang telah dibinangkan dalam seksen 11.6 dan 11.7
bolehjuga digunakan untuk menguji kehomogenan bagi It populasi.
/< populasi dianggap homogen jika kesemuanya boleh dianggap
sebagai satu populasi yang sama. Sebagai misalan, katalah kita ingin
mengkaji samada tendapat perbezaan dan tabunan bagi jumlah han
ponteng kerja di antana pekerja penempuan dan pekenja lelaki. Jika
bilangan han ponteng digolongkan kepada tiga kategoni iaitu daii 0
hingga 7, 8
14 dan 15
21 maka jika kedua populasi adalah
homogen, nisbah ponteng kenja bagi setiap kategoni adalah sama
bagi pekenja perempuan dan pekenja lelaki. Jikalau satu sampel
diambil danipada setiap populasi, keputusan pengamatan boleh
dipensembahkan sebagai jadual 7.1.
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
Jadual 7.1: Jadual kontingensi 2 x 3

358
1145
110
Jadual 7.1 dikenali sebagai jadual kontingensi 2 x 3. Bentuk

yang lebih umum bagi jadual kontigensi ialah k x e di mana k adaiah
bilangan bans dan c adalah bilangan lajun.
Flipotesis
bahawa populasi dalam masalah yang telah
dikemukakan adalah homogen boleh ditulis juga sebagai
H0:
Pu
P21,
P12
P22
dan hipotesis alternatif ialah

H, : sekunang-kurangnya satu daripada
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
di mana n, adalah jumlah nilai pengamatan bagi bans I dan c, adalah

jumlah nilai pengamatan bagi lajur j dan N adalah jumlah besan
semua nilai pengamatan.
Sebagai penjelasan nilai yang diamat dan nilai yang dijanglca
bagi masalah yang telah dikemukakan diberi dalam jadual 7.2.
Kategori
07
PekeijaPerempuan
120
Pekexjalelaki
1119.41
90 [90.6]
814
1521
20 [19.9]
15.7]
15 [15.1]
[4.31
Jadual 7.2: Nilai diamat dan nilai dijangka (dalam
])
Ujian bensaiz 8 bagi ujian kehomogenan adalah hanus menolak

H,,jika
x2
>
x2~(ki) (ci)
359
di mana z2Ak
supaya
I) dipilih
danipada jadual ~2(J< 1)(c
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
Daripada jadtial 72(2

1)13
I) didapati nilai 72(2)
599.
OIeh kerana / = 0208 < 599 kita harus menenima H,, pada tingkat
5% aras keertian. Tidak ada perbezaandisegi tabunan ponteng kenja
di antara pekerja lelaki dan perempuan.
-11.8
Ujian Chi-kuasa Dua untuk Ketakbersandaran

Saul lagi hentuk ujian Chi-kuasa dua ialah apabila kita ingin
menguji ketakbersandaran bagi It populasi. Sebagai misalan katalah
kita ingin mengetahui sama ada bilangan anak bagi satu-satu
keluarga bergantung kepada pendapatan keluarga tensebut atau
pun tidak. Katalah 460 keluarga dipilih secan,a rawak danipada
kalangan keluarga yang telah benkahwin 10 tahun atau Iebih.
Keputusan danipada sampel, boleh dikelaskan kepada kategoni
mengikut namai anak, 0, 1,2, 3 dan lebih daripada 3 dan mengikut
pendapatan keluarga; bawah $500, $500 hingga $1500 dan melebihi
$1500 sebulan. Sampel yang diamati boleh dipensembahkan sebagai
jadual kontingensi 3 x 5.
Bilangan anak
0
<
Fendapa tan
bulanan
$500
leblh
dan 3
Jumlah
42(p14)
SO(p15)
ri~ =
?(p21) 60(p22) 56(p23) 43(p24)

41(p
10(p31)
32) 12(p33) lO(p34)
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
Jadual 8.1: Jadual kontingensi 3 x 5

360
UJIAN BIPOTESIS: PENGGUNAAN
11.3
Sejenis ubat nyamuk lingkaran didakwa bahawa keberkesanannya

boleh tahan sekurang-kurangnya 10 jam. Jika daripada 100
lingkaran ubat nyamuk tersebut dicuba dan didapati purata
keberkesanannya ialah 9.5 jam dengan ralat piawai 15 jam, adakah
boleh diterima dakwaan tersebut pada tingkat 5% aras keertian.
11.4
Dan sampel rawak yang mengandungi 225 kotak minuman

didapati kandungan purata ialah 260 ml. dengan ralat piawam 10 ml.
Uji hipotesis bahawa kandungan sebenar ialah 250 ml. dengan
hipotesis alternatif bahawa kandungan sebenar tidak sama dengan
250 mi:Gunakan 1% aras keertian.
11.5
Daripada 15 buah kereta yang dipilih untuk ujian ekonomi

didapatm purata penggunahn minyak ialah 3 km/liter dengan ralat
piawai 5 km/liter. Uji hipotesis bahawa penggunaan minyak
keretajenis tersebut adalah 35 km/liter dengan hipotesis alternatil
penggunaan sebenar kurang; daripada kadar tersebut. Andaikan
kadar penggunaan adalah bertaburan normal.
11.6
Sebuah syarikat pengeluar bola pingpong mendakwa bahawa

garispusat bola keluarannya adalah 765 sm. Jmka daripada 21 bola
yang diukur garispusatnya didapati panjang secara purata ialah 76
sm. dengan ralat pmawam 02 sm. Jmka panjang garispusat bertaburan
normal dapatkah anda katakan bahawa panjang sebenar
garispusat adalah berbeza darm yang didakwa?
11.7
Satu sampel rawak bersaiz n1
25 diambil daripada satu taburan
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 #
Sebuah syarikat rokok mendakwa bahawa rokoknya

mengandungi 10% kurang daripada rokok-rokok lain di pasaran
dan segi kandungan nikotinnya. Jika satu sampel bersaiz 10
diambil daripada rokok keluaran syarikat tersebut didapati purata
363
kandungan nikotin ialah 162 mg dengan ralat piawai II mg.

Sementara sampel yang terdiri daripada 20 bungkus rokok lain
memberikan purata 188 mg dengan ralat piawai IS mg. Jika
kandungan nikotin bertaburan normal dan diketahui bahawa mm
sebenar rokok lain ialah 18 mg. adakah dapat diterima dakwaan
tersebut?
11.9
Sejenis ubat barah dikatakan berjaya di peringkat awal jika ia

boleh menyembuhkan sekurang-kurangnya .90% daripada tikustikus yang dikenakan dengan penyakit tersebut. Daripada 20 ekor
tikus kajian yang diberi ubat tersebut didapati 17 ekor telah
sembuh. Dapatkah dikatakan bahawa ubat tersebut telah berjaya
di peringkat awal? Gunakan 5% dan i% aras keertian.
11.10 Kedai-kedai di Kajang biasanya ditutup pada han Ahad. Sebuah

kedai bercadang untuk membukanya jika didapati sekurangkurangnya 25% dan pelanggan tetapnya menyatakan sanggup
untuk membeli-belah han Ahad. Satu kajiselidik dibuat terhadap
50 isi rumah di sekitar Kajang. Daripada 50 didapati hanya 18%
sahaja dapat dianggap sebagai pelanggan tetap kedai tersebut.
Daripada bilangan mi cuma 7 sahaja menyatakan sanggup
membeli-belah pada han Ahad.
(a)
(b)
(c)
Haruskah kedai mi menjalankan perniagaan pada han Ahad?

Dapatkan 95% selang keyakinan bagi nisbah sebenar
pelanggan tetap kedai tersebut.
Uji hipotesis bahawa nisbah sebenar pelanggan tetap kedai
tersebut adalah melebihi 45% daripada penduduk di sekitar
Kajang.
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
UJIAN HIPOTESI5; PENGGUNAAN
kandungan tin-tin keluaran mesin tersebut melebihi 5 ml setin.

Daripada 21 tin yang disiasat didapati purata kandungan setin
ialah 250 ml. Jika diperolehi juga varians sampel sebagai 45 ml
setin, adakah mesin tersebut masih dalam keadaan baik? Andaikan
kandungan setin adalah bertaburan normal.
11.13 Daripada satu sampel rawak bersaiz 25 dan taburan n(4u, a2)
didapati ? = 198, s2 = 250. Uji hipotesis
H, : a2 = 225
dengan
H
2 ~ 225
: a keertian.
dengan menggunakan 5% 1aras
11.14 Katalah, mengikut satu teori genetik, kacukan di antara lembu
merah dan lembu hitam akan menghasilkan lembu-lembu merah,
hitam, coklat dan lain-lain yang berkadar 4:2: 5: 1. Jika daripada 50
anak lembu kacukan didapati lembu merah, hitam, cokiat dan
warna lain adalah berjumlah iS, 10, 20 dan 5. Adakah dapat
diterima teori tersebut? Gunakan 1% dan 5% aras keertian.
11.15 Untuk mengetahui sama ada wujud persamaan di antara taburan
pendapatan penduduk setinggan di bandar dengan penduduk luar
bandar, seorang ahli kajiselidilc menggunakan varians pendapatan
sebagai ukuran. Katalah daripada 31 penduduk setinggan didapati
mm dan varians sampel ialah $350 dan $250 sebulan. Sementara
daripada 30 penduduk luar bandar didapati mm dan varians ialah
$200 dan $210 sebulan. Dapatkah dikatakan bahawa terdapat
berbezaan dan segi taburan pendapatan kedua-dua penduduk?
11.16 Daripada 1000 sampel rawak, 500 di bandar, 300 dan pekan kecil
dan 200 dan luar bandar didapati bilangan peminat lagu
keroncong di kawasan-kawasan tersebut ialah masing-masing 50,
30 dan 30. Apakah terdapat perbezaan nisbah peminat lagu
tersebut di ketiga-tiga kawasan?
11.17 Adalah dipercayai bahawa bilangan kemalangan jalan raya dalam
satu jangka waktu di Selangor adalah bertaburan Poisson. Jika
daripada satu data yang dikumpul selama 130 han didapati
bilangan kemalangan jalan raya adalah seperti di sebelah.
365

Bilangan
kemalangan
~7
Ulangan
kemalangan
10
30
40
15
20
10
Bolehkah dikatakan bilangan kemalangan sebagai bentaburan

Poisson?
11.18 Satu duit syiling dilambung berkali-kali sehingga kepala keluar.
Jika X adalah bilangan campakan, adakah X bertabunan Geometri
dengan parameter p
sekiranya daripada
140 lambungan kita
perolehi keputusan berikut

Xx
Ulangan
90
30
10
Gunakan 5% aras keertian.

11.19 Bagi masalah dalam contoh 6.2 uji hipotesis bahawa berat badan
bayi adalah bertaburan normal dengan mm 7 lb.
11.20 Bagi masalah dalam contoh 6.2 uji hipotesis bahawa berat badan
bayi adalah bertaburan r47, 4).
11.21 Darip~adasatu sampel rawak yang terdiri daripada 200 anak muda,
keputusan dapat dikelaskan mengikut kategori berikut:
Dan keluarga
bench
Dan kehjarga
miskin
Tidak
Merokok
Merokok
$tcara
scdethana
Kuat
merokok
20
50
10
40
70
10
Uji hipotesis bahawa kedudukan ekonomi keluarga adalah tidak

mempengaruhi tabiat merokok.
366
11.22 Dua kaedah mengajar, kaedah A dan kaedah B telah dicuba

terhadap dua kumpulan yang mengandungi 50 orang pelajar tiapflap sekumpulan. Selepas tiga bulan satu ujian diberi kepada
kedua-dua kumpulan. Kumpulan dalam bentuk kepujian, lulus
atau gagal bagi pelajar-pelajar yang mengikuti kaedah A dan B
diberikan sebagai berikut.
Kepujian
Lutus
Gagal
KacdaliA
25
20
Kacdah B
20
23
Uji sama ada kedua-dua kaedah membeni kesan yang sama

terhadap pencapaian pelajar. Gunakan 5% aras keertian.
11.23 Tong-tong buah yang diimport boleh dikelaskan mengikut iebih
daripada 50% rosak, kurang danipada 50% rosak atau tiada
sebarang kenosakan. Dalam satu pemeriksaan terhadap 200 tong
yang diimpont dan negara A, 100 tong dan negara B dan 100 tong
dan negara C didapati keputusan seperti bermkut.
>50% nosak
<50% rosak
Tiada kerosakan
20
100
120
NeganaB
10
40
50
20
30
40
Adakah nmsbah kerosakan bagi ketiga-tiga negara adalah sama

sahaja?
11:24 Katalah 400 tong buah yang diimport diperiksa untuk menentukan
nmsbah ketosakan dan hubungannya dengan negara pengimport.
Keputusan pemeriksaan tensebut diberi sebagaimana jadual dalam
soalan 10.23. Uji sama ada wujud pentalian di antara nisbah
kerosakan dan negara pengimport.
367
KEBARANGKALIAN DAN 5TATI5TJK
11.25 Katalah daripada satu percubaan rawak didapati data benikut:
(a)
(b)
10
40
60
50
15
Uji adakah X adalah bertaburan b(5,

Uji adakah X bertaburan Poisson.
368
p)
Pengelasan pengamatan berdasankan satu fakton seperti

mengikut jenis padi adalah dinamakan pengelasan-satu cara.
Pengamatan yang dikelaskan mengikut dua faktor seperti jenis padi
dan jenis baja dinamakan pengelasan-dua cana. Kita akan
bincangkan kedua-dua bentuk pengelasan mi satu pensatu.
12.2
Pengelasan Satu Can

Katalah kita mempunyai k populasi bertabunan normal dengan
minp1, #2, j~dan vanians yang sama Q2~Walau bagaimanapun a2
adalah tidak diketahui. Andaikan X
1~,X2~ X~;j = 1
k adalah
sampel rawak bersaiz n~yang diambil daripada populasi j, dan
katalah kita ingin menguji set hipotesis
.,
#2
dengan
H1 : sekurang-kunang satu
/4
ji~benbeza.
Jika diandaikan x0 sebagai pengamatan ke-i bagi sampel danipada

populasi j maka pengamatan tersebut boleh dipensembahkan di
dalam jadual 2.1 benikut.
Faktor
X11
X12
XII
x22
an
x n2
Jumlali
Miii
k,
Jadual 2.1:
....
xk
nkk
T
Ok
Pengamatan bagi * sampel rawak
370
ANALISIS
mm
Danipada jadual 2.1, T~,~ ~adalah masing-masing jumlah dan

bagi penganiatan sampel j, iaitu
Tj=
ZX
1~
1,2,..., k
dan
i~=TIn];
J= 1,2,..., k
Sementara 77. jumlah kesemua pengamatan dan

kesemua pengamatan:
nj
77,
adalah mm bagi
Ic
z ~
Ic
k.
dan
TJE
n~
j=
Oleh kenana mm bagi setiap sampel adalah p~maka setiap x1~

boleh ditulis sebagai
=
ji~+
e~
di mana ;~adalah selisih pengamatan ke-i dan #~,mm sampel bagi

sampel j.
Jika ditakniikan p, mm bagi kesemua populasi sebagai
Ic
j= 1
maka setiap pengamatan x1~boleh ditulis sebagai

=
[t
+ a~+
f~E rz~=
di mana ~ adalah selisih di antana mm p, dan mm keselunuhan

menggambankan kesan perbezaan akibat faktorj.
j~.
ri~
Set hipotesis yang telah dibenikan dahulu, dengan itu boleh

ditulis sebagai
H0 :a = 22 =
=
0
H, : sekunang-kurangnya saw dan 2~tidaksama dengan sifar,
Jika H0 benar maka ~ = u sehingga penganggar bagi jz~ialah
x... Maka penganggar bagi varians ialah
=
371
ANALISIS VARIANS
Punca vanlasi
JuSal.
kuasa din
JKO
Olahan
Miii kuasa dua
Darjab
kebeba.an
kI
MKO
kI
JKR
taint
nj
MKR JKR
MKO
MKR
Lnj-t
Total
JKT
Jadual 2.2:
Jadual analisis varlans
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
Keputusan jualan bogi 5 han penjualan.
375
Set hipotesis yang hendak diuji ialah:

H0: 1~, = #2 = #3
H,: Sekurang-kunangnya dua tidak
Penginaan darmpada sampel:
3492
JKT =
102 + 132 +
...
172 + 222
15
= 4440.93
JKO=
(87)2
1352
1272
3492
= 264.53
JKR= 4440.93
264.53 = 4176.4
Keputusan pengiraan dibenikan di dalam jadual analisis vanians

benikut:
Punca
vanuasi
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
Jadual anailsis varians urituk contob 2.1
Danipada jadual tabunan F (2, 12) didapatif.05 = 3~89.Oleh keranaf

= 38o2 < 389 kita hanus menenima H,,. Sebagai kesimpulan dapat
dikatakan bahawa bentuk packing adalah tidak mempengaruhi
jualan.
12.3
Inlerens Berkenaan Kesan Faktor

Jika ujian F menunjukkan bahawa H,, ditolak, yakni mm bagi
fakton benbeza, biasanya kita cuba pula untuk membuat inferens
benkenaan kesan bagi fakton tensebut. Inferens mi melibatkan
376
ANALISIS VARIANS
penganggaran atau ujian hipotesis. Biasanya ia melibatkan mm

dan perbezaan di antana dua mm
;j
1,...
Anggaran titik bagi mm #~dipenolehi dengan menggunakan
#1
x_f
Di mana penganggar k, mi adalah penganggan tak pincang bagi
E(X.~)=
dan mempunyai vanians
V(X~)
it)
Angganan bagi V(X~)boleh diperolehi dengan menggantikan

dengan MKR, iaitu
~2
MKR
ni
Oleh k enana x~adalah bentaburan nQi~,
bahawa
maka dapat ditunjukkan
T=
S(X))
adalah bertabunan t dengan
n~, k danjah kebebasan. Keputusan
mm boleh digunakan untuk membentuk (12) 100% selang

keyakinan bagi P~bendasankan taburan t. Angganan bagi selang
tersebut dapat ditunjukkan sebagam
t,
12
S(X.~c
xi
+ t11~
S(X)
di mana t,~2diperolehi danipada taburan t(Xn)

k) supaya
ta/2) = a/2.
Penganggaran bagi penbezaan antara dua mm
benpasangan selalunya dmgunakan untuk menentukan mm
mana yang bentanggungjawab menyebabkan perbezaan
fakton. Penbandingan sebegini dinamakan penbandingan
benpasangan.
377
P(T>
secana
yang
kesan
secara
Angganan titik bagi perbezaan di antara dua mmn d

diperolehi dengan menggunakan
3
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~
Angganan bagi V(D) mi boleh didapati dengan menggantikan

dengan anggaran bagi a2 iaitu MRK,~yaknm
S2(D)
MKR
/1
(
\iti
~2
1
~
oleh kerana pembolehubah rawak

(X.~X.~)
(#i#J)
T=
S(X.~X])
adalah bertabunan
dengan E
k darjah kebebasan, maka
inferens tenhadap penbandingan berpasangan boleh didasarkan

kepada taburan t.
Anggaran bagi (18)100% selang keyakinan bagi p~ pJ dapat
ditunjukkan sebagai
x~)
t,~
2S(D)
di mana P (T> t112)
< iii
< X.j
X.J
6/2 S(D)
a/2
Bagi menguji hipotesis bahawa terdapat perbezaan yang

bermakna di antara dna pasangan mm iaitu
H,, :
pJ
dengan
Maka nilai anggaran bagi selang keyakinan bagi ~
p, boleh digunakan sebagai kawasan penenimaan. Bagi ujian bersaiz
378
Keputusan penginaan selanjutnya dibenmkan dalam jadual berikut:

Punca
nriasi
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
Jadual analisisvarIanscontoh 3.1
jadual taburan F (2,12) nilaif05(2, 12) = 3.89. Oleh kenana

Danipada
f = 6.43 > 3.89 kita harus menolak H,, pada tingkat 5% anas
keertian. Kesmmpulannya, dapat dikatakan bahawa tendapat
perbezaan yang bermakna di antana ketiga-tiga mm pengeluaran
hasml padm.
Sekarang kita ingin melihat pula pasangan yang mana yang
menyebabkan penbezaan tensebut. Kemungkinan pasangan ialah di
antara basil tanpa baja dengan baja A dan dengan baja B, dan di
antana baja A dan baja B. Anggaran bagi setiap perbezaan tersebut
ialah
#2
/4i =
#3
#5
#3
#2
~2
~.3
0~6
12-4
11-8
Oleh kerana saiz sampel sama anggaran vanians bagi X

sama laitu
OIeh itu
S(X~
1)
i~)
(~
MKR
2(1-521)
0-6084
0~7800
I)
95% selang keyakinan bagi

(x~
t025(0~7800) C
.025(07800)
380
#1
~k~ia1ah
malah
#1
< ~
~J)
ANALISIS VARIANS
Danipada jadual
t(
12) didapatm t.025

selang keyakinan bagi ~
malah
2-179 maka angganan 95%
(x~
x~1)
16996 <
#1 < (k~ ~J)
+ 1-6996
Jadi selang keyakinan bagi pasangan perbezaan tensebut ialah

1-0996 <
-c 2-2996
10-7004 < #3
< 140996
10- 1004 < #3
< 13-4996
#1
#2
#1
Daripada selang keyakmnan di atas didapati tendapat penbezaan

yang benmakna di antana punata hasil pengeluaran padm yang
dibubuh baja B dengan tidak berbaja dan di antana purata
pengeluanan padi yang dibubuh baja B dengan yang dibubuh baja A.
Hasil punata padm yang dibubuh baja B tidak benbeza daripada hasil
padi yang tidak berbaja1 Daripada kenyataan mm dapat disimpulkan
bahawa baja B membeni kesan yang positif dalam menambah
pengeluaran padi tersebut.
12.4
Pengelasan Dun Cant Tanpa Saling Tindak

Jika pengelasan pengamatan boleh dibuat mengikut dua faktor
mamtu setiap pengamatan ~ boleh dmpensembah sebagai jadual 4.1
benikut.
Bans 1,2,..., a dan lanjun 1.2
b menggambankan tingkat bagi
fakton A dan thkton B. Setiap pengamatan X~adalah menupakan
pengamatan bagi tingkat i faktor A dan tingkatj faktor B. .T, dan ~,
adalah jumlah pengamatan dan mm sampel bagi tingkat i faktor A
dan T~dan ~ adalah jumlah pengamatan dan mmn bagi sampel
tmngkatj faktor B. T.. dan i. adalah masing-masing jumlah dan mm
bagi kesemua pengamatan.
Andaikan setmap
Xv
menupakan pengamatan
bagi
pembolehubah nawak X1~yang bertabunan normal dengan mm Pi)
dan varians ~2 maka setmap pengamatan-x,~boleh ditulis sebagai
U~j+ ~
di mana a,~adalah selisih nilai pengamatan daripada minnya.
Jika kita taknifkan j~,.sebagai mm bagi fakton A maka
= E
begmtu juga mm bagi fakton B malah

381

Faktor A
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.
Pen9snatan bagi ab sampel
P.)
= E #if/~
Punata bagi kesemua ab mm ialah

= E
u1~/ab
ii
Untuk menguji perbezaan di antara mm bagm fakton A set hipotesis

yang benkaitan malah
=
p4
1,2,...a
H1: tidak semua p~

Untuk menguji penbezaan di antana mm bagi fakton B maka set
hmpotesms yang patut diuji ialah
H,,:p.f= p.
j=
382
1,2,...b
dengan H1 Sekunang-kunangnya dua mm tidak sama.

Sebagai bentuk altennatif kepada model yang telab dikemukakan mm p,~boleh dipensembahkan dalam bentuk
= p + a1 + /3)
di mana a1 adalah kesan bagi tingkat i fakton A dan /3, adalah kesan
bagi tingkat j fakton B.
Jika dikenakan kekangan supaya
=
0 dan E
maka dapat ditunjukkan bahawa mm

adalah boleh ditulis sebagai
=
f3~ = 0
bagi fakton A dan fakton B

1= 1,2,...a
p + a1
dan
p3=
/2
J= 1,2,...b.
fl~
Kedua-dua set hipotesms yang tetah dibenikan boleh ditulis sebagam

H,,a1=0
1=1,2,..., a
dengan H1: sekurang-kunangnya satu dan a~tidak sama
dengan sifan.
bagm menguji perbezaan mm fakton A. Ian
H,,:fl~=O j= 1,2,..., b
dengan H1: sekunang-kurangnya satu dan
dengan sifan.
bagi mengujm perbezaan mm faktor B.
fl~tmdak
sama
Berdasankan model mi dan set hipotesis yang dibermkan, dapat

kita membentuk ujian hipotesis berkenaan. Bagaimanapun langkahlangkah lengkap bagm kaedah tensebut tidak akan dibmncangkan di
smni.
Sekanang penhatmkan vaniasi total iaitu jumlah kuasa dua total,

JKT yang boleh dipecahkan kepada tiga komponen, iaitu
2 = bE(i
2 + aE(i~
x)2 +
x..)
1
x)
E(Xu
Xf
+
383
atau
di mana JKA
JKB
E ~(x~
JKT
b L(i;
adalah jumlah kuasa dua fakton A,
~)2
)2adalahjumlahkuasaduafaktorBdanJKR
JKA + JKB + JKR
Yc~+
~ j~adalah jumlah kuasa dua nalat.
Kesemua komponen mnm menupakan nilal bagi pembolehubah

nawak tak bensandan yang masing-masing apabila dibahagm dengan
a2 adalah bentaburan Chi-kuasa dua. Dapat ditunjukkan bahawa
JKT bertaburan x2(ab 1)

JKA
bertabunan
x2(b 1)
bentabunan x2(a
1)
dan
JKR
i-- bertaburan ~(a
a
lXb 1)
Ujian bagi setiap set hipotesis yang dmkemukakan bendasarkan

angganan bagi vanmans a2 di bawah hipoteis nul dan hipotesis
alternatmf. Angganan-angganan mi, dapat ditunjukkan bensamaan
dengan komponen-komponen yang dmbenikan.
Sekanang kita penhatikan angganan kebolehjadian maksimum
bagi a2 dalam bentuk umum, iaitu apabila
p
+ 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.
Kaedah yang sama boleh digunakan. Angganan bagi ~ 2=ialah

p + ;
malah ~u=
+
= . Dan anggaran bagm a
I I (Xv
x 2/ab
1)
atau
~
(~I
(JKB + JKR)/ab.
Dapat ditunjukkan bahawa ujian bagi hipotesis tensebut ad,alah
bendasankan nisbah
12
MKB
JKB/(ai)
MKR
JKR/(alXb1)
dan taburan F dengan a

1 dan (a
1) (b
1) danjah kebebasan.
Bagi ujman bensaiz a kita hanus menolak H
0 jika
f2>f~
di mana P(F[a 1, (a 1)(b 1)] > L) =

Penginaan untuk ujian-ujian di atas adalah lebih sesuai jika
dipensembahkan dalam bentuk jadual analisis vanians:
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:
Jadual analisis varlans pengelasan dut cart
386
MRB
141CR
f-a
ANALISIS VARIANS
Sementana penginaan jumlah kuasa dua lebih sesuai dengan

menggunakan formula-formula berikut:
JKTflx~
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
kmta menghadkan supaya kesan fakton A dan kesan faktor B adalah

bentambahan. Yakni penbezaan di antana tingkatj dan! bagi fakton
B sama bagi setiap tingkat fakton A dan perbezaan di antara tingkat i
dan i bagi fakton A adalah sama bagi setiap tingkat fakton B.
Keadaan mi tidak semestinya benan. Sebagal misalan dalam contoh
4.1 mungkin penbezaan jualan minuman dalam botol dan kotak
kentas adalah lebih tmnggi di kedai makan benbanding dengan
penbezaan dm kedai nuncit atau sebagamnya. Keadaan mi membawa
kmta kepada pengkajian satu lagi unsun iamtu unsur saling tindak di
antana fakton A dan fakton B. Jikalau tendapat unsun saling tindak di
antana fakton A dan faktor B maka analisis fakton A dan analisis
fakton B secana berasmngan akan membawa kepada kesimpulan yang
salah.
Jikalau bentuk ujikaji yang dibeni dalam seksyen 12-4diulang n
kali, yakni setiap kombinsi tmngkat fakton A dan fakton B diambil n
pengamatan, maka unsun saling tindak di antana dua fakton mni
bolehlah dimasukkan ke dalam model. Jika /2,j adalah mm bagi
tingkat I fakton A dan tingkatj fakton B maka model dengan saling
tindak ialah
j2~~
=
p + a~+ $~+ (afl),~
di mana
E a,
= ~
/3,
0 dan ~ (a$)u
(a$)~~
= 0
Dalam ujian hipotesis model mi selalunya set hipotesis

i= 1,...a,j= 1,...b
H1: sekunang-kunangnya satu afl,~tidak kosong
diuji tenlebih dahulu. Jika tendapat unsun saling tindak yang
benmakna (H0 ditolal) maka ujian selanjutnya tenhadap kesan tiaptiap fakton tidak boleh dijalankan. Infenens tenhadap mm adalah
bendasankan mm /iji bagi setiap kombinasi tingkat fakton A dan
tingkat Iakton B.
Jikalau tidak tendapat unsun selanjar yang benmakna (H0
dmtenima) bahanulah ujian tenhatlap kesan setiap fakton diteruskan.
Ujian mi adalah dalam bentuk menguji
.Ft~:a~=0
1= i,2,~.a
dengan H1: sekunang-kunangnya satu 81 tidak kosong
390
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
adalah jumlah kuasa dua total.
~)2
n S S
~)2
adalah jumlah kuasa dua fajctor A.

adalah jumlah kuasa dua faktor B.
adalahjumlah kuasa
if
dua bagi saling tindak faktor A dan faktor B.

dan
JKR
S S S (x1fr
I
adalah jumlah kuasa dua ralat
jlc
Darjah kebebasan bagi komponen-komponen berkenaan adalah

391
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.
Pengamatan bagi nob sampel
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
Untuk menguji H,: (aJ3)~~ 0

harus menolak H, pada tingkat a jika
=
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.
Bagi menguji H,: a~= 0, I

tingkat a jika
MKA
MKR
>
a kita harus menolak H, pada
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.
Sementara bagi menguji H,: $~= 0,]

ialah menolak H, jika
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.
Pengiraan di dalam analisis vanians adalah lebih sesuai jika

diringkaskan sebagai jadual di muka surat 394.
393
KEBARANOKALIAN DAN STAflSTIK
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
Jadual analisis varians pengelasan

dua-cara dengan saling tindak
Sementara pengiraan bagi jumlah kuasa lebih sesuam jika

digunakan formula-formula berikut:
2
T
abn
JKT = E ~ E
---
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
Katalah syarikat di dalam contoh 4.1 dalam usaha untuk

mengetahui kesan bentuk packing dan jenis kedai yang benbeza
telah memilih dua buah kedai runcmt, dua buah kedai makan dan 2
buah pasar raya dan diperhatikan jumlah jualan dalam masa dua
han. Keputusan adalah seperti jadual 5.3. Jalankan analisis vanians
terhadap keputusan sampel tersebut.
394
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:
Pengamatan bagi 18 pengamatan sampel
Danipada jadual 5.3 kita dapat membentuk jadual yang

mengandungijumlah pengamatan lj,. + bagi setiap kombinasi fakton
Betel
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
Jadual jumlah pengamatan T;
Pengmraan jumtah kuasa dua dan sampel

JKT= 202
=
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
keputusan penginaan selanjutnya dibenikan sebagai jadual 5.5.

Set hipotesis yang ingin diuji ialah
= 0
I = 1,2,3,
I = i, 2, 3
dengan H1: tidak semua a/3uj sama dengan
kosong.
Ujian bensaiz a = 0.05 adalah tolak H, jika
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
Jadual anallsisvarianscontoh 5.1
Danipada jadual F(4, 9) didapatif05 (4,9) = 3.63.

Oleh kenanaf1 = 1~132 < 3-53 maka kita tidak boleh menolak H0.
Kesimpulan ialah unsur saling tindak adalah tidak penting.
Dengan keputusan mi kita boleh teruskan ujian terhadap kesan
tiap-tiap faktor. Danipada jadual taburan F (2, 9) didapati [5(2, 9)
426.
=
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
dan angganan bagi a1 ialah

_xJ
i.
=
12.4
Bagi model ~u
p + a, +
$~
La,
$,
0 tunjukkan bahawa
ujian hipotesis bagi p, = 0 bagi semua I adalah sama dengan

menguji bahawa semua a, = Ov,. Sementara menguji p~ = 0V1
adalah sama dengan menguji fi~= OP1.
12.5
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)
Bagi model analisms varians

=
a,
a/I,
1
tunjukkan bahawa jika 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
(a) Dapatkan jadual analmsis vanians

(b) Uji hipotesis
H,: Mi = P2 = P3
dengan H1: Tidak semua p, adalah sama.
12.8
Sejenis minuman dalam tin dijual di tiga jenis kedam untuk

memenhati kesan perbezaan jenis kedai terhadap kelanisan
minuman tersebut. Bebenapa buah kedai danipada ketmga-tiga jenis
kedai dipiih dan diperhatikan jualannya dalam satu han.
Keputusan jualan dibenikan sebagai benikut:
4
10
12
16
Kcdainzncit~
10
12
15
Kelabnialaml
13
ii
10
Restoran
399
Uji sama ada terdapat perbezaan kelanisan di ketiga-tiga jenis

kedai tersebut. Gunakan 5% dan 1% aras keertian.
12.9
Danipada satu sampel bensaiz 5 yang diambil dan 4 jenis olahan

satu jadual analisis vanians yang masih belum lengkap dibenikan
sebagai benikut
(a)
(b)
Punca
Jumlak
kin.. dna
Darjah
kebebasan
JKO
1 108~33
JKR
JKT
2108-33
Penuhkan jadual analisis varmans tersebut

Uji sama ada mm kesemua olahan adalah .sama dengan
rnenggunakan (i) 5% dan (ii) 1% anas keentian.
12.10 Di dalam satu kajian tenhadap kandungan nikotin dalam sebatang

nokok bagi 4 jenama nokok, kita penolehi keputusan benmkut:
Jeaaaia Rokok
A
Pengamatan:
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)
Bentukkan jadual analisms vanians

Uji sama ada terdapat penbezaan kandungan nikotmn sebatang nokok bagi keempat-empat jenama rokok.
12.11 (a)
Danipada data soalan 12.7 dapatkan 95% selang keyakinan

bagi kesemua perbezaan benpasangan bagi olahan A,,A2 dan
A3.
Dan soalan 12.8 dapatkan 95% selang keyakinan bagi
(b)
400
ANALISI5 VARIANS
(c)
kesemua penbezaan berpasangan bagi mm jualan ketmga-tiga

jenis kedai.
Benikan kesimpulan tenhadap keputusan (a) dan (b) di atas.
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
Dapatkan jadual analmsLs vanians bagi data mi.

Uji sama ada tendapat perbezaan hasil bagi ketiga-tiga jenis
padi.
Uji sama ada tendapat penbezaan hasil akibat dani
penggunaan baja yang berlainan.
Bagi faktor yang benbeza tentukan tingkat fakton manakah
yang menyebabkan perbezaan tensebut.
Penuhkan jadual analisis vanians benikut:
Punca1
vail..
JKA
Jumlab
kuasa
dun
Darjah
kebcb.san
1150
JKB
JKR
350
JKT
3780
Mm dun
kuasa
175-5
(b) Uji sama ada terdapat penbezaan bagi mm fakton A.

(c) Uji sama ada tendapat perbezaan bagi mm fakton B.
12.15 Satu keputusan ujikaji adalah sepenti di sebelah:

401
Faktor A
FaktorB
(a)
(b)
A,
A3
A4
B2
B2
12
35
24
16
20
36
18
19
B3
40
30
28
22
Jalankan analisis Vanians tenhadap data di atas.

Dapatkan 95% selang keyakinan bagi penbezaan benpasangan bagi fakton yang benbeza.
12.16 Dalam satu ujmkaji untuk mengetahui kesan penggunaan jumlah

baja yang benlainan tenhadap hasH keluanan lada pengamatan
benikut dipenolehm
Penggui.aan Baja
1 kampit seckar
Pcnggunaan Racun
HasU (d.lam ton)

act
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)
Uji sama ada terdapat kesan salmng tindak di antara

penggunaan baja dan penggunaan racun rumput rampai.
Uji sama ada terdapat kesan penggunaan kuantmti baja yang
benlainan terhadap hasH pengeluaran lada.
Apakah keputusan dalam (b) membenm enti?
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)
Dapatkan 95% selang keyakinan bagi kesemua

kemungkinan penbezaan benpasangan bagi mm kombinasi
fakton.
Dapatkan 95% selang keyakinan bagi kesemua
kemungkinan penbezaan benpasangan bagi mm faktor A dan
mm fakton B.
12.20 Katalah tendapat dua fakton A yang mengandungi 4 tingkat dan B

yang mengandungi 2 tingkat. Danipada tiap-tiap kombinasi tingkat
fakton 2 pengamatan diambil dan keputusan jadual analisis Vanians
bagi keputusan tensebut adalah sepenti benikut:
Punca
varlali
FaktorA
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
Penuhkan jadual analisis vanians di atas.

Uji sama ada terdapat kesan saling tindak di antana fakton A
dan B.
Uji sama ada tendapat kesan yang benenti di antana tingkat
fakton A.
Uji sama ada tendapat kesan yang berenti di antana tingkat
fakton B.
403
REGRE5!
tendapat bebenapa kemungkinan nilai y,, maka y, adalab sebenarnya

nilai bagi pembolehubah nawak Y pada titik x atau ditulis Y/x1.
Pembolehubah nawak Y/x1 ml menggambankan kelakukan
pembolehubah nawak 1~.Jadi dalam menentukan Y kita hanus
melihat hubungannya dengan pembolehubah nawak yang dianggap
tetap iaitu
X.
Adalah wajan untuk menganggankan nilai pembolehubah

nawak Y/x, dengan E(Y/x1) iaitu nilai jangkaan bagi pembolehubab
nawak tensebut. Jadi dalam masalah negresi masalah sebenan ialah
menentukan E(Y/x) bendasankan pengamatan (xe, yJ dad sampel.
Selalunya dalam analisis negnesi stnuktun bagi E(Y/x) ditentukan
tenlebih dahulu, sehingga hanya panameten yang menentukan
dengan tepat stnuktun itu sahaja yang masih belurn diketahui.
Bentuk stnuktun mi biasanyadipilih bendasarkan pengetahuan lepas
atau bendasarkan teoni-teoni benkaitan benkenaan dengan
hubungan di antana Y dan X. Kadang-kadang bentuk mi juga
ditentukan bendasankan gambanajah tabunan pengamatan (x,, y,)
danipada sampel.
Dalam penbincangan kita, stnuktun yang akandibeni penekanan
hanyalah tenhad pada hubungan linear kepada panameten, iaitu
benbentuk
E(Y/x)
~ + fix.
Di sini, ~ dan $ adalah panameten-panameten yang menentukan

hubungan antana Ydan X. Jika tabunan bagi Yadalah dibeni, maka
dapat ditentukan apakah penganggan yang baik bagi panametenpanameten mi. Untuk tujuan kita Y adalah dianggap sebagai
bentabunan normal.
13.2
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
KEBARANGKALIAN DAN STAIISTI1(
hagi semua nilai x.

Hubungan di antara nilai pembolehubah rawak dan andaian
yang dibenikan dapat digambarkan sebagai gambarajah 2.1
yl
I
E(lY/x1~)
x1
+ /1~
~x2
Gambarajah 2.1:
Lakaran bagi masalah

regresi linear
Daripada gambarajah 2.1 kita perhatikan bahawa E(Y/x,~adalah

tetap pada satu-satu nilai x, tetapi berbeza bagi benlainan nilai x.
Ganis E (Y/x)
~ + fix, yang menyambung kesemua mm bagi Y
pada setiap nilai x, dipanggil keluk regresi. Jika ganis mi adalah linear
sebagaimana ~x+ fix, keluk regnesi adalah linear dan analisis negresi
yang berkaitan dipanggil regresi linear. Jika tidak Ia dipanggil regnesi
bukan linear. Parameter ~ dan fi adalah parameter yang menentukan
bentuk sebenar keluk regresi dan adalah menupakan kuantiti yang
belum diketahui. Jadi, sebagai langkah yang pertama dalam analisis
regresi ialah untuk mendapat anggaran bagi parameter-parameter
mi, bendasarkan pengamatan danipada sampel.
=
13.3
Penganggar Keholehjadian Maksimum

Anggankan Y1Y2 ..Y~adalah pengamatan bagi pembolehubah
rawak Y1, Y2
Y~yang masing-masing
bentabunan
normalbersama
dengan
2. Fungsi
ketumpatan
mm ~1~.Y
+ fix~,i = 1
n dan varians a
bagi
2
Y~ialah
406
REGRESI
L(~,/3,
\nj2
2)
exp
(~+
uixJ]2}
atau
In L(~,/3, ~2)
-i
in 2ita2
Dengan membezakan in Lberdasarkan

dengan sifar kita dapati
i3inL
[_vi
~ in
[y~ (~ + fixJ]
~,
/3
(~ + fixJ]2
dan a2 dan samakan
5 in L
in
op
[y~ (~+ fix)] x
~?
lnL
0
2
[y~
(~+ fixJ]
atau boich dipermudahkan sebagai

(I)
y
1
(ii)
dan
cm
E x1
/3
Ex~y1cxEx1fiEx~
=0
~
2 +
(iii)
L [y~ (cm +
fi;)]2
()
tic
Penyeiesaian bagi persamaan serentak (i) dan (ii) memberikan

kebolehjadian maksimum bagi cm dan /3, iaitu
anggaran
fl=; ~
(x~~)(y~~)
E(x~
t=i
dan
=
407
di mana ~ dan y ditaknitlcan sebagai

L
yjn
dan
L x,/n
Sementara dan persamaan (iii) dengan menggantikan a dan /1

dengan a dan $ anggaran kebolehjadian maksimum bagi a2 ialah
,,
(& +
[y,
$x32
L
1=1
Anggaran bagi kelok regresi dapat diperolehi dengan menggantikan

parameter-parameter a dan/I dengan anggaran masing-masing, iaitu
E(Y/x,)
& + fix,
13.4 Kaedab Kuasa Dna Terkecil

Satu lagi kaedah penganggaran yang sening digunakan, terutama apabila andaian bahawa 1,, ~2 .. ~i, adalah normal dipenuhi,
adalah yang dinamakan kaedah kuasa dua terkecil. Kaedah mi
merupakan pendekatan empirik dalam erti kata Ia mencani
penyelesaian berdasarkan hanya pengamatan bagi sampel, tanpa
mengira taburan bagi populasi dan mana sampel diambil
Bagaimanapun jika populasi normal, dapat ditunjukkan bahawa
anggaran kuasa dua terkecil adalah sama dengan anggaran kebolehjadian maksimum.
Andaikan bahawa kelok regresi bagi populasi adalah
berbentuk
E(Y/x)
a + fix.
Maka setiap nilai y, bagi pembolehubah rawak Y, boleh ditulis

sebagai
=
+ fi~!~
+
e,
di mana e, adalah selisih di antara nilai sebenar y dan mm bagi Z.

Dengan andaian bahawa Z; i = 1,2
n adalah tak bersandaran dan
bertaburan normal mm a + fix, dan varians a2 maka e, =
(a +
fix,) adalah nilam bagi pembolehubah nawak E, yang bertaburan
normal mm 0 dan vanians a2. Jadi pembolehubah rawak 1, boleh
ditulis dalam bentuk
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
Jarak menegak e, di dalam gambarajah 3.1 menggambarkan selisih

di antara pengamatan dengan garis regresi pada titik x,. Dalam
penentuan selisih adalah kecil, kaedah kuasa dua tenkecil mengambil
kuantiti jumlah kuasa dua ralat laitu L ei adalah minimum. Jadi
dalam kaedah mi kita harus memilih a dan fi supaya jumlah kuasa
dua ralat, yang boleh ditulis sebagai
L e,2
i~1
[y, (a + fix,)]2
409
REORE5I
adalah nilai bagi penganggar tak pincang bagi varians.

Bagaimanapun untuk tujuan pengiraan adalah Iebmh sesual untuk
menggunakan formula
2y
(s
di
mana
s2=
~\2
~ 1x
dans~2= S
ni
i=1
1=1
ni
dan n adalah saiz sampel.

Contob: 3.1
Katalah daripada 12 orang kanak-kanak yang dipiih secara
nawak didapatm umur dan berat badan adalah seperti jadual 3.1.
Dapatkan kelok regresi bagi menunjukkan hubungan di antara
berat badan dan umur kanak-Icanak tensebut.
Umur(dalasnbulan)
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
Jadual 3.1: Berat badan dan umur bagi

12 orang kanak-kanak.
Penyelesaian:
Andaikan Y dan X menggambarkan benat badan dan umur
setiap kanak-kanak. Langkah untuk penginaan kelok regresi.
E(Y/x,)
a + fix
1
dibenikan sebagai jadual berikut.

y
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
Jadm anggaran bagi a2 ialah

=
8281 1
P304 (46750)
3648
Jika diperhatikan anggaran bagi a dan /3 sama ada dengan

menggunakan kaedah penganggar kebolehjadian maksimum atau
kaedah kuasa dua terkecil adalah diperolehm dengan formula yang
sama. Keadaan mi tidak semestinya bagi kesemua keadaan. Jikalau
andaian normal adalah tidak dipenuhi penganggar kebolehjadian
maksimum akan membenikan anggaran yang berlainan. Sedangkan
kaedah kuasa dua terkecil menunjukkan bahawa anggaran tensebut
tidak bergantung kepada andaian terhadap pembolehubah rawak Y.
Bagaimanapun, oleh kerana dalam praktiknya andaman normal
kerap dmgunakan, maka kaedah kuasa dua tenkecil adalah selalu
digunakan. Tambahan pula untuk kesenangan di dalam inferens
terhadap parameter dan kelok regresi berkenaan, andaian normal
harus digunakan.
13.4
Sifat-silit Penganggar Kuasa Dua Terkecil

Untuk menjelaskan beberapa sifat pentmng bagi penganggar
kuasa dua terkeell maka di sini diberikan beberapa teorem yang
berkamtan. Harus diingat bahawa di sini, kita hanya membmncangkan
pensampelan danipada taburan normal.
Teorern: 4.1
Sebarang penyetesaman bagi
persamaan
normal adalah meminmmumkan fungsi
,=,
[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
penganggar tersebut. Taburan bagi; dan ft boleh diperolehi dengan

mempersembahkan a dan fi sebagai kombinasi linear
pembolehubah rawak Y,. Oleh kerana IC, bertaburan n(a + fix,, a2)
dapat ditunjukkan bahawa taburan bagi kombinasi linear bagi IC,
juga bertaburan normal.
Teorem: 5.1
Jika IC
1, IC2fi, iaitu
I~adaiah
tak bersandar
dan bertaburan
+
2) maka
penganggar
kebolehjadian
maksimumn(a
atau
fix,,
a
kuasa dua terkedil bagi /3 adalah bertaburan normal dengan mm $
dan vanians a2/5(x, x)2
Bukti:
ft
boleh dipersembahkan sebagai

E(x, Yc)
E(x,
x)
iaitu kombinasi linear bagi Y~daiam bentuk

fl=
t c~IC, di manac,
Oleh kenana Y~normal
f=
maka
S c, IC, juga adalah bertaburan
normal. Mm bagi ~telah pun ditunjukkan daiam teorem 42 sebagai

fi. Manakala vanians bagi $ ialah
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)
KEBARANGKAL!AN DAN STATISTIK
1i
x x~
V(a)=
a251 I
12
taburan t dengan 10 darjah kebebasan. Daripadajadual taburan t~o~

didapati t.025
2228. Anggaran bagi 95% selang keyakinan bagi ~
=
ialah
1366
2228(1873) c
.c 1366 + 2228(1873)
atau
2806 c ~
5539.
<
Anggaran bagi 95% selang keyakinan bagi

1304
2228(O0842) .c
fi ialah
fi
<
1304 + 2228(O0842)
fi
<
1492.
atau
1116
<
Bagi menguji H0: ~ = 0 dengan H1: i # 0 maka kita harus menotak

H0 jika t c
t~2 atau t > 12 di mana
&
1366
1873
0729
Bagi ujian bersaiz ~ = &05 didapati t.025 = 2228. OIeh kerana it =

&729 < it.025 kita harus menerima H0. Sebagai kesimpulan dapat
dikatakan bahawa parameter ~ adalah tidak berbeza dan 0.
Bagi menguji H0: fi = 0 dengan H1 fi 0 maka ujian bersaiz a =
005 maka kita harus menolak H0jika it
it.025 atau it > it.025 di
mana
Daripada pengiraan didapati
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
<
Anggaran bagi 957~setang keyakinan bagi Y12 iatah
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
Bila kita kenakan pendekatan negresi terhadap y, maka variasi di

sekitar y, dan kelok regresi adalah
di mana
=
427
& + fix,
Ukunan bagi variasi mi adalah menupakan ukunan bagi nalat yang

timbul dan nilai sebenan yang benbeza daripada nilai yang dianggar
oleh kelok regnesi. Ukunan vaniasi mi dibenikan oleh jumlah kuasa
dua ralat, JKR yang ditaknif sebagai
JKR
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
mi dibenikan oleh jumlah kuasa dua regresi, JKR~dan ditaknif

sebagai
JKRe boleh dianggan sebagai pengukuran vaniasi Y~benhubung

dengan kelok regnesi setelah nalat bagi Y~
dihapuskan. Jika semakin
besan nilai JKRe berbanding dengan JKT~maka tebih besan kesan
ketuk regresi dalam menjelaskan varisi total dalam pengamatan Y,Hubungan di antana ketiga-tiga komponen tadi botch
ditunjukkan sebagai
Y~
dan jumlah kuasa dua bagi tiap-tiap selisih adatah

-
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
Jikatau komponen jumlah kuasa dua di bahagikan dengan

darjah kebebasan masing-masing maka kita akan dapat mm kuasa
dua bagitiap-tiap komponen, yakni
MKRe
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
Jadual analisis varians untuk masalah regresi
Penginaan bagi jumlah kuasa dua botch diperotehi dengan

menggunakan formula-formula benikut.
JKT=
LY,
JKRe =
Ey,2
fl2E(x
JKR=
(& + fixa]
[~
(n
2)~
Analisis vanians ke atas regresi boleh digunakan untuk menguji

set hipotesis
0 fi
H~ fi
Ujian terhadap hipotesis
0
0
mi diperolehi dengan membandingkan
MKKe dan MKR datam bentuk benikut:
429
MKRe
MKR
Asas bagi penbandingan mi botch dilihat dan perbandingan

jangkaan bagi MKRC dan MKR. Jika fi bukan sifar maka nisbah F
akanlebihbesardanipadasatuotehkenana E(MKR,) = a2 + fi2E(x,
k)2adalahlebih besardanipada a2.Jadijika nilaiF adatah besar
kita akan cenderung untuk menotak hipotesis nul bahawa fi = 0.
Untuk mendapatkan E(MKR,,) dan E(MKR) dan seterusnya
taburan yang digunakan untuk ujian tersebut kita terpaksa gunakan
kenyataan bahawa JKR~ dan JKR bertabunan Chi-kuasa dua
dengan danjah kebebasan masing-masing ialah I dan ii
2.
Seterusnya dapat ditunjukkan bahawa ujian bagi set hipotesis
di atas adatah berdasarkan tabunan F dengan 1 dan n2 darjah
kebebasan. Hukum membuat keputusan bagi ujian bersaiz a iatah
harus menotak H, jika
F >f
2(l,n2)
di
manafjl,
n2) diperolehi danipada jadual F(l, n2) supaya

P(F >f,(1,n2)
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:
Bagi ujian bensaiza
3.648
Jaclual analisis varians contoh 8.1
0-05 nitaiJ,05(1, 10) = 4-96.Olehkenanaf=

239~7 > 496 maka kita harus menotak H,. Sebagai kesmmpulan
dapat dikatakan bahawa fi bukan sifan. Tendapat hubungan regresi
yang benmakna di antara Ydan X.
Katau dipenhatikan analisis varians bagi regresi linear mudah
adalah menghasilkan keputus,an yang sama dengan ujian it terhadap
parameter fi. Dalam keadaan yang tebih umum keadaan mi tidak
semestinya. Kita akan dapat penhatikan perbezaan dengan lebih
jelas apabita kita membincangkan regnesi. benbilang pembolehubah
nanti.
13.9
Regresi Berbilang Pembolehubah

Bentuk yang tebih umum datam masatah regnesi iatah apabila
kita ingin menganggar atau menamalkan nilai pembotehubah rawak
Ybendasarkan set nilai pembotehubah yang dianggap tetap X1, X2,
...X~.Misatnya,didalam meramalkan berat badankanak-kanak kita
mungkin harus memerhatikan bukan sahaja umur kanak-kanak
tersebut tetapi juga berat badannya semasa lahin. Di datam kes mi
kita menghadapi masalah mencari hubungan negnesi di antana benat
badan Ydengan set dua pembotehubah yang dianggap tetap iaitu
umun, X1 dan berat badan masa lahir, X2.
Jika satu sampel nawak bersaiz ii danipada satu poputasi
pengamatan bagi sampel tensebut botch digambankan dengan set
{x,, x2, x, ; y, } ; i = 1, 2,..., n. Setiap nilai Y~adalah nilai bagi
...
431
pembolehubah nawak Y yang tak bersandan dan masing-masing

hentabunan normal dengan mm
E(Y)
3Qk
E(Y/~. x,
/3, + /3, x,~+ /~2x,2+

+ fi~
dan mempunyai vanians yang sama a2. Parameter /3,,
adalah
parameter regresi yang menentukan hubungan di antara Ydan X
1,
X2 ... X~,dan harus dianggarkan dengan menggunakan pengamatan
sampel.
Dalam pengafiggaran bagi parameter-parameter regresi mi,
kaedah yang sama seperti kes regresilinearmudah bolehdigunakan.
Bagaimanapun untuk tujuan penjelasan bagi masatah regresi
berbilang pembolehubah mi kita hanya membincangkan kes di
mana hanya terdapat k = 2 pembotehubah tetap dengan
menggunakan kaedah kuasa dua terkeeil.
Ada baiknya jika diingatkan di sini bahawa kes berbilang
pembolehubah adalah lebih sesuai jika kita menggunakan
pendekatan matniks. Pendekatan mi, bagaimanapun tidak akan
dibineangkan di sini.
Jika hubungan regnesi di antara Ydan dua pembolehubah tetap
X1 dan X2 adalah datam bentuk linear
E(Y,) = /3, + /3, x,1 + #2
2, ...xk)
$~..,
fi~
maka setiap pengamatan danipada sampel botch ditutis sebagai

=
fib +
fl~x,1 +
/~2X,2
C1
di mana e, adalah selisih di antara nilai sebenar Y~dan kelok regresi.

Penganggaran dengan kaedah kuasa dua terkecil memerlukan
supaya
2
#
=
(y~ (3,
fi~xa /~2 x12)
adatah minimum. Dengan menggunakan terbitan separa

berdasankan /3,, fi~dan $2 dan menyamakan dengan sifar kita akan
dapat tiga persamaan serentak linear:
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
OIeh itu anggaran bagi ketok regresi iatah
L3465 + 1-3041 X,, +
0-0043 X2
Sebagai perhatian harus diingatkan di sini bahawa formula

yang telah digunakan untuk penganggaran /3,, /3~dan f~2yang telah
dibeni adalah sukar untuk digunakan. Adalah tebih mudah jika

tertebih dahulu setiap pengamatan bagi Y, X1 dan X2 ditukankan ke
datam bentuk yang serupa sisihan danipada mm sampet masingmasing. Yakni jika ditaknif
dy, = Y~ Y
dX,,= x,, i,
x,2
dX21=
maka penyelesaian untuk penganggar-penganggar bagi

akan menjadi
/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
Formula di atas adalah lebib senang diingati dan digunakan untuk

tujuan pengiraan.
435
Contoh: 9.2
Berdasarkan data dalam contoh 9.1 langkah-Iangkah pengiraan
kelok regresi
=
130 +
13~ x,1 +
$2 x12
adalah sepenti benikut:

dy
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
Langkah-Iangkah pengiraan anggaran parameter-contoh
Oleh itu anggaran bagi
/3,, /3,
dan $2 ialah
(67075) (14-22)
(36-25) (27-76)
(514-22) (1422)
(27.76)2
$1 =
1-3042
(36-25) (51422) (67075) (2776)

0-0031
(514-22) (1422)
(27.76)2
29-08
1-3042(21-25)
0-0031(5-75) = 1-3479
$2
Diperhatikan bahawa anggaran bagi parameter berkenaan adalah

hampin sama sebagaimana yang didapati datam contoh 91.
Perbezaan yang sedikit mi lahir danipada kesilapan menggenap
angka-angka di dalam pengiraan.
Untuk menguji sama ada wujudnya hubungan regresi linear
yang benmakna di antara Ydan X1, X2 kita botch menggunakan
436
KEBARANGKAILIAN DAN STATISTIK

Untulc tujuan pengiraan jumlah kuasa dua yang benkenaan
adalah lebih sesuai jika digunakan formula-formula benikut:

JKT = .ty,2
JKR
Ly,2
&ty,
fl,Ex,,y,
$
2tx,2y,
Contoh:9.2
JKR~= JKT JKR
Berdasarkan masalah datam contoh
9.1 uji samaada terdapat
hubungan regresi linear yang bermakna di antara berat badan

dengan umur dan berat masa lahin,
Penyelesaian:
Model:
/3, + $,x,1 + /32x,2
ingin menguji
H,: /3, = 0 dan #2 = 0

H, : salah satu tidak bernilai sifan.
dengan
Katalah
= -05
makaf05(2, 9)
4-26
Pengiraan dan sampel:

3492
JKT=
11061
JKR= 11061
910-92
1-3465 (349)
1-3041 (8087) 0-0043(2043)
3&03
JKE= 910-92
=
36-03
874-89
Keputusan benikut dibenilcan sebagai jadual analisis vanians:
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:
Jadual analisis varians bagi contoh 9.1
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
Regresi Linear Bagi Hubungan Bukan Linear
Jika hubungan di antara pembolehubah rawak dengan

pembotehubah ditetap adalah menunjukkan tanda-tanda bukan
linear maka adaiah tidak sesuai jika dikenakan kelok regresi linear
bagi hubungan tersebut. Seharusnya bentuk asal hubungan tensebut
adatah dikekalkan. Di dalam penentuan bentuk-bentuk tersebut
setatunya kita berpandukan teoni-teoni yang berkaitan atau pun
dengan memerhatikan gambanajah seakan bagi data danipada
sampet. Jilca hubungan regresi telah dapat ditentukan maka kaedah-
kaedah kuasa dua terkecil atau kebolehjadian maksimum

dikenakan bendasankan bentuk hubungan tersebut, di datam
pengangganan bagi parameter-parameter berkenaan. Bagaimanapun adalah agak sukar untuk menentukan penganggan tersebut di dalam kes bukan linear.
Datam pada itirterdapat juga kes-kes bukan linear yang boleh
dijadikan linear dengan senang melatui transformasi tenhadap
hubungan itu. Sebagai misatan hubungan bukan linear yang
berbentuk
E(Y)
dapat dijadilcan hubungan linear dengan mengambil loganitma jati
bagi kedua-dua belah pihak; yakni

In E(Y~)= in
~ + x, in/I
Kita perhatikan bahawa hubungan mi adalah linear dan segi

parameter jika hubungan tersebut dianggap sebagai
*
/4,,
f3~x,
di mana
=
In E(Y3, f
439
In ~ dan /3*
In $
Sekarang jika kita mempunyai pengamatan (x,, y,) I = 1,2,...,

maka kelok regresi yang memenuhi hubungan tersebut ialah
E(Y,)
2$Xj
atau dalam bentuk logaritma jati

/4~,= 2* + /j*
x1
Seti~ppengamatan boleh ditulis sebagai

2~ +
13*
xi
di mana
*
yl
in y~
Bentuk hubungan di atas adalah linear di antara y~dan x,. Jadi

kaedah kuasa dua tenkedil boleh dilakukan terhadap model mi
sebagaimana biasa. Anggaran-anggaran bagi &* dan $* boleh
diperolehi sebagaimana di dalam kes negnesi linear mudah yang
telah dibenikan di seksyen lepas dengan menggunakan set data In y,,
x,) I = 1, 2
n. Angganan bagi kelok regresi dipenolehi dengan
menggantikan p dan $* ke dalam bentuk asal, iaitu
=
&$Xi
di mana
~=e
dan
Contolr 10.1
Katalah kita mempunyai data
z~
y1
12
10
20
3
6
10
15
Gunakan kaedah kuasa dua terkecil untuk mendapatkan anggaran

kelok regresi yang berbentuk E(Y,) = ~ x(.
440
KEBARANGKAIJAN DAN STATISTIK

Oieh kerana
atau
2*
ln2
maka angganan bagi ~ ialah

2
=
=
=
3-5909.
Jadi angganan bagi kelok regresi ialah

7384
= 3-5909 x~
Flarus diingat bahawa di daiam melakukan tnansformasi
tenhadap pembolehubah rawak , di dalam kes di atas ditukarkan
kepada logaritma, taburan bagi transformasi tensebut bukan lagi
normal. Jadi kaedah penganggaran kebolhjadian maksimum
adalah berbeza daripada yang teiah diberikan untuk taburan
normal. Begitu juga dengan masalah inferens terhadap parameterparameter berkenaan. Ia harus diperhatikan dengan lebih teliti.
Latihan Bab 13
13.1
Katalah pengamatan benpasangan dua pemboiehubah rawak X, Y

adalah seperti berikut:
x
y
7-3
12-8
17
8-7
10-8
13-15
6-9
14-8
132
(a)
Dapatkan kelok regresi linear bagi hubungan
(b)
Dapatkan kelok regresi linear bagi hubungan Px
442
py
~+
fix,
fl)~
REGRESI
(c)
(d)
13.2
Dapatkan anggaran vanians bagi 1.

Dapatkan angganan varians bagi 2 dan
ft
Data di bawah adalah menunjukkan umur dan benat badan bayi

bagi 9 bayi yang dipiih secara rawak.
Umurdalambulan
15
10
13
11
20
16
11
15
18
Beratdalamlb.
43
40
41
20
50
45
25
46
50
(a)
(b)
(c)
Dapatkan kelok regnesi linear bagi hubungan benat badan
dengan umur bayi.

Uji sama ada pekali pintas iaitu 8 adalah lebih besar danipada
4.
Dapatkan 95% selang keyakinan bagi kedua-dua parameter
regresi.
13.3
Daripada sampel yang mengandungi 100 pasang pengamatan (y,,

xj didapati
Lx,
50
Ey,
150
Lxf
60
Ex,y,
120
Ey~ =
400
Dapatkan angganan bagi kelok regresi linear bagi hubungan Y

dengan X. Dapatkan juga anggaran vanians bagi (a) Y(b) Han (c)
p~ di mana Y adalah penganggar regnesi linear bagi Y.
13.4
Daripada data yang diberi dalam soalan 12.1;

(a) Dapatkan 95% selang keyakmnan bagi penganggar mm regresi
bagi Y.
(b) Uji set hipotesis
JI,:fl=0
H1:fl , 0
(c)
Vu set hipotesis
H, a = 0
H1:a >0
(d)
Uji sama ada dakwaanbahawa jika x
= 55 maka p~= -13

adalah tidak benar dengan menggunakan 5% aras keertian.
443
13.5
Merujuk leepada data soalan 13.2.

(a) Dapatkan angganan titik dan anggaran selang bagi benat
badan bila seorang bayi itu berumur (i) 10 bulan (ii) 2 tahun~
(b) Dapatkan anggaran titik dan anggaran selang bagi purata
berat badan seonang bayi yang baharu dilahirkan.
Dalam kedua-dua kes gunakan 95% selang keyakinan.
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
Untuk penganggaran dengan kaedah kuasa dua terkecil lebih

bermakna maka harus diandaikan Y1 adalah bertaburan normal.
Bincangkan.
13.9
Katalah Y~adalah bertaburan Poisson dengan mm p~= a + fix,.

Jika n pasang pengamatan (y,. x,): I = 1, 2, ... n dianibil danipada
taburan tersebut dapatkan penganggaran bagi kelok r&gresi
Y = a + fix, + E1
dengan menggunakan (a) kaedah kuasa dua terkecil dan (b) kaedah
kebolehjadian maksimum.
13.10 Jika hubungan di antara Ydan X adalah dalam bentuk

= fix,
dapatkan anggaran bagi /3 dengan menggunakan kaedahkuasa dua
terkedil. Anggapkan kita mengambil n pasang pengamatan (y1, x,)
danipada satu taburan normal.
Jika pengamatan adalah sebagaimana dalam soalan 13.1, dapatkan
anggaran bagi kelok regnesi mi.
13.11 Katalah hubungan di antara Ydan X adalah berbentuk
Mi
444
fi~

13.15
Katalah seorang abli ekonomi ingin mengetahui hubungan di

antara tabungan dengan jumlah pendapatan bulanan bagi
keluarga yang berpendapatan rendah. Bagi pendapatan di antara
300 hingga 600 ninggit sebutan tiga keluaran dipilih dan dicatat
jumlah tabungan masing. Keputusan adalah seperti jadual di
bawah.
Pendapatan aebulan
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
Dapatkan kelok regresi bagi hubungan tabungan dan

pendapatan.
Jatankan ujian keertian bagi parameter-parameter regresi.
Ramalkan purata simpanan bulanan bagi seorang yang
berpendapatan $410 dengan mendapatkan 95% selang
keyakinan.
Dapatkan 95% selang keyakmnan bagi jumlah tabungan
bulanan bagi seorang yang berpendapatan $250 sebulan.
13.16 Bagi hubungan-hubungan benikut:

(a) p~, = 1/(fl0 + fi1 x)
1
(b) is~= P.,
~
p,
(c)
p~, = fi0x,
(d)
(e)
p~-=
fi0fi~
/3.,
p2
x2
x3
x, +x2 +x3
Dapatkah ia dipersembahkan sebagai model regresi linear?

13.17 Hasil tangkapan ikan tahunan di Pantai Timur Malaysia bagi 10
tahun adalah seperti di sebelah.
446
REGRESI
Talrnn
Jumlah
tangkapan
(000 tan)
(a)
(b)
(c)
120
142
201
190
100
90
10
105
180
100
140
Dapatkan kelok regnesi linear bagi tangkapan -tahunan.

Uji sama ada terdapat aliran menurun bagi hasil tangkapan
tahunan.
Ramalkan jumlah tangkapan di tahun yang ke-12.
J3.l8 Menujuk kepada data soalan 13.17 jika hubungan jumlah

tangkapan dan tahuii ial-ah
E(1) = a + fl~t + fi~t2
di mana Yadalah jumlah tangkapan dan t adalah tahun, dapatkan
kelok regresi bagi data tensebut.
(a) Uji sama ada $2 = 0
(b) Ramalkan jumlah tangkapan di tahun yang ke-12 dengan
mi.
menggunakan model
13.19 Dan 15 pasang pengamatan bagi (1, X) didapati keputusan berikut:

E,= 220
Ex1y
64710
Ex
1= 360
Ex2= 440
Ex2y = 709660 Ex,x2 = 1141910
Ex~= 106760 Ex~ =
13906340
Dapatkan anggaran bagi kelok regresi
py =
fl, + fi~X1 + $~X2
13.20 Bagi data di dalam soalan 13.1 dapatkan kelok regresi bagi
hubungan
13.21 Merujuk kepada data dalam soalan 13.2. Katalah diandaikan

bahawa hubungan di antara berat badan dan umur adatah
berbentuk
Pr
(a)
(b)
a e
~
Dapatkan anggaran bagi kelok regresi tersebut.

Ramalkan berat badan bagi bayi yang berumur 2 tahun.
447
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
bertumpu secana stokastik
converge stochastically
Beta, taburan
Beta distribution
difference
Binomial distribution
negative Binomial
bezaan
Binomial, taburan
Binomial negatif
Cekap
cekap secara asimptotik
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
probability set function
distribution function
joint distribution function
conditional distribution function
cumulative distribution function
kesatuan
gambarajah ranting
gambarajah Venn
Gamma, taburan
ganis regresi
Geometni, taburan
had
had kanan
had kin
hasildarab
Hipergeometri, taburan
hipotesis
hip otesis alternatif

hipotesis majmuk
hipotesis mudah
hipotesis nul
hipotesms statistik
hubungan
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
hukum nombor besar
induktif
inferens
inductive
inference
infinit (tak terhingga)
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
mean square total

sample mean
minimun/minima
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
with interaction
454
5ENARAI ISTILAH
pengelasan dua cara

tanpa saling tindak
pengelasan satu cara
pelengkap
penghampiran
pengangka
penumpuan stokastik
penyebut
percubaan
percubaan Bernoulli
percubaan rawak
peristiwa
peristiwa tak bersandar
peristiwa kompoun
penistiwa mudah
penistiwa nul
penistiwa pasti
pelihatur
pincang
pintasan
Poisson, taburan
kebarangkalian
kebarangkalian bersyarat
kebarangkalian teraruh
kebarangkalian kekerapan
relatif
ralat
ralat jenis I
ralat jenis II
ralat piawai
ralat ujikaji

without interaction
one way classification
complement
approximation
numerator (pengatas)
stochastic convergence
denomenator
trial/experiment
Bernoulli trial
random experiment
event
independent event
compound event
simple/elementary event
null event
sure event
permutation
bias
intercept
Poisson distribution
probability
conditional probability
induced probability
relative frequency
probability
error
type I error
type 11 error
standard error
experimental error
455
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

Kebarangkalian & Statistik

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Kebarangkalian & Statistik

Diunggah oleh

Hak Cipta:

Format Tersedia

KEBARANGKALIAN

Dewan Bahasa dan Pustaka

Hakcipta MansorJusoh 1986

Oiaturhuruf oleh Dewan Bahasa dan Pustaka

sebut apabila berhadapan dengan masalah yang lebih rumit di dalam

Persoalan Umum dalam Statistik

KEBARANGKALIAN DAN STATISTIK

putuskan kesudahan manakab yang sening muncul. Maka dan

Statistik Berperihalan dan Statistik Aruhan

KEBARANGKALIAN DAN 5TATi5TIK

Dalam bidang statistik anuhan secara umumnya penggunaan

Statistik dan Keharangkalian

dahulu, maka di sini kita akan terlebih dahulu kemukakan bab-bab

Set dan Snbset

SET DAN KEBARANGKALIAN

Sebaliknya jika a adalah bukan unsur kepada S kita tulis

Sekiranya set C pula adalah set yang mengandungi semua nombon

Set juga boleh ditulis dalam bentuk kenyataan sepenti

KEBARANGKALIAN DAN STATISTIK

Kadangkala semasa memerhati set, kita hanya tertanik kepada

s3} adalah set universal maka subset yang

SET DAN KEBARANGKALIAN

Gambarajah 2.1: Gambarajah Venn bagi set U dan

Definki 2.1: PeIei~kap

KEBARANGKALIAN DAN STATISTIK

Gambarajah 2.2: Pelengkap A

Definisi 2.2: Kesatuan

SET DAN KEBARANGKALIAN

A, maka kesatuan set tersebut ditakrif sebagai

{x;x E A1 atau xe A~atau

Kesatuan bagi tiga Set A1. A2 dan A3 ditunjukkan sebagai kawasan

Definisi: 2.3 Persilangan

KEBARANGKALIAN DAN STATISTIK

Manakala dengan gambanajah Venn A r~B ditunjukkan sebagai

Kawasan berlorek menunjukkan

{2, 4, 6, 8, 10} maka

Definisi 2.3 boleh dikembangkan untuk mengambilkira

Berdasarkan definisi persilangan adalah tidak sukar untuk

Jika persilangan dua set A dan B tidak mengandungi sebarang

SET DAN KEBARANGKALIAN

Set Adan Badalah tak

Kawasan berlorek lalal,

Bezaan A dan B sebenannya dapat digambarkan juga oleh

KEBARANGKALIAN DAN STATISTIK

campuran pelengkap, kesatuan dan persilangan dapat dijelaskan

Percuhaan Rawak dan Ruang Sampel

SET DAN KEBARANGKALIAN

tersebut. Hasil daripada satu-satu percubaan mi dinamakan

KEBARANGKALIAN DAN STATISTIK

dalam ruang sampel dipanggil peristiwa benar. Sementara

Perhatikan pereubaan mencampak dua buah dadu sekali.

SET DAN KEBARANGKALIAN

Begitu juga kalau kita takrillcan satu peristiwa, katalah bilangan

Dalam memenhatikan tinggi Seseonang lelaki dewasa, kita akan

~13, 145, 148, IS, 19,..., 2O}.

KEBARANGKALIAN DAN STATI5TIK

Kita perhatikan unsur-unsur dalam set S adalah nilai-nilai dan 13

Dan contoh-contoh yang telah dikemukakan kita dapat

Mengira Titik Sampel

SET DAN KEBARANGKALIAN

2 ..., in~cana maka n

pasangan openasi bersama bolch

Tendapat 5 jenis sabUn, 3 jenis ubat gigi dan 2 jenis syampu