STATISTIK INDUSTRI I
Oleh :
Tim Dosen Statistik Industri
Program Studi Teknik Industri
Fakultas Teknik
Universitas Wijaya Putra
2009
KATA PENGANTAR
Mata kuliah Statistik Industri 1 adalah jenis mata kuliah Keilmuan dan Ketrampilan di
program Studi Teknik Industri Fakultas Teknik Universitas Wijaya Putra. Buku ajar Statistik
Industri 1 ini berisi materi: kejadian dan ruang sampel, probabilitas, Variabel Random Diskrit
dan Distribusi Probabilitas Diskrit, variabel random kontinu dan distribusi probabilitas
kontinu, harga harapan, distribusi probabilitas bivariat, fungsi variabel random, distribusi t
dan distribusi F, distribusi sampling, dan teori limit sentral.
Mudah-mudahan buku ajar Statistik Industri 1 ini dapat menambah bahan belajar
bagi mahasiswa teknik industri. Terima kasih kepada seluruh pihak/civitas akademisi
Program Studi Teknik Industri, Fakultas Teknik-UWP yang telah membantu penyusunan
buku ajar ini. Demi penyempurnaan buku ajar ini, kami mengharapkan kepada semua pihak
untuk dapat memberikan masukan dan saran.
Penyusun
Tim Dosen Mata Kuliah Statistik Industri 1
Buku Ajar Teori Probabilitas
BAB I
KEJADIAN DAN RUANG SAMPEL
Definisi I.1
Informasi yang dicatat dan dikumpulkan dalam bentuk aslinya baik dalam
bentuk hitungan maupun pengukuran disebut data mentah.
Contoh I.1 :
Bilangan 2, 0, 1, 3, yang menyatakan banyaknya kecelakaan dalam bulan
Januari tahun 2008 di persimpangan jalan Diponegoro dan Jenderal
Sudirman merupakan data mentah.
Contoh I.2 :
Percobaan melantunkan sebuah mata uang logam. Dalam percobaan ini
hanya ada dua macam hasil yang mungkin, yaitu "muka" (M) atau "belakang"
(B). Dalam percobaan ini kita tidak akan pernah dapat memastikan bahwa
suatu lantunan tertentu akan menghasilkan "muka", tetapi dapat diketahui
kemungkinan yang dapat terjadi untuk tiap lantunan.
Definisi I.2 :
Gugus semua hasil yang mungkin dari suatu percobaan statistika disebut
ruang sampel dan dilambangkan dengan huruf S.
Tiap hasil dalam ruang sampel atau anggota dari ruang sampel disebut
dengan titik sampel.
Contoh I.3 :
Percobaan mendata kota-kota di dunia yang berpenduduk lebih dari 1 juta,
ruang sampelnya dapat dituliskan sebagai berikut :
S = { X | X suatu kota yang berpenduduk lebih dari satu juta }.
Untuk menentukan apakah suatu ruang sampel perlu dituliskan dengan cara
mendaftar atau dengan hanya menyebutkan syarat aturannya akan
tergantung pada masalah yang ditangani.
Contoh I.4 :
Misalkan tiga buah barang dipilih secara random dari sepuluh hasil produksi
pabrik. Tiap butir barang diperiksa dan digolongkan menurut keadaan cacat
atau tidak cacat. Ruang sampel yang paling banyak memberi informasi adalah
S1 = {CCC, CCT, CTC, TCC, CTT, TCT, TTC, TTT}.
Dengan T menyatakan tidak cacat, sedangkan C menyatakan cacat. Ruang
sampel lain, kendati hanya memberi sedikit informasi dapat berbentuk
S2 = { 0, 1, 2, 3 }.
Anggota S2 masing-masing menyatakan tak ada yang cacat, satu yang cacat,
dua yang cacat atau ketiganya cacat dari pilihan random tiga barang.
SOAL-SOAL
1. Tuliskan anggota tiap ruang sampel berikut ini :
(a) himpunan bilangan bulat antara 1 dan 50 yang habis dibagi 7.
(b) himpunan S= { x | x2 + x - 6 = 0 }.
(c) himpunan hasil bila sebuah mata dadu dan mata uang dilantunkan sekaligus.
(d) himpunan S = { x | x nama benua}.
(e) himpunan S = { x | 2x - 4 = 0 dan x > 5 }.
2. Gunakan cara aturan atau pernyataan untuk menjelaskan ruang sampal S yang
terdiri atas semua titik dalam kuadran pertama di dalam suatu lingkaran yang
berjari-jari 3 dengan pusat titik asal.
3. Items coming off a production line are marked defective (D) or nondefective (N).
Items are observed and their condition listed. This is continued until two
consecutive defectives are produced four items have been checked, whichever
occurs first. Describe a sample space for this experiment.
4. (a) A box of N light bulbs has r ( r < N ) buls with broken filaments. These bulbs are
tested, one by one, until a defective bulb is found. Describe a sample space for
this experiment.
(b) Suppose that the above bulbs are tested, one by one until all defectives have
been tested. Describe the sample for this experiment.
I.2 Kejadian
Definisi I.3
Kejadian adalah himpunan bagian dari ruang sampel.
Contoh I.5 :
Percobaan melakukan pengamatan umur komponen mesin tertentu. Ruang
sampelnya adalah
S = { t | t > 0}
dengan t menyatakan umur (dalam tahun) suatu komponen mesin tertentu
tersebut dan kejadian A menyatakan kejadian bahwa komponen akan
rusak sebelum akhir tahun kelima, berarti A = { t | t < 5 }.
Definisi I.4
Suatu kejadian yang hanya mengandung satu unsur ruang sampel disebut
kejadian sederhana. Suatu kejadian majemuk adalah kejadian yang dapat
dinyatakan sebagai gabungan beberapa kejadian sederhana.
Contoh I.6:
Kejadian mengambil sebuah kartu heart dari sekotak kartu bridge
merupakan himpunan bagian A = { heart } dari ruang sampel S = { heart,
spade, club, diamond }. Kejadian A merupakan kejadian sederhana. Kejadian
B menarik sebuah kartu merah merupakan kejadian majemuk,
karena B = { heart diamond } = { heart, diamond }.
Bila ke 52 kartu dalam suatu kotak kartu menjadi unsur ruang sampel
dan bukan ke 4 warna kartu maka kejadian A merupakan kejadian majemuk.
Definisi I.5
Ruang nol atau ruang hampa adalah himpunan bagian ruang sampel yang
tidak mengandung unsur. Himpunan seperti ini dinyatakan dengan .
Contoh I.7 :
Bila A menyatakan kejadian menemukan suatu organisme mikroskopis
dengan mata telanjang dalam suatu percobaan Biologi maka A = .
Contoh I.8:
Pengambilan sebuah kartu dari 1 kartu dek kartu bridge 52 kartu dan
diamati kejadian berikut ini:
A : kartu yang terambail warna merah,
B : kartu yang ditarik jack, queen, atau king diamond,
C : kartu yang ditarik As.
Kejadian-kejadian tersebut dapat digambarkan dalam diagram Venn sebagai
berikut:
soal
5. Diadakan suatu percobaan melantunkan sepasang dadu, satu dadu
berwarna merah, yang lainnya hijau, hasil yang muncul kemudian dicatat.
(a) Tuliskan anggota ruang sampel S.
(b) Tuliskan anggota S yang berkaitan dengan kejadian A bahwa jumlah
kurang dari S.
(c) Tuliskan anggota S yang berkaitan dengan kejadian B bahwa bilangan 6
muncul pada kedua dadu.
(d) Tuliskan anggota S yang berkaitan dengan kejadian C bahwa bilangan 2
muncul pada dadu hijau.
(e) Buatlah diagram Venn yang menunjukkan hubungan antara kejadian A,
B, C dan S.
6. Surat lamaran dua orang pria untuk jabatan di suatu perusahaan
diletakkan dalam suatu map yang sama dengan surat lamaran dua orang
wanita. Ada dua jabatan yang lowong, yang pertama jabatan direktur
dipilih secara random dari keempat pelamar. Jabatan kedua wakil direktur,
dipilih secara random dari ketiga sisanya.
(a) Tuliskan anggota ruang sampel S.
(b) Tuliskan anggota S yang berkaitan dengan kejadian A bahwa lowongan
direktur diisi oleh pelamar pria.
(c) Tuliskan anggota S yang berkaitan dengan kejadian B bahwa tepat
suatu lowongan diisi oleh pelamar pria.
(d) Tuliskan anggota S yang berkaitan dengan kejadian C bahwa tidak ada
lowongan yang diisi oleh pelamar pria.
(e) Buatlah diagram yang memperlihatkan hubungan antara kejadian A, B,
C, S.
7. Consider four objects, say a, b, c, d. Suposse that the order in which these
objects are listed represents the outcome of an experiment. Let the event A
and B be defned as follows: A = { a is the first position }; B = { b is the second
position }. List all elements of the sample space.
8. A lot contains item weighing 5, 10, 5, ... 50 pounds. Assume that at least
two items of each weight are found in the lot. Two items are chosen from the
lot. Let X denote the weight of the first items chosen and Y the weight of the
second item. Thus the pair of numbers (X,Y) represent a single outcome of
the experiment. Using the XY-plane, indicate the sample space and the
following events.
(a) { X = Y }.
(b) { Y > X }.
(c) The second item is twice as heavy as the first item.
(d) The first item weight 10 pounds lass than the second item.
(e) The average weight of the two items is lass than 30 pounds.
Definisi I.6 :
Operasi dari kejadian A dan kejadian B dinyatakan dengan lambang A B
yaitu kejadian yang unsurnya termasuk dalam A dan B.
Contoh I. 9 :
Sebuah kartu diambil dari satu deck kartu bridge. Kejadian A adalah kejadian
mendapatkan kartu berwarna merah, sedangkan kejadian B adalah kejadian
mendapatkan kartu angka.
Definisi I.7
Dua kejadian A dan B saling terpisah atau saling lepas bila A B = .
Contoh I.10
Sebuah kartu diambil dari satu deck kartu bridge. Kejadian A adalah kejadian
mendapatkan kartu hitam, sedangkan kejadian B adalah kejadian
mendapatkan kartu merah. Kejadian A dan kejadian B adalah kejadian yang
saling asing karena tidak ada kartu yang berwarna hitam dan sekaligus warna
merah.
Definisi I.8
Gabungan dua kejadian A dan kejadian B dinyatakan dengan lambang A B
adalah kejadian yang mengandung unsur yang termasuk A atau B atau
keduanya.
Contoh I.11
Misalkan sebuah dadu dilantunkan 1 kali. Kejadian A adalah kejadian bahwa
bilangan prima muncul di sebelah atas dan B adalah kejadian bahwa
bilangan ganjil yang muncul di sebelah atas. Jadi A ={ 2, 3, 5 } sedangkan
B = { 1, 3, 5 } maka kejadian A B adalah kejadian bahwa bilangan prima
atau ganjil yang muncul di sebelah atas, sehingga
A B = { 1, 2, 3, 5 }.
Definisi I.9
Komplemen suatu kejadian A terhadap S adalah himpunan semua unsur S
yang tidak termasuk A. Komplemen A dinyatakan dengan lambang A c.
Contoh I.12
Misalkan Q menyatakan kejadian bahwa seorang mahasiswa yang dipilih
secara random dari mahasiswa UKSW adalah perokok. Himpunan Qc
menyatakan kejadian bahwa mahasiswa yang terpilih bukan perokok.
Soal-soal
9. Tuliskan anggota S yang berkaitan dengan kejadian A C pada soal
nomor 5.
10. Tuliskan anggota S yang berkaitan dengan kejadian A B dan A C.
11. Bila P = { X | 1 X 9 } dan Q = { Y | Y 5 } maka hitunglah P Q dan
P Q.
12. Let A, B, and C be three events associated with an experiment.
Express the following verbal statements in set notation.
(a) At least one of the events occurs.
(b) Exactly one of the events occurs.
(c) Exactly two of the events occurs.
(d) Not more than two of the events occur simultaneously.
Salah satu masalah yang harus dihadapi dan dicoba diberi nilai oleh
statistikawan adalah adanya kemungkinan yang berkaitan dengan
munculnya kejadian tertentu bila suatu percobaan dilakukan. Dalam banyak
hal suatu soal peluang dapat diselesaikan dengan menghitung banyaknya titik
sampel dalam ruang sampel. Pengetahuan tentang unsur atau daftar
sesungguhnya tidak selalu diperlukan. Dasar analisis kombinatorial
dinyatakan dalam teorema berikut ini.
Teorema I.1
Bila suatu operasi dikerjakan dengan n1 cara dan bila untuk tiap cara ini
operasi kedua dapat dikerjakan dengan n2 cara maka kedua operasi itu dapat
dikerjakan bersama-sama dengan n1 n2 cara.
Contoh I.12
Seorang laki-laki mempunyai 5 kemeja, 3 celana dan 2 pasang sepatu.
Tentukan banyak cara dia dapat berpakaian secara berbeda.
Sering pula kita menginginkan ruang sampel yang unsurnya terdiri atas
semua urutan atau susunan yang mungkin dari sekelompok benda.
Definisi I.10
Suatu permutasi ialah suatu susunan yang dapat dibentuk dari suatu
kumpulan benda yang diambil sebagian atau seluruhnya.
Teorema I.2
Banyak permutasi n benda yang berlainan adalah n!
Contoh I.14
Apabila disediakan empat huruf A, B, C, D. Tentukan permutasi empat huruf
tersebut.
Teorema I.3
Banyak permutasi n benda berlainan bila diambil r sekaligus adalah
nPr = n! / (n-r)!
Contoh I.15 :
Untuk memilih seorang manager dan asisten manager pemasaran tersedia 5
orang staf perusahaan yang memenuhi syarat. Ada berapa cara yang dapat
digunakan untuk itu?
Teorema I.4
Banyak permutasi n benda berlainan yang disusun melingkar adalah (n-1)!
Contoh I.16
Dengan berapa carakah enam pohon yang berbeda dapat ditanam pada suatu
lingkaran?
Teorema I.5
Banyak cara dimana n bola yang berbeda dapat didistribusikan ke dalam k
kotak yang berbeda adalah kn.
Contoh I.18
Tentukan banyak cara 3 bola yang berbeda dapat didistribusikan ke dalam
dua kotak yang berbeda.
Teorema I.6
Banyak cara bahwa n bola yang tidak dapat dibedakan dapat didistribusikan
ke dalam k kotak, yang berbeda adalah
k n 1
n
Jika n > k dan tidak satu kotakpun yang kosong maka
n 1 .
k 1
Contoh I.17
Berapa carakah 2 bola yang tidak dapat dibedakan didistribusikan ke dalam 3
kotak yang berbeda? Berapa carakah 3 bola yang tidak dapat dibedakan dapat
didistribusikan ke dalam dua kotak yang berbeda ?
Teorema I.17
Banyak permutasi yang berlainan dari n benda bila n1 diantaranya berjenis
pertama, n2 berjenis kedua, ....., nK berjenis ke-K adalah n ! / n1! n2!....nK!
Contoh I.18:
Suatu pohon natal dihias dengan 9 bola lampu yang dirangkai seri. Ada
berapa cara menyusun 9 bola lampu itu bila tiga diantaranya berwarna
merah, empat kuning dan dua biru.
Teorema I.8
Banyaknya cara menyekat n benda dalam r sel masing-masing berisi n1
elemen dalam sel pertama, n2 dalam sel kedua, dst. adalah
n n!
.
n1 n 2 .... n r n1 ! n 2 ! ..... n r
Contoh I.19:
Sembilan orang pergi ke gunung untuk berdarmawisata dengan tiga mobil
masing-masing mobil dapat membawa 2, 4, dan 3 penumpang. Berapa
carakah dapat dibuat untuk membawa kesembilan orang tersebut?
n
r , n r
n
biasanya disingkat dengan karena banyaknya anggota pada sel kedua
r
haruslah n-r.
Teorema I.9
Banyaknya kombinasi dari n benda yang berlainan bila diambil sebanyak r
adalah
n n!
r r ! (n r ) !
Contoh I.20 :
Diketahui terdapat 9 orang pemain bola basket. Pelatih ingin memilih pemain
yang akan diajukan pada pertandingan melawan regu lain. Ada berapa cara
yang dapat dilakukan untuk pemilihan tersebut?
***
BAB II
PROBABILITAS
Definisi II.1
Peluang suatu kejadian A adalah jumlah bobot semua titik sampel yang
termasuk A. Jadi
0 P(A) 1 ; P() = 0 dan P(S) = 1.
Contoh II.1
Bila sebuah mata uang dilantunkan dua kali maka ruang sampelnya adalah
S = { MM, MB, BM, BB }.
Bila mata uang yang digunakan setaangkup maka tiap hasil mempunyai
kemungkinan muncul sama. Tiap titik diberi bobot b sehingga 4b = 1 atau
b = . Bila A menyatakan kejadian bahwa paling sedikit satu muka muncul
maka P(A) = .
Teorema II.1
Bila suatu percobaan dapat menghasilkan N macam hasil yang
berkemungkinan sama dan bila tepat sebanyak n dari hasil berkaitan dengan
kejadian A maka probabilitas kejadian A adalah P(A) = n/N.
Contoh II.2
Bila satu kartu ditarik dari satu kotak bridge berisi 52 kartu maka akan
ditentukan peluang mendapatkan kartu hati. Banyaknya hasil yang mungkin
adalah 52 dan 13 diantaranya adalah kartu hati. Probabilitas kejadian A
menarik kartu hati adalah
P(A) = 13/52 = .
Teorema II.2
Bila kejadian A dan B merupakan dua kejadian sembarang maka
P( A B) = P(A) + P(B) P(A B) .
Akibat II.1
Bila kejadian A dan B kejadian yang terpisah maka
P( A B) = P(A) + P(B) .
Akibat II.2
Bila A1, A2, , An saling terpisah maka
P(A1 A2 An) = P(A1) + P(A2) + . + P(An).
Contoh II.3
Probabilitas seorang mahasiswa lulus Kalkulus 2/3 dan probabilitas lulus
Statistika 4/9. Bila probabilitas lulus paling sedikit satu mata kuliah 4/5
maka probabilitas lulus dalam kedua mata kuliah adalah
P(K St) = P(K) + P(St) P(K St)
= (2/3) + (4/9) (4/5)
= 14/45.
Teorema II.3
Bila kejadian A dan kejadian Ac kejadian yang saling berkomplemen maka
P(Ac) = 1 P(A) .
Contoh II.4
Suatu mata uang setangkup dilempar berturut-turut sebanyak 6 kali.
Misalkan kejadian E paling sedikit sekali muncul muka. Ruang sampel S
mengandung 26 = 64 titik sampel karena setiap lemparan dapat menghasilkan
dua macam hasil (muka atau belakang). Bila Ec menyatakan kejadian bahwa
tidak ada muka yang muncul maka kejadian tersebut adalah bila semua
Definisi II.2
Probabilitas bersyarat B dengan diketahui A dinyatakan dengan P(B | A)
ditentukan oleh P(B | A) = P(A B) / P(A) dengan P(A) > 0.
Contoh II.5
Misalkan ruang sampel S menyatakan orang dewasa yang telah tamat SMA di
suatu kota kecil. Mereka dikelompokkan menurut jenis kelamin dan status
pekerjaan sebagai berikut :
Bekerja Tak Bekerja
Lelaki 460 40
Wanita 140 260
Daerah tersebut akan dijadikan daerah pariwisata daan seseorang akan dipilih
secara acak untuk mempropagandakannya ke seluruh negeri. Misalkan M
menyatakan kejadian lelaki yang terpilih sedangkan kejadian E menyatakan
orang yang terpilih dalam status bekerja.
Teorema II.4
Bila kejadian A dan B dapat terjadi pada suatu percobaan maka
P(A B) = P(A) P(B | A) .
Teorema II.5
Bila dalam suatu percobaan kejadian A1, A2, A3, dapat terjadi maka
P(A1 A2 A3 ) = P(A1) P(A2 | A1 ) P(A3 | A1 A2 )
Definisi II.3
Kejadian A dan B bebas jika dan hanya jika
P(A B) = P(A) P(B) .
Teorema II.5
Misalkan { B1, B2, , Bn } suatu himpunan kejadian yang merupakan suatu
sekatan ruang sampel S dengan P(Bi) 0 untuk i = 1,2, , n.
Misalkan A suatu kejadian sembarang dalam S dengan P(A) 0 maka
untuk k = 1,2, , n berlaku
P( Bk A ) P( Bk ) P( A | Bk )
P( Bk | A) n
n
.
P( B
i 1
i A) P( B ) P( A | B )
i 1
i i
Contoh II.6
Suatu serum kejujuran yang diberikan kepada tertuduh diketahui 90 %
terandalkan bila orang tersebut bersalah dan 99 % terandalkan bila ia tidak
bersalah. Dengan perkataan lain, 10 % dari yang bersalah diketemukan tidak
bersalah oleh serum dan 1 % dari yang tidak bersalah ditemukan bersalah.
Bila si tertuduh dipilih dari sekelompok tertuduh yang hanya 5 % yang pernah
melakukan kejahatan dan serum menyatakan bahwa dia bersalah maka
probabilitas bahwa orang tersebut tidak bersalah adalah
= 0,1743.
Soal-soal
1. Tiga mesin I,II dan III masing-masing menghasilkan 30 , 30 , 40
dari jumlah seluruh produksi. Dari masing- masing terdapat 4 % , 3 % dan
2 % produk yang cacat. Satu produk diambil secara random dan diperiksa
dan ternyata cacat .
a . Berapa probabilitas bahwa produk tersebut dihasilkan oleh mesin I ?
b . Berapa probabilitas bahwa produk tersebut dihasilkan oleh mesin II ?
c . Berapa probabilitas bahwa produk tersebut dihasilkan oleh mesin III ?
2. Seorang pegawai mempunyai dua mobil, satu sedan dan satu toyota kijang.
Untuk pergi bekerja dia mengunakan sedan 75 % dan kijang 25 %. Bila dia
mengunakan sedan biasanya dia tiba kembali di rumah pukul 17.30
sebanyak 75 % sedangkan bila mengunakan kijang dia tiba pukul 17.30
kira - kira 60 % (tapi merasa lebih tenang memakai kijang karena tidak
terlalu khawatir terserempet mobil lain ). Bila dia tiba dirumah pukul
17.35 berapakah probabilitasnya dia memakai sedan.
3. Pandang permainan berikut ini. Dua dadu yang baik dilemparkan. Jika
jumlah titik-titik yang di atas 7 atau 11 maka si A menang. Jika
jumlahnya 2 atau 3 atau 12 maka si A kalah. Jika jumlah itu 4 atau 5
atau 6 atau 8 atau 9 atau 10 maka dadu-dadu itu di lemparkan kembali
sampai didapat jumlah yang sama sebelum jumlah 7 didapat, dan dalam
hal ini si A menang atau didapat 7 sebelum jumlah yang sama didapat
dalam hal ini si A kalah. Permainan dihentikan sekali si A menang atau
kalah. Berapa probabilitas si A menang ?
4. Anggaplah bahwa dalam suatu populasi terdapat pria dan wanita dengan
jumlah yang sama. Dalam populasi ini 5 % dari laki-laki dan 0,25 % dari
wanita adalah buta warna.
a. Seorang buta warna dipilih secara random berapa probabilitasnya
orang laki-laki yang terpilih ?
b. Seorang laki-laki dipilih secara random berapa probabilitasnya dia buta
warna ?
6. Misalkan bola berwarna terbagi dalam 3 kotak yang sama bentuknya sbb
:
Satu kotak dipilih secara random dan dari dalamnya diambil secara
random ternyata berwarna merah. Berapa probabilitasnya yang terambil dari
kotak III ?
***
BAB III
Variabel Random Diskrit dan Distribusi Probabilitas Diskrit
Contoh III.1 :
Suatu pemungutan suara dilakukan untuk memilih wakil rakyat
negara bagian Kansas yang terdiri dari : John, Bill dan Robert . Kita tertarik
untuk menyelidiki banyak suara yang memilih suatu wakil rakyat tertentu
yang dicalonkan. Kejadian tersebut memunculkan adanya variabel random
yaitu banyak suara dalam negara bagian Kansas yang mencalonkan wakil
rakyat tertentu.
Contoh III .2 :
Banyak telur busuk dalam suatu kotak yang berisi 100 butir telur.
Contoh III .3 :
Seorang manajer mempunyai pekerja yang terdiri dari 2 pria dan 3
wanita. Ia ingin memilih dua pekerja untuk suatu pekerjaan khusus.
Keputusan yang diambil adalah memilih 2 pekerja dari pekerja yang
dimilikinya secara random. Jika Y adalah banyak wanita yang terpilih maka
tentukan distribusi probabilitas Y.
Penyelesaian :
Dari 2 pekerja wanita dan 3 pekerja pria yang tersedia, banyaknya cara untuk
memilih 2 pekerja adalah
5
.
2
Dari 2 orang pekerja yang terpilih, banyak pekerja wanita Y yang terpilih dapat
bernilai 0, 1 atau 2. Hal itu berarti jika terpilih 0 pekerja wanita maka banyak
pekerja pria yang terpilih sebanyak 2 orang sehingga banyak cara terpilih 0
pekerja wanita dari 2 pekerja wanita yang tersedia dan 2 pekerja pria dari 3
pekerja pria yang tersedia adalah
2 3
.
0 2
Akibatnya probabilitas mendapatkan banyak pekerja wanita yang terpilih 0
adalah
2 3
P( Y 0) .
0 2 3
5 10
2
Dengan cara yang sama probabilitas mendapatkan banyak pekerja wanita
yang terpilih 1 orang adalah
2 3
P( Y 1) .
1 1 6
5 10
2
Probabilitas mendapatkan banyak pekerja wanita yang terpilih 2 orang adalah
2 3
P ( Y 2) .
2 0 1
5 10
2
Distribusi probabilitas dari variabel random diskrit Y dapat dinyatakan
dengan rumus, tabel dan grafik .
0.7
0.6
0.5
0.4
Series1
0.3
0.2
0.1
0
1 2 3
2 3
y 2 y
f ( y) P( Y y )
5
2
untuk y = 0, 1, 2.
2. p( y) 1 .
y
Soal
1. Sebuah mata uang yang baik dilambungkan 4 kali secara independen.
Jika variabel random Y yang didefisikan dalam s, dengan sS (sebuah
mata uang logam mempunyai dua sisi, yang dinamakan muka (M) dan
belakang (B) ) maka tentukan :
a. Himpunan harga - harga Y
b. Distribusi variable random Y.
Contoh III. 4 :
Percobaan melanturkan satu mata uang tiga kali. Ruang sampel
S = {MMM, MMB, MBM , BMM , BMB, BBM, MBB, BBB }.
Apabila diinginkan untuk meneliti banyak ' muka ' yang muncul pada tiap
titik sampel maka hasil numerik 0, 1, 2 atau 3 akan dikaitkan dengan titik
sampel. Misalkan Y(s) = banyak muka dalam S dengan sS. Fungsi
Y:S R
dengan Y(s) = y. Bilangan 0, 1, 2 dan 3 merupakan pengamatan yang
mungkin .
Kejadian sederhana Y
MMM 3
MMB 2
MBM 2
BMM 2
BBM 1
MBB 1
BMB 1
BBB 0
Contoh III. 5
Dalam percobaan melantunkan satu mata uang "jujur " tiga kali.
Variabel random Y menyatakan banyak "muka" yang muncul maka dapat
ditentukan probabilitas mendapat Y "muka " . Tabel berikut ini menyatakan
probabilitas mendapatkan Y "muka.
Y 0 1 2 3
P(Y=y) 1/8 3/8 3/8 1/8
Definisi III.3
Fungsi f(y) adalah suatu fungsi probabilitas atau distribusi atau distribusi
probabilitas dari suatu variabel random Y bila untuk setiap hasil yang
mungkin
1. f(y) 0.
2. f ( y) 1 .
y
3. P( Y = y ) = f(y) .
Distribusi probabilitas dari variabel random diskrit Y dapat danyatakan
dengan rumus, tabel dan grafik garis histogram. Distribusi probabilitas pada
Contoh III.5 dapat dinyatakan sbb :
3
3
(1 / 2)
3 y
P(Y = y) = f(y) = untuk y =1, 2, 3,
y 8
=0 untuk y yang lain.
Contoh III.6
Variabel random Y mempunyai fungsi probabilitas yang didefinisikan sebagai
f(y) = 2-y
untuk y = 1, 2, 3, . Tentukan
a. P( Y -3 ) .
b. P(Y 3 ), P(Y 3 ), P(Y 3) .
c. P( Y bilangan genap ) .
Penyelesaian :
a. P(Y -3 ) = 0.
b. P(Y 3) = P(Y = 1) + P(Y = 2) + P(Y = 3)
= ( ) + (1/4) + (1/8)
= 7/8.
P(Y 3) = P(Y = 1) +P ( Y = 2 )
= ( ) +()
= 3/4.
P(Y 3) = P( Y= 3 ) + P(Y= 4 ) + P( Y = 5 ) +
= 1 - P( Y = 1) + P( Y =2 )
= 1 - 1/2 -1/4
= 1/4.
c. P(Y bilangan genap ) = P( Y = 2 ) + P( Y = 4 ) + P( Y = 6 ) + .
= 1/4 + 1/16 + 1/32 + .
= 1/4 /(1-1/4)
= ()/(3/4)
= 1/3.
Contoh III.7
Percobaan mengambil sebuah bolam dari suatu kotak yang berisi 5
bolam rusak dan 5 bolam baik dengan pengembalian sampai didapatkan
bolam rusak .
Ruang sampel S = { R, BR , BBR , BBBR, }
Variabel random Y(s) adalah banyak pengambilan yang harus dilakukan
sampai mendapatkan bolam rusak yang pertama dengan s S.
Y(R) =1
Y(BR) =2
Y(BBR) =3
Y(s) merupakan variabel random diskrit pada ruang sampel diskrit S.
Soal-soal
2. Untuk nilai C yang mana fungsi p yang didefinisikan
Contoh III. 4 :
Suatu sistem yang dapat mendeteksi pesawat terbang, mengandung 4 unit
radar identik yang beroperasi secara independen satu dengan yang lain.
Anggap masing-masing radar mempunyai probabilitas 0,95 untuk dapat
mendeteksi pesawat terbang musuh. Pada saat pesawat terbang musuh
memasuki daerah jangkauan sistem radar tersebut, kita tertarik untuk
mengamati variabel random Y, yaitu banyak unit radar yang tidak mendeteksi
pesawat musuh. Apakah hal ini merupakan eksperimen binomial ?
Penyelesaian :
Untuk memutuskan apakah hal tersebut merupakan eksperimen binomial
perlu diuji apakah setiap sifat dari eksperimen binomial dipenuhi. Jika
Y = banyak unit radar yang tidak mendeteksi pesawat terbang maka kejadian
tidak mendeteksi adalah hasil yang sukses (S).
1. Eksperimen mengandung 4 trial. Suatu trial menentukan apakah unit
radar tertentu mendeteksi pesawat terbang musuh.
2. Setiap trial menghasilkan 2 hasil. S menyatakan bahwa pesawat terbang
tidak dideteksi. Sedangkan F menyatakan bahwa pesawat musuh dideteksi
3. Karena semua unit radar mendeteksi pesawat musuh dengan probabilitas
yang sama maka P(S) = p = P (tidak mendeteksi) = 0,05.
4. Trial-trial independen karena tiap unit radar beroperasi secara independen.
5. Variabel random Y adalah banyak sukses di dalam 4 trial.
Jadi eksperimen tersebut merupakan eksperimen binomial dengan n = 4,
p = 0,05, dan q = 0,95.
y e
P(Y y )
y!
untuk y = 0, 1, 2, ..
Contoh III.8 :
Banyak salah ketik yang dibuat oleh seorang juru ketik mempunyai
distribusi Poisson dengan rata-rata 4 kesalahan per halaman. Jika ditemui
lebih dari 4 kesalahan per halaman pada halaman yang diteliti maka juru
ketik tersebut harus mengetik ulang halaman tersebut. Berapa probabilitas
suatu halaman tertentu tidak diketik ulang.
Penyelesaian :
Soal-soal :
7. Diketahui Y adalah variabel random yang mempunyai distribusi Poisson
dengan mean = 2. Tentukan
(a). P( Y = 4). (c). P( Y 4 ).
(b). P( Y < 4). (d). P( Y 4 | Y 2) .
8. Diketahui bahwa jika bakteria ditumbuhkan pada papan pemeliharaan
dengan luas A, dan jika Y = banyak koloni bakteria dalam luasan kecil a
yang dipilih secara random dari papan itu maka Y berdistribusi Poisson
dengan mean a/A (banyak koloni pada seluruh papan). Andaikan = 5,5,
hitung probabilitas bahwa :
(a) Paling banyak 3 koloni dijumpai pada luasan itu.
(b) Lebih dari 8 koloni akan dijumpai dalam luasan itu.
9. Antara jam 10 dan jam 11 pada rata-rata banyak telepon yang datang pada
switch board suatu kantor dalam tiap menit adalah 2,5. Probabilitas bahwa
selama satu menit tertentu (pada jam itu) akan terdapat tiga telepon datang
adalah :
a. 0.758. c. 0.214.
b. 0.544. d. 0.242.
10. Probabilitas seekor tikus yang sudah terinjeksi dengan serum tertentu
akan terserang penyakit adalah 0,2. Dengan menggunakan pendekatan
Poisson, tentukan probabilitas bahwa paling banyak 3 dari 30 tikus yang
diinjeksi akan terserang penyakit tersebut.
Misalkan terdapat N benda yang terdiri atas k benda yang diberi nama
sukses sedangkan sisanya N-k akan diberi nama gagal. Akan ditentukan
probabilitas memilih Y sukses dari sebanyak k yang tersedia dan n-k gagal
dari sebanyak N-k yang tersedia apabila sampel acak ukuran n diambil dari N
benda.
Definisi III.4
Banyaknya sukses Y dalam percobaan geometrik dinamakan variabel random
hipergeometrik. Distribusi probabilitas peubah acak hipergeometrik Y yaitu
banyaknya sukses sampel acak ukuran n yang diambil dari N benda yang
mengandung k bernama sukses dan N-k bernama gagal adalah
k N k
P(Y y )
y n y
N
n
untuk y = 0, 1, 2, , n.
Contoh III. 9
Suatu kotak berisi 40 suku cadang dikatakan dapat diterima bila
mengandung paling banyak 3 yang cacat. Suatu kotak akan ditolak bila
sampel acak ukuran 5 suku cadang yang terpilih mengandung satu yang
cacat. Berapakah probabilitas mendapatkan tepat satu yang cacat dalam
sampel bila kotak tersebut mengandung tiga suku cadang yang cacat ?
Penyelesaian :
Misalkan variabel random Y menyatakan banyaknya suku cadang cacat yang
terambil. Dengan menggunakan distribusi hipergeometrik untuk n = 5, N = 40,
k = 3 dan Y = 1, probabilitas mendapatkan tepat satu yang cacat adalah
3 37
P(Y 1) = 0,3011.
1 4
40
5
y 1 k y k
P( Y y ; k , p ) p q
k 1
untuk y = k, k + 1 , k + 2, .
Contoh III.10
Probabilitas bahwa seseorang yang melantunkan tiga uang logam sekaligus
akan mendapatkan semuanya muka atau semuanya belakang untuk kedua
kalinya pada lantunan kelima adalah
4
P( Y 5 ; 2 , 1 / 4 ) 1 / 4 (3 / 4) 3 27 / 256 .
2
untuk y = 1, 2, 3, .
Contoh III.11
Dalam suatu proses produksi diketahui bahwa rata-rata 1 diantara 100 butir
hasil produksi adalah cacat. Probabilitas memeriksa 5 barang dan baru
menemukan barang yang cacat pada pemeriksaan yang kelima ?
Penyelesaian :
Variabel random Y menyatakan banyaknya pemeriksaan yang harus
dilakukan sampai mendapatkan barang cacat yang pertama. Probabilitas
menemukan barang cacat yang pertama pada pemeriksaan kelima adalah
P(Y = 5) = (0,01) (0,99)4 = 0,0096.
***
BAB IV
VARIABEL RANDOM KONTINU
DAN DISTRIBUSI PROBABILITAS KONTINU
Contoh IV.1
Panjang hidup t bola lampu merek Philips merupakan variabel random
kontinu dengan t > 0.
Definisi IV.1
Fungsi f(y) disebut fungsi kepadatan probabilitas variabel random
kontinu Y, yang didefinisikan atas himpunan semua bilangan real R bila
1. f(y) 0 untuk semua y R,
2. f(y) dy = 1,
b
3. P (a < Y < b) = a
f ( y ) dy .
Contoh IV.2
Misalkan variabel random Y mempunyai fungsi kepadatan probabilitas
Definisi IV.2
Distribusi kumulatif F(y) suatu variabel random kontinu Y dengan
fungsi kepadatan f(y) diberikan oleh
y
F (y) = P (Y y) =
f (t ) dt
Gambar IV.1
Contoh IV.3 :
Diketahui variabel random Y kontinu dengan fungsi kepadatan
probabilitas
f(y) = 3y2 0 y 1,
=0 yang lain.
Tentukan F(y) dan gambar grafik f(y) dan F(y).
Penyelesaian
F(y) =
y
0
3 t 2 dt t 3
y
0 y 3 untuk 0 < y < 1
Gambar IV.2
dengan f(y) adalah fungsi kepadatan probabilitas untuk Y. Hal itu berakibat
bahwa
P(a < Y < b) = F(b) F(a) .
Gambar IV.3
Contoh IV.4:
Tentukan probabilitas bahwa 1 Y 2 untuk
f(y) = (3/8)y2 untuk 0 y 2
=0 untuk y yang lain
Penyelesaian
2
P(1 Y 2 ) = 1
f ( y ) dy
2 3 2
= 1 8
y dy
3 y
3 2
=
8 3 1
3 8 1
=
8 3
= 7/8.
Soal-soal
1. Diketahui variabel random Y dengan fungsi kepadatan probabilitas
f(x) = c x untuk 0 < x < 2.
a. Tentukan harga c sehingga f(y) merupakan fungsi kepadatan
probabilitas.
b. Tentukan fungsi distribusi kumulatif F(y).
Misalkan bahwa sebuah bis selalu datang pada suatu halte antara
pukul 08.00 dan 08.10 dan bis tersebut datang di halte tersebut pada
sebarang interval bagian waktu tersebut sebanding dengan panjang interval
bagian tersebut. Hal itu berarti bahwa bis akan mempunyai probabilitas yang
sama untuk mendatangi halte antara 08.02 dan 08.04 dibandingkan dengan
08.06 dan 08.08. Model yang beralasan untuk mengambarkan hal di atas
dinyatakan pada Gambar IV.4 karena P( 2 Y 4 ) = P( 6 Y 8).
Gambar IV.4
Definisi IV.2
Variabel random Y yang mempunyai distribusi seragam kontinu akan
mempunyai fungsi kepadatan probabilitas
1
f(y) = untuk 1 y 2,
2 1
= 0 untuk y yang lain.
Contoh IV.5
Kedatangan pelanggan pada suatu loket layanan bank mengikuti distribusi
Poisson. Diketahui bahwa selama periode waktu 30 menit yang diberikan
satu pelanggan datang pada loket. Tentukan probabilitas bahwa pelanggan
akan datang 5 menit terakhir dari periode 30 menit tersebut.
Penyelesaian
Sebagaimana disebutkan di atas, waktu aktual kedatangan mengikuti
distribusi seragam pada (0,30). Jika Y menyatakan waktu kedatangannya
maka
30 1 30 25 5 1
P( 25 Y 30) = 25 30
dy =
30
.
30 6
Hal itu berarti bahwa probabilitas bahwa kedatangan akan terjadi dalam
sebarang interval 5 menit akan mempunyai nilai 1/6.
Soal-soal
1. Misalkan variabel random Y mempunyai distribusi seragam pada (0,1).
(a) Tentukan F(y) .
(b) Tunjukkan bahwa P(a Y a + b) untuk a0, b0 dan
a + b 1 hanya tergantung pada nilai b.
Dalam pasal ini akan dibahas tentang distribusi normal yang sangat
penting dalam statistika teori maupun terapan. Distribusi Normal pertama
kali dipelajari pada abad 18 ketika orang mengamati kesalahan pengukuran
yang berdistribusi simetrik dan berbentuk seperti bel. Kemudian De Moivre
mengembangkan bentuk matematik dari distribusi ini pada tahun 1733, yang
merupakan bentuk limit dari distribusi Binomial. Laplace juga telah mengenal
distribusi ini sebelum tahun 1775. Sedangkan Gauss menurunkan
persamaaan distribusi tersebut dari suatu penelitian tentang kesalahan
pengukuran yang dilakukan secara berulang-ulang dari suatu kuantitas yang
sama, dan ia mempublikasikannya pada tahun 1809. Untuk menghargainya
distribusi Normal juga dinamai dengan distribusi Gauss. Pada abad 18 dan 19
berbagai usaha dilakukan dalam rangka membuat distribusi ini sebagai
hukum probabilitas yang mendasari semua variabel kontinu, sehingga
dinamai disribusi Normal.
0.4
0.3
0.2
v
0.1
0.0
-3 -2 -1 0 1 2 3
Gambar IV.5
Contoh IV.6
Misalkan variabel random Z mempunyai distribusi normal dengan mean 0 dan
simpangan baku (standard deviation) 1.
(a) P( Z > 2) = 1 P(Z 2)
= 1 - 0,9772
= 0,0228.
(b) P(- 2 Z 2) = 1 - P(Z < - 2) P(Z > 2)
= 1 - 0,0228 0,0228
= 0,9544.
(c) P( 0 Z 1,73) = 0,5 P(Z > 1,73)
= 0,5 0,0418
= 0,4582.
Contoh IV.7
Nilai ujian masuk UKSW untuk FSM berdistribusi Normal Baku dengan
= 75 dan = 10. Berapakah probabilitasnya seseorang mempunyai nilai
antara 80 dan 90 ?
Penyelesaian :
Misalkan z menyatakan jarak dari mean distribusi normal yang dinyatakan
dalam satuan simpangan baku.
y
Berarti z sehingga bagian dari populasi yang terletak antara
80 75 90 75
z1 0,5 dan z 2 1,5
10 10
mempunyai luas
P( 80 Y 90) = P( 0,5 Z 1,5)
= P(Z 1,5) P(Z < 0,5)
= 0,3085 0,0668
= 0,2417.
Hal itu berarti terdapat 0,2417 bagian dari populasinya yang mempunyai nilai
tes masuk anatara 80 dan 90.
Soal-soal
1. Jika diketahui variabel random Y mempunyai distribusi N(3,4) maka
tentukan c sehingga
P(Y > c) = 2 P(Y <= c).
2. Tentukan probabilitas variabel random yang berdistribusi normal baku z
yang terletak antara 1,33 dan 1,33.
3. Find the value of z, call it z0, in the standard normal distribution that will
be exceeded only 10 % of the time. That is, find z0 such that P(z z0) =
0.10.
Definisi IV.3
Variabel random kontinu Y berdistribusi Gamma dengan parameter dan
bila fungsi kepadatan probabilitas Y dinyatakan dengan
1
f ( y)
y 1 e y / untuk y > 0,
( )
= 0 untuk y yang lain.
untuk > dan > 0.
Contoh IV.8
Di suatu kota pemakaian air sehari (dalam jutaan liter) dapat dianggap
berdistribusi Gamma dengan = 2 dan = 3 yaitu
1
f ( y) y 2 1 e y / 3 untuk y > 0
3 ( 2)
2
1 21 y / 3
P( Y > 9 ) = 9 9
y e dy
1
= 3 9
(3u ) 21 e u 3 du
= 3
u e u du
= u e u
e u
3
u 1
= - lim [ u
u 3 e 3 e 3 ]
u e e
= 2 e-3
= 0,0996.
Definisi IV.4
Variabel random Y yang berdistribusi Gamma dengan parameter = /2 dan
= 2 dinamakan variabel random chi-kuadrat dengan derajat bebas atau
dinotasikan dengan 2.
Definisi IV.5
Variabel random kontinu Y berdistribusi eksponensial dengan parameter
bila fungsi kepadatan probabilitasnya dinyatakan sebagai
1 y /
f ( y) e untuk y > 0
=0 untuk y yang lain.
Contoh IV.9
Lamanya waktu untuk melayani seseorang di suatu kafetaria
merupakan suatu variabel random berdistribusi eksponensial dengan = 4.
Hal itu berarti fungsi kepadatan probabilitasnya adalah
1 y / 4
f ( y) e untuk y > 0
4
=0 untuk y yang lain.
Probabilitas seseorang akan dilayani dalam kurun waktu kurang dari 3 menit
adalah
3 1 y /4
P( Y < 3 ) = 0 4
e dy
3/ 4 1 u
= 0 4
e 4 du
3/ 4
= 0
e u du
= e u 3 / 4
0
= 1 e-0,75
= 0,5.
Soal-soal
1. Misalkan variabel random X mempunyai distribusi probabilitas :
f(x) = k x3 exp(-x/2) untuk x > 0
= 0 untuk x yang lain.
Tentukan k sehingga f(x) merupakan fungsi probabilitas.
2. The life time (in hours) X of a certain electronic component is random
variable with density function
f(x) = (1/100) exp(-x/100) x > 0
= 0 elsewhere.
Three of the components operate independently in a peace of equipment.
The equipment fails if at least two of components fails. Find the
probability that the equipment operates for at least 200 hours without
failure.
3. Jika variabel random Y mempunyai distribusi probabilitas eksponensial
maka tunjukkan bahwa untuk a > 0 dan b > 0 berlaku
P( Y > a + b | Y > a ) = P( Y > b ).
4. A certain manufacturing plant makes use of a specific bulk product. The
amount of product used in one day can be modeled by an exponential
distribution with = 4 (measured in tons). Find the probability that the
plant will use more than 4 tons on a given day.
y 1 (1 y ) 1
f(y) = untuk 0 y 1
B( , )
= 0 untuk y yang lain
1 ( ) ( )
dengan B(,) = 0
y 1 (1 y ) 1 dy
( )
.
Contoh IV.5
Distributor bensin mempunyai tangki persediaan yang diisi di setiap
Senin. Dalam pengamatan kita tertarik untuk menyelidiki proporsi dari
penjualan bensin dalam seminggu. Setelah penelitian beberapa minggu maka
dapat dibuat model yang merupakan distribusi beta dengan = 4 dan = 2.
Tentukan probabilitas bahwa distributor akan menjual paling sedikit 90%
dari persediaannya dalam minggu yang diberikan.
Penyelesaian
Jika Y menyatakan proporsi dari penjualan selama minggu tersebut maka
( 4 2) 3
f(y) = y (1 y ) untuk 0 y 1
( 4) ( 2)
= 0 untuk y yang lain.
1 1
Berarti P( Y > 0,9 ) = 0,9
f ( y ) dy 0,9
20( y 3 y 4 ) dy
1
y4 y5
= 20
4 5 0,9
= 20 (0,004)
= 0,08.
Hal itu berarti probabilitasnya sangat kecil bahwa 90 % dari persediaan
akan terjual.
Soal-soal:
1. Variabel random Y mempunyai fungsi kepadatan probabilitas dinyatakan
dengan
f(y) = ky3 (1-y)2 untuk 0 y 1,
= 0 yang y lain.
Tentukan k sehingga f(y) merupakan fungsi kepadatan probabilitas.
2. The precentage of impurities per batch in a certain chemical product is a
random variable Y having the density function
f(y) =12 y2 (1-y) for 0 y 1,
= 0 elsewhere.
A batch with more than 40 % impurities cannot be sold. What is the
probability that a randomly selected batch cannot be sold of excessive
impurities ?
3. Variabel random Y mempunyai fungsi kepadatan probabilitas yang
dinyatakan dengan
f(y) = 6 y (1-y) untuk 0 y 1
=0 untuk y yang lain
a. Tentukan F(y).
b. Tentukan gambar f(y) dan F(y).
c. Hitung P( 0,5 Y 0,8 ).
4. The weekly repair cost Y for a certain machine has a probability function
given by
f(y) = 3(1-y)2 for 0 < y < 1
= 0 else where
with measurements in hundreds of dollars.
How much money should be budgeted each for repair costs so that the
actual cost will exceed the budgeted amount only 10% of the time?
***
BAB V
HARGA HARAPAN
Definisi V.1
Jika Y adalah variabel random diskrit dengan fungsi probabilitas f(y)
maka harga harapan dari Y didefinisikan dengan
E[ Y ] y f ( y) .
y
Contoh V.1
Berdasarkan pada Tabel V.1, tentukan harga harapan (mean) variabel
random Y.
y 0 1 2
f(y) 1/10 6/10 3/10
Penyelesaian :
Harga harapan variabel random Y adalah
1 6 3 6 6
E[ Y ] y f ( y ) 0 10 1 10 2 10 10 10 1,2 .
y
Definisi V.2
Jika g(Y) adalah fungsi dari variabel random diskrit Y dengan fungsi
probabilitas f(y) maka harga harapan g(Y) didefinisikan dengan
E[ g (Y )] g ( y ) f ( y ) .
y
Definisi V.3
Variansi variabel random Y didefinisikan sebagai harga harapan dari
variabel random (Y - )2 atau Var(Y) = E[ (Y - )2 ] dengan = E[ Y ].
Simpangan baku dari Y merupakan akar positif dari V(Y). Jika f(y)
adalah karakteristik akurat dari distribusi frekuensi populasi maka mean
populasinya adalah = E[ Y ] dan variansi populasi adalah Var(Y) = 2 serta
simpangan baku populasi adalah .
Contoh V.2
Distribusi probabilitas variabel random Y dinyatakan dalam Tabel V.2.
Tentukan mean,variansi dan deviasi standar.
y 0 1 2 3
f(y) 1/8 2/8 3/8 2/8
Tabel V.2
Penyelesaian :
Harga harapan dari variabel random Y adalah
1 2 3 2 2 6 6 14
E[Y ] y f ( y ) 0 1 2 3 1,75 .
y 8 8 8 8 8 8 8 8
Variansi dari variabel random Y adalah
Var[Y ] ( y ) 2 f ( y )
y
1 2 3 2
= (0 1,75) 2 (1 1,75) 2 (2 1,75) 2 (3 1,75) 2
8 8 8 8
1 2 3 2
= (3,0625) (0,5625) (0,0675) (1,5625)
8 8 8 8
= 0,3828 + 0,1406 + 0,0234 + 0,3906
= 0,9374.
Simpangan baku dari variabel random Y adalah
= (0,9734)0,5 = 0,9682.
Contoh V.3 :
Berdasar pada data Contoh V.2. Tentukan variansi variabel random Y
dengan menggunakan sifat 4.
Penyelesaian :
Karena E[ Y 2 ] y 2 f ( y )
y
1 2 3 2
= (0) 2 (1) 2 (2) 2 (3 ) 2
8 8 8 8
2 12 18
=
8 8 8
= 32/8
= 4
maka Var[ Y ] = E[ Y2 ] - 2 = 4 (1,75)2 = 0,9375.
Contoh V.4 :
Tentukan harga harapan E(Y) dan variansi V(Y) dari distribusi probabilitas
Poisson.
Penyelesaian :
Karena fungsi probabilitas dari variabel random Y yang berdistribusi Poisson
adalah
e
f ( y) y
y!
untuk y = 0, 1, 2, 3, maka
y e
E[ Y ] y f ( y ) y
y y 0 y!
y e
= y
y 1 y!
y e
=
y 1 ( y 1) !
y 1 e
=
y 1 ( y 1) !
z e
=
z 0 z!
= .
Untuk menghitung Var(Y) terlebih dahulu ditentukan
y e
E[Y (Y 1) ] y ( y 1) f ( y ) y ( y 1)
y y0 y!
y e
= y ( y 1)
y2 y!
y e
=
y2 ( y 2) !
y 2 e
= 2
y 2 ( y 2) !
z e
= 2
z 0 z!
= 2
sehingga Var[ Y ] = E[ Y(Y-1) ] + E[ Y ] ( E[ Y ] )2 = 2 + - 2 = .
Soal-soal
1 + 2 + 3 +....+ k = k (k+1)/2
12 + 22 + 32 +....+ k2 = k (k+1)(2k+1)/6
find the mean and varince.
11. Let Y have the probability function . Suppose that there is a number c
such that f(c-y) = f(c+y) for all y. Show that if E(Y) exist then E(Y) = c.
Definisi V.4 :
Harga harapan untuk variabel random kontinu Y adalah
E[ Y ] y f ( y ) dy
Contoh V.5 :
Tentukan harga harapan fungsi kepadatan probabilitas uniform pada
interval (1,2)
Penyelesaian :
2 1
E[ Y ] y dy
1 2 1
1 2
=
2 1 1
y dy
2
1 y2
=
2 1 2
1
1 2 2 1 2
=
2 1 2
1 ( 2 1 ) ( 2 1 )
=
2 1 2
1 2
= .
2
Dengan cara yang sama kita dapat menentukan harga harapan untuk
fungsi variabel random Y.
Definisi V.5 :
Jika g(Y) fungsi dari variabel random Y maka harga harapan g(Y) adalah
E [ g (Y ) ] g ( y ) f ( y ) dy
Jika c konstanta dan g(Y),g1(Y), ... , gk(Y) adalah fungsi dari variabel
random kontinu Y maka berlaku sifat-sifat sebagai berikut :
1. E(c) = c
2. E[ cg(Y) ] = c E[ g(Y) ]
3. E[ g1(Y) + g2(Y) + ..... + gk(Y) ] = E[ g1(Y) + ... + E[gk(Y)]
4. Untuk g(Y) = (Y - )2 maka berlaku sifat
Var(Y) = E[ (Y - )2 ] = E[ Y2 ] - 2 .
Contoh V.6 :
Tentukan variansi Y yang berdistribusi seragam pada interval (1,2).
Penyelesaian:
Fungsi kepadatan probabilitas variabel random Y yang berdistribusi seragam
pada (1,2) adalah
1
f ( y) untuk 1 < y < 2
2 1
sehingga dan
2 1
E[ Y 2 ] y2 dy
1 2 1
1 2
=
2 1 1
y 2 dy
2
1 y3
=
2 1 3
1
1 2 1
3 3
=
2 1 3
1 ( 2 1 ) ( 2 2 2 1 1 2 )
=
2 1 3
( 2 2 2 1 1 2 )
= .
3
Akibatnya
Var[Y] = E[Y2] ( E[Y] )2
2 1 1 2 1
2 2 2
= 2
3 2
2 2 1 1 2 2 1 2 1
2 2 2 2
=
3 4
4 2 4 2 1 4 1 3 2 6 1 2 3 1
2 2 2 2
=
12 12
2 2 2 1 1
2 2
=
12
( 2 1 ) 2
= .
12
Contoh V.7 :
Let the random varible Y be defined as follows. Soppose that Y is the time (in
minutes) during which electrical eqiupment is used at maximum load in a
1 y 3
1500 3000
y3 2
= 1500 y
(1500) 2 3 0 3 1500
Contoh V.8
Tentukan E[ Y ] dan Var[ Y ] jika Y berdistribusi Gamma(,).
Penyelesaian
Karena fungsi kepadatan probabilitas Y adalah
y 1 e y /
f ( y)
( )
maka
y 1 e y /
E[ Y ] y f ( y ) dy y dy
( )
y ( 1) 1 e y /
= ( )
dy
1
=
( )
y 1 e y / dy
1 1
=
1 ( 1) =
1 ( )
( ) ( )
=
dan
y 1 e y /
E[ Y ] y f ( y ) dy y
2 2 2
dy
( )
y ( 2 ) 1 e y /
= ( )
dy
1
=
( )
y 2 e y / dy
1
=
2 ( 2)
( )
1
=
2 ( 1) ( 1)
( )
1
=
2 ( 1) ( )
( )
= 2 2 + 2
sehingga Var(Y) = E(Y2) (E[Y])2 = 2 2 + 2 ( )2.
Soal :
1. Tentukan mean dan variansi dari fungsi uniform pada interval (0,1).
2. Diketahui variabel random Y berdistribusi eksponensial dengan fungsi
kepadatan probabilitas
f(y) = e- y untuk y > 0,
Definisi V.5
Momen ke-i dari variable random Y terhadap titik nol didefinisikan sebagai
E[ Yi ] dan dilambangkan dengan i .
Definisi V.6
Momen ke-i dari variabel random Y terhadap mean Y atau dikenal dengan
momen pusat ke-i dari Y didefinisikan sebagai E[ (Y - )i ] dan dilambangkan
dengan i .
Definisi V.7
Fungsi pembangkit momen m(t) untuk variabel random Y didefinisikan sebagai
E[ etY ].
Catatan
Fungsi pembangkit momen untuk Y ada jika terdapat bilangan positif
konstan b sehingga m(t) berhingga untuk | t | b.
d k m(t )
m (t ) k .
(k )
k
dt t 0
Contoh V.9
Tentukan fungsi pembangkit momen m(t) untuk variabel random yang
berdistribusi Poisson.
Penyelesaian :
y e
E[ e tY ] e ty f ( y ) e ty
y y0 y!
( e t ) y e
=
y0 y!
( e t ) y
= e
y0 y!
= e exp[ e t ]
= exp[ ( e t 1) ] .
Contoh V.10
Gunakan fungsi pembangkit momen m(t) = exp[ ( e t 1) ] untuk menentukan
mean dan variansi dari variabel random Y yang berdistribusi Poisson.
Penyelesaian :
Turunan pertama dari fungsi pembangkit momen m(t) = exp[ ( e t 1) ]
adalah
m(t) = et exp[ ( e t 1) ]
Jika m(t) ada maka distribusi probabilitas f(y) adalah tunggal. Hal itu
berarti bahwa tidak mungkin dua variabel random yang berdistribusi berbeda
mempunyai fungsi pembangkit momen yang sama. Jika fungsi pembangkit
momen dua variabel random Y dan Z adalah sama maka Y dan Z mempunyai
distribusi probabilitas yang sama.
Contoh V.11
Tentukan momen ke-k terhadap titik nol dari variabel random Y yang
mempunyai distribusi seragam pada (0, ).
Penyelesaian
Karena variabel random Y mempunyai distribusi seragam pada (0, ) maka
fungsi pembangkit probabilitasnya adalah
Contoh V.12
Tentukan fungsi pembangkit momen m(t) jika Y berdistribusi Gamma(,).
Penyelesaian
Karena fungsi kepadatan probabilitas Y adalah
y 1 e y /
f ( y)
( )
maka
y 1 e y /
m(t) = E [ e tY ]
e ty f ( y ) dy
0
e ty
( )
dy
1 1
=
( ) 0
y 1 exp[ y t ] dy
1 y
=
( ) 0
y 1 exp[
/(1 t )
] dy
1
= ( )
1 t
( )
1
=
(1 t )
= (1 - t )- untuk t < (1/ )
Contoh V.13
Gunakan hasil pada contoh V.12 untuk mendapatkan rumus k.
Penyelesaian
Contoh V.14
Tentukan fungsi pembangkit momen m(t) untuk variabel random Y yang
berdistribusi seragam pada (0,1). Berdasarkan pada m(t) tentukan mean dan
variansinya.
Penyelesaian
m(t) = E [ e t Y ]
e ty f ( y ) dy
1
= E[ e t Y ] 0
e ty dy
=
1 ty
t
e 1
0
=
1 t
t
e 1
1 t t2 t3
= 1 ...... 1
t 1! 2! 3!
1 t t2 t3
= ......
t 1! 2! 3!
1 t t2
= ...... .
1! 2! 3!
1 2t
Akibatnya m(t) = ...... sehingga E[Y] = m(0) = dan
2! 3!
2 3t 2
m(t) = ......
3! 4!
sehingga E[Y2] = m(0) = 2/6. Diperoleh
Var[Y] = E[Y2] (E[Y])2 = 2/6 ()2 = 1/12.
Contoh V.15
Tentukan fungsi pembangkit momen untuk g(Y) = Y - 5 dengan Y variabel
random yang berdistribusi seragam pada interval (0,1).
Penyelesaian
mg(Y) =
t
e 5 t t
e 1 .
Contoh V.15
Tentukan fungsi pembangkit momen untuk g(Y) = 2Y dengan Y variabel
random yang berdistribusi seragam pada interval (0,1).
Penyelesaian
mg(Y) =
2t
1 2t
e 1 .
Soal-soal
11.Tentukan fungsi pembangkit momen untuk variabel random Y yang
mempunyai fungsi probabilitas
y 0 1 2
f(y) 0,25 0,5 0,25
12. Jika diketahui bahwa m(t) = (1/6) et + (2/6) e2t + (3/6) e3t maka
tentukan E[Y], Var[Y] dan fungsi probabilitas Y.
13. Jika Y mempunyai distribusi Binom(n,p) maka tentukan fungsi
pembangkit momen dari Y.
14. Berdasarkan soal no 1 tentukan E[Y] dan E[Y2] .
15. Consider a random variable Y with the density function
f(y) = k exp[- y2/2] - < y <
a. Find k.
b. Find the moment generating function.
c. Find E[ Y] and Var[ Y] .
***
BAB VI
DISTRIBUSI PROBABILITAS BIVARIAT
Definisi VI.1
Diketahui Y1, Y2 adalah variabe random diskrit .
Distribusi probabilitas bersama untuk y1 dan y2 dinyatakan dengan
p(y1,y2) = P(Y1 = y1, Y2 = y2)
didefinisikan untuk y1, y2 bilangan real .
2) p( y , y
y1 y2
1 2 ) 1.
Contoh VI.1
Dua isi ballpoint dipilih secara random dari sebuah kotak yang berisi tiga
warna biru, dua merah, dan tiga hijau. Apabila Y1 menyatakan banyaknya
ballpoint yang isinya berwarna biru dan Y2 menyatakan banyaknya ballpoint
yang isinya berwarna merah yang terpilih. Tentukan distribusi probabilitas
bersama f(y1,y2) dan P[(y1,y2) A] bila A menyatakan daerah
{ (y1,y2) : y1 + y2 1 }
maka tentukan P(A).
Penyelesaian :
Bila dimiliki ballpoint yang terdiri dari tiga warna biru, dua merah, dan tiga
hijau dan diambil 2 ballpoint maka Y1 yang menyatakan banyaknya ballpoint
yang isinya berwarna biru, mungkin bernilai 0, 1 atau 2 dan Y 2 yang
menyatakan banyaknya ballpoint yang isinya berwarna merah, mungkin
8
28 cara.
2
Bila dari 2 ballpoint yang diambil tidak ada yang berwarna biru maupun yang
berwarna merah maka berarti keduanya berwarna hijau sehingga banyak
cara pengambilan dua ballpoint dari 3 ballpoint yang berwarna hijau adalah
3
3 cara.
2
Hal itu berarti probabilitas 2 ballpoint yang terambil tidak ada yang berwarna
biru maupun yang berwarna merah adalah 3/28. Dengan cara yang sama
dapat disusun tabel distribusi probabilitas untuk variable random (Y1, Y2).
Y2 = 0 Y2 = 1 Y2 = 2
Y1 = 0 3/28 6/28 1/28
Y1 = 1 9/28 6/28 0
Y1 = 2 3/28 0 0
3 2 3
y1 y 2 2 y1 y 2
P( Y1 y1 , Y2 y 2 )
8
2
dengan y1 = 0, 1, 2 dan y2 = 0, 1, 2.
Definisi VI.2
Untuk sebarang variabel random Y1 dan Y2 .
Fungsi distribusi bersama F(a,b) dinyatakan sebagai
F(a,b) = P( Y1 a, Y2 b).
Untuk dua variabel random diskrit Y1 dan Y2 maka F(a,b) berbentuk
F(a,b) = p( y , y
y1 a y2 b
1 2 ) .
Untuk Y1,Y2 variabel random kontinu dengan fungsi distribusi bersama F(a,b).
Jika terdapat fungsi tidak negatif f(a,b) sedemikian hingga untuk sebarang
bilangan real a dan b berlaku
a b
F ( a, b) f ( y1 , y 2 ) dy 2 dy1
b2 a2
b1 a1
f ( y1 , y 2 )dy1 , dy 2
Contoh VI.2
Misalkan diberikan fungsi kepadatan probabilitas bersama :
0 ,5 0 ,5
P( Y1 < 0,5 , Y2 < 0,5) =
0 0
4 y1 y 2 dy1 dy 2
= 0
0 ,5
2 y 2 y1 2 0 ,5
0
dy 2
0 ,5
= 0
0,5 y 2 dy 2
0,5
y2 2
=
4 0
= 1/16.
Contoh VI.3
1/ 2 1 3 y
= 1/ 4 8 2 dy2
1/ 2
y1 3 y 2 2 / 2
=
8 1/ 4
= 3/64.
Contoh VI.4
Suatu sistem elektronik terdiri dari dua komponen yang berbeda yang
beroperasi secara bersama. Misalkan Y1 dan Y2 menyatakan lama hidup dari
komponen tipe I dan tipe II. Fungsi kepadatan probabilitas bersama
dinyatakan dengan
f(y1, y2) = 8 y1 exp[-(y1 + y2)] untuk y1 > 0 ; y2 > 0
Tentukan P(Y1 > 1 , Y2 > 1) .
Penyelesaian
P( Y1 > 1 , Y2 > 1) =
1 1
8 y1 exp[ ( y1 y 2 ) ] dy 2 dy1
= 1
8 y1 exp[ y1 ] dy1 1
exp[ y 2 ] dy 2
dengan
b
1
exp[ y 2 ] dy 2 lim
b 1
exp[ y 2 ] dy 2
lim exp[ y 2 ] 1
b
b
lim e 1 e b
b
= e-1.
b
1
8 y1 exp[ y1 ] dy1 lim
b 1 8 y1 exp[ y1 ] dy1
8 lim 2 e 1 b exp[b] exp[b]
b
= 16 e-1.
E g ( Y1 , Y2 ) g( y , y 1 2 ) f ( y1 , y 2 ) dy1 dy 2 .
y1 y2
Contoh VI.5
Diketahui Y1 dan Y2 mempunyai fungsi kepadatan bersama
f( y1, y2) = 2y1 untuk 0 y1 1 ; 0 y2 1,
=0 untuk yg lain.
Tentukan harga harapan E( Y1 Y2) dan E[ Y1 + Y1 (Y2)2 ].
Penyelesaian :
1 1
E[ Y1 Y2 ] = (y
0 0
1 y 2 ) 2 y1 dy1 dy 2
2 y y
1 3 1
= 2 1 / 3 0 dy 2
0
1
= 0
(2 / 3) y 2 dy 2
1
y2 2
=
3 0
= 1/3.
E[ Y1 + Y1 (Y2)2 ] = E[ Y1 ] + E[ Y1 (Y2)2 ]
1 1 1 1
(y
2
= ( y1 ) 2 y1 dy1 dy 2 + 1 y 2 ) 2 y1 dy1 dy 2
0 0 0 0
2 y 2 y y
1 3 1 1 2 3 1
= 1 /3 0
dy 2 + 2 1 /3 0
dy 2
0 0
1 1
(2 / 3) y
2
= ( 2 / 3) dy 2 + 2 dy 2
0 0
1
2 y2 3
= (2/3) +
9 0
= (2/3) + (2/9)
= 8/9.
dan Cov(Y1 , Y2 ) (y
y2 y1
1 1 ) ( y 2 2 ) f ( y1 , y 2 ) dy1 dy 2 .
Kovariansi akan bernilai positif jika nilai Y1 yang besar berpadanan dengan
nilai Y2 yang besar sedangkan nilai Y1 yang kecil berpadanan dengan nilai Y2
yang kecil. Sebaliknya, kovariansi akan negatif bila nilai Y1 yang kecil
berpadanan dengan nilai Y2 yang besar dan nilai Y1 yang besar berpadanan
dengan nilai Y2 yang kecil. Apabila variabel random Y1 dan Y2 saling bebas
maka kovariansi Y1 dan Y2 akan bernilai nol. Tetapi, dua variabel random
mungkin mempunyai kovariansi nol meskipun variabel random itu tidak
saling bebas.
Teorema VI.1
Jika Y1 dan Y2 adalah variabel random dengan fungsi kepadatan probabilitas
bersama f(y1, y2) maka
Cov(Y1, Y2) = E[ (Y1 - 1) (Y2 - 2) ] = E[Y1 Y2] E(Y1) E(Y2).
Contoh VI.6
Diketahui Y1 dan Y2 mempunyai fungsi kepadatan bersama
f(y1,y 2) = 2y1 untuk 0 y1 1 ; 0 y2 1
Tentukan Cov(Y1, Y2).
Penyelesian :
1 1
E[ Y1] = (y
0 0
1 ) 2 y1 dy1 dy 2
2 y
1 3 1
= 1 /3 0
dy 2
0
1
= 0
( 2 / 3) dy 2
= (2/3) .
1 1
E[ Y2] = (y
0 0
2 ) 2 y1 dy1 dy 2
y
1 2 1
= 1 0
y 2 dy 2
0
2
1 y2
= 0 2
dy 2
= 1/2.
Karena E[ Y1 Y2 ] = 1/3 maka
Cov(Y1, Y2) = E[Y1 Y2] E(Y1) E(Y2)
= 1/3 (2/3) (1/2)
= 0.
Definisi VI.3
Jika Y1 dan Y2 variabel random diskrit bersama dengan fungsi probabilitas
bersama p(y1,y2) maka fungsi probabilitas marginal dari Y1 dan Y2 masing-
masing dinyatakan dengan
p1 ( y1 ) p ( y1 , y 2 )
y2
p1 ( y 2 ) p ( y1 , y 2 )
y1
Definisi VI.4
Jika Y1 dan Y2 variabel random kontinu bersama dengan fungsi kepadatan
probabilitas bersama f(y1,y2) maka fungsi kepadatan probabilitas marginal
untuk Y1 dan Y2 masing-masing dinyatakan dengan :
f 1 ( y1 ) f (y
1 , y 2 ) dy 2
f 2 ( y2 ) f (y
1 , y 2 ) dy 1
Contoh VI.7
Diketahui f(y1, y2) = 2y1 utk 0 y1 1 dan 0 y2 1.
Tentukan sketsa fungsi kepadatan bersama Y1 dan Y2 dan fungsi kepadatan
marginal Y1.
Penyelesian :
Fungsi kepadatan probabilitas marginal Y1 adalah
1
f 1 ( y1 ) 2 y1 dy 2 2 y1
0
untuk 0 y1 1.
Contoh VI.8
Dari suatu kelompok yg terdiri dari 3 republikan, 2 demokrat dan 1
independen dibentuk suatu komite yg terdiri dari 2 orang yang terpilih secara
random. Diketahui Y1 menyatakan banyak Republikan dan Y2 menyatakan
banyak Demokrat pada komite. Tentukan probabilitas bersama dari Y1 dan Y2
dan tentukan distribusi probabilitas marginal Y1 .
Penyelesaian :
Distribusi probabilitas bersama variabel random Y1 dan Y2 dapat
dinyatakan dalam rumus
3 2 1
P( Y1 y1 , Y2 y 2 ) 1
y y 2 2 y1 y 2
6
2
untuk y1 = 0, 1, 2 , y2 = 0, 1, 2 dan 1 y1 + y2 2. Dalam bentuk
tabel hal itu dinyatakan pada tabel.
Y2 = 0 Y2 = 1 Y2 = 2 P(Y1 =
y 1)
Y1 = 0 0 2/15 1/15 3/15
Y1 = 1 3/15 6/15 0 9/15
Y1 = 2 3/15 0 0 3/15
P(Y2 = 6/15 8/15 1/15 1
y 2)
Definisi VI.6
Jika p(y1, y2) menyatakan distribusi probabilitas bersama variabel random
Y1 dan Y2 sedangkan p(y2) menyatakan distribusi probabilitas marginal
variabel Y2 maka distribusi probabilitas bersyarat untuk Y1 bila diberikan
variable Y2 = y2 dinyatakan dengan
p ( y1 , y 2 )
p( y1 | y 2 ) .
p( y 2 )
Contoh VI.9
Tentukan distribusi bersyarat utk Y1 jika diberikan Y2 = 1 yaitu bila diketahui
satu dari dua orang pada komite adalah dari Demokrat, tentukan distribusi
probabilitas bersyarat untuk banyak anggota Republikan yang dipilih untuk
komite tersebut.
Penyelesaian :
p ( 0 , 1) 2 / 15 1
p( 0 |1) .
p ( 1) 8 / 15 4
p ( 1 , 1) 6 / 15 3
p( 1 |1) .
p ( 1) 8 / 15 4
p ( 2 ,1) 0 / 15
p ( 2 |1) 0 .
p (1) 8 / 15
Hal itu berarti jika diketahui satu dari dua orang pada komite dari Demokrat
maka probabilitas tidak ada anggota partai Republik yang terpilih dalam
komite adalah .
Demikian juga, jika diketahui satu dari dua orang pada komite dari Demokrat
maka probabilitas terdapat satu anggota partai Republik yang terpilih dalam
komite adalah 3/4. Akhirnya, jika diketahui satu dari dua orang pada komite
dari Demokrat maka tidak mungkin terdapat dua anggota partai Republik
yang terpilih dalam komite.
Definisi VI.7
Diketahui Y1 dan Y2 adalah variabel random bivariat diskrit. Nilai
harapan bersyarat dari Y1 bila diberikan Y2 = Y2 didefinisikan dengan
E[ Y1 |Y2 y 2 ] y
y1
1 p( y1 | y 2 ) .
Contoh VI.10
Suatu tangki minuman mempunyai kapasitas Y2 yang merupakan
variabel random yaitu banyak persediaan minuman pada pagi hari dan
banyak penjualan Y1 merupakan variabel random. Apabila tidak dilakukan
penambahan persediaan minuman pada tangki tersebut selama hari itu maka
Y1 Y2. Bila Y1 dan Y2 mempunyai fungsi kepadatan probabilitas bersama
f(y1,y2) = 1/2 untuk 0 y1 y2 ; 0 y2 2,
=0 untuk yg lain.
Hal itu berarti bahwa titik (y1,y2) berdistribusi seragam pada daerah segitiga
yang diberikan. Tentukan fungsi kepadatan probabilitas bersyarat dari Y 1 bila
diberikan Y2 = y2. Tentukan nilai harapan bersyarat dari banyak penjualan Y1
bila diberikan Y2 yaitu banyak persediaannya 1 galon .
Penyelesaian :
Untuk menentukan nilai harapan bersyarat terlebih dahulu ditentukan fungsi
kepadatan probabilitas marginal dari variabel Y2 yaitu
1 / 2 dy1 y1 / 2 0 2
y2 y2
y
0 2
untuk 0 y2 2. Akibatnya fungsi kepadatan probabilitas bersyarat dari Y1
bila diberikan Y2 = y2 adalah
f ( y1 , y 2 ) 1/ 2 1
f ( y1 | y 2 )
f ( y2 ) y2 / 2 y2
untuk 0 y1 y2 . Nilai harapan bersyarat dari banyak penjualan bila
diberikan Y2 = 1 adalah
1
E[ Y1 | Y2 1 ] 0
y1 dy1 1 / 2 .
Hal itu berarti bahwa jika banyaknya persediaan minuman pada pagi hari
adalah1 galon maka harapan banyak penjualan selama hari itu adalah
galon.
***
BAB VII
Fungsi Variabel Random
Metode Transformasi
1. Tentukan fungsi invers dari Y = h-1(U).
2. Hitung dy/du.
3. Tentukan f(u) dengan fU(u) = fY(y) |dy/du| dengan y = h-1(u).
Contoh IV.1 :
Dalam proses pemurnian gula menghasilkan 1 ton gula murni tetapi
banyak produksi yang sebenarnya Y merupakan variabel random karena
mesin yang sering macet. Misalkan Y mempunyai fungsi kepadatan
probabilitas
f(y) = 2y untuk 0 y 1,
= 0 untuk y yang lain.
Perusahaan menerima pembayaran rata-rata Rp 300.000,- per ton gula murni
tetapi juga harus mengeluarkan biaya tambahan Rp 100.000,- tiap hari.
Keuntungan harian dinyatakan sebagai U = 3Y - 1 (dalam ratusan ribuan).
Tentukan fungsi kepadatan probabilitas untuk U.
Penyelesaian :
Dengan menggunakan metode fungsi distribusi akan ditentukan
u 1
FU(u) = P( U u) = P(3 Y 1 u) = P ( Y ).
3
Jika u < -1 maka (u + 1)/3 < 0 sehingga FU(u) = P[ Y (u+1)/3 ] = 0. Demikian
juga jika u > 2 maka (u+1)/3 > 1 sehingga FU(u) = P[ Y (u+1)/3 ] = 1.
Akan tetapi jika -1 u 2 maka probabilitas tersebut dapat ditulis sebagai
u 1 ( u 1) / 3
P (Y
3
) = 0
f ( y ) dy
( u 1) / 3
= 0
2 y dy
u 1
2
= .
3
Diperoleh fungsi distribusi dari U adalah
F(u) = 0 untuk u < -1,
u 1
2
= untuk -1 u 2,
3
= 1 untuk u > 2.
Akibatnya fungsi kepadatan probabilitas dari U adalah
dFU (u )
fU(u) = = (2/9) (u + 1) untuk -1 u 2,
dt
= 0 untuk u yang lain.
Contoh VII.2 :
Variabel random Y1 menyatakan proporsi banyaknya cadangan bensin
pada suatu awal minggu dan Y2 banyak penjualan bensin selama minggu
tersebut. Fungsi kepadatan bersama Y1 dan Y2 dinyatakan dengan :
f(y1,y2) = 3y1 untuk 0 y2 y1 1,
= 0 untuk yang lain.
Tunjukkan fungsi kepadatan probabilitas untuk U = Y1 -Y2 yaitu banyaknya
sisa bensin akhir minggu tersebut. Dengan menggunakan fungsi kepadatan
probabilitas U, tentukan E(U).
Penyelesaian :
Daerah asal dari f(y1,y2) dinyatakan pada Gambar VII.1 . Demikian juga pada
gambar tersebut dapat dilihat garis y1 y2 = u untuk u antara 0 dan 1. Perlu
dicatat bahwa sebarang titik (y1,y2) sehingga y1-y2 u akan terletak di atas
garis y1-y2 = u.
Gambar VII.1
Lebih jauh, untuk u < 0 , FU(u) = P(Y1 Y2 u) = 0 dan untuk u > 1, FU(u) = 1.
Untuk 0 u 1, FU(u) = P(Y1 Y2 u) akan sama dengan
FU(u) = P( U u)
= 1 P(U u)
1 y1 u
= 1-
u 0
3 y1 dy 2 dy1
1
= 1 - u
3 y1 ( y1 u ) dy1
1
y13 u y1 2
= 1 - 3
3 2 u
3 u3
= 1 - 1 (u )
2 2
Soal-soal :
1. Diketahui variabel random Y dengan fungsi densitas
f(y) = 2(1-y) untuk 0 y 1
=0 untuk y yang lain.
Tentukan fungsi kepadatan U = 2 Y - 1, dengan menggunakan fungsi
densitas tersebut tentukan E(U).
2. Seorang pengusaha pompa bensin mempunyai permintaan mingguan Y
yang mempunyai fungsi kepadatan
f(y) = y untuk 0 y 1
=1 untuk 1 < y 1,5
=0 untuk y yang lain.
Dalam ukuran ratusan galon. Keuntungan yang didapat pengusaha pompa
bensin adalah U = 10 Y - 4.
Contoh VII.3 :
Berdasar pada contoh VII.1 variabel random Y mempunyai fungsi kepadatan
probabilitas
f(y) = 2y untuk 0 y 1
=0 untuk yang lain.
Bila diketahui variabel random U = 3Y - 1 menyatakan keuntungan maka
tentukan fungsi kepadatan probabilitas U dengan metode transformasi.
Penyelesaian :
Fungsi h(y) = 3y - 1 merupakan fungsi naik dalam y.
Jika u = 3y - 1 maka y = h-1(u)= (u+1)/3 sehingga dy/du = 1/3.
Fungsi kepadatan probabilitas untuk U adalah
fU(u) = fY(y) | dy/du |
= 2y | dy/du |
= [2(u+1)/3].1/3
= (2/9) (u+1) untuk 1 < u < 2,
fU(u) = 0 untuk u yang lain.
Contoh VII.4 :
Diketahui variabel random Y mempunyai fungsi kepadatan probabilitas
f(y) = 2 y untuk 0 < y < 1,
=0 untuk y yang lain.
Tentukan fungsi kepadatan probabilitas untuk U = - 4Y + 3.
Penyelesaian :
Fungsi h(y) = -4y +3 merupakan fungsi turun dalam y.
Jika u = -4y + 3 maka y = h-1(u) = (3-u)/4 , sehingga dy/du = -1/4.
Fungsi kepadatan probabilitas U adalah
fU(u) = f(y) |dy/du|
= 2y |dy/du|
= 2[(3-u)/4] (1/4)
= (3-u)/8 untuk 1 < u < 3
fU(u) = 0 untuk u yang lain
Contoh VII.5 :
Diketahui variabel random Y1 dan Y2 mempunyai fungsi kepadatan bersama
f(y1,y2) = e ( y1 y2 ) untuk 0 y1 ; 0 y2
Contoh VII.6
Jika Y merupakan variabel random kontinu dengan fungsi kepadatan
probabilitas
f(y) = (y + 1)/2 untuk 1 y 1
= 0 untuk y yang lain
maka untuk U = Y2 dapat ditentukan fungsi distribusinya
FU(u) = P( U u)
= P( Y2 u)
= P( - u Y2 u )
= FY(u) FY(-u)
sehingga fungsi kepadatan probabilitasnya adalah
f U (u )
1
2 u
f Y
( u ) fY ( u ) .
1 u 1 u 1 1
f U (u ) untuk 0 u 1,
2 u 2 2 2 u
= 0 untuk u yang lain.
Soal-soal :
3. Penggunaan tepung per hari dari perusahaan roti merupakan variabel
random Y yang mempunyai distribusi eksponensial dengan mean 4 ton.
Biaya pembelian tepung proporsional dengan U = 3Y +1.
a. Tentukan fungsi kepadatan probabilitas U.
b. Tentukan E(U) dengan berdasar pada (a).
4. Proporsi kotoran dalam sampel bijih besi merupakan variabel random Y
dengan fungsi kepadatan
f(y) = (3/2) (y2 + y) untuk 0 y 1
=0 untuk yang lain.
Harga dari sampel random adalah U = 5 - Y/2 (dalam ribuan rupiah).
Tentukan fungsi kepadatan U dengan metode transformasi.
Teorema VII.1
Misalkan variabel random X dan Y masing-masing mempunyai fungsi
pembangkit momen mX(t) dan mY(t). Jika mX(t) = mY(t) untuk semua harga t maka
X dan Y mempunyai distribusi probabilitas yang sama.
Contoh VII.7 :
Misalkan variabel random Y mempunyai distribusi normal dengan mean dan
variansi 2. Dengan menggunakan fungsi pembangkit momen tunjukan bahwa
Y
Z berdistribusi normal dengan mean 0 dan variansi 1.
Penyelesaian :
Karena Y mempunyai fungsi pembangkit momen
m(t) = exp[ t + 2 t2/2 ]
maka Y - mempunyai fungsi pembangkit momen exp[ 2 t2/2 ] sehingga
fungsi pembangkit momen dari Z adalah
mZ(t) = E[ etZ ] = E[ e(t/) (Y-) ]
= mY-(t/ )
= exp[ 2 (t/)2/2 ]
= exp[ t2/2 ].
Dengan membandingkan m(t) dengan fungsi pembangkit momen dari variabel
random normal, maka terlihat bahwa Z berdistribusi normal dengan mean 0
dan variansi 1.
Teorema VII.2
Diketahui Y1,Y2,....,Yn adalah variabel random independen dengan fungsi
pembangkit momen masing-masing mY1(t),mY2(t),..,mYn(t). Jika
U = Y1 + Y2 + ... + Yn
maka
mU(t) = mY1(t) mY2(t) ..... mYn(t) .
Contoh VII.8 :
Jika diketahui Y1,Y2 variabel random independen dan keduanya berdistribusi
N(0,1). Dengan metode fungsi pembangkit momen tentukan distribusi
probabilitas Z = Y1 + Y2 .
Penyelesaian :
Karena Y1 dan Y2 variabel random dengan fungsi kepadatan N(0,1) maka
mY1(t) = mY2(t) = exp[ t2/2 ]
Dengan mengingat variabel random Y1 dan Y2 saling bebas maka fungsi
pembangkit momen Z dapat ditentukan dengan
= mY1(t) mY2(t)
= exp[ t2/2 ] exp[ t2/2 ]
= exp[ 2t2/2 ].
Dengan membandingkan m(t) dengan fungsi pembangkit momen pada variabel
random normal maka Z berdistribusi N(0,2).
Teorema VII.3
Diketahui Y1,Y2, ..... ,Yn variabel random independen yang masing-masing
berdistribusi dengan E(Yi) = i dan Var(Y) = 2i dengan i = 1, 2, ..., n. Bila
didefinisikan U sebagai
U = a1 Y1 + a2 Y2 + ... + an Yn
dengan a1, a2, ... ,an konstanta maka U berdistribusi normal dengan mean
n
E[ U ] = a
i 1
i i
dan variansi
n
a 2i .
2
Var[ U ] = i
i 1
Teorema VII.4 :
Diketahui Y1,Y2, . ,Yn variabel random independen yang masing-masing
berdistribusi normal dengan E(Yi) = i dan Var(Y) = 2i dengan i = 1,2,...,n.
Jika
Yi i
Zi
i
n
Z
2
maka i mempunyai distribusi 2 dengan derajat bebas n.
i 1
SOAL-SOAL
5. Diketahui Y1,Y2,...,Yn variabel random normal dengan mean dan variansi
2 dan saling bebas satu sama lain. Jika a1,a2,..,an konstanta yang
diketahui maka tentukan fungsi kepadatan dari
n
U= a Y .
i 1
i i
***
BAB VIII
Distribusi t dan F
VIII.1 Distribusi t
Y
Apabila Y1, Y2, Yn berdistribusi N(,2) maka mempunyai
/ n
Y
distribusi normal standard N(0,1). Apa yang akan terjadi pada
S/ n
1 n 1 n
dengan S 2 i
n 1 i 1
( Y Y ) 2
dan Y Yi ?
n i 1
Y
Bila n 30, distribusi statistik secara hampiran,
S/ n
berdistribusi sama dengan distribusi normal baku. Bila n < 30,
Y
distribusi tidak lagi berdistribusi normal baku. Misalkan
S/ n
Y
Y / n Z
T
S/ n S /
2 2
V / (n 1)
Y (n 1) S 2
dengan Z ~ N(0,1) dan V = ~ 2(n-1). Bila sampel
/ n 2
Teorema VIII.1
Misalkan Z variabel random N(0,1) dan V variabel random 2 . Bila Z
dan V saling bebas maka distribusi variabel random T bila dinyatakan
Z
dengan T dan fungsi kepadatan probabilitasnya dinyatakan
V /
dengan
2
1
2 t2 2
h(t ) 1 untuk - < t < .
( / 2)
Distribusi ini dinamakan distribusi t dengan derajat bebas .
Teorema VIII.2
Jika T ~ t ( ) maka untuk > 2r berlaku sifat
2 r 1 2r
E[ T 2r
] 2 2 r,
1
2 2
E [ T 2r 1 ] 0 .
untuk r = 1, 2, .. dan untuk > 2 berlaku sifat
V (T ) .
2
Catatan :
Distribusi probabilitas t diperkenalkan pada tahun 1908 dalam suatu
makalah oleh W.S.Gossef, dan pada waktu terbit dia memakai nama samaran
'student' sehingga distribusi t juga dinamakan distribusi student t.
Gambar VIII.1
VIII.2 Distribusi F
Teorema VIII.3
Misalkan U dan V dua variabel random masing-masing berdistribusi chi-
kuadrat dengan derajat bebas 1 dan 2.
U / 1
Fungsi kepadatan probabilitas dari variabel random F dinyatakan
V / 2
dengan
1 / 2
1 2 1
2 2 f ( v1 / 2 1)
h(f) = untuk 0 < f < ,
1 f
( 1 2 ) / 2
1 2 1
2 2 2
=0 untuk f yang lain
Distribusi ini dinamakan distribusi F dengan derajat bebas 1 dan 2.
Teorema VIII.4
Jika Y ~ F ( 1 , 2 ) maka berlaku sifat
2 2 1
r 2 r
2 2
E[ Y ] 1
1 2
2 2
untuk 2 > 2r dan untuk 2 > 2 berlaku
2
E( Y )
2 2
2 2 ( 1 2 2)
2
Teorema VIII.5
Jika F(1,2) untuk bila luas ekor sebesar untuk distribusi F dengan 1 dan
2 maka luas ekor 1 - untuk distribusi F dengan derajat bebas 2 dan 1
adalah
F1-(2,1) = 1/F(1,2)
Contoh VIII.2
Berdasarkan tabel diperoleh bahwa bila luas ekor 0,05 untuk distribusi F
dengan derajat bebas 10 dan 6 adalah 4,06 maka
F0,95(6,10) = 1/F0,05(10,6)
= 1/(4,06)
= 0,246.
(n1 1) S1
2
X1 ~ 2(n11)
2
1
2
dan
(n2 1) S 2
2
X2 ~ 2 (n2 1) .
2
2
2
Teorema VIII.6
Bila S12 dan S22 variansi sampel random ukuran n1 dan n2 yang diambil dari 2
populasi normal, masing-masing dengan variansi 12 dan 22 maka
X 1 / (n1 1)
2
F ~ F (n1 1; n2 1) .
X 2 / (n2 1)
2
Contoh VIII.3
Jika X1, X2, .., Xm adalah sampel random dari distribusi N( 1 , 12 ) dan
Y1, Y2, ., Yn adalah sample random dari distribusi N( 2 , 22 ). Gunakan
distribusi F untuk menentukan interval kepercayaan dari 12/22 .
Penyelesaian :
S /
2 2
Karena 1 2 1 2 ~ F ( 1 , 2 ) maka
S2 / 2
S /
2 2
P [ 12 1 2 F0,95 ( 1 , 2 ) ] 0,95
S2 / 2
S1
2
2
P [ 1 2 ] 0,95 .
F0,95 ( 1 , 2 ) 2
2
S2
Jika m = 16 dan n = 21 maka F 0,95(15, 20) = 2,20 sehingga untuk dua
sampel biasanya dikatakan bahwa kita percaya 95 % bahwa rasio 12/22
lebih besar dari
2
S1
2
.
S 2 F0,95 (15,20)
***
BAB IX
DISTRIBUSI SAMPLING
Definisi IX.1:
Misalkan Y1, Y2, .... , Yn merupakan n variabel random independen yang
masing-masing mempunyai distribusi probabilitas f(y), Y1, Y2, .... , Yn
didefinisikan sebagai sampel random ukuran n dari populasi f(y) dan distribusi
probabilitas bersamanya dinyatakan sebagai
f(y1, y2, ... ,yn) = f(y1) f(y2) ... f(yn).
Contoh IX.1:
Misalkan Y1,Y2, .... ,Yn sampel random berukuran n yang telah diurutkan
menurut besarnya.
1 n
(a) Statistik Y Yi disebut mean sampel
n i 1
1 n
(b) Statistik S 2 (Yi Y ) 2 disebut variansi sampel.
n 1 i 1
X n X n
~ ~ 2 1
2
(c) Statistik X X n 1 untuk n ganjil dan X untuk n genap
2
2
Karena statistik merupakan fungsi dari variabel random yang diambil dari
suatu populasi maka statistik juga merupakan variabel random sehingga
dapat ditentukan distribusi probabilitasnya maupun mean dan variansinya.
Distribusi probabilitas ini kemudian dinamakan distribusi sampling.
Teorema IX.1
Jika diketahui Y1, Y2, ..... , Yn adalah sampel random berukuran n dan
berdistribusi normal dengan mean dan variansi 2 maka
1 n
Y Yi berdistribusi normal dengan mean dan variansi 2/n.
n i 1
Bukti
Karena Y1,Y2, ..... ,Yn adalah sampel random berukuran n dan berdistribusi
normal dengan mean dan variansi 2 maka Yi variabel random berdistribusi
normal dengan E[Yi] = dan var[Yi] = 2, untuk i = 1,2, 3, , n. Lebih jauh
1 n 1 1 1
Y
n i 1
Yi = Y1 Y2 .... Yn
n n n
variansi 2/n .
Jika diketahui Y1,Y2, ..... ,Yn adalah sampel random berukuran n dan
1 n
berdistribusi normal dengan mean dan variansi 2 maka Y Yi
n i 1
Y Y Y
Z n
Y n
mempunyai distribusi normal baku. Hal itu digambarkan dalam contoh
berikut ini.
Contoh IX.2
Suatu mesin minuman dapat diatur sedemikian rupa sehingga banyak
minuman yang dikeluarkan secara hampiran berdistribusi normal dengan
mean 200 ml dan variansi 10 ml2. Secara berkala dilakukan pemeriksaan
mesin dengan mengambil sampel 9 botol dan dihitung mean isinya. Bila mean
1 n
Y Yi kesembilan botol tersebut jatuh pada interval
n i 1
( Y 2 Y , Y 2 Y )
maka mesin dianggap bekerja dengan baik, jika tidak mesin perlu diatur
kembali. Jika mean kesembilan botol tersebut 210 ml, tindakan apa yang
harus dilakukan ?
Penyelesaian :
Jika Y1, Y2, , Y9 menyatakan kandungan minuman per botol maka Yi
berdistribusi normal dengan mean dan variansi 2 = 1 untuk i = 1, 2, .., 9.
1 n
Oleh karena itu Y Yi mempunyai distribusi sampling normal dengan
n i 1
0,3 Y 0,3
= P[ ]
/ n / n / n
0,3 0,3
= P[ Z ]
1/ 9 1/ 9
= P[ - 0,9 Z 0,9 ].
Dengan menggunakan tabel distribusi normal baku diperoleh
P[ - 0,9 Z 0,9 ] = 1 2 P( Z > 0,9 )
= 1 2(0,1841)
= 0,6318.
Hal itu berarti bahwa probabilitasnya hanya 0,63 bahwa sampel akan terletak
dalam 0,3 ons dari mean populasi.
Contoh IX.3
Dengan menggunakan keterangan pada Contoh IX.2 berapa ukuran sampel
yang diperlukan supaya dapat diharapkan bahwa Y terletak dalam 0,3 ons
Y
P[ 0,3 n n 0,3 n ] = P[ 0,3 n Z 0,3 n ] = 0,95.
Dengan menggunakan tabel distribusi normal baku diperoleh bahwa
P[ - 1,96 Z 1,96 ] = 0,95
sehingga 0,3 n = 1,96 atau n = (1,96/0,3)2 = 42,68. Hal itu berarti bahwa
Teorema IX.2
Yi
Jika Y1,Y2, ..... ,Yn didefinisikan seperti pada Teorema IX.1 maka Zi
saling bebas dan mempunyai distribusi normal baku dan
Y
n n 2
Y
n n 2
Contoh IX.3
Jika Z1, Z2, ..... , Z6 sampel random dari distribusi normal baku maka
6
tentukan bilangan b sehingga P( Z
i 1
i b ) = 0,95.
Penyelesaian :
Dengan menggunakan Teorema X.2 diperoleh berdistribusi chi-kuadrat
dengan derajat bebas 6. Berdasarkan tabel distribusi chi-kuadrat dengan
6
derajat bebas 6 maka diperoleh b = 12,5916 yaitu P( Z
i 1
i 12,5916 ) = 0,95
6
atau P( Z
i 1
i 12,5916 ) = 0,05.
1 n
S
2
n 1 i 1
(Yi Y ) 2 .
Teorema IX.2
Diketahui Y1,Y2, ..... ,Yn adalah sampel random dari distribusi normal dengan
n
(Y Y )
i 1
i
2
(n 1) S 2
mean dan variansi 2 maka mempunyai distribusi 2
2 2
dengan derajat kebebasan n-1.
Contoh IX.4
Berdasar pada Contoh IX.2, volume minuman yang diisikan ke dalam botol
dianggap berdistribusi normal dengan variansi 10 ml2. Misalkan direncanakan
unutk mengambil sampel random sebanyak 10 botol dan diukur banyak
volume pada setiap botol. Jika 10 sampel ini digunakan unutk menentukan S2
maka akan berguna untuk menentukan interval (b1, b2) yang memuat S2
dengan probabilitas yang tinggi. Tentukan b1 dan b2 sehingga
P(b1 S2 b2) = 0,90.
Penyelesaian :
Perlu dicatat bahwa
(n 1) b1 (n 1) S 2 (n 1) b2
P(b1 S2 b2) = P .
2 2
2
Soal-soal
1. Bila suatu sampel berukuran 10 diambil dari populasi normal dengan
mean 60 dan deviasi standar 5, tentukan peluang bahwa mean sampel
X
2
misalkan X1,X2,...,X25 tentukan probabilitas bahwa i lebih dari
i 1
1,5.
***
BAB X
TEOREMA LIMIT SENTRAL
Dalam bab terdahulu telah ditunjukkan bahwa apabila Y1, Y2, ... , Yn
menyatakan sampel random dan sebarang distribusi dengan mean dan
Jika sampel random dari populasi normal maka Teorema IX.1 telah
menyatakan bahwa distribusi samplingnya akan normal. Tetapi apakah yang
n (Y ) 1 n
Un
dengan Y Yi maka untuk n , fungsi distribusi Un
n i 1
akan konvergen ke fungsi distribusi normal standar.
Pendekatan normal untuk Y akan cukup baik bila n 30, terlepas dari
bentuk populasi. Bila n < 30 pendekatan tersebut akan baik bila populasinya
tidak jauh dari normal. Bila populasinya berdistribusi normal maka distribusi
Contoh X.1
Diketahui populasi yang berdistribusi uniform diskrit
f(y) = 1/4 untuk y = 0, 1, 2, 3
=0 untuk y yang lain
Y Y ( 3 / 2)
~ N (0,1)
/ n 5 / 2 / 36
dan
Y Y ( 3 / 2)
~ N (0,1) .
/ n 5 / 12
Probabilitas mean sampel lebih besar 1,4 tetapi lebih kecil dari 1,8 adalah
P 1,4 Y 1,8 P
1,4 1,5 Y 1,5 1,8 1,5
5 / 12 5 / 12 5 / 12
= P[- 0.0037 Z 0.0112 ]
= 0.0059.
Teorema X.2
Bila Y variabel random binomial dengan mean = np dan variansi 2 =
Y np
npq dengan q = 1 p maka bentuk limit distribusi Z adalah normal
npq
standar bila n .
Contoh X.2
Suatu proses menghasilkan sejumlah barang yang 10% cacat, bila 100 barang
diambil secara random dari proses tersebut. Tentukan probabilitas bahwa
banyak yang cacat melebihi 13.
Penyelesaian
Banyak yang cacat berdistribusi binomial dengan parameter n = 100 dan p =
0,1. Karena ukuran sampel besar maka mestinya pendekatan normal akan
memberikan hasil yang cukup teliti dengan
= np = (100)(0,1) = 10,
= (npq) = [(100)(0,1)(0,9)] = 3,0.
Untuk mendapatkan probabilitas yang ditanyakan harus dicari luas
sebelah kanan y = 13,5. Harga z yang sesuai dengan 1,35 adalah
z = (13,5-10)/3 = 1,167.
Probabilitas banyak cacat melebihi 13 adalah
100
P(Y > 13) = B( y ;100 ; 0,1)
y 14
Contoh X.3
Suatu ujian pilihan ganda terdiri dari 200 soal dan masing-masing soal
mempunyai 4 pilihan jawaban dengan hanya satu jawaban yang benar. Dari
200 soal tersebut seorang siswa tidak dapat menjawab 80 soal sehingga ia
Contoh X.4
Misalkan variabel random Y mempunyai distribusi binomial dengan n = 25
dan p = 0,4. Tentukan probabilitas eksak bahwa Y 8 dan Y = 8 dan
bandingkan hasilnya dengan metode pendekatan normal.
Penyelesaian :
Berdasarkan pada tabel binomial dengan n = 25 dan p = 0,4 maka
P(Y 8) = 0,274
dan
P(Y = 8) = P(Y 8) - P(Y 7)
= 0,274 - 0,154
= 0,120.
Untuk pendekatan normal maka U = Y/n akan mendekati distribusi normal
dengan mean p dan variansi p(1-p)/n. Dengan cara yang sama maka dapat
dipilih bahwa Y akan mendekati distribusi normal W dengan mean np dan
variansi np(1-p). Untuk menentukan P(Y 8) dengan berdasarkan pada kurva
normal maka didapat
P(Y 8) = P(W 8,5)
= P(W - np/[np(1-p)] 8,5 - 10/[25(0,4)(0,6)])
= P(Z - 0,61)
= 0,2709.
Untuk menentukan pendekatan normal terhadap probabilitas Binomial P(Y =
8) ditentukan area di bawah kurva normal antara titik 7,5 dan 8,5. Karena Y
mempunyai distribusi yang sama dengan W yang berdistribusi normal dengan
mean
np = 25(0,40) = 10
dan variansi np(1-p) = 6 maka
P(Y = 8) ( P(7,5 W 8,5)
= P( (7,5 10)/6 (W 10)/ 6 (8,5 10)/6 )
= P(-1,02 Z -0,61)
= P(Z - 0,61) - P(Z < -1,02)
= 0,2709 - 0,1539
= 0,1170.
Terlihat bahwa pendekatan normal untuk P(Y = 8) cukup dekat dengan
perhitungan eksak yaitu 0,1198.
Soal-soal
1. Dalam ujian pilihan ganda tersedia 100 pertanyaan dengan 5 alternatif
jawaban untuk setiap pertanyaan dan hanya ada satu jawaban yang benar.
Berapakah probabilitas bahwa peserta ujian yang tidak tahu apa-apa akan
lulus ujian bila batas kelulusan minimal 55 jawaban benar.
2. Diketahui hanya 5% mahasiswa di kota Salatiga yang mempunyai IQ = 130
atau lebih. Jika diambil sampel random sebanyak 50 mahasiswa di
Salatiga. Tentukan P( Y = 10 ) dan P(Y 12) dengan menggunakan
pendekatan normal.
DAFTAR PUSTAKA
Bain, L. J and Engelhardt, 1992, Introduction to Probability and Mathematical Statistics 2nd
Edition, Buxbury Thomson Learning, Pasific Grove.
Godlphin, J, 2007, Lecture Notes on Mathematical Statistics,
Roussas, G. G. , 1973, A first course in Mathematical Statistics, Addison-Wesley Publishing
Company, Reading Massachusetts
Larsen, R. J. and M. L. Moris, 2006, Introduction to Mathematical Statistics and Its Applications
4th Edition, Pearson Education