Anda di halaman 1dari 202

DAFTAR ISI

DAFTAR ISI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . i
DAFTAR GAMBAR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . iii
DAFTAR TABEL. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . iv
KATA PENGANTAR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . v

Bab 1 Peluang dan Distribusi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1


1.1 Capaian Pembelajaran . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Percobaan Acak . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.3 Teori Himpunan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.4 Fungsi Himpunan Peluang . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.5 Peluang Bersyarat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.6 Variabel Acak . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.7 Ekspektasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
1.8 Ketaksamaan dalam Peluang . . . . . . . . . . . . . . . . . . . . . . . 47
Bab 2 Distribusi Multivariat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
2.1 Capaian Pembelajaran . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
2.2 Distribusi Bivariat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
2.3 Transformasi Variabel Acak Bivariat . . . . . . . . . . . . . . . . 63
2.4 Distribusi Bersyarat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
2.5 Koefisien Korelasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
2.6 Variabel Acak Independen . . . . . . . . . . . . . . . . . . . . . . . . . 88
2.7 Distribusi Multivariat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
2.8 Transformasi Vektor Acak . . . . . . . . . . . . . . . . . . . . . . . . . 101
2.9 Kombinasi Linier dari Variabel Acak . . . . . . . . . . . . . . . . 106
Bab 3 Beberapa Distribusi Khusus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
3.1 Capaian Pembelajaran . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
3.2 Distribusi Binomial dan Distribusi Terkait Binomial . . 111
3.3 Distribusi Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
3.4 Distribusi Gamma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
3.5 Distribusi Normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
3.6 Distribusi t dan Distribusi F . . . . . . . . . . . . . . . . . . . . . . . 161
Bab 4 Teorema Limit Pusat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 175
4.1 Capaian Pembelajaran . . . . . . . . . . . . . . . . . . . . . . . . . . . . 175
4.2 Sampel Acak, Statistik, dan Estimator . . . . . . . . . . . . . . 175
4.3 Konvergen dalam Peluang . . . . . . . . . . . . . . . . . . . . . . . . . 178
4.4 Konvergen dalam Distribusi . . . . . . . . . . . . . . . . . . . . . . . 183

i
4.5 Teorema Limit Pusat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 191
DAFTAR PUSTAKA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 196

ii
DAFTAR GAMBAR

Gambar 2.1 Ilustrasi daerah {Z = X + Y z} pada Contoh


2.3.2, (a) jika z < 0, (b) jika z 2, (c) jika 0
z < 1, dan (d) jika 1 z < 2. Gambar (e) adalah
komplemen daerah pada kasus 1 z < 2. . . . . . . . . 65
Gambar 2.2 Plot fungsi distribusi F (z) dan fungsi densitas
f (z) pada Contoh 2.3.2 . . . . . . . . . . . . . . . . . . . . . . . 67
Gambar 2.3 Ruang untuk (X1 , X2 ) atau DX pada Contoh
2.3.3 yang ditransformasi menjadi ruang untuk
(X1 , X2 ) atau DY . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
Gambar 2.4 Plot sampel data yang diambil dari variabel acak
X dan Y untuk tiga nilai korelasi = 0, 918, =
0, 915, dan = 0, 019. . . . . . . . . . . . . . . . . . . . . . . . 85

Gambar 3.1 Beberapa bentuk kurva distribusi gamma dengan


parameter a dan b . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
2
Gambar 3.2 Kurva g(z) = ez /2 yang dibatasi kurva h(z) =
e|z|+1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
Gambar 3.3 Kurva fungsi densitas N (, 2 ) . . . . . . . . . . . . . . . . . 149
Gambar 3.4 Nilai = (z ) = P (Z z ) adalah luas daerah
di bawah kurva normal standar yang terletak di
sebelah kiri garis z = z . . . . . . . . . . . . . . . . . . . . . . 151
Gambar 3.5 Luas daerah kurva normal yang berjarak 2 dari
kiri dan kanan mean . . . . . . . . . . . . . . . . . . . . . . . . 152
Gambar 3.6 Perbandingan kurva distribusi t(1) dengan kurva
normal standar (kiri) dan bentuk kurva distribusi
t(r) yang mendekati distribusi N (0, 1) ketika
derajat bebas r > 30 (kanan). . . . . . . . . . . . . . . . . . . 163
Gambar 3.7 Kurva distribusi F (10, 2) (kiri) dan kurva
distribusi F (10, r2 ) untuk r2 = 1, 2, . . . , 16 (kanan). 166

iii
DAFTAR TABEL

Tabel 1.1 PMF dan MGF dari distribusi diskrit . . . . . . . . . . . . . . 41


Tabel 1.2 PDF dan MGF dari distribusi kontinu . . . . . . . . . . . . . 41

Tabel 2.1 Fungsi densitas (PDF/PMF) dan MGF dari


beberapa distribusi diskrit dan kontinu. . . . . . . . . . . . . 71

iv
KATA PENGANTAR

Puji syukur kami panjatkan ke hadirat Allah SWT yang telah melimpahkan
rahmat dan hidayah-Nya sehingga penulis dapat menyelesaikan buku ajar
berjudul Pengantar Teori Peluang. Buku ini ditujukan sebagai referensi
pelengkap untuk mata kuliah Teori Peluang yang merupakan mata kuliah
wajib di Program Studi Matematika FMIPA Unsoed untuk tingkat S1.
Diharapkan pembaca yang mempelajari buku ini pernah mengambil mata
kuliah Kalkulus Peubah Banyak dan Statistika Elementer.

Materi yang dibahas pada buku ini meliputi empat pokok bahasan yaitu: (1)
Peluang dan Distribusi (konsep peluang, peluang bersyarat, variabel acak,
fungsi densitas, fungsi distribusi kumulatif, transformasi, dan ekspektasi);
(2) Distribusi Multivariat (distribusi bivariat, distribusi bersyarat dan
ekspektasi bersyarat, koefisien korelasi, sifat independen, dan perluasan
untuk beberapa variabel acak); (3) Beberapa Distribusi Khusus (penge-
nalan distribusi diskrit seperti distribusi binomial, distribusi Poisson, dan
distribusi kontinu seperti distribusi gamma, distribusi khi kuadrat, distribusi
normal, distribusi t, dan distribusi F); dan (4) Distribusi Limit (konsep
konvergen dalam peluang, konvergen dalam distribusi, dan teorema limit
pusat). Buku utama yang diacu pada buku ini adalah (Hogg dkk., 2013),
sedangkan buku pendukung yang digunakan adalah (Wackerly dkk., 2008),
(Bain dan Engelhardt, 2000) dan (Crawley, 2013).

Penulis menyadari bahwa buku ajar ini masih jauh dari sempurna, oleh
karena itu kritik dan saran yang bersifat membangun sangat diharapkan
demi kesempurnaan buku ini. Akhirnya penulis berharap semoga buku ini
dapat bermanfaat bagi bagi semua pembaca.

Purwokerto, Oktober 2015

Penulis

v
Bab 1 Peluang dan Distribusi

1.1 Capaian Pembelajaran


Setelah mempelajari materi di Bab I, mahasiswa mampu:

1. Menggunakan definisi peluang dan sifat-sifatnya untuk menghitung


peluang suatu kejadian.
2. Menggunakan prinsip dasar peluang bersyarat, hukum peluang total,
dan teorema Bayes untuk menghitung peluang suatu peristiwa yang
bersyarat pada peristiwa lainnya.
3. Menjelaskan distribusi variabel acak yang direpresentasikan dalam
bentuk fungsi distribusi ataupun dalam bentuk fungsi peluangnya,
baik untuk kasus diskrit (fungsi massa peluang) maupun kasus kontinu
(fungsi densitas peluang).
4. Menentukan distribusi dari fungsi variabel acak dengan menggunakan
teknik fungsi distribusi dan teknik transformasi.
5. Menggunakan definisi ekspektasi dan sifat-sifatnya untuk menentukan
besaran-besaran yang terkait dengan momen suatu variabel acak
seperti mean, variansi, dan fungsi pembangkit momen.
6. Menentukan distribusi variabel acak dengan menggunakan teknik
fungsi pembangkit momen.
7. Menentukan distribusi gabungan dan distribusi marjinal dari fungsi
dua variabel acak dengan menggunakan teknik perubahan variabel,
teknik fungsi distribusi, teknik transformasi, dan teknik fungsi
pembangkit momen.

1.2 Percobaan Acak

Percobaan acak adalah suatu percobaan dengan ciri-ciri:


1. Hasil yang keluar tidak dapat diprediksi

1
Nunung Nurhayati Pengantar Teori Peluang

2. Semua hasil yang mungkin terjadi dari percobaan tersebut diketahui


sebelum percobaan.
3. Percobaan dapat diulang pada kondisi yang sama.
Selanjutnya, semua hasil yang mungkin dari suatu percobaan acak disebut
ruang sampel dan subset dari ruang sampel disebut peristiwa (event).

Peluang sebagai pendekatan frekuensi relatif. Misal C menyatakan


ruang sampel dari suatu percobaan acak dan E menyatakan subset dari C.
Jika dari N pengulangan percobaan acak, diperoleh f kali peristiwa E, maka
f /N disebut frekuensi relatif terjadinya peristiwa E dalam N percobaan.
Jika pengulangan diperbanyak (N diperbesar) dan nilai frekuensi relatif
semakin dekat ke suatu nilai, misal p, atau,
f
p
N
maka p disebut peluang (probability) terjadinya peristiwa E atau
ukuran peluang (probability measure) dari peristiwa E. Selain sebagai
pendekatan terhadap frekuensi relatif, peluang juga dapat diartikan sebagai
derajat/ukuran kepercayaan seseorang terhadap suatu peristiwa.

Untuk mengkonstruksi model-model matematis dari suatu percobaan acak


diperlukan teori peluang. Kajian matematika yang menjadi dasar untuk
teori peluang adalah konsep himpunan dan fungsi himpunan.

1.3 Teori Himpunan


Himpunan adalah kumpulan objek-objek yang terdefinisi dengan jelas.
Suatu objek x dikatakan elemen dari himpunan A, dinotasikan x A,
jika objek tersebut dimiliki oleh A.

Himpunan terhitung. Himpunan A dikatakan terhitung (countable)


jika A berhingga atau jika terdapat fungsi satu-satu dari A ke himpunan
bilangan asli N. Sebagai contoh, himpunan A1 = {1, 2, . . . , 100} atau
A2 = {1, 3, 5, . . .} adalah himpunan terhitung namun interval (0, 1] tidak
terhitung.

Subset. Himpunan A1 dikatakan subset dari A2 jika semua elemen dari


A1 juga elemen dari A2 . Dengan kata lain, jika x A1 maka x A2 .
Jika A1 A2 dan A2 A1 , maka himpunan A1 = A2 . Dengan kata lain,
himpunan A1 dan A2 mempunyai elemen-elemen yang sama.

Jika suatu himpunan mempunyai banyak elemen berhingga, misal n buah,


maka banyak subsetnya adalah 2n , dan jika banyak elemennya tak berhingga

2
Nunung Nurhayati Pengantar Teori Peluang

maka banyak subsetnya juga tak berhingga. Sebagai contoh, subset dari
himpunan A1 = {0, 1} ada 4 yaitu atau {0} atau {1} atau {0, 1}. Tetapi,
subset dari interval (0, 1] tak terhingga banyaknya. Subset dari interval
(0, 1] dapat berupa himpunan kosong, himpunan singleton, himpunan titik-
titik yang terhitung, atau berupa interval, atau gabungan titik dan interval,
atau koleksi interval-interval, atau gabungan koleksi interval-interval dan
himpunan titik-titik yang terhitung.

Gabungan terhitung (countable union). Gabungan terhitung dari


himpunan-himpunan A1 , A2 , A3 , . . . yang dinotasikan dengan

[
A1 A2 A3 . . . = Aj (1.3.1)
j=1

adalah himpunan semua elemen-elemen yang dimiliki sedikitnya oleh satu


himpunan Aj , j = 1, 2, . . . .

Dengan kata lain, jika x


S
j=1 Aj maka terdapat paling sedikit satu Aj
sehingga x Aj , j = 1, 2, . . . . Jika banyaknya himpunan yang digabungkan
berhingga misalnya k himpunan, maka ditulis
k
[
A1 A2 A3 . . . Ak = Aj . (1.3.2)
j=1

Contoh 1.3.1. Jika


 
1
Aj = x : x1 , j = 1, 2, 3, . . .
j+1

maka

[
Aj = {x : 0 < x 1}. 
j=1

Irisan terhitung (countable intersection). Irisan terhitung dari


himpunan-himpunan A1 , A2 , A3 , . . . yang dinotasikan dengan

\
A1 A2 A3 . . . = Aj , (1.3.3)
j=1

adalah himpunan semua elemen-elemen yang berada pada setiap himpunan


Aj , j = 1, 2, . . . , k. Dengan kata lain, jika x
T
j=1 j maka x Aj untuk
A
setiap j = 1, 2, . . . . Jika banyaknya himpunan yang digabungkan berhingga

3
Nunung Nurhayati Pengantar Teori Peluang

misalnya k himpunan, maka


k
\
A1 A2 A3 . . . Ak = Aj . (1.3.4)
j=1

Contoh 1.3.2. Jika


 
1
Aj = x:0<x< , j = 1, 2, 3, . . .
j

maka

\
Aj = . 
j=1

Hukum DeMorgan. Misal U himpunan semesta,A1 U, dan A1 U,


maka
(A1 A2 )c = Ac1 Ac2 dan (A1 A2 )c = Ac1 Ac2

Hukum DeMorgan juga dapat diperluas untuk himpunan-himpunan yang


banyaknya berhingga atau tak berhingga.

Koleksi himpunan dan fungsi Himpunan. Koleksi himpunan


adalah himpunan yang berisi himpunan-himpunan. Fungsi yang memetakan
koleksi himpunan pada himpunan bilangan riil disebut fungsi himpunan
(set function).

Contoh 1.3.3. Misal A himpunan di ruang berdimensi dua dan Q(A)


fungsi himpunan yang didefinisikan sebagai luas A jika A mempunyai luas
yang berhingga, dan tidak terdefinisi jika luas A tak berhingga. Berarti,
jika A = {(x, y) : x2 + y 2 1} maka Q(A) = ; jika A = {(x, y) : 0 x, 0
y, x + y 1} maka Q(A) = 21 ; dan jika A = {(x, y) : x2 + y 2 1} maka
Q(A) tidak terdefinisi. 

Notasi integral dan jumlah Berikut beberapa notasi yang berkaitan


dengan fungsi himpunan. Simbol
Z
f (x)dx
A

4
Nunung Nurhayati Pengantar Teori Peluang

berarti integral Rieman dari f (x) sepanjang himpunan A pada ruang berdi-
mensi satu. Simbol Z Z
g(x, y)dxdy
A

berarti integral dari g(x, y) atas himpunan A di ruang berdimensi dua.


Simbol X
f (x)
A

berarti penjumlahan dilakukan untuk semua x A. Simbol


XX
g(x, y)
A

berarti penjumlahan dilakukan untuk semua (x, y) A.

Contoh
P 1.3.4. Misal A himpunan di ruang berdimensi satu dan Q(A) =
A f (x) dengan  1 x
( 2 ) , x = 1, 2, 3
f (x) =
0, x lainnya
Jika A = {x : 0 x 3} maka

Q(A) = 1
2 + ( 12 )2 + ( 12 )3 = 87 . 

Contoh 1.3.5. Misal A himpunan di ruang berdimensi satu dan Q(A) =


P
A f (x) dengan
 x
p (1 p)1x , x = 0, 1
f (x) =
0, x lainnya

Jika A = {0} maka


0
X
Q(A) = px (1 p)1x = 1 p. 
x=0

Contoh 1.3.6. Misal A himpunan di ruang berdimensi satu dan


Z
Q(A) = ex dx
A

5
Nunung Nurhayati Pengantar Teori Peluang

Jika A = {x : 0 x < } maka


Z
Q(A) = ex = 1;
0

jika A = {x : 1 x 2} maka
Z 2
Q(A) = ex dx = e1 e2 ;
1

jika A1 = {x : 0 x 1} dan A2 = {x : 1 < x 3} maka


Z 3
Q(A1 A2 ) = ex dx
0
Z 1 Z 3
x
= e dx + ex dx
0 1
= Q(A1 ) + Q(A2 );

jika A = A1 A2 , dengan A1 = {x : 0 x 2} dan A2 = {x : 1 x 3}


maka
Z 3
Q(A1 A2 ) = ex dx
0
Z 2 Z 3 Z 2
x x
= e dx + e dx ex dx
0 1 1
= Q(A1 ) + Q(A2 ) Q(A1 A2 ). 

Contoh 1.3.7. Misal A himpunan di ruang berdimensi n dan


Z Z
Q(A) = . . . dx1 dx2 . . . dxn
A

Jika A = {(x1 , x2 , . . . , xn : 0 x1 x2 . . . xn 1)} maka


Z 1 Z xn Z x3 Z x2
Q(A) = dx1 dx2 dxn1 dxn
0 0 0 0
1
= ,
n!
dengan n! = n(n 1) 3 2 1. 

6
Nunung Nurhayati Pengantar Teori Peluang

Latihan 1.2

1. Tentukan A1 A2 , dan A1 A2 jika


(a) A1 = {x : 0 < x < 2}, A2 = {x : 1 x < 3}
(b) A1 = {(x, y) : 0 < x < 2, 1 < y < 2} dan A2 = {(x, y) : 1 < x <
3, 1 < y < 3}.

2. Barisan himpunan A1 , A2 , . . . , dikatakan barisan tak turun atau


nondecreasing sequence jika Ak Ak+1 , k = 1, 2, 3, . . . . Berikan contoh
barisan himpunan yang tak turun.

3. Barisan himpunan A1 , A2 , . . . , dikatakan barisan tak naik atau


nonincreasing sequence jika Ak Ak+1 , k = 1, 2, 3, . . . . Berikan contoh
barisan himpunan yang tak naik.

4. Misal A1 , A2 , . . . , barisan himpunan yang tak turun atau Ak


Ak+1 , k = 1, 2, 3, . . . . Maka limk Ak didefinisikan sebagai gabungan

[
lim Ak = Ak = A1 A2 A3 . . . .
k
k=1

Tentukan limk Ak jika


(a) Ak = {x : 1/k x 3 1/k}, k = 1, 2, 3, . . .
(b) Ak = {(x, y) : 1/k x2 + y 2 4 1/k}, k = 1, 2, 3, . . .

5. Misal A1 , A2 , . . . , barisan himpunan yang tak naik atau Ak


Ak+1 , k = 1, 2, 3, . . . . Maka limk Ak didefinisikan sebagai gabungan

\
lim Ak = Ak = A1 A2 A3 . . . .
k
k=1

Tentukan limk Ak jika


(a) Ak = {x : 2 1/k < x 2}, k = 1, 2, 3, . . .
(b) Ak = {x : 2 < x 2 + 1/k}, k = 1, 2, 3, . . .
(c) Ak = {(x, y) : 0 x2 + y 2 1/k}, k = 1, 2, 3, . . .

6. P
Untuk setiap himpunan A berdimensi satu, didefinsikan fungsi Q(A) =
2 1 x
A f (x), dengan f (x) = ( 3 )( 3 ) , x = 0, 1, 2, . . . , dan 0 untuk x
lainnya. Jika A1 = {x : x = 0, 1, 2, 3} dan A2 = {x : x = 0, 1, 2, . . .},
tentukan Q(A1 ) dan Q(A2 ).

7
Nunung Nurhayati Pengantar Teori Peluang

(Petunjuk: Ingat bahwa Sn = a + ar + . . . + arn1 = a(1 rn )/(1 r),


sehingga limn Sn = a/(1 r) asalkan |r| < 1.)

7. RUntuk setiap himpunan A berdimensi satu, didefinsikan fungsi Q(A) =


A f (x)dx, dengan f (x) = 6x(1x), 0 < x < 1, dan 0 untuk x lainnya.
Jika A1 = {x : 14 < x < 34 }, A2 = 21 , dan A3 = {x : 0 < x < 10},
tentukan Q(A1 ), Q(A2 ), dan Q(A3 ).

8. Untuk setiap himpunanR A R berdimensi dua yang termuat di R2 , didefin-


2 2
sikan fungsi Q(A) = A (x + y )dx dy. Jika A1 = {(x, y) : 1
x 1, 1 y 1}, A2 = {(x, y) : 1 x = y 1}, dan
A3 = {(x, y) : x2 + y 2 1}, tentukan Q(A1 ), Q(A2 ), dan Q(A3 ).

9. Misal U himpunan titik-titik pada bujursangkar yang dibentuk oleh


R 1). Misalkan pula untuk setiap A U
titik bersebrangan (0, 0) danR(1,
didefinisikan fungsi Q(A) = A dy dx, tentukan Q(A) jika

(a) A = {(x, y) : 0 < x < y < 1}.


(b) A = {(x, y) : 0 < x = y < 1}.
(c) A = {(x, y) : 0 < x/2 y 3x/2 < 1}.

1.4 Fungsi Himpunan Peluang


Telah disebutkan sebelumnya bahwa, peristiwa merupakan subset dari ruang
sampel. Peristiwa ini dapat saja berupa himpunan-himpunan singleton,
atau mungkin juga berupa komplemen dari peristiwa lainnya, atau gabun-
gan/irisan dari peristiwa-peristiwa yang lain, yang merupakan subset
dari ruang sampel. Supaya semua kombinasi peristiwa-peristiwa tersebut
terkumpul dalam suatu himpunan, sedemikian sehingga peluang dapat
terdefinisi baik, diperlukan koleksi himpunan yang dinamakan lapangan-
, yang dibangun dari ruang sampel. Suatu koleksi himpunan dikatakan
lapangan- jika koleksi himpunan tersebut tidak kosong, tertutup terhadap
operasi komplemen, dan tertutup terhadap operasi gabungan terhitung.
Contoh lapangan-, misalnya power set dari suatu himpunan berhingga.
Secara formal, lapangan- didefinisikan sebagai berikut:

Definisi 1.4.1 (Lapangan-). Misalkan F koleksi subset-subset dari


himpunan C. Koleksi himpunan F dikatakan lapangan- (-field) jika
1. F, (F tidak kosong)
2. Jika E F maka E c F, (F tertutup terhadap operasi komplemen).

8
Nunung Nurhayati Pengantar Teori Peluang

3. Jika E1 , E2 , . . . barisan himpunan di F maka



[
Ei F
i=1

(F tertutup terhadap operasi gabungan terhitung).

Syarat (1) dan (2) mengakibatkan bahwa lapangan- selalu memuat


dan C. Karena pada himpunan berlaku hukum DeMorgan maka syarat (2)
dan (3) mengakibatkan bahwa selain tertutup terhadap operasi gabungan
terhitung, lapangan- juga tertutup terhadap operasi irisan terhitung.

Definisi 1.4.2 (Peluang/Probability). Misal C ruang sampel dan F


lapangan- pada C. Fungsi himpunan P yang terdefinisi di F dikatakan
fungsi himpunan peluang jika memenuhi 3 syarat berikut:
1. P (E) 0 untuk setiap E F.
2. P (C) = 1
3. Jika E1 , E2 , . . . barisan himpunan di F dan Ei Ej = (disjoin/saling
lepas) maka

!
[ X
P Ei = P (Ei ).
i=1 i=1

Selanjutnya, kata himpunan seringkali dihilangkan sehingga notasi


P melambangkan fungsi peluang. Fungsi peluang menggambarkan
bagaimana peluang tersebar (terdistribusi) atas himpunan peristiwa-
peristiwa yang membentuk F.

Sifat-sifat peluang. Dari definisi peluang dan sifat-sifat himpunan


dapat dibuktikan bahwa peluang mempunyai sifat-sifat sebagai berikut:
1. Untuk setiap E F, P (E) = 1 P (E c ).
2. Peluang himpunan kosong adalah 0, P () = 0.
3. Jika E1 dan E2 dua peristiwa sehingga E1 E2 maka P (E1 ) P (E2 ).
4. Untuk setiap E F, 0 P (E) 1.
5. Jika E1 dan E2 dua peristiwa dari C maka

P (E1 E2 ) = P (E1 ) + P (E2 ) P (E1 E2 )

9
Nunung Nurhayati Pengantar Teori Peluang

Rumus inklusi-eksklusi. Sifat (5) dapat diperluas untuk kasus 3


peristiwa, yaitu
P (E1 E2 E3 ) = p1 p2 + p3
dengan

p1 = P (E1 ) + P (E2 ) + P (E3 )


p2 = P (E1 E2 ) + P (E1 E3 ) + P (E2 E3 )
p3 = P (E1 E2 E3 )

Perumuman sifat (5) untuk kasus k peristiwa disebut rumus inklusi-


eksklusi, yaitu

P (E1 E2 Ek ) = p1 p2 + p3 + (1)k+1 pk
k
X
= (1)i+1 pi
i=1

dengan pi adalah penjumlahan peluang semua irisan yang mungkin dari i


peristiwa yang terlibat.

Contoh 1.4.1. Dua koin dilantunkan sehingga hasil percobaan ini


merupakan pasangan permukaan koin pertama dan kedua. Jika M
menyatakan bagian muka koin dan B bagian belakang koin, ruang
sampel dapat dinyatakan sebagai C = {M M, M B, BM, BB}. Misal fungsi
himpunan peluang P mendefinisikan setiap elemen di C mempunyai peluang
sama yaitu 41 . Jika E1 = {M M, M B}, dan E2 = {M M, BM }, maka
P (E1 ) = 12 , P (E2 ) = 12 , dan P (E1 E2 ) = 41 . Akibatnya, berdasarkan
sifat (5) dari peluang, P (E1 E2 ) = 21 + 12 14 = 34 . 

Peristiwa-peristiwa saling lepas. Peristiwa-peristiwa dari ruang


sampel C dikatakan saling lepas (mutually exclusive) jika masing-masing
pasangan peristiwa tersebut disjoin (tidak beririsan). Dengan kata lain, jika
E1 , E2 , E3 , . . . peristiwa-peristiwa dari ruang sampel C maka Ei Ej =
untuk setiap i 6= j dengan i, j = 1, 2, . . . Akibatnya, berdasarkan definisi
peluang, jika E1 , E2 , E3 , . . . peristiwa-peristiwa yang saling lepas maka

!
[ X
P Ei = P (Ei ).
i=1 i=1

Selanjutnya, jika
i=1 Ei = C (gabungan terhitung dari peristiwa-peristiwa
saling lepas tersebut membentuk ruang sampel C), maka E1 , E2 , E3 , . . .
dikatakan peristiwa-peristiwa saling lepas yang lengkap (mutually

10
Nunung Nurhayati Pengantar Teori Peluang

exclusive and exhaustive) dan berdasarkan sifat peluang, P (


i=1 Ei ) =
P (C) = 1.

Peristiwa-peristiwa seimbang. Misal ruang sampel C dapat dipartisi


menjadi k buah subset yang saling disjoin sehingga gabungannya sama
dengan C. Jika subset-subset tersebut dimisalkan dengan E1 , E2 , . . . , Ek ,
maka E1 , E2 , . . . , Ek , merupakan peristiwa-peristiwa saling lepas yang
lengkap. Jika peluang terjadinya masing-masing peristiwa tersebut diasum-
sikan sama yaitu P (Ei ) = 1/k untuk setiap i = 1, 2, . . . , k maka
E1 , E2 , . . . , Ek , dikatakan peristiwa-peristiwa seimbang (equally likely
events).

Misal E gabungan dari r peristiwa-peristiwa yang seimbang dengan r < k.


Peluang dari peristiwa E adalah

P (E) = P (E1 E2 Er ), r<k


r
= P (E1 ) + P (E2 ) + + P (Er ) =
k
Bilangan k seringkali disebut total banyaknya cara yang mungkin terjadi
dari suatu percobaan acak dan r banyaknya cara yang berkaitan dengan
peristiwa E. Jadi di bawah asumsi seimbang, peluang dari peristiwa E
dapat dianggap sebagai pembagian antara banyaknya cara pada peristiwa E
dengan total banyaknya cara yang mungkin dari percobaan acak tersebut.

Aturan menghitung. Untuk menghitung banyaknya cara diperlukan


beberapa aturan dalam menghitung (counting rules) seperti aturan
perkalian, permutasi, kombinasi, dan ekspansi binomial.
1. Aturan perkalian. Misal terdapat dua percobaan acak. Percobaan
pertama mempunyai m hasil yang mungkin dan percobaan kedua
mempunyai n hasil yang mungkin. Jika dua percobaan tersebut
dilakukan secara bersamaan atau berturutan maka banyaknya hasil
yang mungkin adalah mn kemungkinan. Aturan ini dapat diperluas
untuk percobaan acak dengan kemungkinan hasil lebih dari dua.

2. Permutasi dan Kombinasi. Misal A himpunan dengan n elemen.


Berdasarkan aturan perkalian, banyaknya susunan rangkaian k buah
elemen dari A adalah
n n n = nk .
Selanjutnya, jika dimisalkan k n dan disyaratkan tidak ada pengu-
langan elemen maka banyaknya susunan rangkaian k buah elemen

11
Nunung Nurhayati Pengantar Teori Peluang

yang mungkin dari A adalah


n!
Pkn = n (n 1) (n (k 1)) = .
(n k)!

Perhitungan ini disebut permutasi k objek dari n elemen, dinotasikan


dengan Pkn .

Bila urutan dari k objek tersebut tidak diperhatikan, maka banyaknya


susunan yang mungkin, sama saja dengan banyaknya subset dari
A yang terdiri dari k objek (k n), tetapi antara subset yang
satu dengan yang lainnya harus berbeda (distinct subsets). Misal
banyaknya subset tersebut disimbolkan dengan nk . Berdasarkan


aturan permutasi, banyaknya subset yang sama yang terdiri dari k


objek, ada Pkk = k (k 1) 2 1 = k! buah. Supaya antar subset
yang satu dengan subset yang lainnya berbeda, maka subset yang
terdiri dari k objek cukup diwakili oleh salah satu cara dari permutasi
Pkk tersebut. Karena permutasi Pkn menyatakan banyaknya subset
yang terdiri dari k objek, tetapi subset-subset tersebut diperbolehkan
sama, maka Pkn dapat ditulis sebagai Pkn = nk k!, atau

Pn
 
n n!
= k = .
k k! k!(n k)!

Selanjutnya, perhitungan banyaknya subset tersebut disebut


n

kombinasi k objek dari n elemen, dinotasikan dengan k atau
Ckn .

3. Teorema binomial. Aturan ini menyatakan bahwa

(a + b)n = (a + b)(a + b) (a + b)

dapat dihitung dengan


n  
n
X n
(a + b) = ak bnk .
k
k=0

Teorema binomial dapat dibuktikan melalui induksi matematik.

Contoh 1.4.2. Kartu remi (playing cards) terdiri dari 4 jenis yaitu
(sekop/spade), (hati/heart), (wajik/diamond ), dan (keriting/club).
Masing-masing jenis mempunyai 13 tampilan, yaitu 9 tampilan angka
2, 3, . . . , 10 dan 4 tampilan gambar (As, King, Queen,dan Jack), sehingga
ruang sampel C berisi semua tampilan kartu remi yang mungkin yaitu

12
Nunung Nurhayati Pengantar Teori Peluang

sebanyak 52 kartu. Misal diasumsikan setiap kartu mempunyai peluang


1
sama untuk terpilih, yaitu 52 .
(a). Jika E1 menyatakan peristiwa terambilnya kartu jenis , maka
berdasarkan aturan peluang pada kasus seimbang,
13 1
P (E1 ) = = ,
52 4
karena E1 terdiri dari 13 kartu berjenis dan masing-masing
1
peluangnya sama yaitu 52 .

(b). Jika E2 menyatakan peristiwa terambilnya kartu King maka


4 1
P (E2 ) = = ,
52 13
karena E2 terdiri dari 4 jenis King. 

Contoh 1.4.3. Misal 5 kartu diambil dari satu set kartu remi tanpa
pengembalian. Jika pada permainan ini, urutan kartu yang terambil tidak
diperhatikan, maka kombinasi susunan 5 kartu dapat dilakukan dengan 525
cara. Andaikan pada diasumsikan bahwa setiap 5 pasangan kartu yang
terambil mempunyai peluang sama untuk terpilih yaitu 1/ 52

5 .

(a). Misal E1 menyatakan peristiwa bahwa 5 kartu yang terambil berjenis


sama (misalnya, semua atau semua, atau jenis lainnya). Karena
kartu remi terdiri dari 4 jenis dan masing-masing jenis terdiri dari 13
tampilan maka
 berdasarkan aturan perkalian, banyaknya elemen E1
adalah 41 135 . Jadi,

4 13
 
1 (4)(1.287)
P (E1 ) = 52
5 = = 0, 00198
5
2.598.960

(b). Misal E2 menyatakan peristiwa bahwa dari 5 kartu yang terambil,


diperoleh tepat 3 kartu yang tampilannya sama, dan 2 kartu yang
tampilannya berbeda dan jenisnya juga berbeda. Sebagai contoh,
jika dari 5 kartu tersebut diperoleh 3 King maka kartu lainnya harus
berbeda jenisnya dan tidak boleh King. Karena kartu terdiri dari 13
tampilan dan untuk masing-masing tampilan terdiri dari 4 jenis maka
kombinasi 3 kartu yang tampilannya sama dapat dilakukan dengan
13 4
 
1 3 cara. Sekarang, banyaknya tampilan yang mungkin muncul
tinggal 12. Dari 12 tampilan tersebut masing-masing mempunyai 4
jenis. Karena yang harus diambil 2 kartu yang tampilan dan jenisnya

13
Nunung Nurhayati Pengantar Teori Peluang

12
 4 4
berbeda, maka hal ini dapat dilakukan dengan 2 1 1 cara. Jadi,
   h  2 i
13 4 12 4
1 3 2 1
P (E2 ) = 52
 = 0, 0211
5

(c). Misal E3 menyatakan peristiwa bahwa dari 5 kartu tersebut, tepat


3 kartu King dan 2 kartu Queen. Karena kartu King dan Queen
masing-masing mempunyai 4 jenis, maka kombinasi kartu-kartu ini
dapat diperoleh dengan 43 42 cara. Jadi,
4
 4
3
P (E3 ) = 2 = 0, 0000093. 
52
5

Latihan 1.3

1. Sebuah percobaan dilakukan dengan mengambil selembar kartu secara


acak dari setumpuk kartu remi. Fungsi peluang P diterapkan dengan
1
aturan bahwa setiap kartu dipadankan dengan nilai 52 . Misal E1
menyatakan koleksi 13 kartu berjenis hati dan E2 menyatakan koleksi
4 kartu King. Hitung P (E1 ), P (E2 ), P (E1 E2 ), dan P (E1 E2 ).

2. Sebuah koin terdiri dari bagian muka (M ) dan belakang (B ). Koin


tersebut dilantunkan berulang-ulang sampai diperoleh bagian muka
(M). Ruang sampel dari percobaan tersebut dapat ditulis sebagai

C = {c | c = M, BM, BBM, BBBM, . . .}.

Misalkan E1 = {c | c = M, BM, BBM, BBBM, atau BBBBM } dan


E2 = {c | c = BBBBM, atau BBBBBM }
(a) Tunjukkan bahwa peluang dari ruang sampel P (C) = 1.
(b) Hitung P (E1 ) dan P (E2 )
(c) Hitung P (E1 E2 )
(d) Hitung P (E1 E2 )

3. Jika ruang sampel C = E1 E2 , dan jika P (E1 ) = 0, 8 dan P (E2 ) = 0, 5,


tentukan P (E1 E2 ).

4. Misal C = {c : 0 < c < } ruang sampel dari suatu percobaan


acak danRuntuk setiap peristiwa E C, didefinisikan fungsi himpunan
P (E) = E ex dx. Tunjukkan P (C) = 1. Tentukan P (E), P (E c ), dan
P (E E c ).

14
Nunung Nurhayati Pengantar Teori Peluang

5. Misal E1 , E2 dan E3 peristiwa-peristiwa dari ruang sampel C yang


saling lepas. Tentukan P [(E1 E2 ) E3 ] dan P (E1c E2c ).

6. Sebuah mangkuk terdiri dari 16 bola, 6 bola merah, 7 putih, dan


3 biru. Jika 4 bola diambil secara acak dan tanpa pengembalian,
tentukan peluang bahwa
(a) Semua bola terambil berwarna merah.
(b) Tidak ada satu pun yang warnanya merah
(c) Paling sedikit terdapat 1 bola dalam masing-masing warna

7. Seseorang telah membeli 5 tiket pertunjukan dari 1000 tiket yang


disediakan. Di akhir acara, panitia menngambil 10 potongan tiket
masuk secara acak tanpa pengembalian. Pemegang tiket yang terpilih
selanjutnya akan diberi hadiah berupa uang sebesar Rp.100,000.
Berapa peluang bahwa orang tersebut akan mendapatkan hadiah uang
sedikitnya Rp.100.000,-. Petunjuk : Terlebih dahulu hitung peluang
bahwa orang tersebut tidak mendapat hadiah uang.

8. Misal 13 kartu diambil secara acak dan tanpa pengembalian dari satu
set kartu remi. Tentukan peluang bahwa
(a) Kartu yang terambil terdiri dari 6 , 4 , 2 , dan 1 .
(b) Semua kartu mempunyai jenis yang sama.

9. Tiga bilangan berbeda dipilih secara acak dari 20 bilangan positif


pertama. Hitung peluang bahwa
(a) Hasil jumlahnya berupa bilangan genap
(b) Hasil kalinya berupa bilangan genap

10. Lima bola merah yang ditandai dengan angka 1, 2, 3, 4, 5 dan tiga
bola biru yang ditandai dengan angka 1, 2, 3 dimasukkan ke dalam
mangkuk. Jika 2 bola diambil secara acak dan tanpa pengembalian,
berapa peluang bahwa bola yang terambil mempunyai angka sama
atau warna sama?

11. Misalkan sebuah kotak terdiri dari 50 bola lampu termasuk di


dalamnya ada 2 lampu yang rusak. Misal 5 lampu diambil secara
acak dari kotak tersebut tanpa pengembalian.
(a) Tentukan peluang bahwa di antara 5 lampu yang terambil,
sedikitnya ada 1 yang rusak

15
Nunung Nurhayati Pengantar Teori Peluang

(b) Berapa lampu yang harus diperiksa agar peluang ditemukannya


lampu rusak paling sedikit satu, tidak lebih dari 21 .

1.5 Peluang Bersyarat


Definisi 1.5.1 (Peluang bersyarat). Misal E1 dan E2 peristiwa dari ruang
sampel C dengan P (E1 ) > 0. Peluang bersyarat dari peristiwa E2 jika
diberikan/diketahui peristiwa E1 adalah

P (E1 E2 )
P (E2 |E1 ) = . (1.5.1)
P (E1 )

Contoh 1.5.1. Misal 5 kartu diambil satu per satu secara acak tanpa
pengembalian. Andaikan setelah pengambilan ke-4 diperoleh kartu
semuanya berjenis . Berapa peluang bahwa kartu yang ke-5 juga berjenis
?

Penyelesaian. Misal E1 menyatakan peristiwa bahwa dari 5 kartu


terdapat paling sedikit 4 kartu dan E2 menyatakan peristiwa bahwa
5 kartu yang terambil semuanya . Karena E2 E1 maka peristiwa
E1 E2 = E2 . Akibatnya, peluang bahwa kartu yang ke-5 juga berjenis
jika diketahui 4 kartu sebelumnya semua, adalah

P (E1 E2 )
P (E2 |E1 ) =
P (E1 )
P (E2 )
=
P (E1 )
13 52
 
5 / 5
=  13 39 13
 52
4 1 + 5 / 5
13

= 13
 5
39
 = 0, 0441.
13 
4 1 + 5

Aturan perkalian pada peluang. Dari persamaan (1.5.1) diperoleh


aturan perkalian untuk peluang sebagai berikut

P (E1 E2 ) = P (E1 )P (E2 |E1 ). (1.5.2)

Contoh 1.5.2. Misal kartu diambil satu per satu secara acak tanpa
pengembalian. Berapa peluang bahwa kartu yang ke-3 akan muncul pada
pengambilan ke-6?

16
Nunung Nurhayati Pengantar Teori Peluang

Penyelesaian. Misal E1 menyatakan peristiwa munculnya 2 kartu


sampai pengambilan ke-5, dan E2 menyatakan peristiwa munculnya kartu
yang ke-3 pada pengambilan ke-6. Karena
13 39
 
2
P (E1 ) = 52
3 = 0, 2743
5

dan
11
P (E2 |E1 ) = 47 = 0, 234
maka menurut aturan perkalian pada peluang,

P (E1 E2 ) = P (E1 )P (E2 |E1 ) = (0, 2743)(0, 234) = 0, 0642. 

Aturan perkalian dapat diperluas untuk kasus 3 peristiwa atau lebih.


Menurut definisi peluang bersyarat,

P [(E1 E2 ) E3 ]
P (E3 |E1 E2 ) =
P (E1 E2 )

dengan syarat P (E1 E2 ) > 0. Tetapi, P (E1 E2 ) memenuhi persamaan


(1.5.2). Akibatnya, aturan perkalian pada peluang untuk 3 peristiwa adalah

P (E1 E2 E3 ) = P [(E1 E2 ) E3 ]
= P (E1 E2 )P (E3 |E1 E2 ).

Tetapi P (E1 E2 ) = P (E1 )P (E2 |E1 ). Jadi, asalkan P (E1 E2 ) > 0,

P (E1 E2 E3 ) = P (E1 )P (E2 |E1 )P (E3 |E1 E2 ).

Melalui induksi matematik, dapat dibuktikan bahwa aturan perkalian pada


peluang dapat diperluas untuk k peristiwa

P (E1 E2 E3 Ek )
= P (E1 )P (E2 |E1 )P (E3 |E1 E2 ) . . . P (Ek |E1 E2 Ek1 ).

Sifat independen. Jika terjadinya E1 tidak berpengaruh pada E2 , maka


ketika P (E1 ) > 0,
P (E2 |E1 ) = P (E2 ).
Untuk kasus ini, E1 dan E2 dikatakan independen atau saling bebas.
Selanjutnya, berdasarkan aturan perkalian

P (E1 E2 ) = P (E1 )P (E2 |E1 ) = P (E1 )P (E2 ).

17
Nunung Nurhayati Pengantar Teori Peluang

Akibatnya, ketika P (E2 ) > 0,

P (E1 E2 ) P (E1 )P (E2 )


P (E1 |E2 ) = = = P (E1 ).
P (E2 ) P (E2 )

Berarti, jika P (E1 ) > 0 dan P (E2 ) > 0, pengertian independen ekivalen
dengan
P (E1 E2 ) = P (E1 )P (E2 ). (1.5.3)
Bagaimana jika salah satu dari P (E1 ) = 0 atau P (E2 ) = 0? Pada kasus ini,
ruas kanan pada persamaan (1.5.3) bernilai 0. Tetapi ruas kiri juga bernilai
0 karena E1 E2 E1 dan E1 E2 E2 . Oleh sebab itu, definisi formal
dari independen dapat mengacu pada persamaan (1.5.3).

Definisi 1.5.2. Peristiwa E1 dan E2 dikatakan independen jika

P (E1 E2 ) = P (E1 )P (E2 ).

Ketika E1 dan E2 independen maka pasangan E1 dan E2c , E1c dan E2 , E1c dan
E2c masing-masing juga independen. Secara umum, peristiwa E1 , E2 , . . . , En
dikatakan independen jika

P (E1 E2 En ) = P (E1 )P (E2 ) . . . P (En )

Contoh 1.5.3. Sebuah koin dilantunkan berkali-kali secara independen.


Misalkan peristiwa Ei menyatakan terjadinya bagian muka (M) pada
lantunan ke-i. Maka Eic menyatakan sebaliknya, yaitu munculnya bagian
belakang (B) pada lantunan ke-i. Tentukan peluang munculnya MMBM.

Penyelesaian. Jika peristiwa Ei dan Eic diasumsikan seimbang, P (Ei ) =


c 1
P (Ei ) = 2 . Akibatnya, peluang terjadinya barisan peristiwa MMBM adalah

P (E1 E2 E3c E4 ) = P (E1 )P (E2 )P (E3c )P (E4 ) = ( 21 )4 = 1


16

dan peluang terjadinya paling sedikit satu M dari 4 kali lantunan adalah

P (E1 E2 E3 E4 ) = 1 P [(E1 E2 E3 E4 )c ]
= 1 P (E1c E2c E3c E4c )
= 1 ( 12 )4 = 15
16 .

Hukum Peluang Total. Misal E1 , E2 , . . . , Ek peristiwa-peristiwa dari


ruang sampel C yang saling lepas dan lengkap sehingga P (Ei ) > 0, i =

18
Nunung Nurhayati Pengantar Teori Peluang

1, 2, . . . , k. Peristiwa E1 , E2 , . . . , Ek membentuk partisi-partisi dari C tapi


tidak harus seimbang (peluangnya tidak harus sama untuk setiap peristiwa).
Misal E peristiwa lain dari C sehingga P (E) > 0. Berarti peristiwa E terjadi
bersamaan dengan salah satu dari peristiwa E1 , E2 , . . . , Ek , atau

E = E (E1 E2 Ek )
= (E E1 ) (E E2 ) (E Ek ).

Tetapi, karena P (E Ei ) = P (Ei )P (E|Ei ) untuk i = 1, 2, . . . , k

P (E) = P (E1 )P (E|E1 ) + P (E2 )P (E|E2 ) + + P (Ek )P (E|Ek )


k
X
= P (Ei )P (E|Ei ). (1.5.4)
i=1

Persamaan (1.5.4) disebut hukum peluang total.

Berdasarkan definisi peluang bersyarat dan hukum peluang total,

P (E Ej ) P (Ej )P (E|Ej )
P (Ej |E) = = Pk . (1.5.5)
P (E) i=1 P (Ei )P (E|Ei )

Persamaan (1.5.5) disebut Teorema Bayes. Teorema ini memberikan


cara bagaimana menghitung peluang bersyarat Ej diberikan peristiwa E
yang didasarkan pada peluang E1 , E2 , . . . , Ek dan peluang bersyarat dari E
diberikan Ei , i = 1, 2, . . . , k.

Contoh 1.5.4. Misal pada tabung E1 terdapat 3 bola merah dan 7


bola biru, sedangkan pada tabung E2 terdapat 8 bola merah dan 2 bola
biru. Diasumsikan semua bola mempunyai ukuran dan bentuk yang identik.
Selanjutnya, sebuah dadu dilantunkan. Jika hasilnya permukaan 5 atau 6
maka tabung E1 yang terpilih dan jika selain permukaan 5 atau 6, tabung
E2 yang terpilih. Andaikan tabung yang terpilih diberikan kepada seseorang
dan orang tersebut diminta untuk mengambil 1 bola. Berapa peluang terpil-
ihnya tabung E1 jika bola yang terambil orang tersebut berwarna merah.

Penyelesaian. Jika dadunya seimbang maka P (E1 ) = 26 dan P (E2 ) =


4
6 . Andaikan tabung yang terpilih diberikan kepada seseorang dan orang
tersebut diminta untuk mengambil 1 bola. Jika E dimisalkan sebagai
3 8
peristiwa terambilnya bola merah maka P (E|E1 ) = 10 dan P (E|E2 ) = 10 .
Menurut Teorema Bayes, peluang bersyarat terpilihnya tabung E1 jika

19
Nunung Nurhayati Pengantar Teori Peluang

diketahui bola yang terambil berwarna merah adalah

P (E1 )P (E|E1 )
P (E1 |E) =
P (E1 )P (E|E1 ) + P (E2 )P (E|E2 )
( 2 )( 3 ) 3
= 2 3 6 104 8 = 19 . 
( 6 )( 10 ) + ( 6 )( 10 )
3
Peluang bersyarat P (E1 |E) = 19 juga dapat diinterpretasikan sebagai
peluang bahwa bola merah yang terambil berasal dari tabung E1 . Dengan
cara serupa dapat diperoleh P (E2 |E) = 16
19 .

Pada Contoh 1.5.4, P (E1 ) = 26 disebut peluang prior dari E1 dan P (E2 ) = 46
disebut peluang prior dari E2 , karena peluang-peluang tersebut diketahui
bedasarkan pada percobaan acak yang digunakan untuk memilih tabung.
Setelah bola terambil dan diketahui berwarna merah, peluang bersyarat
3
P (E1 |E) = 19 dan P (E2 |E) = 16 19 disebut peluang posterior. Karena E2
mempunyai proporsi bola merah yang lebih besar dari E1 maka secara intuisi
sudah seharusnya P (E2 |E) lebih besar dari P (E2 ), dan P (E1 |E) lebih kecil
dari P (E1 ). Dengan kata lain, secara intuisi dapat difahami bahwa begitu
tahu bolanya berwarna merah maka kemungkinan tabung E2 yang terpilih
lebih besar dari pada sebelum diketahui warnanya.

Latihan 1.4

1. Misalkan E2 , E3 , E4 , . . . himpunan-himpunan yang saling lepas. Jika


P (E1 ) > 0, tunjukkan bahwa

P (E2 E3 . . . |E1 ) = P (E2 |E1 ) + P (E3 |E1 ) +

2. Asumsikan P (E1 E2 E3 ) > 0. Tunjukkan bahwa

P (E1 E2 E3 E4 ) = P (E1 )P (E2 |E1 )P (E3 |E1 E2 )P (E4 |E1 E2 E3 )

3. Dari satu set kartu remi diambil 13 kartu secara acak dan tanpa
pengembalian. Tentukan peluang bersyarat bahwa terdapat sedikitnya
3 King dengan syarat kartu yang sudah terambil sedikitnya 2 King.

4. Sebuah laci terdiri dari 8 pasang kaos kaki. Jika 6 helai kaos kaki
diambil sacara acak dan tanpa pengembalian, hitung peluang bahwa
sedikitnya ada sepasang kaos kaki yang sepadan (matching). Petunjuk :
Hitung peluang bahwa diantara kaos kaki yang terambil tidak ada satu
pun yang sepadan.

20
Nunung Nurhayati Pengantar Teori Peluang

5. Sepasang dadu dilantunkan berulang-ulang sampai muncul mata dadu


yang berjumlah 7 atau 8. Tunjukkan bahwa peluang jumlah 7 lebih
dulu diperoleh dari jumlah 8, adalah 6/11.

6. Misalkan suatu pabrik mempunyai mesin I, mesin II, dan mesin III,
yang memproduksi pegas dengan panjang 25cm. Barang cacat yang
dihasilkan mesin I sekitar 1%, sedangkan mesin II dan III masing-
masing sekitar 4% dan 2%. Sementara itu, dari total produksi prabrik
tersebut kemampuan mesin I adalah 30%, sedangkan mesin II dan III
masing-masing sekitar 25% dan 45%.
(a) Jika diantara semua pegas yang diproduksi diambil sebuah secara
acak, berapa peluang bahwa pegas tersebut cacat?
(b) Jika pegas yang terambil diketahui cacat, tentukan peluang
bersyarat bahwa pegas tersebut diproduksi oleh mesin II.

7. Misal pada mangkuk I terdapat 6 bola merah dan 4 bola biru. Dari
mangkuk tersebut diambil 5 bola secara acak dan ditempatkan di
mangkuk yang kosong, sebut saja mangkuk II. Kemudian 1 bola
diambil secara acak dari mangkuk II. Jika bola yang terambil diketahu
berwarna biru, berapa peluang bersyarat bahwa 5 bola yang dipin-
dahkan dari mangkuk I ke Mangkuk II terdiri dari 2 bola merah dan
3 bola biru?

8. Seorang dosen mempunyai 2 kotak kecil berisi CD. Di kotak pertama


(E1 ) termuat 7 CD program dan 3 CD data, sedangkan di kotak
kedua (E2 ) termuat 2 CD program dan 8 CD data. Misalkan peluang
terpilihnya kotak pertama adalah 2/3 (karena posisinya agak sulit
terjangkau), sedangkan kotak kedua 1/3. Kemudian, sebuah CD
diambil secara acak. Jika yang terambil CD data, peristiwa yang
terjadi disebut peristiwa D. Jika terpilihnya masing-masing CD
diasumsikan seimbang, hitung P (E1 |D) dan P (E2 |D).

9. Jika peristiwa E1 dan E2 independen, tunjukkan bahwa pasangan


peristiwa-peristiwa berikut juga independen.
(a) E1 dan E2c ,
(b) E1c dan E2 ,
(c) E1c dan E2c .
Petunjuk untuk soal (a): Tulis P (E1 E2c ) = P (E1 )P (E2c |E1 ) =
P (E1 )[1 P (E2 |E1 )]. Kemudian gunakan sifat bahwa jika E1 dan
E2 independen, P (E2 |E1 ) = P (E2 ).

21
Nunung Nurhayati Pengantar Teori Peluang

10. Sebuah kotak terdiri dari 3 bola merah (M ) dan 7 bola kuning (K)
yang bentuk dan ukurannya serupa. Sebuah bola diambil bergantian
secara acak dengan pengembalian sehingga terambilnya bola pertama,
kedua dapat dianggap sebagai peristiwa-peristiwa yang independen.
Gunakan asumsi yang diperlukan untuk menghitung peluang urutan
terambilnya barisan bola berikut: (a) KKM K; (b) M KKK; (c)
KKKM; (d) KMKK. Tentukan pula terambilnya tepat 1 bola merah
di antara 4 kali pengambilan.

11. Misalkan E1 , E2 , E3 peristiwa-peristiwa independen dengan peluang


masing-masing 12 , 31 , 14 . Hitung P (E1 E2 E3 ).

12. Misalkan E1 , E2 , E3 peristiwa-peristiwa independen sehingga P (E1 ) =


P (E2 ) = P (E3 ) = 14 . Tentukan P [(E1c E2c ) E3 ].

1.6 Variabel Acak


Definisi 1.6.1. Misal C ruang sampel dari suatu percobaan acak, maka
fungsi X : C R dikatakan variabel acak jika untuk setiap elemen di
C terdapat tepat satu x R sedemikian sehingga x = X(c). Himpunan
DX = {x : x = X(c), c C} disebut range dari X atau ruang ( space) dari
X.

Dengan kata lain, variabel acak adalah fungsi bernilai riil yang terdefinisi
di ruang sampel. Variabel acak X dikatakan diskrit jika DX merupakan
himpunan berhingga atau terhitung (countable). Biasanya variabel acak
ini digunakan untuk variabel kategorik (nominal atau ordinal) atau dapat
untuk variabel yang menyatakan hasil penghitungan (counting). Sementara
itu, variabel acak X dikatakan kontinu jika ruang DX berupa interval.
Biasanya variabel acak ini digunakan untuk menyatakan hasil pengukuran
(measuring).

Fungsi Peluang. Misal variabel acak X yang terdefinisi di ruang sampel


C mempunyai ruang DX = {x1 , x2 , . . . , xm }. Misalkan pula F lapangan-
dari DX sehingga F = {B : B DX .} Fungsi peluang PX dari peristiwa B
adalah

PX (B) = P ({c C : X(c) B})


X
= P ({c C : X(c) = xi }) (karena B DX )
xi B
X
= pX (xi )
xi B

22
Nunung Nurhayati Pengantar Teori Peluang

dengan pX (xi ) = PX ({xi }). Sebaran nilai pX (xi ) = PX ({xi }) untuk setiap
xi DX disebut distribusi peluang dari variabel acak diskrit X.

Fungsi massa peluang (PMF). Untuk kesederhanaan, jika x B,


peluang PX ({x}) atau P ({c C : X(c) = x}) = P ({X = x}) cukup ditulis
P (X = x). Fungsi
pX (x) = P (X = x)
yang memenuhi syarat
(i) pX (x) 0, untuk setiap x D
P
(ii) xD pX (x) = 1

disebut fungsi massa peluang atau probability mass function (PMF).

Fungsi peluang PX dari peristiwa B dapat dihitung berdasarkan PMF dari


X X X
PX (B) = pX (x) = P (X = x)
xB xB

Contoh 1.6.1. Dua dadu seimbang dilantunkan. Misal X menyatakan


jumlah mata dadu. Tentukan
(a) Ruang DX
(b) PMF dari X
(c) Jika B1 = {7, 11} dan B2 = {2, 3, 12}, tentukan PX (B1 ) dan PX (B2 ).

Penyelesaian.
(a) Ruang dari X adalah DX = {2, 3, 4, . . . , 12}
(b) PMF dari X adalah

x 2 3 4 5 6 7 8 9 10 11 12
1 2 3 4 5 6 5 4 3 2 1
pX (x) 36 36 36 36 36 36 36 36 36 36 36
(c) Jika B1 = {7, 11} maka
X 6 2 8 2
PX (B1 ) = pX (x) = pX (7) + pX (11) = + = =
36 36 36 9
xB

dan jika B2 = {2, 3, 12}, maka


X 1 2 1 4 1
PX (B2 ) = pX (x) = pX (2)+pX (3)+pX (12) = + + = =
36 36 36 36 9
xB

23
Nunung Nurhayati Pengantar Teori Peluang

Contoh 1.6.2. Sebuah koin seimbang terdiri dari Gambar (G) dan
Angka (A). Misalkan X menyatakan banyaknya lantunan sampai muncul
permukaan G. Tentukan
(a) Distribusi (PMF) dari X
(b) Peluang bahwa banyak lantunan yang terjadi bernilai ganjil.

Penyelesaian.
(a) Diketahui C = {A, G} maka P (G) = P (A) = 21 (karena asumsi
seimbang).
X = banyak lantunan koin seimbang sampai muncul maka D =
{1, 2, 3, . . .}. Bila G pertama kali terjadi pada lantunan ke x maka
sampai lantunan ke x 1 yang terjadi adalah

A, A, . . . , A, G.
| {z }
x1 lantunan

Karena antara satu lantunan dengan lantunan lainnnya independen


maka

P (X = x) = P (A, A, . . . , A, G) = P (A), P (A), . . . , P (A) P (G).


| {z } | {z }
( 12 )x1 1
2

Jadi PMF dari X


( 21 )x1 12 = ( 12 )x , x = 1, 2, 3, . . .

p(x) = (1.6.1)
0, x lainnya

(b) Himpunan bilangan ganjil = {m : m = 2x 1, x N}. Akibatnya


 3  5
1 1 1
P (X {1, 3, 5, . . .}) = + +
2 2 2
 2x1
1 1 x1 X 1 1 k
   
X 1 X
= = =
2 2 4 2 4
x=1 x=1 k=0

Deret pada ruas terakhir merupakan deret geometri


X
ark
k=0

1
dengan k = x 1, a = 1/2 dan r = 4 < 1. Dari sifat deret geometri

24
Nunung Nurhayati Pengantar Teori Peluang

bahwa untuk r < 1



X a
ark =
1r
k=0

maka hasil penjumlahan


 x1
X 1 1
=
4 1 1/4
x=1

sehingga peluang bahwa banyak lantunan yang terjadi bernilai ganjil


adalah
 
1 X 1 x1 1/2 2
P (X {1, 3, 5, . . .}) = = = . 
2 4 1 1/4 3
x=1

Fungsi distribusi kumulatif (CDF). Fungsi distribusi kumulatif atau


cumulative distribution function (CDF) atau fungsi distribusi yaitu fungsi

FX (x) = P (X x)

dengan P (X x) = P ({c C : X(c) x}).

Sifat CDF:
1. Monoton tak turun:

a < b FX (a) FX (b)

2. Limit bawah 0 dan limit atas 1, artinya

lim FX (x) = 0 dan lim FX (x) = 1


x x+

3. Kontinu kanan
lim FX (x) = FX (x0 )
xx+
0

Teorema 1.6.1. Jika X variabel acak dengan CDF FX (x) maka untuk
a < b,
P (a < X b) = FX (b) FX (a)

Bukti. Karena
(, b] = (, a] (a, b]
dan
(, a] (a, b] =

25
Nunung Nurhayati Pengantar Teori Peluang

maka
P ((, a]) = P ((, a]) + P ((a, b])
sehingga
P ((a, b]) = P ((, b]) P ((, a])
atau
P (a < X b) = FX (b) FX (a)

Teorema 1.6.2. Jika X variabel acak dengan CDF FX (x) maka

P (X = x) = FX (x) FX (x )

dengan
FX (x ) = lim FX (z)
zx

Contoh 1.6.3. Jika X mempunyai CDF yang tak kontinu



0, x<0
FX (x) = x/2, 0 x < 1
1, 1x

maka
1
P (1 < X 12 ) = FX ( 12 ) FX (1) =
2
dan
1 1
P (X = 1) = FX (1) FX (1 ) = 1 = .
2 2

Fungsi densitas peluang (PDF). Jika CDF FX (x) kontinu maka X


variabel acak kontinu. Jika FX (x) dapat ditulis sebagai
Z x
FX (x) = fX (t)dt

untuk suatu fungsi fX , maka fX disebut fungsi densitas peluang atau proba-
bility density function (PDF) dari X. Jika fX juga kontinu maka menurut
Teorema Dasar Kalkulus,
d
fX (x) = FX (x)
dx
Syarat suatu fungsi fX agar menjadi PDF adalah
(i) fX (x) 0
R
(ii) fX (x)dx = 1

26
Nunung Nurhayati Pengantar Teori Peluang

Contoh 1.6.4. Tentukan c agar fungsi berikut


 3
cx , 0 < x < 2
fX (x) =
0, x lainnya

dapat menjadi PDF. Tentukan pula P ( 41 < X < 1).

Penyelesaian. Fungsi fX dapat menjadi PDF jika dan hanya jika


R2 3 1
0 cx dx = 1 4c = 1 c = 4 .

Akibatnya,
1
x3
  Z
1 255
P <X<1 = dx = = 0, 06226. 
4 1/4 4 4096

Untuk kasus X kontinu,


Z b
P (a < X b) = fX (t)dt
a

sehingga P (X = x) = 0 dan

P (a < X b) = P (a X b) = P (a X < b) = P (a < X < b)


Z b
= fX (t)dt.
a

Contoh 1.6.5. Satu titik sembarang dipilih dari lingkaran berjari-jari 1.


Jika X jarak titik terpilih ke titik pusat, tentukan distribusi dari X. (Asumsi:
setiap titik di lingkaran mempunyai kesempatan sama untuk terpilih).

Penyelesaian. Untuk 0 < x < 1, peristiwa {X x} ekivalen dengan


himpunan titik-titik yang terletak dalam lingkaran berjari-jari x. Karena
setiap titik mempunyai kesempatan sama untuk dipilih maka

Luas berjari-jari x x2
P (X x) = = = x2
Luas berjari-jari 1 (1)2

sehingga CDF dari X



0, x < 0
FX (x) = x2 , 0 x < 1
1, x 1

27
Nunung Nurhayati Pengantar Teori Peluang

Akibatnya PDF dari X adalah



d 2x 0 x < 1
fX (x) = FX (x) = 
dx 0, x lainnya.

Masalah transformasi untuk kasus diskrit. Jika X variabel acak


diskrit dengan PMF pX (x), dan Y = g(X) hasil transformasi dari X,
bagaimana distribusi dari Y ?

Jika g satu-satu maka g 1 ada. PMF dari Y dapat diperoleh melalui PMF
dari X

pY (y) = P (Y = y) = P (g(X) = y) = P (X = g 1 (y))


= pX (g 1 (y))

dengan y DY . Jika g tidak 1-1, penentuan PMF harus ditinjau untuk


setiap kasus yang mungkin.

Contoh 1.6.6. Misal X menyatakan banyak lantunan koin seimbang


sampai diperoleh gambar (G). Tentukan distribusi dari Y = X 1 (banyak
lantunan sebelum G yang pertama).

Penyelesaian. Diketahui Y = X 1 dan PMF dari X adalah


 1 x
( 2 ) , x = 1, 2, 3, . . .
pX (x) = P (X = x) =
0, x lainnya

Diketahui DX = {1, 2, 3, . . .} maka DY = {0, 1, 2, . . .}. Karena y = g(x) =


x 1 fungsi 1-1 maka untuk setiap y DY
y+1
pY (y) = P (Y = y) = P (Y = x 1) = P (X = y + 1) = 12

Jadi PMF dari Y


1 y+1
 
2 , y = 0, 1, 2, . . .
pY (y) = 
0, y lainnya.

Contoh 1.6.7. Misal X menyatakan banyak lantunan koin seimbang


sampai diperoleh gambar (G). Tentukan distribusi dari Z = (X 2)2 .

28
Nunung Nurhayati Pengantar Teori Peluang

Penyelesaian. Diketahui Y = (X 2)2 dan PMF dari X


 1 x
( 2 ) , x = 1, 2, 3, . . .
pX (x) = P (X = x) =
0, x lainnya

DX = {1, 2, 3, . . .} maka DZ = {0, 1, 4, 9, 16, . . .}.

Jika z = g(x) = (x 2)2 maka g tidak 1-1 karena

z = 1 x = 1 atau x = 3.

Karena itu, PMF harus ditinjau dari 3 kasus yaitu


(i). Untuk z = 0,

pZ (0) = P (Z = 0) = P ((X 2)2 = 0) = P (X = 2)


= ( 21 )2 = 1
4

(ii). Untuk z = 1. Karena z = 1 jika dan hanya jika x = 1 atau x = 3,


maka

pZ (1) = P (Z = 1) = P ((X 2)2 = 1)


= P (X = 1) + P (X = 3) = 1
2 + ( 12 )3 = 58 .

(iii). Untuk z {4, 9, 16, . . .}. Karena



z = (x 2)2 x = z+2

maka untuk z = 4, 9, 16, . . .



pZ (z) = P (Z = z) = P ((X 2)2 = 1) = P (X = z + 2)

z+2 z
= ( 12 ) = 14 ( 12 ) .

Jadi PMF dari Z adalah


1


4, z=0
5

8, z=1


pZ (z) =
1 1 z
4(2) , z = 4, 9, 16, . . .





0, z lainnya. 

Masalah transformasi untuk kasus kontinu. Jika X variabel acak


kontinu dengan PDF fX (x), dan Y = g(X), bagaimana distribusi dari Y ?
Ada 2 cara, yaitu teknik CDF dan teknik Jacobi

29
Nunung Nurhayati Pengantar Teori Peluang

Teknik CDF. Misal X variabel acak kontinu dengan PDF fX (x) dengan
support SX = {x : f (x) > 0}. Misal Y = g(X). Cara mencari distribusi dari
Y dengan teknik CDF:
(i) Tentukan support dari Y, yaitu SY = {y = g(x) : x SX }.
(ii) Jika g satu-satu cari g 1 dan tentukan FY (y) berdasarkan CDF dari
X.

FY (y) = P (Y y) = P (g(X) y) = P (X g 1 (y))


= FX (g 1 (y))

Contoh 1.6.8. Bila X merupakan variabel acak dengan PDF



d 2x, 0 x < 1
fX (x) = FX (x) =
dx 0, x lainnya,

tentukan distribusi dari Y = X 2 .

Penyelesaian. Diketahui support dari X adalah SX = {x : 0 < x < 1}.


Karena Y = X 2 maka SY = {y : 0 < y < 1}. CDF dari X adalah

0, x < 0
FX (x) = x2 , 0 x < 1
1, x 1.

Karena y = g(x) = x2 fungsi 1-1 di SX = {x : 0 < x < 1}, maka untuk


0 < y < 1,

FY (y) = P (Y y) = P (X 2 y) = P (X y) = FX ( y) = y 2 = y

Jadi fungsi distribusi dari Y



0, y < 0
FY (y) = y, 0 y < 1
1, y 1

dan PDF dari Y 


1, 0 y < 1
fY (y) = 
0, y lainnya.

Contoh 1.6.9. Misal PDF dari X



1/2, 1 < x < 1
fX (x) =
0, x lainnya.

30
Nunung Nurhayati Pengantar Teori Peluang

Tentukan PDF dari Y = X 2 .

Penyelesaian. SX = {x : 1 < x < 1} dan Y = X 2 maka SY = {y : 0


y < 1}.
Untuk 0 y < 1,

FY (y) = P (X 2 y) = P ( y X y)
Z y
y y
= 1/2 dx = ( )= y
y 2 2

Jadi CDF dan PDF dari Y



0, y<0 (
1
2 y, 0<y<1

FY (y) = y, 0 y < 1 dan fY (y) = 
0, y lainnya.
1, y1

Teorema 1.6.3 (Teknik Jacobi). X variabel acak kontinu dengan PDF


fX (x) dan support SX = {x : f (x) > 0}. Misal Y = g(X) dengan g fungsi
1-1 yang diferensiabel pada SX . Jika x = g 1 (y) dan dx/dy = d(g 1 (y))/dy
maka PDF dari Y

1
dx
fY (y) = fX (g (y)) , y SY
dy

dengan SY = {y = g(x) : x SX } support dari Y.

Selanjutnya,
dx d
g 1 (y)

J= =
dy dy
disebut Jacobi transformasi (Jacobi dari invers transformasi g).

Contoh 1.6.10. Misal PDF dari X



1, 0 < x < 1
fX (x) =
0, x lainnya.

Tentukan PDF dari Y = 2 ln X.

Penyelesaian. SX = {x : 0 < x < 1} dan Y = 2 ln X maka SY = {y :


0 < y < }.

31
Nunung Nurhayati Pengantar Teori Peluang

Karena y = 2 ln x x = ey/2 maka


dx
J= = 21 ey/2 ,
dy
sehingga untuk 0 < y < ,
 
fY (y) = fX (ey/2 )|J| = (1) 1 y/2
2e = 12 ey/2

Jadi PDF dari Y


1 y/2

2e , 0<y<
fY (y) = 
0, y lainnya.

Latihan 1.5

1. Untuk soal-soal berikut, tentukan konstanta c agar fungsi p(x) dapat


menjadi PMF dari variabel acak X.
(a) p(x) = c( 32 )x , x = 1, 2, 3, . . . , dan 0 untuk x lainnya.
(b) p(x) = cx, x = 1, 2, . . . , 6, dan 0 untuk x lainnya.

x
2. Misal p(x) = 15 , x = 1, 2, . . . , 5, dan 0 untuk x lainnya. Hitung P (X =
1 atau 2), P ( 12 < X < 25 ), dan P (1 X 2).

3. Tentukan sketsa fungsi distribusi (CDF) dari PMF berikut:


(a) p(x) = 1, x = 0, dan 0 untuk x lainnya.
(b) p(x) = 13 , x = 1, 0, 1, dan 0 untuk x lainnya.
(c) p(x) = x/15, x = 1, 2, . . . , 5, dan 0 untuk x lainnya.

4. Lima lembar kartu diambil secara acak dari satu set kartu remi tanpa
pengembalian.
(a) Tentukan PMF dari X yang menyatakan banyaknya kartu dari
5 kartu yang terambil.
(b) Tentukan P (X 1).

5. Diketahui CDF

0, x < 1
x+2
F (x) = 4 , 1 x < 1
1, x1

Gambarkan sketsa grafik F (x) dan hitung:


(a) P ( 12 < X 12 ); (b) P (X = 0); (c) P (X = 1); (d) P (2 <

32
Nunung Nurhayati Pengantar Teori Peluang

X 3).

6. Suatu koin yang terdiri dari permukaan Gambar (G) dan Angka (A)
dilantunkan sebanyak 4 kali. Misalkan X menyatakan banyaknya G
yang muncul. Tentukan PMF dari X dan hitung peluang bahwa X
merupakan bilangan ganjil.

7. Sebuah kotak berisi 10 bola yang ukuran dan beratnya sama. Dari
10 bola tersebut, 1 bola berwarna merah dan sisanya berwarna selain
merah. Bola diambil satu per satu secara acak tanpa pengembalian
dan dihentikan ketika terambil bola merah.
(a) Tentukan PMF dari X yang menyatakan banyaknya pengambilan
bola sampai diperoleh bola merah.
(b) Hitung P (X 4).

8. Sebuah dadu dilantunkan berkali-kali sampai diperoleh mata dadu 6.


(a) Tentukan PMF dari X (banyaknya lantunan sampai diperoleh
mata dadu 6).
(b) Jika p(x) PMF dari X, tunjukkan bahwa
P
x=1 p(x) = 1.
(c) Tentukan P (X = 1, 3, 5, 7, . . .).
(d) Tentukan CDF F (x) = P (X x).

9. Misalkan
(1/2)x , x = 1, 2, 3, . . .

P (X = x) =
0, x lainnya
Gambarkan sketsa dari grafik CDF F (x).

10. Misalkan X mempunyai PMF p(x) = 31 , untuk x = 1, 2, 3, dan 0 untuk


x lainnya. Tentukan PMF dari Y = 2X + 1.

11. Misalkan X mempunyai PMF p(x) = 21 , untuk x = 1, 2, 3, dan 0 untuk


x lainnya. Tentukan PMF dari Y = X 3 .

12. Misalkan ruang dari variabel acak X adalah D = {x : 0 < x < 10}.
Misalkan pula untuk peristiwa A1 = {x : 0 < x < 10}, PX (A1 ) = 83 .
Jika A2 = {x : 5 x < 10} tunjukkan bahwa PX (A2 ) 58 .

13. Misalkan A1 = {x : 14 < x < 12 } dan A2 = {x : 21 x < 1} subset


dari D = {x : 0 < x < 1} ruang dari X, sehingga PX (A1 ) = 18 dan
PX (A1 ) = 12 . Tentukan PX (A1 A2 ), PX (C1c ), dan PX (Ac1 Ac2 ).

33
Nunung Nurhayati Pengantar Teori Peluang

14. Misalkan ruang dari variabel acak X adalah D = {x : 0 < x < }


dan fungsi himpunan peluang untuk peristiwa A didefinisikan sebagai
Z
PX (A) = ex dx.
A

Jika Ak = {x : 2 k1 < x 3}, k = 1, 2, . . . , tentukan lim Ak


  k

dan PX lim Ak . Tentukan juga PX (Ak ) dan lim P (Ak ). Petunjuk.


k k
Gunakan Teorema 1.3.6 (Hogg, dkk (2005), hal 18).

15. Untuk masing-masing PDF berikut tentukan P (|X| < 1) dan P (X 2 <
9).
(a) f (x) = x2 /18, 3 < x < 3, dan 0 untuk x lainnya.
(b) f (x) = (x + 2)/18, 2 < x < 4, dan 0 untuk x lainnya.

16. Misalkan PDF dari X adalah f (x) = 1/x2 , 3 < X < 3, dan 0 untuk
x lainnya. Jika A1 = {x : 1 < x < 2} dan A2 = {x : 4 < x < 5},
tentukan PX (A1 A2 ) dan PX (A1 A2 ).

17. Modus distribusi suatu variabel acak X adalah nilai x yang memak-
simumkan PMF atau PDF dari X. Tentukan modus dari distribusi
berikut:
(a) p(x) = ( 21 )x , x = 1, 2, . . . , dan 0 untuk x lainnya.
(b) f (x) = 12x2 (1 x), 0 < x < 1, dan 0 untuk x lainnya.
(c) f (x) = ( 12 )x2 ex , 0 < x < , dan 0 untuk x lainnya.

x2
18. Misalkan X mempunyai PDF f (x) = 9 , 0 < x < 3, dan 0 untuk x
lainnya. Tentukan PDF dari Y = X 3 .
2
19. Misalkan X mempunyai PDF f (x) = 2xex , 0 < x < , dan 0 untuk
x lainnya. Tentukan PDF dari Y = X 2 .

20. Misalkan X mempunyai PDF f (x) = 1 ,


2 < x < 2 , dan 0 untuk
x lainnya. Tentukan PDF dari Y = tan(X). PDF yang diperoleh
merupakan PDF dari distribusi Cauchy.

21. Misalkan X mempunyai PDF f (x) = 4x3 , 0 < x < 1, dan 0 untuk x
lainnya. Tentukan PDF dari Y = ln X 4 .

22. Misalkan X mempunyai PDF f (x) = 31 , 1 < x < 2, dan 0 untuk x


lainnya. Tentukan CDF dan PDF dari Y = X 2 . Petunjuk. Tentukan

34
Nunung Nurhayati Pengantar Teori Peluang

P (X 2 y) untuk dua kasus: 0 y < 1 dan 1 y < 4.

23. Median distribusi suatu variabel acak X adalah nilai x sedemikian


sehingga P (X < x) 12 dan P (X x) 21 . Jika X kontinu, nilai
P (X < x) = P (X x) = 12 . Tentukan median dari distribusi berikut:
4! 1 x 3 4x
(a) p(x) = x!(4x)! ( 4 ) ( 4 ) , x = 0, 1, 2, 3, 4, dan 0 untuk x lainnya.
(b) f (x) = 2
3x , 0 < x < 1, dan 0 untuk x lainnya.
1
(c) f (x) = (1+x2 )
, < x < , dan 0 untuk x lainnya.

24. Persentil ke 100p dari distribusi suatu variabel acak X, dengan 0 <
p < 1, adalah nilai p sedemikian sehingga P (X < p ) p dan P (X
p ) p. Jika X kontinu, nilai P (X < p ) = P (X p ) = p. Tentukan
persentil ke 20 dari distribusi dengan PDF f (x) = 4x3 , 0 < x < 1,
dan 0 untuk x lainnya.

25. Tentukan CDF dari masing-masing PDF berikut:


(a) f (x) = 3(1 x)2 , 0 < x < 1, dan 0 untuk x lainnya.
(b) f (x) = 1/x2 , 1 < x < , dan 0 untuk x lainnya.
(c) f (x) = 1/3, 0 < x < 1 atau 2 < x < 4, dan 0 untuk x lainnya.
Gambarkan pula sketsa grafik PDF dan CDF dari masing-masing
distribusi tersebut.

26. Tentukan median dan persentil ke 25 dari masing-masing distribusi


pada soal No. 25.

1.7 Ekspektasi
Ekspektasi, dinotasikan E, merupakan operator yang mentransformasi
variabel acak menjadi suatu skalar. Pendefinisian ekspektasi tergantung
dari jenis variabel acaknya, kontinu atau diskrit.

Definisi 1.7.1. Misal X variabel acak.


R
(a) Jika X kontinu dengan PDF f (x) dan |x|f (x)dx < maka
R
ekspektasi dari X adalah E[X] = xf (x)dx
P
(b) Jika X diskrit dengan PMF p(x) P dan x |x|p(x) < maka
ekspektasi dari X adalah E[X] = x xp(x).

Definisi 1.7.1 menyatakan bahwa E[X] ada jika dan hanya jika E[|X|] < .

35
Nunung Nurhayati Pengantar Teori Peluang

Contoh 1.7.1. Jika PMF dari X adalah:


4 1 3 2
p(1) = , p(2) = , p(3) = , p(4) = ,
10 10 10 10
dan p(x) = 0 untuk x lainnya, maka

X 4
X
E[X] = xp(x) = xp(x)
x x=1
       
4 1 3 2 23
= (1) + (2) + (3) + (4) = . 
10 10 10 10 10

Contoh 1.7.2. Jika X variabel acak dengan PDF

4x3 , 0 < x < 1



fX (x) = ,
0, x lainnya

maka 1
1
4x5
Z Z
4 4
E[X] = xf (x)dx = 4x dx = = . 
0 5 0 5

Sifat-sifat Ekspektasi.

Teorema 1.7.1 (Ekspektasi dari fungsi variabel acak). Misal g(X) fungsi
dari variabel acak X.
R
(a) Misal X kontinu dengan PDF fX (x). Jika |g(x)|fX (x)dx <
maka E[g(X)] ada dan
Z
E[g(X)] = g(x)fX (x)dx

(b) Misal
P X diskrit dengan PMF pX (x) dan support SX . Jika
xSX |g(x)|pX (x) < maka E[g(X)] ada dan
X
E[g(X)] = g(x)pX (x).
xSX

Teorema 1.7.2 (Sifat linier dari ekspektasi). Misal g(X) dan h(X) fungsi
dari variabel acak X. Jika E[g(X)] dan E[h(X)] ada maka untuk suatu skalar
k1 , k2 R, ekspektasi dari k1 g(X) + k2 h(X) ada dan

E[k1 g(X) + k2 h(X)] = k1 E[g(X)] + k2 E(h(X)).

36
Nunung Nurhayati Pengantar Teori Peluang

Contoh 1.7.3. Jika X variabel acak dengan PDF



2(1 x), 0 < x < 1
f (x) =
0, x lainnya

Tentukan E[6X + 3X 2 ].

Penyelesaian
Z Z 1
1
E[X] = xf (x)dx = (2x 2x2 ) dx = ,
0 3
Z Z 1
1
E[X 2 ] = x2 f (x)dx = (2x2 2x3 ) dx = ,
0 6

maka

E[6X + 3X 2 ] = 6E[X] + 3E[X 2 ] = 6( 31 ) + 3( 16 ) = 25 . 

Contoh 1.7.4. Jika X variabel acak dengan PMF


x
, x = 1, 2, 3
p(x) = 6
0, x lainnya

Tentukan E[X 3 ] dan E[X]3 .

Penyelesaian
3
X X x4 1 16 81 98 49
E[X 3 ] = x3 p(x) = = + + = = .
x
6 6 6 6 6 3
x=1

Sementara itu,
3
X x2 1 4 9 14 7
E[X] = = + + = =
6 6 6 6 6 3
x=1

sehingga E[X]3 = ( 37 )3 = 147


9 6= 49
3 . 

Contoh 1.7.4 memperlihatkan bahwa berbeda dengan penjumlahan atau


perkalian skalar, secara umum ekspektasi perkalian tidak sama dengan
perkalian ekspektasi.

37
Nunung Nurhayati Pengantar Teori Peluang

Beberapa bentuk ekspektasi khusus. Berikut ini beberapa bentuk


ekspektasi yang diberi nama khusus karena mempunyai interpretasi yang
sangat penting dalam statistika. Bentuk ekspektasi tersebut adalah mean
(rataan), variansi, skewness (kemiringan), kurtosis (kelancipan), MGF, dan
fungsi karakteristik.

Definisi 1.7.2 (Mean). Misal X variabel acak. Jika E[X] ada, mean dari
X, dinotasikan , didefinisikan sebagai = E[X].

Mean dari X disebut juga momen pertama dari X. Secara umum, jika
E[X m ] ada, maka E[X m ] disebut momen ke-m, dengan m = 1, 2, 3, . . .

Definisi 1.7.3 (Variansi, Skewness, dan Kurtosis). Misal X variabel acak.


(a) Jika E[(X )2 ] ada dan berhingga, variansi dari X, dinotasikan
Var(X) atau 2 , didefinisikan sebagai

Var(X) = 2 = E[(X )2 ].
p
Selanjutnya, = Var(X) disebut standar deviasi dari X.
(b) Jika E[(X )3 ] ada, skewness dari X didefinisikan sebagai

Skew(X) = E[(X )3 ]/ 3 .

(b) Jika E[(X )4 ] ada, kurtosis dari X didefinisikan sebagai

Kurt(X) = E[(X )4 ]/ 4 .

Karena ekspektasi E merupakan operator linier maka Var(X) juga dapat


ditulis sebagai
Var(X) = E[X 2 ] 2
Bukti. Dari definisi variansi,

Var(X) = E[(X )2 ] = E[X 2 2X + 2 ]

Karena E bersifat linier maka

Var(X) = E[X 2 ] 2E[X] + 2 = E[X 2 ] 22 + 2 = E[X 2 ] 2 .

38
Nunung Nurhayati Pengantar Teori Peluang

Contoh 1.7.5. Misal PDF dari X adalah

1 (x + 1), 1 < x < 1


f (x) = 2
0, x lainnya

Tentukan mean dan variansi dari X.

Penyelesaian. Mean dari X adalah


Z 1
1 1 2
Z Z
1 1
= E[X] = xf (x) dx = x (x + 1) dx = (x + x) dx =
1 2 2 1 3

Karena Z Z 1
1 1
E[X 2 ] = x2 f (x) dx = (x3 + x2 ) dx =
2 1 3
maka variansinya adalah
 2
12 2 1 2
Var(X) = E[X ] = = . 
3 3 9

Contoh berikut memperlihatkan bahwa tidak semua variabel acak


mempunyai mean. Hal ini dapat terjadi ketika syarat keberadaan ekspektasi
tidak dipenuhi, yaitu ketika nilai E[|X|] tidak konvergen.

Contoh 1.7.6. Misal PDF dari X adalah

1 , 1<x<

f (x) = x2
0, x lainnya

Tunjukkan bahwa mean dari X tidak ada.

Penyelesaian. Mean dari X tidak ada karena


Z Z
1
E[|X|] = |x|f (x) dx = |x| 2 dx
1 x
Z b
1
= lim dx = lim (ln b ln 1) = lim ln b = .
b 1 x b b

Jadi mean dari X tidak ada. 

39
Nunung Nurhayati Pengantar Teori Peluang

Definisi 1.7.4 (MGF dan fungsi karakteristik). Misal X variabel acak.


(a) Misal terdapat h > 0 sehingga E[etX ] ada untuk setiap t (h, h).
Moment generating function atau MGF dari X didefinisikan sebagai
M (t) = E[etX ].

(b) Misal i bilangan imajiner dan t R. Fungsi karakteristik dari X didefi-


nisikan sebagai X (t) = E[eitX ]. Fungsi karakteristik juga dapat ditulis
dalam bentuk fungsi kompleks M (it).

Contoh 1.7.7. Diketahui PMF dari X


1 2 x1
( 
3 3 , x = 1, 2, 3, . . .
p(x) =
0, x lainnya

maka MGF dari X


 x1
tx 1 2
X
tX
M (t) = E[e ]= e
3 3
x=1

1 t X t(x1) 2 x1
 
= e e
3 3
x=1

1 X t 2 x1
 
= et e
3 3
x=1
2 t 1
 
1 t 1 1 t
= e = e 1 e
3 1 32 et 3 3

dengan syarat 23 et < 1 atau t < ln(3/2).

Teorema 1.7.3. Misalkan MX (t) dan MY (t) masing-masing MGF dari


X dan Y yang terdefinisi pada interval buka (h, h) untuk suatu h > 0.
Maka untuk setiap z R,

FX (z) = FY (z) MX (t) = MY (t)

untuk setiap t (h, h).

Teorema 1.7.3 menyatakan bahwa jika MGF suatu variabel acak ada, maka
distribusi dari variabel acak tersebut hanya berkaitan dengan satu MGF,
begitu pula sebaliknya. Dengan kata lain, MGF dapat mengidentifikasi
distribusi suatu variabel acak secara tunggal (unique). Dalam teknik MGF,
distribusi yang ingin dicari dapat diperoleh dengan membandingkan MGF

40
Nunung Nurhayati Pengantar Teori Peluang

yang diberikan dengan tabel MGF dari distribusi-distribusi yang sudah


umum dikenal (Tabel 1.1 atau Tabel 1.2).

Tabel 1.1. PMF dan MGF dari distribusi diskrit

Distribusi PMF MGF M (t)


p(1 p)x1 , x = 1, 2, . . . pet

Geometrik p(x) =
0, x lainnya 1 (1 p)et
X Geo(p)
n
( 
x px (1 p)nx , x = 0, 1, 2, . . .
Binomial p(x) = (pet + (1 p))n
X B(n, p) 0, x lainnya
e x
(
x! , x = 0, 1, 2, . . . t
1)
Poisson X p(x) = e(e
Poi() 0, x lainnya

Tabel 1.2. PDF dan MGF dari distribusi kontinu

Distribusi PDF MGF M (t)


et 1

1, 0 < x < 1
Uniform f (x) =
0, x lainnya t
X U (0, 1)
ex ,

x0
Eksponensial f (x) =
0, x<0 t
X exp()
1
Laplace f (x) = 12 e|x| , < x <
1 t2

Teknik MGF mudah digunakan tetapi mempunyai kelemahan, yaitu tidak


semua distribusi mempunyai MGF.

Contoh 1.7.8. Misal MGF dari variabel acak diskrit X adalah


1 t 2 2t 3 3t 4 4t
M (t) = 10 e + 10 e + 10 e + 10 e , tR (1.7.1)

Tentukan PMF dari X.

Penyelesaian. Misal p(x) PMF dari X. Berdasarkan Definisi 1.7.4(a),


MGF untuk X diskrit adalah
X
M (t) = E[etx ] = etx p(x).
x

41
Nunung Nurhayati Pengantar Teori Peluang

Karena persamaan (1.7.1) dapat ditulis sebagai


1 t 2 2t 3 3t
4 4t
M (t) = 10 e + 10 e + 10 e
+ 10 e
4 4
X x tx X x X
= e = etx = etx p(x)
10 10 x
x=1 x=1

dan dari sifat ketunggalan MGF, maka fungsi


x
, x = 1, 2, 3, 4
p(x) = 10
0, x lainnya

merupakan PMF dari X. 

Contoh 1.7.9. Misal diberikan MGF dari X


1
M (t) = , t<1 (1.7.2)
1t
Tentukan PDF dari X.

Penyelesaian. Misal f (x) PDF dari X. Berdasarkan Definisi 1.7.4(b),


MGF untuk X kontinu adalah
Z
tx
M (t) = E[e ] = etx f (x)dx.

Dari Tabel 1 terlihat bahwa distribusi yang memiliki MGF seperti pada
persamaan (1.7.2) adalah distribusi eksponensial dengan parameter = 1.
Dari sifat ketunggalan MGF, maka PDF dari X adalah
 x
e , 0<x<
f (x) =
0, x lainnya

Bukti bahwa PDF tersebut mempunyai MGF seperti pada persamaan (1.7.2)
adalah sebagai berikut:
Z Z
M (t) = E[etx ] = etx f (x)dx = etx ex dx
0
Z
ex(t1) 1
= ex(t1) dx = = . 

0 t1 1t
0

Pada contoh berikut diperlihatkan tidak semua distribusi mempunyai MGF.


Hal ini terjadi ketika tidak ada selang buka (h, h) dengan h > 0, sehingga

42
Nunung Nurhayati Pengantar Teori Peluang

M (t) terdefinisi pada selang tersebut.

Contoh 1.7.10. Misal distribusi dari X dinyatakan dalam PMF berikut

6 , x = 1, 2, 3, . . .

p(x) = 2 x2
0, x lainnya

Tunjukkan bahwa MGF dari X tidak ada

Penyelesaian. Seandainya ada, MGF dari X adalah



X X 6etx
M (t) = E[etX ] = etx p(x) =
x
2 x2
x=1

Tetapi, melalui uji rasio dapat ditunjukkan bahwa deret tersebut divergen
untuk t > 0. Akibatnya, tidak ada h positif sehingga M (t) ada (konvergen)
pada h < t < h. Jadi MGF dari X tidak ada. 

Berikut ini akan dijelaskan bahwa untuk m Z+ , hubungan MGF M (t)


dengan momen ke-m adalah

M (m) (0) = E[X m ]

dengan M (m) (0) menyatakan turunan ke-m dari M (t) di titik t = 0.

Eksistensi M (t) pada (h, h) menjamin eksistensi turunan ke-m dari MGF
di t = 0, atau M (m) (0), untuk setiap m Z+ .

Turunan Pertama M 0 (t). Jika X kontinu, turunan pertama dari M (t)


adalah
d tx
Z Z Z
d d tx
M 0 (t) = M (t) = e f (x)dx = e f (x)dx = xetx f (x)dx
dt dt dt

dan jika X diskrit,


d d X tx X d X
M 0 (t) = M (t) = e p(x) = etx p(x) = xetx p(x)
dt dt x x
dt x

Akibatnya untuk t = 0, baik untuk kasus kontinu maupun diskrit,

M 0 (0) = E[X] = . (1.7.3)

Persamaan (1.7.3) memberikan cara lain untuk menentukan mean dari X.

43
Nunung Nurhayati Pengantar Teori Peluang

Turunan Kedua M 00 (t). Jika X kontinu, turunan kedua dari M (t) adalah
Z X
00
M (t) = x2 etx f (x)dx atau M 00 (t) = x2 etx p(x)
x

sehingga
M 00 (0) = E[X 2 ]. (1.7.4)
Dari persamaan (1.7.3) dan (1.7.4), dapat diperoleh rumus baru untuk
menghitung variansi yaitu

Var(X) = E[X 2 ] 2 = M 00 (0) (M 0 (0))2 (1.7.5)

Secara umum, jika m Z+ , turunan ke-m dari M (t) dapat dinyatakan


sebagai momen ke-m.
M (m) (0) = E[X m ].
Bila M (m) (t) ada untuk setiap m = 1, 2, . . . , bentuk umum E[X m ] dapat
dicari dengan menguraikan M (t) sebagai deret Maclaurin:

M 0 (0) M 00 (0) 2 M (m) (0) m


M (t) = M (0) + t+ t + + t +
1! 2! m!
E[X] E[X 2 ] 2 E[X]m m
=1+ t+ t + + t + (1.7.6)
1! 2! m!

Contoh 1.7.11. Tentukan momen ke-m dari variabel acak X yang


mempunyai MGF
2
M (t) = et /2 , < t < .

2 /2
Penyelesaian. Representasi et sebagai deret Maclaurin adalah
 2  k
1 t2 1 t2 1 t2
 
t2 /2
e =1+ + + + +
1! 2 2! 2 k! 2
1 (3)(1) 4 (2k 1)(2k 3) (3)(1) 2k
= 1 + t2 + t + + t +
2! 4! (2k)!
(1.7.7)

Jika persamaan (1.7.6) dan (1.7.7) dibandingkan untuk setiap suku yang
bersesuaian, akan diperoleh rumus umum untuk momen ke-m dari X ketika

44
Nunung Nurhayati Pengantar Teori Peluang

m = 2k dan m = 2k 1, k = 1, 2, 3, . . . , yaitu

(2k)!
E[X 2k ] = (2k 1)(2k 3) (3)(1) = , k = 1, 2, 3, . . . ,
2k k!
E[X 2k1 ] = 0, k = 1, 2, 3, . . .

Hasil ini selanjutnya akan digunakan untuk pembahasan di Bab 3. 

Latihan 1.6

1. Misalkan X mempunyai PDF, f (x) = (x + 2)/18, 2 < x < 4, dan 0


untuk x lainnya. Tentukan E[X], E[(X + 2)3 ], dan E[6X 2(X + 2)3 ].

2. Misalkan X mempunyai PMF, p(x) = 1/5, x = 1, 2, 3, 4, 5, dan 0


untuk x lainnya. Tentukan E[X] dan E[X 2 ]. Gunakan hasilnya untuk
menghitung E[(X + 2)2 ].

3. Misal X mempunyai PDF, f (x) = 2x, 0 < x < 1, dan 0 untuk x


lainnya.
(a) Hitung E[1/X]
(b) Tentukan CDF dan PDF dari Y = 1/X
(c) Hitung E[Y ] berdasarkan PDF pada bagian (b)

4. Misal X mempunyai PDF, f (x) = 3x2 , 0 < x < 1, dan 0 untuk x


lainnya.
(a) Hitung E[X 3 ]
(b) Tentukan distribusi dari Y = X 3 .
(c) Hitung E[Y ] berdasarkan PDF pada bagian (b)

5. Jika ada, tentukan mean dan variansi dari masing-masing distribusi


berikut:
3! 1 3
(a) p(x) = x!(3x)! ( 2 ) , x = 0, 1, 2, 3 dan 0 untuk x lainnya.
(b) f (x) = 6x(1 x), 0 < x < 1 dan 0 untuk x lainnya.
2
(c) p(x) = 3 , 1 < x < dan 0 untuk x lainnya.
x

6. Misal X mempunyai PMF, p(x) = ( 21 )x , x = 0, 1, 2, 3 dan 0 untuk x


lainnya. Tentukan MGF, mean, dan variansi dari X.

7. Untuk masing-masing distribusi berikut, hitung P ( 2 < X <


+ 2).

45
Nunung Nurhayati Pengantar Teori Peluang

(a) f (x) = 6x(1 x), 0 < x < 1 dan 0 untuk x lainnya.


(b) p(x) = ( 21 )x , x = 0, 1, 2, 3 dan 0 untuk x lainnya.

8. Jika variansi dari X ada, tunjukkan bahwa

E[X 2 ] (E[X])2 .

9. Misal variabel acak X mempunyai mean , standar deviasi , dan


MGF M (t), h < t < h. Tunjukkan bahwa
"  #
X 2
 
X
E = 0, E = 1,

dan      
X t/ t
E exp t =e M

10. Tunjukkan bahwa variabel acak X dengan PDF f (x) = 31 , 1 < x < 2
dan 0 untuk x lainnya mempunyai MGF

2et et
M (t) = , t 6= 0 ,
1, 3t t = 0.

11. Gambarkan grafik fungsi-fungsi berikut dan tentukan skewness dan


kurtosis dari X.
(a) f (x) = (x + 1)/2, 1 < x < 1 dan 0 untuk x lainnya
(b) 1/2, 1 < x < 1 dan 0 untuk x lainnya
(c) (1 x)/2, 1 < x < 1 dan 0 untuk x lainnya

12. Misal variabel acak X mempunyai PMF,



p, x = 1, 1
p(x) = 1 2p, x = 0
0, x lainnya,

dengan 0 < p < 21 . Tentukan kurtosis dari X sebagai fungsi dari p.


Tentukan pula nilai kurtosis ketika p = 31 , p = 15 , p = 10
1 1
, dan p = 100 .

46
Nunung Nurhayati Pengantar Teori Peluang

13. Tentukan mean dan variansi dari distribusi dengan CDF




0, x<0
x/8, 0x<2

F (x) =

x2 /16, 2 x < 4
1, x 4.

14. Tentukan momen dari distribusi dengan MGF, M (t) = (1t)3 , t < 1.

15. Misal variabel acak X mempunyai PMF, p(x) = 1/k, x = 1, 2, . . . , k,


dan 0 untuk x lainnya. Tunjukkan bahwa MGF dari X adalah
t
e (1 ekt )
, t 6= 0
M (t) = k(1 ek t)
1, t = 0.

16. Misal variabel acak X mempunyai PDF, f (x) dan MGF M (t). Jika f
simetri di sekitar 0 sehingga f (x) = f (x), tunjukkan bahwa M (t) =
M (t).

17. Misal variabel acak X mempunyai PDF, f (x) = 1 ex/ , 0 < x < ,
dan 0 untuk x lainnya. Tentukan MGF, mean, dan variansi dari X.

1.8 Ketaksamaan dalam Peluang


Teorema 1.8.1. Misal X variabel acak dan m bilangan bulat positif
sehingga E[X m ] ada. Jika k bilangan bulat positif dan k m, maka E[X k ]
ada.

Bukti. Bukti berikut hanya diberikan untuk kasus kontinu. Pembuktian


untuk kasus diskrit dapat diselesaikan melalui penggantian notasi integral
dengan jumlah. Misal f (x) PDF dari X, maka
Z Z Z
k k
|x| f (x)dx = |x| f (x)dx + |x|k f (x)dx
|x|1 |x|>1
Z Z
f (x)dx + |x|m f (x)dx
|x|1 |x|>1
Z Z
f (x)dx + |x|m f (x)dx

1 + E[|X|m ] < . 

47
Nunung Nurhayati Pengantar Teori Peluang

Akibat dari Teorema 1.8.1, jika Var(X) = 2 < maka dijamin = E[X]
ada.

Teorema 1.8.2 (Ketaksamaan Markov). Misal u(X) fungsi nonnegatif


dari variabel acak X. Jika E[u(X)] ada, maka untuk setiap c > 0,

u(X)
P [u(X) c]
c

Teorema 1.8.3 (Ketaksamaan Chebyshev). Jika 2 < maka untuk


setiap k > 0,
1
P (|X | k) (1.8.1)
k2
atau
1
P [|X | < k] 1
k2

Bukti. Dengan memisalkan u(X) = (X )2 dan c = k 2 2 pada ketak-


samaan Markov maka diperoleh

E[(X )2 ]
P [(X )2 k 2 2 ]
k2 2
Karena E[(X )2 ] = 2 maka
1
P (|X | k) . 
k2

Contoh 1.8.1. Diberikan X dengan PDF




1
, 3<x< 3
f (x) = 2 3
0, x lainnya

Dapat dihitung mean dari X adalah = 0 dan variansinya 2 = 1. Jika


k = 32 , maka
  Z 3/2

3 1 3
P (|X | k) = P |X| =1 dx = 1 = 0, 134.
2 3/2 2 3 2

Tanpa menghitung nilai peluang tersebut, sebetulnya kita bisa menen-


tukan batas atasnya, yaitu dengan menggunakan ketaksamaan Chebyshev.
Berdasarkan persamaan (1.8.1), batas atas dari P (|X | k) adalah
1/k 2 = 94 = 0, 444. Jika k = 2, maka P (|X | k) = P (|X| 2) = 0.

48
Nunung Nurhayati Pengantar Teori Peluang

Nilai peluang ini pasti lebih kecil dari batas atasnya yaitu 1/k 2 = 14 . Keber-
adaan batas atas ini dijamin oleh ketaksamaan Chebyshev.

Definisi 1.8.1 (Fungsi konveks). Fungsi yang terdefinisi pada interval


(a, b) dikatakan konveks jika untuk setiap x, y (a, b) dan (0, 1)

[x + (1 )y] (x) + (1 )(y)

Untuk fungsi yang diferensiabel, sifat konveks dapat diidentifikasi dengan


menggunakan teorema berikut:

Teorema 1.8.4. (a) Jika diferensiabel di (a, b) maka

konveks 0 (x) 0 (y)

untuk setiap a < x < y < b, dan

strictly convex 0 (x) < 0 (y)

untuk setiap a < x < y < b,


(b) Jika mempunyai turunan kedua di (a, b) maka

konveks 00 (x) 0,

untuk setiap a < x < b, dan

strictly convex 00 (x) > 0,

untuk setiap a < x < b.

Teorema 1.8.5 (Ketaksamaan Jensen). Misal fungsi konveks pada


interval buka I dan X variabel acak sehingga I SX dan E[X] < ,
maka
(E[X]) E[(X)]

Latihan 1.7

1. Misal X variabel acak sehingga P (X 0) = 0 dan = E[X] ada.


Tunjukkan P (X 2) 21 .

2. Jika X variabel acak sehingga E[X] = 3 dan E[X 2 ] = 13, gunakan


ketaksamaan Chebyshev untuk menentukan batas bawah dari P (2 <
X < 8).

49
Nunung Nurhayati Pengantar Teori Peluang

3. Misal X variabel acak positif (P (X 0) = 0). Tunjukkan bahwa


(a) E[1/X] 1/E[X]
(b) E[ ln X] ln(E[X])
(c) E[ln(1/X)] ln(1/E[X])
(d) E[X 3 ] (E[X])3

50
Bab 2 Distribusi Multivariat

2.1 Capaian Pembelajaran


Setelah mempelajari materi di Bab II, capaian pembelajaran yang harus
dikuasai mahasiswa adalah sebagai berikut:
1. Jika diberikan distribusi gabungan dua variabel acak, mahasiswa
mampu menentukan distribusi bersyarat, ekspektasi bersyarat, kovar-
iansi, dan koefisien korelasinya.
2. Jika diberikan distribusi gabungan dua variabel acak, mahasiswa
mampu memeriksa hubungan dua variabel acak tersebut (independen
atau tidak) dengan menggunakan definisi independen atau dengan
mengunakan sifat-sifatnya.
3. Mahasiswa mampu memperluas konsep distribusi dua variabel
(bivariat) untuk kasus multivariat.

2.2 Distribusi Bivariat


Definisi 2.2.1 (Vektor Acak Bivariat). Diberikan percobaan acak dengan
ruang sampel C. Misal X1 dan X2 variabel acak yang terdefinisi di C.
Vektor X = (X1 , X2 ) disebut vektor acak bivariat jika untuk setiap
c C, terdapat tepat satu pasangan bilangan riil (x1 , x2 ) sedemikian sehingga
X1 (c) = x1 dan X2 (c) = x2 . Selanjutnya, himpunan pasangan terurut
D = {(x1 , x2 ) : x1 = X1 (c), x2 = X2 (c), c S} disebut ruang dari (X1 , X2 ).

Contoh 2.2.1. Misal koin dengan permukaan gambar (G) dan angka (A),
dan dadu dilantunkan secara bersamaan, maka ruang sampel percobaan
acak tersebut adalah

C = {c1 = (G, 1), c2 = (G, 2), c3 = (G, 3), c4 = (G, 4), c5 = (G, 5),
c6 = (G, 6), c7 = (A, 1), c8 = (A, 2), c9 = (A, 3), c10 = (A, 4),
c11 = (A, 5), c12 = (A, 6)}.

Jika X1 variabel acak menyatakan permukaan koin dan X2 menyatakan


permukaan dadu, maka X1 dan X2 masing-masing dapat didefinisikan

51
Nunung Nurhayati Pengantar Teori Peluang

sebagai fungsi bernilai real yang didefinisikan dengan




1, c = c1 , c7




2, c = c2 , c8
1, c = c1 , c2 , . . . , c6 3, c = c3 , c9

X1 (c) = dan X2 (c) =
0, c = c7 , c8 , . . . , c12
4, c = c4 , c10
5, c = c5 , c11





6, c = c6 , c12

Misal D himpunan pasangan terurut yang didefinisikan sebagai

D = {(x1 , x2 ); x1 = 0, 1 dan x2 = 1, 2, . . . , 6}

maka vektor (X1 , X2 ) merupakan vektor acak bivariat dengan ruang D. 

Distribusi vektor acak dapat dinyatakan dalam bentuk fungsi distribusi


kumulatif (CDF) gabungan. Definisi CDF gabungan hampir serupa dengan
definisi CDF variabel acak. Perbedaan hanya terjadi pada domainnya saja,
dari R menjadi R R atau R2 .

Definisi 2.2.2 (CDF gabungan). Fungsi distribusi kumulatif (CDF)


gabungan dari vektor acak (X1 , X2 ) adalah fungsi yang terdefinisi di R2
yang memetakan setiap area (, x1 ] (, x2 ] R2 ke F (x1 , x2 ) [0, 1]
dengan aturan
F (x1 , x2 ) = P (X1 x1 , X2 x2 )
dengan P (X1 x1 , X2 x2 ) = P ({X1 x1 } {X2 x2 }).

Peristiwa {X1 x1 } {X2 x2 } merupakan penulisan singkat dari


peristiwa
{c C : X1 (c) x1 dan X2 (c) x2 }
yang merupakan subset dari ruang sampel C.

CDF dapat digunakan untuk menghitung peluang dari peristiwa (a1 , b1 ]


(a2 , b2 ] D, yaitu

P (a1 < X1 b1 , a2 < X2 b2 ) = F (b1 , b2 )F (a1 , b2 )F (b1 , a2 )+F (a1 , a2 )

Seperti pada variabel acak, distribusi vektor acak terbagi dua jenis, diskrit
dan kontinu. Distribusi diskrit ditandai oleh ruang D yang berhingga atau
tak berhingga tetapi countable, sedangkan distribusi kontinu ditandai oleh
ruang D yang kontinu dan CDF gabungan yang kontinu.

52
Nunung Nurhayati Pengantar Teori Peluang

Untuk kasus diskrit, distribusi vektor acak juga dapat dinyatakan dalam
bentuk PMF gabungan yang didefinisikan sebagai berikut:

Definisi 2.2.3 (PMF gabungan). Misal (X1 , X2 ) vektor acak dengan


ruang D. Fungsi massa peluang (PMF) gabungan didefinisikan sebagai fungsi

p(x1 , x2 ) = P (X1 = x1 , X2 = x2 ), (x1 , x2 ) D

Fungsi p(x1 , x2 ) dapat menjadi PMF jika memenuhi dua syarat berikut:
XX
(i). 0 p(x1 , x2 ) 1 dan (ii). p(x1 , x2 ) = 1
(x1 ,x2 )D

Peluang dari peristiwa B D, dapat dihitung dengan menjumlahkan nilai-


nilai PMF p(x1 , x2 ) di setiap (x1 , x2 ) B yang mungkin, atau
XX
P [(X1 , X2 ) B] = p(x1 , x2 ).
(x1 ,x2 )B

Hubungan antara CDF gabungan dengan PMF gabungan adalah


X X
F (x1 , x2 ) = p(w1 , w2 )
w1 x1 w2 x2

Definisi 2.2.4 (PMF marjinal). Misal vektor acak (X1 , X2 ) mempunyai


PMF gabungan p(x1 , x2 ). Jika DX1 ruang X1 dan DX2 ruang X2 , maka
PMF marjinal untuk X1 adalah
X
p1 (x1 ) = p(x1 , x2 ), x1 DX1
x2

dan PMF marjinal untuk X2 adalah


X
p2 (x2 ) = p(x1 , x2 ), x2 DX2
x1

Dengan kata lain, ketika penjumlahan PMF gabungan dilakukan hanya di


sepanjang x2 DX2 , maka fungsi yang dihasilkan akan merupakan fungsi
dari x1 saja, yaitu p1 (x1 ). Fungsi ini selanjutnya disebut PMF marjinal
untuk X1 . Sebaliknya, ketika penjumlahan PMF gabungan dilakukan hanya
di sepanjang x1 DX1 , maka maka fungsi yang dihasilkan merupakan fungsi
dari x2 saja, yaitu p2 (x2 ). Fungsi ini selanjutnya disebut PMF marjinal
untuk X2 .

53
Nunung Nurhayati Pengantar Teori Peluang

Contoh 2.2.2. Berikut contoh PMF gabungan dari (X1 , X2 ) dan PMF
marjinalnya, p1 (x1 ) dan p2 (x2 ).

x1
x1
x2 1 2 3 p2 (x2 )
x2 1 2 3
1 1 2 4
1 10 10 10 10
1 1 2
1 10 10 10 1 2 3 6
2 10 10 10 10
1 2 3
2 10 10 10 2 3 5
p1 (x1 ) 10 10 10

Dalam hal ini, PMF marjinal untuk X1


1 1 2


p(1, 1) + p(1, 2) = 10 + 10 = 10 , jika x1 = 1



1 2 3
p1 (x1 ) = p(2, 1) + p(2, 2) = 10 + 10 = 10 , jika x1 = 2




2 3 5
p(3, 1) + p(3, 2) = 10 + 10 = 10 , jika x1 = 3,

dan PMF marjinal untuk X2


1 1 2 4

p(1, 1) + p(2, 1) + p(3, 1) = 10 + 10 + 10 = 10 , jika x2 = 1
p2 (x2 ) =
1 2 3 6
p(1, 2) + p(2, 2) + p(3, 2) = + + = 10 , jika x2 = 2. 

10 10 10

Definisi 2.2.5 (PDF gabungan). Misal vektor acak (X1 , X2 ) mempunyai


CDF gabungan F (x1 , x2 ). Jika F kontinu dan dapat dinyatakan dalam
bentuk integral lipat dua, yaitu
Z x1 Z x2
F (x1 , x2 ) = f (w1 , w2 ) dw1 dw2

untuk setiap (x1 , x2 ) R2 , maka fungsi

2 F (x1 , x2 )
f (x1 , x2 ) =
x1 x2
disebut fungsi densitas peluang (PDF) gabungan dari (X1 , X2 ).

Fungsi f (x1 , x2 ) dapat menjadi PDF gabungan jika memenuhi syarat:


Z Z
(i). f (x1 , x2 ) 0 dan (ii). f (x1 , x2 ) dx = 1
(x1 ,x2 )D

54
Nunung Nurhayati Pengantar Teori Peluang

Peluang dari peristiwa B D, dapat dihitung dengan mengintegralkan PDF


f (x1 , x2 ) di setiap (x1 , x2 ) B yang mungkin, atau
Z Z
P [(X1 , X2 ) B] = f (x1 , x2 ) dx1 dx2 .
(x1 ,x2 )B

Nilai P [(X1 , X2 ) B] dapat diinterpretasikan sebagai volume di bawah


permukaan z = f (x1 , x2 ) yang dibatasi pada area B.

Contoh 2.2.3. Jika PDF dari vektor acak (X1 , X2 ).

6 x21 x2 , 0 < x1 < 1, 0 < x2 < 1



f (x1 , x2 ) =
0, x1 , x2 lainnya,

maka
Z 2 Z 3/4
3 1
P (0 < X1 < 4, 3 < X2 < 2) = f (x1 , x2 ) dx1 dx2
1/3 0
Z 1 Z 3/4 Z 2 Z 3/4
= 6 x21 x2 dx1 dx2 + 0 dx1 dx2
1/3 0 1 0
3 3
= +0= 
8 8

Definisi 2.2.6 (PDF marjinal). Misal (X1 , X2 ) vektor acak dengan PMF
gabungan f (x1 , x2 ). Jika DX1 dan DX2 masing-masing ruang untuk X1 dan
X2 , maka PDF marjinal untuk X1 adalah
Z
f (x1 ) = f (x1 , x2 ) dx2 , x1 DX1

dan PDF marjinal untuk X2 adalah


Z
f (x2 ) = f (x1 , x2 ) dx1 , x2 DX2

Contoh 2.2.4. Jika X1 dan X2 mempunyai PDF gabungan



x1 + x2 , 0 < x1 < 1, 0 < x2 < 1
f (x1 , x2 ) =
0, x1 , x2 lainnya

55
Nunung Nurhayati Pengantar Teori Peluang

maka PDF marjinal untuk X1


Z 1
f1 (x1 ) = (x1 + x2 )dx2 = x1 + 12 , 0 < x1 < 1
0

dan 0 untuk yang lainnya.

Sementara itu, PDF marjinal untuk X2


Z 1
1
f2 (x2 ) = (x1 + x2 )dx1 = 2 + x2 , 0 < x2 < 1.
0

dan 0 untuk yang lainnya.

Peluang P (X1 21 ) dapat dihitung berdasarkan f (x1 , x2 ) atau berdasarkan


f (x1 ).
Z 1/2 Z 1/2
1
P (X1 2) = f1 (x1 ) dx1 = (x1 + 21 ) dx1 = 3
8
0 0

Tetapi, untuk menghitung peluang P (X1 + X2 1) hanya dapat didasarkan


pada PDF gabungan f (x1 , x2 ).

P (X1 + X2 1) = P (0 < X1 < 1 , X2 1 X1 )


Z 1 Z 1x1
= (x1 + x2 ) dx2 dx1
0 0
Z 1
(1 x1 )2

= x1 (1 x1 ) + dx1
0 2
Z 1 
1 1 2 1
= x1 dx1 = .
0 2 2 3

Pada perhitungan tersebut, untuk 0 < x1 < 1, batas pengintegralan untuk


x2 diperoleh berdasarkan hubungan x1 + x2 1 yang ekivalen dengan x2
1 x1 . Karena nilai x1 terbesar adalah 1 maka nilai x2 terkecil adalah 0,
sehingga batas batas pengintegralan untuk x2 adalah 0 < x2 1x1 . 

Ekspektasi. Konsep ekspektasi dari variabel acak dapat diperluas untuk


kasus vektor acak. Sifat linieritas ekspektasi berlaku juga pada kasus vektor
acak.

Definisi 2.2.7 (Ekspektasi fungsi dua variabel acak). Misal (X1 , X2 )


vektor acak dan Y = g(X1 , X2 ) fungsi bernilai real (g : R2 R).

56
Nunung Nurhayati Pengantar Teori Peluang

(a) Jika (X1 , X2 ) kontinu dan


Z Z
|g(x1 , x2 )| f (x1 , x2 ) dx1 dx2 < ,

maka E[Y ] ada dan


Z Z
E[Y ] = g(x1 , x2 )f (x1 , x2 ) dx1 dx2

(b) Jika (X1 , X2 ) diskrit dan


XX
|g(x1 , x2 )| f (x1 , x2 ) < ,
x1 x2

maka E[Y ] ada dan


XX
E[Y ] = g(x1 , x2 )f (x1 , x2 )
x1 x2

Teorema 2.2.1 (Ekspektasi sebagai operator linier). Misal (X1 , X2 )


vektor acak. Misalkan pula Y1 = g(X1 , X2 ) dan Y2 = g(X1 , X2 )
variabel-variabel acak yang mempunyai ekspektasi. Jika k1 , k2 bilangan real
sembarang, maka

E[k1 Y1 + k2 Y2 ] = k1 E[Y1 ] + k2 E[Y2 ]

Misal (X1 , X2 ) vektor acak. Ekspektasi E[g(X2 )] dapat dihitung dalam dua
cara, berdasarkan PDF gabungannya
Z Z
E[g(X2 )] = g(x2 )f (x1 , x2 ) dx1 dx2

atau berdasarkan PDF marjinal untuk X2


Z
E[g(X2 )] = g(x2 )f (x2 ) dx2 .

Persamaan terakhir diperoleh karena


Z Z Z Z 
g(x2 )f (x1 , x2 ) dx1 dx2 = g(x2 ) f (x1 , x2 ) dx1 dx2

Z

= g(x2 )f (x2 ) dx2 .


57
Nunung Nurhayati Pengantar Teori Peluang

Contoh 2.2.5. Misal X1 dan X2 mempunyai PDF gabungan



8 x1 x2 , 0 < x1 < x2 < 1
f (x1 , x2 ) =
0, untuk yang lainnya.

Tentukan E[X1 X22 ], E[X2 ], dan E[7X1 X22 + 5X2 ].

Penyelesaian. Berdasarkan Definisi 2.2.7,


Z Z
2
E[X1 X2 ] = x1 x22 f (x1 , x2 ) dx1 dx2

Z1 Z x2 Z 1
8
= 8 x21 x32 dx1 dx2 = 8
3 x62 dx2 = ,
0 0 0 21

dan
Z 1 Z x2 Z 1
4
E[X2 ] = x2 (8x1 x2 ) dx1 dx2 = x2 (4x32 ) dx2 = .
0 0 0 5

Akibatnya,
20
E[7X1 X22 + 5X2 ] = 7E[X1 X22 ] + 5E[X2 ] = (7)( 21
8
) + (5)( 54 ) = . 
3

Contoh 2.2.6. Misal X1 dan X2 mempunyai PDF gabungan seperti


pada Contoh 2.2.5. Jika Y = X1 /X2 , tentukan E[Y ] dengan dua cara,
berdasarkan PDF dari Y, dan berdasarkan Definisi 2.2.7.

Penyelesaian.
(a) PDF dari Y dapat ditentukan melalui teknik CDF. Diketahui 0 <
x1 < x2 < 1 dan Y = X1 /X2 , maka ruang dari Y adalah DY = {y :
0 < y < 1}. Karena

Y = X1 /X2 X1 = Y X2 ,

maka untuk 0 < y < 1,


 
X1
FY (y) = P (Y y) = P y
= P (X1 yx2 )
X2
Z 1 Z yx2 Z 1
= 8 x1 x2 dx1 dx2 = 4y 2 x32 dx2 = y 2 ,
0 0 0

58
Nunung Nurhayati Pengantar Teori Peluang

sehingga PDF dari Y



d 2y, 0 < y < 1
fY (y) = FY (y) =
dy 0, y lainnya.

Akibatnya, Z 1
2
E[Y ] = y(2y) dy =
0 3
(b) Berdasarkan Definisi 2.2.7,
  Z 1 Z x2   Z 1
X1 x1 8 3 2
E[Y ] = E = 8 x1 x2 dx1 dx2 = x2 dx2 = . 
X2 0 0 x2 0 3 3

Definisi 2.2.8 (Ekspektasi vektor acak). Misal X = (X1 , X2 ) vektor acak.


Jika E[X1 ] dan E[X2 ] ada maka vektor
 
E[X1 ]
E[X] =
E[X2 ]

disebut ekspektasi dari vektor acak X.

Mean dan matriks variansi-kovariansi. Misal X = (X1 , X2 ) vektor


acak. Jika mean 1 = E[X1 ] dan 2 = E[X2 ] ada, maka vektor
   
E[X1 ] 1
= E[X] = =
E[X2 ] 2

disebut mean dari vektor acak X, dan matriks

Cov(X) = E[(X )(X )0 ] (2.2.1)

disebut matriks variansi-kovariansi dari vektor acak X.

Matriks pada persamaan (2.2.1) dapat diuraikan menjadi


  
X1 1
Cov(X) = E (X1 1 X2 2 )
X2 2
E[(X1 1 )2 ]
!
E[(X1 1 )(X2 2 )]
=
E[(X1 1 )(X2 2 )] E[(X2 2 )2 ]
!
Var(X1 ) Cov(X1 , X2 )
=
Cov(X1 , X2 ) Var(X2 )

59
Nunung Nurhayati Pengantar Teori Peluang

Definisi 2.2.9 (MGF vektor acak). Misal X = (X1 , X2 ) vektor acak. Jika
E[et1 X1 +t2 X2 ] ada untuk |t1 | < h1 dan |t2 | < h2 , dengan h1 dan h2 bilangan
real positif, maka
M (t1 , t2 ) = E[et1 X1 +t2 X2 ]
disebut fungsi pembangkit momen (MGF) dari X.

Seperti pada variabel acak, jika MGF dari X ada maka MGF menentukan
distribusi dari X secara tunggal. Dalam notasi vektor, MGF dari X dapat
ditulis
0
M (t) = E[et X ]
dengan t = (t1 , t2 ).

Dari Definisi 4.4.2, MGF marjinal untuk X1 dan X2 masing-masing dapat


dinyatakan sebagai M (t1 ) = M (t1 , 0) dan M (t2 ) = M (0, t2 ).

Contoh 2.2.7. Misal X dan Y variabel acak dengan PDF gabungan


 y
e , 0<x<y<
f (x, y) =
0, x, y lainnya.

Tentukan MGF marjinal dan PDF marjinal untuk X dan Y.

Penyelesaian. Dari Definisi 4.4.2, MGF dari X dan Y adalah


Z Z
M (t1 , t2 ) = exp(t1 x + t2 y y) dydx
0 x
1
=
(1 t1 t2 )(1 t2 )

dengan syarat t1 + t2 < 1 dan t2 < 1.

Akibatnya, MGF marjinal untuk X dan Y adalah


1
M (t1 , 0) = , t1 < 1
1 t1
1
M (0, t2 ) = , t2 < 1
(1 t2 )2

Berdasarkan PDF gabungannya, PDF marjinal untuk X adalah


Z Z
f1 (x) = f (x, y) dy = ey dy = ex , 0 < x <
x

60
Nunung Nurhayati Pengantar Teori Peluang

dan 0 untuk x lainnya. Sementara itu, PDF marjinal untuk Y adalah


Z Z y Z y
y y
f2 (y) = f (x, y) dx = e dy = e dy = yey , 0 < y < .
0 0

dan 0 untuk y lainnya. 

Latihan 2.1

1. Misal PDF dari X1 dan X2 adalah f (x1 , x2 ) = 4x1 x2 , 0 < x1 < 1,


0 < x2 < 1, dan 0 untuk yang lainnya. Tentukan P (0 < X1 < 21 , 14 <
X2 < 1), P (X1 = X2 ), P (X1 < X2 ), dan P (X1 X2 ).
Petunjuk. P (X1 = X2 ) dapat diinterpretasikan sebagai volume di
bawah permukaan f (x1 , x2 ) = 4x1 x2 dan di atas garis 0 < x1 = x2 < 1
pada bidang x1 x2 .

2. Misal D ruang dari vektor acak (X1 , X2 ). Misalkan pula A1 = {(x, y) :


x 2, y 4}, A2 = {(x, y) : x 2, y 1}, A3 = {(x, y) : x 0, y
4}, dan A4 = {(x, y) : x 0, y 1} merupakan subset dari D. Jika
P (A1 ) = 87 , P (A2 ) = 48 , P (A3 ) = 38 , dan P (A4 ) = 82 , tentukan P (A5 )
dengan A5 = {(x, y) : 0 < x 2, 1 < y 4}.

3. Misal PDF dari X dan Y adalah f (x, y) = exy , 0 < x < , 0 < y <
, dan 0 untuk yang lainnya. Jika Z = X + Y, tentukan P (Z 0),
P (Z 6), dan secara umum P (Z z), untuk 0 < z < . Tentukan
pula PDF dari Z.

4. Misal PDF dari X dan Y adalah f (x, y) = 1, 0 < x < 1, 0 < y < 1,
dan 0 untuk yang lainnya. Tentukan CDF dan PDF dari dari Z = XY.

5. Misal 13 kartu diambil secara acak dan tanpa pengembalian dari


satu set kartu remi. Jika X menyatakan banyaknya di antara
13 kartu yang terambil, tentukan PMF dari X. Selanjutnya, jika Y
menyatakan banyaknya di antara 13 kartu yang terambil, tentukan
P (X = 2, Y = 5). Tentukan pula PMF gabungan dari X dan Y.

6. Misal variabel acak X1 dan X2 mempunyai PMF gabungan berikut:

(x1 , x2 ) (0,0) (0,1) (0,2) (1,0) (1,1) (1,2)


2 3 2 2 2 1
p(x1 , x2 ) 12 12 12 12 12 12

dan 0 untuk yang lainnya.

61
Nunung Nurhayati Pengantar Teori Peluang

(a) Tulis peluang-peluang tersebut dalam bentuk tabel seperti pada


Contoh 2.2.2. Lengkapi tabel tersebut dengan PDF marjinal
untuk X1 dan X2 .
(b) Hitung P (X1 + X2 = 1)

7. Misal X1 dan X2 mempunyai PDF gabungan f (x1 , x2 ) = 15x21 x2 , 0 <


x1 < x2 < 1, dan 0 untuk yang lainnya. Tentukan PDF marjinal untuk
X1 dan X2 , dan hitung P (X1 + X2 1).

8. Misal X1 dan X2 mempunyai PMF gabungan p(x1 , x2 ) = (x1 +x2 )/12,


untuk x1 = 1, 2, x2 = 1, 2, dan 0 untuk yang lainnya.
(a) Hitung E[X1 ], E[X12 ], E[X2 ], E[X22 ], dan E[X1 X2 ].
(b) Apakah E[X1 X2 ] = E[X1 ]E[X2 ]?
(c) Tentukan E[2X1 6X22 + 7X1 X2 ].

9. Misal X1 dan X2 dua variabel acak dengan PDF gabungan f (x1 , x2 ) =


4x1 x2 , 0 < x1 < 1, 0 < x2 < 1, dan 0 untuk yang lainnya.
(a) Hitung E[X1 ], E[X12 ], E[X2 ], E[X22 ], dan E[X1 X2 ].
(b) Apakah E[X1 X2 ] = E[X1 ]E[X2 ]?
(c) Tentukan E[3X2 2X12 + 6X1 X2 ].

10. Misal X1 dan X2 dua variabel acak dengan PMF gabungan p(x1 , x2 ) =
(1/2)x1 +x2 , untuk x1 , x2 = 1, 2, 3, . . . , dan 0 untuk yang lainnya.
(a) Tentukan MGF gabungan dari X1 dan X2 .
(b) Tunjukkan bahwa M (t1 , t2 ) = M (t1 , 0)M (0, t2 ).

11. Misal X1 dan X2 dua variabel acak dengan PDF gabungan f (x1 , x2 ) =
x1 ex2 , untuk 0 < x1 < x2 < , dan 0 untuk yang lainnya.
(a) Tentukan MGF gabungan dari X1 dan X2 .
(b) Tunjukkan bahwa M (t1 , t2 ) = M (t1 , 0)M (0, t2 ).

12. Misal X dan Y mempunyai PDF gabungan f (x, y) = 6(1 x y),


x+y < 1, x > 0, y > 0, dan 0 untuk yang lainnya. Hitung P (2X+3Y <
1) dan E[XY + 2X 2 ].

62
Nunung Nurhayati Pengantar Teori Peluang

2.3 Transformasi Variabel Acak Bivariat


Misal diberikan vektor acak (X1 , X2 ) dan distribusi gabungannya, baik
dalam bentuk PDF/PMF ataupun dalam bentuk CDF. Jika Y = g(X1 , X2 ),
bagaimana cara menentukan distribusi dari Y ?

Secara umum, ada empat cara untuk menentukan distribusi gabungan dari
transformasi dua variabel acak, yaitu
1. Teknik perubahan variabel
2. Teknik fungsi distribusi (teknik CDF)
3. Teknik transformasi
4. Teknik MGF

Teknik perubahan variabel. Misal pX (x1 , x2 ) PMF gabungan dari


variabel acak X1 dan X2 . Misalkan pula Y1 = u1 (X1 , X2 ) dan Y2 =
u2 (X1 , X2 ), adalah transformasi satu-satu yang memetakan DX ke DY ,
dengan DX ruang dari (X1 , X2 ) dan DY ruang dari (Y1 , Y2 ). Jika x1 =
w1 (y1 , y2 ) invers dari y1 = u1 (x1 , x2 ) dan x2 = w2 (y1 , y2 ) invers dari
y1 = u1 (x1 , x2 ), maka PMF gabungan dari Y1 dan Y2 adalah

pX (x1 , x2 ) = pX (w1 (y1 , y2 ), w2 (y1 , y2 )), (y1 , y2 ) DY
pY (y1 , y2 ) =
0, (y1 , y2 ) lainnya

Dengan kata lain, PMF dari (Y1 , Y2 ) dapat diperoleh dengan mensubsti-
tusikan invers dari y1 dan y2 ke PMF dari (X1 , X2 ).

Contoh 2.3.1. Diberikan PMF gabungan dari X1 dan X2


x1 x2
1 2 e 1 e 2
, (x1 , x2 ) DX
pX (x1 , x2 ) = x1 !x2 ! (2.3.1)
0, (x1 , x2 ) lainnya

dengan 1 > 0, 2 > 0, dan DX = {(x1 , x2 ) : x1 = 0, 1, 2, . . . dan x2 =


0, 1, 2, . . .} Jika Y1 = X1 +X2 dan Y2 = X2 tentukan PMF gabungan p(y1 , y2 )
dan PMF marjinal p(y1 ).

Penyelesaian. Misalkan y1 = x1 + x2 dan y2 = x2 maka invers dari y1


dan y2 , masing-masing adalah

x1 = y1 y2 dan x 2 = y2

dengan DY = {(y1 , y2 ) : y2 = 0, 1, 2, . . . , y1 dan y1 = 0, 1, 2, . . .}.

63
Nunung Nurhayati Pengantar Teori Peluang

Melalui substitusi x1 = y1 y2 dan x2 = y2 ke persamaan (2.3.1), diperoleh


PMF gabungan dari Y1 dan Y2 adalah

pY (y1 , y2 ) = pX (y1 y2 , y2 )
y1 y2 y2
1 2 e 1 2
, (y1 , y2 ) DY
= (y1 y2 )!y2 !
0, yang lainnya

Akibatnya, untuk y1 = 0, 1, 2, . . . PMF dari Y1 = X1 + X2 adalah


y1
X
p(y1 ) = pY (y1 , y2 )
y2 =0
y1
X y11 y2 y2 2 e1 2
=
(y1 y2 )!y2 !
y2 =0
y1
e1 2 X y1 !
= y1 y2 y22
y1 ! (y1 y2 )!y2 ! 1
y2 =0
(1 + 2 )y1 e1 2
=
y1 !
dan 0 untuk yang lainnya. Baris terakhir dapat diperoleh dengan menggu-
nakan Teorema Binomial yang menyatakan bahwa
n   n
n
X n X n!
(a + b) = ak b(nk) = ak b(nk) 
k (n k)!k!
k=0 k=0

Teknik CDF. Misalkan Z = g(X1 , X2 ) fungsi dari variabel acak X1 dan


X2 dengan PDF gabungan f (x1 , x2 ). Menentukan distribusi melalui teknik
CDF artinya distribusi Z dicari secara langsung dari definisi CDF, yaitu

FZ (z) = P (Z z) = P (g(X1 , X2 ) z)

Contoh 2.3.2. Misalkan PDF gabungan dari X dan Y adalah



1, 0 < x < 1, 0 < y < 1
f (x, y) =
0, yang lainnya

Tentukan distribusi dari Z = Y + X melalui teknik CDF.

64
Nunung Nurhayati Pengantar Teori Peluang

Penyelesaian. Misalkan F (z) CDF dari Z maka

FZ (z) = P (Z z) = P (Y + X z),

Diketahui 0 < x < 1, 0 < y < 1 dan Z = Y + X, maka ruang untuk Z,


DZ = {z : 0 < z < 2}. Karena F (z) harus terdefinisi untuk setiap bilangan
riil dan kontinu kanan, maka penentuan F (z) harus ditinjau dari tiga kasus,
yaitu (i). jika z < 0; (ii). jika z 2; dan (iii). jika 0 z < 2.

Dari Gambar 2.1(c) dan 1(d) terlihat bahwa pada kasus (iii), batas pengin-
tegralan untuk menghitung F (z) ketika 0 z < 1, dan ketika 1 z < 2,
harus dibedakan. Oleh sebab itu, penentuan F (z) untuk kasus (iii) harus
ditinjau dari dua kasus, ketika 0 z < 1 dan 1 z < 2.

(e)

Gambar 2.1. Ilustrasi daerah {Z = X + Y z} pada Contoh 2.3.2, (a)


jika z < 0, (b) jika z 2, (c) jika 0 z < 1, dan (d) jika
1 z < 2. Gambar (e) adalah komplemen daerah pada
kasus 1 z < 2.

65
Nunung Nurhayati Pengantar Teori Peluang

Dari Gambar 2.1(a) dan Gambar 2.1(b) tampak bahwa pada area (0, 1)
(0, 1), peristiwa {Z z} ketika z < 0 merupakan hal yang tidak mungkin
terjadi atau F (z) = 0, sedangkan peristiwa {Z z} ketika z > 2 adalah hal
yang pasti terjadi atau F (z) = 1 (Gambar 2.1(b)). Sementara itu, untuk
kasus 0 z < 1 (yang diilustrasikan pada Gambar 2.1(c)), peluang
Z z Z zx
z2
P (Z z) = dy dx =
0 0 2

Untuk kasus 1 z < 2, penentuan P (Z z) akan lebih mudah jika


didasarkan pada komplemen peristiwa {Z z} (Gambar 2.1(d) dan 1(e)),
1 1
(2 z)2
Z Z
P (Z z) = 1 dy dx = 1 .
z1 zx 2

Hal ini dapat dilakukan karena sifat PDF bahwa total integral suatu PDF
adalah 1.

Dengan demikian, dapat disimpulkan bahwa fungsi distribusi dari Z adalah



0, z<0
2

z ,


0z<1

FZ (z) = 2
(2 z)2
1 , 1z<2




2
z2

1,

dan PDF dari Z adalah



z, 0<z<1
dF (z)
f (z) = = 2 z, 1 z < 2
dz
0, yang lainnya.

Distribusi dari Z, baik untuk PDF maupun CDF ditampilkan pada Gambar
2.2. Dari Gambar tersebut tampak bahwa CDF F (z) mengalami perubahan
kecekungan pada titik z = 1, sedangkan PDF f (z) mengalami perubahan
kemonotonan. 

Teknik transformasi (Jacobi). Teknik ini hanya dapat diterapkan


untuk vektor acak kontinu. Misalkan fX (x1 , x2 ) PDF gabungan dari
variabel acak kontinu X1 dan X2 . Jika Y1 = u1 (X1 , X2 ) dan Y2 = u2 (X1 , X2 )
fungsi satu-satu, maka PDF gabungan dari (Y1 , Y2 ) adalah

fX (w1 (y1 , y2 ), w2 (y1 , y2 )) |J|, (y1 , y2 ) DY
fY (y1 , y2 ) =
0, (y1 , y2 ) lainnya

66
Nunung Nurhayati Pengantar Teori Peluang

0.8

0.8
F(z)

f(z)
0.4

0.4
0.0

0.0
0.0 0.5 1.0 1.5 2.0 0.0 0.5 1.0 1.5 2.0

z z

Gambar 2.2. Plot fungsi distribusi F (z) dan fungsi densitas f (z) pada
Contoh 2.3.2

dengan
x1 x1



y1 y2
J =
x2 x2

y1 y2

disebut Jacobi dari transformasi, sedangkan, w1 (y1 , y2 ) dan w2 (y1 , y2 )


masing-masing invers dari u1 (x1 , x2 ) dan u2 (x1 , x2 ). Pada teknik ini,
disyaratkan J 6= 0.

Contoh 2.3.3. Misalkan PDF gabungan dari X1 dan X2 adalah



1, 0 < x1 < 1, 0 < x2 < 1
fX (x1 , x2 ) =
0, x1 , x2 lainnya

Tentukan PDF marjinal dari Y1 = X1 + X2 dan Y2 = X1 X2 .

Penyelesaian. Jika dimisalkan y1 = x1 + x2 dan y2 = x1 x2 , maka

x1 = 21 (y1 + y2 )

x2 = 21 (y1 y2 )

Karena

0 < x1 < 1 0 < 21 (y1 + y2 ) < 1


0 < y1 + y2 < 2
y1 < y2 < 2 y1
y2 > y1 dan y2 < 2 y1

67
Nunung Nurhayati Pengantar Teori Peluang

dan

0 < x2 < 1 0 < 12 (y1 y2 ) < 1


0 < y1 y2 < 2
y2 < y1 < 2 + y2
y2 < y1 dan y2 > y1 2

maka ruang untuk Y = (Y1 , Y2 ) adalah

DY = {(y1 , y2 ); y2 > y1 , y2 < 2 y1 , y2 < y1 , y2 > y1 2}

Perubahan ruang DX = {(x1 , x2 ); 0 < x1 < 1, 0 < x2 < 1} menjadi DY


diilustrasikan pada Gambar 2.3.


Gambar 2.3. Ruang untuk (X1 , X2 ) atau DX pada Contoh 2.3.3 yang
ditransformasi menjadi ruang untuk (X1 , X2 ) atau DY

Karena
x1 x1

1 1


y1 y2 2 2
1
J = = =

1 1 2
x2 x2



y1 y2
2 2

68
Nunung Nurhayati Pengantar Teori Peluang

maka PDF gabungan dari (Y1 , Y2 ) adalah

fX ( 21 y1 + y2 ), 12 (y1 y2 ) |J| = 21 , (y1 , y2 ) DY


 
fY (y1 , y2 ) =
0, yang lainnya

sehingga PDF marjinalnya


R y1 1
dy2 = y1 , 0 < y1 < 1
Ry1 2


2y1 1
f1 (y1 ) = y1 2 2 dy2 = 2 y1 , 1 < y1 < 2



0, yang lainnya

dan R y2 +2 1
dy1 = y2 + 1, 1 < y2 0
Ry2 2


2y2 1
f2 (y2 ) = y2 2 dy1 = 1 y2 , 0 < y2 < 1



0, yang lainnya

Contoh 2.3.4. Misalkan PDF gabungan dari X1 dan X2 adalah


 1
fX (x1 , x2 ) = 4 exp((x1 + x2 )/2), 0 < x1 < , 0 < x2 <
0, yang lainnya

Tentukan PDF marginal dari Y1 = 12 (X1 X2 ).

Penyelesaian. Misalkan y1 = 21 (x1 x2 ) dan y2 = x2 . Karena 0 < x1 <


dan 0 < x2 < maka 2y1 = y2 x1 < y2 dan < y1 < sehingga

DY = {(y1 , y2 ); 2y1 < y2 dan < y1 < }

Selanjutnya, invers dari y1 dan y2 adalah x1 = 2y1 +y2 dan x2 = y2 sehingga

x1 x1


y1 y2 2 1
J = 0 1 =2
=
x2 x2
y1 y2

Jadi, PDF gabungan dari Y1 dan Y2 adalah


(
1 (y1 +y2 )
2e , y1 , y2 DY
fY (y1 , y2 ) =
0, yang lainnya

dan PDF marjinal dari Y1

69
Nunung Nurhayati Pengantar Teori Peluang

( R 1 (y1 +y2 )
2y1 2 e dy2 = 12 ey1 , < y1 < 0
f1 (y1 ) = R 1 (y +y )
2 dy = 1 ey1 , 0 y1 <
2e
1
0 2 2
atau
1
f1 (y1 ) = e|y1 | , < y1 <
2

Contoh 2.3.5. Misalkan PDF gabungan dari X1 dan X2 adalah

10 x1 x22 , 0 < x1 < x2 < 1



fX (x1 , x2 ) =
0, x1 , x2 lainnya

Tentukan PDF marjinal dari Y1 = X1 /X2 dan Y2 = X2 .

Penyelesaian. Karena 0 < x1 < x2 < 1, y1 = x1 /x2 , dan y2 = x2 , maka


0 < y1 < 1 dan 0 < y2 < 1 sehingga

DY = {(y1 , y2 ); 0 < y1 < 1 dan 0 < y2 < 1}


x1
Misalkan y1 = dan y2 = x2 maka
x2
x1 = y1 y2 dan x2 = y2 .

sehingga Jacobian transformasinya

x1 x1



y1 y2 y2 y1
J = =
0 1 = y2

x2 x2
y1 y2

Akibatnya, untuk 0 < y1 < 1 dan 0 < y2 < 1, PDF gabungan dari Y1 dan
Y2

fY (y1 , y2 ) = fX (y1 y2 , y2 )|J|


= 10 (y1 y2 )(y22 ) |y2 | = 10 y1 y24

dan 0 untuk yang lainnya. Jadi, PDF marjinal untuk Y1


Z 1
f1 (y1 ) = 10 (y1 y2 )(y22 ) dy2 = 2y1 , 0 < y1 < 1
0

70
Nunung Nurhayati Pengantar Teori Peluang

Tabel 2.1. Fungsi densitas (PDF/PMF) dan MGF dari beberapa distribusi
diskrit dan kontinu.

Distribusi PDF/PMF MGF M (t)


et 1

1 0<x<1
Uniform: X U (0, 1) f (x) =
0, yang lainnya t
ex , x 0


Eksponensial: X exp() f (x) =
0, x<0 t
1
Eksponensial ganda f (x) = 12 e|x| , < x <
1 t2
1 x 2
f (x) = 12 e 2 ( ) , 1 2 t2 )
Normal: X (, 2 ) e (t+ 2
< x <
p(x) = p(1 p)x1 , pet
Geometrik: X Geo(p)
x = 1, 2, . . . 1 (1 p)et
p(x) = nx px (1 p)nx ,

Binomial: X B(n, p) (pet + 1 p)n
x = 0, 1, . . . , n
e x t 1)
Poisson: X Poi() p(x) = , x = 1, 2, . . . e(e
x!

dan 0 untuk yang lainnya, sedangkan PDF marjinal untuk Y2


Z 1
f2 (y2 ) = 10 (y1 y2 )(y22 ) dy1 = 5y24 , 0 < y2 < 1
0

dan 0 untuk yang lainnya.

Teknik MGF. Misalkan Z = g(X1 , X2 ) fungsi dari variabel acak X1 dan


X2 . Cara menentukan distribusi melalui teknik MGF:
(i). Cari MGF dari Z, yaitu M (t) = E[etZ ], dengan |t| < h untuk suatu
h > 0.
(ii). Periksa apakah MGF yang diperoleh merupakan MGF distribusi
tertentu? Jika ya, maka Z mempunyai distribusi tersebut. Untuk
beberapa jenis distribusi tertentu, pencocokan MGF dapat didasarkan
pada Tabel 2.1.

Contoh 2.3.6. Misalkan PMF gabungan dari X1 dan X2 adalah


x1 x2
1 2 e 1 e 2
, (x1 , x2 ) DX
pX (x1 , x2 ) = x !x !
0, 1 2 yang lainnya

71
Nunung Nurhayati Pengantar Teori Peluang

dengan 1 > 0, 2 > 0, dan DX = {(x1 , x2 ); x1 = 0, 1, 2, 3, . . . dan y1 =


0, 1, 2, 3, . . .}. Tentukan PMF dari Y = X1 +X2 dengan menggunakan teknik
MGF.

Penyelesaian. Diketahui Y = X1 + X2 , maka MGF dari Y


X
X
tY
E[e ] = et(x1 +x2 ) p(x1 , x2 )
x1 =0 x2 =0
X
X x1 1 x2 2 e1 e2
= et(x1 +x2 )
x1 !x2 !
x1 =0 x2 =0
" #" #
x1 1 x2 2
tx1 1 e tx2 2 e
X X
= e e
x1 ! x2 !
x1 =0 x2 =0

" # " #
(e t )x1 (et )x2
1 2
X X
= e1 e2
x1 ! x2 !
x1 =0 x2 =0
h t
ih t
i
= e1 e(e 1 ) e2 e(e 2 )
h t
ih t
i t
= e1 (e 1) e2 (e 1) = e(1 +2 )(e 1)

Dengan mencocokkan MGF yang diperoleh dengan MGF pada Tabel 2.1,
dapat disimpulkan bahwa Y berdistribusi Poisson dengan parameter 1 +2 .
Jadi PMF dari Y
(1 + 2 )y
p(y) = e1 +2 , y = 0, 1, 2, . . . . 
y!

Contoh 2.3.7. Misalkan PDF gabungan dari X1 dan X2 adalah


(
1
4 exp((x1 + x2 )/2), 0 < x1 < , 0 < x2 <
fX (x1 , x2 ) =
0, yang lainnya

Tentukan MGF dari Y = 21 (X1 X2 ).

72
Nunung Nurhayati Pengantar Teori Peluang

Penyelesaian. Diketahui Y = 12 (X1 X2 ), maka MGF dari Y


Z Z
E[etY ] = (et(x1 x2 )/2 )( 14 e(x1 x2 )/2 ) dx1 dx2
0Z 0  Z 
1 x1 (1t)/2 1 x2 (1t)/2
= 2e dx1 2e dx2
 0   0
1 1 1
= =
1t 1+t 1 t2

dengan syarat 1 t > 0 dan 1 + t > 0, atau ekivalen dengan 1 < t < 1.

Dari Tabel 2.1, terlihat bahwa distribusi yang mempunyai MGF, M (t) =
1/(1t2 ), adalah distribusi eksponensial ganda. Bentuk MGF dari distribusi
tersebut dapat ditunjukkan sebagai berikut:
|x| 0 (1+t)x
e(t1)x
Z Z Z
tX tx e tx e
E[e ]= e dx = e dx + etx dx
2 2 0 2
1 1 1
= + = , 1 < t < 1 
2(1 + t) 2(1 t) 1 t2

Latihan 2.2

1. Misalkan X1 dan X2 mempunyai PMF gabungan


2 x1 +x2 1 2x1 x2
(  
3 3 , x1 = 0, 1 dan x2 = 0, 1
pX (x1 , x2 ) =
0, yang lainnya

Tentukan PMF gabungan dari Y1 = X1 X2 dan Y1 = X1 + X2 .

2. Misalkan X1 dan X2 mempunyai PMF gabungan


( x1 x2
, x1 = 1, 2, 3, dan x2 = 1, 2, 3
pX (x1 , x2 ) = 36
0, yang lainnya

Jika Y1 = X1 X2 dan Y2 = X2 , tentukan PMF marjinal dari Y1 .

3. Misalkan X1 dan X2 mempunyai PDF gabungan


 x x
2e 1 2 , 0 < x1 < x2 <
hX (x1 , x2 ) =
0, yang lainnya

Tentukan PDF gabungan dari Y1 = 2X1 dan Y2 = X2 X1 .

73
Nunung Nurhayati Pengantar Teori Peluang

4. Misalkan X1 dan X2 mempunyai PDF gabungan



8x1 x2 , 0 < x1 < x2 < 1
hX (x1 , x2 ) =
0, yang lainnya

Tentukan PDF gabungan dari Y1 = X1 /X2 dan Y2 = X2 .


Petunjuk: Gunakan ketaksamaan 0 < y1 y2 < y2 < 1 dalam menen-
tukan pemetaan daerah DX ke DY .

5. Misalkan X1 dan X2 variabel acak kontinu dengan PDF gabungan


fX (x1 , x2 ), < xi < , i = 1, 2. Misalkan pula, Y1 = X1 + X2 dan
Y2 = X2 .
(a) Tentukan PDF gabungan dari Y1 dan Y2
(b) Tunjukkan Z
f1 (y1 ) = fX (y1 y2 , y2 )dy2 , (2.3.2)

Persamaan (2.3.2) disebut juga rumus konvolusi.

6. Misalkan X1 dan X2 mempunyai PDF gabungan


 (x +x )
e 1 2 , 0 < xi < , i = 1, 2
fX (x1 , x2 ) =
0, yang lainnya

(a) Gunakan persamaan (2.3.2) untuk menentukan PDF dari Y1 =


X1 + X2 .
(b) Tentukan MGF dari Y1 .

7. Gunakan persamaan (2.3.2) untuk menentukan PDF dari Y1 = X1 +


X2 , dengan X1 dan X2 mempunyai PDF gabungan
 (x +x )
2e 1 2 , 0 < x1 < x2 <
fX (x1 , x2 ) =
0, yang lainnya

8. Misalkan X1 dan X2 mempunyai PDF gabungan


 x x
e 1 e 2 , 0 > x1 , x2 > 0
fX (x1 , x2 ) =
0, yang lainnya

Misalkan pula W = aX1 + bX2 untuk skalar a > 0 dan b > 0.

74
Nunung Nurhayati Pengantar Teori Peluang

(a) Tunjukkan PDF dari W

1 (ew/a ew/b ), w > 0


fW (w) = ab
0, yang lainnya

(b) Tunjukkan fW (w) > 0 untuk w > 0.

2.4 Distribusi Bersyarat


Pada Subbab 2.1 telah dibahas distribusi gabungan dari dua variabel acak
dan cara mendapatkan distribusi marjinal dari distribusi gabungan. Pada
subbab ini akan dipelajari distribusi bersyarat, yaitu distribusi suatu variabel
acak ketika nilai variabel acak lainnya diasumsikan sudah diketahui secara
spesifik.

Peluang bersyarat. Untuk kasus diskrit, peluang bersyarat dari X2 jika


diberikan X1 = x1 , adalah

P (X2 = x2 , X1 = x1 )
P (X2 = x2 |X1 = x1 ) = ,
P (X1 = x1 )

dan PMF bersyarat dari X2 jika diberikan X1 = x1 , yaitu

p(x1 , x2 )
p(x2 |x1 ) = .
p(x1 )

Seperti PMF pada kasus satu variabel dan dua variabel, PMF bersyarat
juga mempunyai sifat yang sama yaitu, nilai peluangnya nonnegatif dan
total peluangnya 1.

Untuk kasus kontinu, PDF bersyarat dari X2 jika diberikan X1 = x1 , adalah

f (x1 , x2 )
f (x2 |x1 ) = . (2.4.1)
f (x1 )

Seperti PDF pada kasus satu variabel dan dua variabel, PDF bersyarat juga
mempunyai sifat yang sama yaitu,
(i). f (x2 |x1 ) 0,
Z
(ii). f (x2 |x1 ) dx2 = 1.

Dari persamaan (2.4.1), dapat ditentukan bahwa peluang bersyarat a <

75
Nunung Nurhayati Pengantar Teori Peluang

X2 < b jika diberikan X1 = x1 , adalah


Z b
P (a < X2 < b |X1 = x1 ) = f (x2 |x1 )dx2 .
a

Selain itu, juga dapat diperoleh cara lain untuk menghitung PDF gabungan
dari X1 dan X2 , yaitu

f (x1 , x2 ) = f (x2 |x1 ) f (x1 ).

Pendefinisian distribusi bersyarat dari X1 diberikan X2 = x2 analog dengan


pendefinisian distribusi bersyarat dari X2 diberikan X1 = x1 . Secara umum,
dapat dikatakan bahwa
Distribusi gabungan
Distribusi bersyarat =
Distribusi dari variabel acak yang disyaratkan

Ekspektasi bersyarat. Ekspektasi bersyarat dari g(X2 ) jika diberikan


X1 = x1 , adalah
X


g(x2 ) p(x2 |x1 ), jika X1 dan X2 diskrit
x2

E[g(X2 )|x1 ] = Z


g(x2 ) f (x2 |x1 )dx2 , jika X1 dan X2 kontinu.



Jika g(X2 ) = X2 , maka E[X2 |x1 ] disebut mean bersyarat dari X2 diberikan
X1 = x1 , dan

Var(X2 |x1 ) = E {X2 E[X2 |x1 ]}2 |x1 = E[X22 |x1 ] (E[X2 |x1 ])2
 

disebut variansi dari X2 diberikan X1 = x1 .

Contoh 2.4.1. Misal X1 dan X2 mempunyai PDF gabungan



2, 0 < x1 < x2 < 1
f (x1 , x2 ) =
0, yang lainnya.

Tentukan
(a). E[X1 |x2 ] dan Var(X1 |x2 ).
(b). P (0 < X1 < 21 | X2 = 34 ) dan P (0 < X1 < 12 ).

Penyelesaian.

76
Nunung Nurhayati Pengantar Teori Peluang

(a). PDF marjinal dari X2 adalah


( Rx
2
0 2 dx1 = 2x2 , 0 < x2 < 1
f2 (x2 ) =
0, yang lainnya

sehingga PDF bersyarat dari X1 diberikan X2 = x2 , dengan 0 < x2 <


1, adalah

f (x1 , x2 ) 2 1
f (x1 |x2 ) = = = , 0 < x1 < x2 (2.4.2)
f (x2 ) 2x2 x2

dan 0 untuk yang lainnya.

Akibatnya untuk 0 < x2 < 1, mean dan variansi bersyarat dari X1


diberikan X2 = x2 , adalah
Z Z x2  
1 x2
E[X1 |x2 ] = x1 f (x1 |x2 ) dx1 = x1 dx1 =
0 x2 2

dan
x2
x22
Z  
 x 2 2 1
Var(X1 |x2 ) = x1 dx1 = .
0 2 x2 12

(b). Dari persamaan (2.4.2), diperoleh


Z 1/2 Z 1/2
1 3
x1 | 43 4 2
 
P (0 < X1 < 2 | X2 = 4) = f dx1 = 3 dx1 = 3
0 0

PDF marjinal dari X1 adalah


( R
1
x 2 dx2 = 2(1 x1 ), 0 < x1 < 1
f1 (x1 ) = 1
0, yang lainnya,

sehingga
Z 1/2 Z 1/2
1
P (0 < X1 < 2) = f (x1 ) dx1 = 2(1 x1 ) dx1 = 34 .
0 0

Perbedaan E[g(X2 )|X1 ] dan E[g(X2 )|x1 ]. Penulisan E[g(X2 )|X1 ] dan
E[g(X2 )|x1 ] kadang membingungkan. Untuk membedakannya, dapat
dianalogikan dengan perbedaan antara variabel acak X dengan nilainya x.
Jadi, E[g(X2 )|x1 ] merupakan nilai dari variabel acak E[g(X2 )|X1 ]. Sebagai
variabel acak, E[g(X2 )|X1 ] mempunyai distribusi sendiri, termasuk mean
dan variansi (jika ada).

77
Nunung Nurhayati Pengantar Teori Peluang

Contoh 2.4.2. Misal X1 dan X2 mempunyai PDF gabungan



6x2 , 0 < x2 < x1 < 1
f (x1 , x2 ) =
0, yang lainnya

(a). Tentukan E[X2 |x1 ].


(b). Tentukan distribusi, mean, dan variansi dari Y = E[X2 |X1 ].
(c). Tentukan E[X2 ] dan Var(X2 ).

Peyelesaian.
(a). PDF marjinal dari X1 adalah
( Rx
1 2
0 6x2 dx2 = 3x1 , 0 < x1 < 1
f1 (x1 ) =
0, yang lainnya,

sehingga PDF bersyarat dari X2 diberikan X1 = x1 , dengan 0 < x1 <


1, adalah

f (x1 , x2 ) 6x2 2x2


f (x2 |x1 ) = = 2 = 2 , 0 < x2 < x1 ,
f (x1 ) 3x1 x1

dan 0 untuk yang lainnya. Adapun ekspektasi bersyarat dari X2


diberikan X1 = x1 , adalah
Z x1  
2x2
E[X2 |x1 ] = x2 2 dx2 = 23 x1 , 0 < x1 < 1.
0 x 1

(b). Misalkan Y = E[X2 |X1 ] = 2X1 /3, maka


   
2X1 3y
G(y) = P (Y y) = P y = P X1
3 2
Z 3y/2 Z 3y/2
27y 3 2
= f1 (x1 ) dx1 = (3x21 ) dx1 = , 0y< .
0 0
8 3

Jadi CDF dari Y



0,
y<0
27 3 2
G(y) = 8 y , 0y< 3
y 23 ,

1,

78
Nunung Nurhayati Pengantar Teori Peluang

dan PDF dari Y


(
81 2 2
dG(y) 8 y , 0y< 3
g(y) = =
dy 0, yang lainnya.

Sementara itu, mean dari Y = 2X1 /3 adalah


Z 2/3  
81 2 1
E[Y ] = y y dy = ,
0 8 2

dan variansinya
Z 2/3  
2 81 2 1 1
Var(Y ) = y y dy = .
0 8 4 60

(c). PDF marjinal dari X2 adalah


( R1
x2 6x2 dx1 = 6x2 (1 x2 ), 0 < x2 < 1
f2 (x2 ) =
0, yang lainnya

sehingga Z 1
1
E[X2 ] = 6 x22 (1 x2 ) dx2 =
0 2
dan Z 1
1 1
Var(X2 ) = 6 x32 (1 x2 ) dx2 = .
0 4 20

Perhatikan bahwa pada Contoh 2.4.2,

E[Y ] = E [E[X2 |X1 ]] = E[X2 ]

dan
Var(Y ) = Var(E[X2 |X1 ]) Var(X2 ).
Secara umum, sifat ekspektasi ini berlaku juga untuk sembarang vektor acak
(X1 , X2 ), seperti dinyatakan pada teorema berikut:

Teorema 2.4.1. Misal (X1 , X2 ) vektor acak sehingga Var(X2 ) < , maka
(a). E [E[X2 |X1 ]] = E[X2 ]

(b). Var(E[X2 |X1 ]) Var(X2 )

Bukti. Bukti berikut hanya diberikan untuk kasus kontinu.

79
Nunung Nurhayati Pengantar Teori Peluang

(a) Dari definisi ekspektasi untuk kasus kontinu


Z Z
E[X2 ] = x2 f (x1 , x2 )dx2 dx1

Z Z 
f (x1 , x2 )
= x2 dx2 f1 (x1 )dx1
f1 (x1 )
Z

= E[X2 |x1 ]f1 (x1 )dx1



= E[E(X2 |X1 )]

(b) Misalkan 2 = E[X2 ]

Var(X2 ) = E[(X2 2 )2 ]
= E{[X2 E(X2 |X1 ) + E(X2 |X1 ) 2 )2 ]}
= E{[X2 E(X2 |X1 )]2 } + E{[E(X2 |X1 ) 2 ]2 }
+ 2E{[X2 E(X2 |X1 )][E(X2 |X1 ) 2 ]}

Sekarang akan ditunjukkan suku terakhir dari persamaan tersebut


bernilai 0. Berdasarkan definisi ekspektasi

E{[X2 E(X2 |X1 )][E(X2 |X1 ) 2 ]}


Z Z
= [x2 E(X2 |x1 )][E(X2 |x1 ) 2 ]f (x1 , x2 )dx2 dx1

Z Z 
f (x1 , x2 )
= [E(X2 |x1 ) 2 ] [x2 E(X2 |x1 )] dx2 f1 (x1 )dx1
f1 (x1 )

Karena
Z
f (x1 , x2 )
[x2 E(X2 |x1 )] dx2 = E(X2 |x1 ) E(X2 |x1 ) = 0
f1 (x1 )

maka nilai di bawah integral menjadi 0, sehingga

Var(X2 ) = E{[X2 E(X2 |X1 )]2 } + E{[E(X2 |X1 ) 2 ]2 }

Suku pertama pada ruas kanan bernilai nonnegatif karena merupakan


nilai ekspektasi dari fungsi nonnegatif, yaitu [X2 E(X2 |X1 )]2 . Karena
E[E(X2 |X1 )] = 2 , suku kedua di ruas kanan menjadi Var[E(X2 |X1 )].
Akibatnya
Var(X2 ) Var[E(X2 |X1 )]
Berarti sifat (b) telah terbukti. 

80
Nunung Nurhayati Pengantar Teori Peluang

Contoh 2.4.3. Misalkan X1 dan X2 variabel acak diskrit. Diketahui PMF


dari X1 diberikan X2 adalah
    x2
x2 1
p(x2 |x1 ) = , x1 = 0, 1, . . . , x2 .
x1 2

dan PMF marjinal dari X2 adalah


 x2 1
2 1
p(x2 ) = x2 = 1, 2, 3, . . .
3 3

Tentukan MGF untuk X1 .

Penyelesaian. Untuk nilai x2 yang fixed, MGF dari X1 bersayarat di


X2 = x2
x2  
x2 tx1 1 x2 x1 1 x1
X    
tX1
E(e |x2 ) = e
x1 2 2
x1 =0
 x2
1 1 t
= + e (dari teorema binomial.)
2 2

Berdasarkan deret geometri dan Teorema 2.4.1, MGF dari X1 adalah

E(etX1 ) = E[E(etX1 |x2 )]



1 1 t x2 2 1 x2 1
X   
= + e
2 2 3 3
x2 =1

1 1 t x2 1
 X  
2 1 1 t
= + e + e
3 2 2 6 6
x2 =1
 
2 1 1 t 1
= + e
3 2 2 1 [(1/6) + (1/6)et ]
t
dengan syarat (1/6) + (1/6)e < 1 atau t < log 5. 

Sifat ekspektasi pada Teorema 2.4.1 merupakan hasil yang sangat penting
dalam statistik. Umumnya banyak digunakan pada kajian Proses Stokastik,
yang banyak menggunakan prinsip peluang bersyarat dan ekspektasi
bersyarat. Teorema 2.4.1 juga dapat diperumum untuk variabel acak
sebagai fungsi dari X2 , misal u(X2 ), yaitu
(a). E [E[u(X2 )|X1 ]] = E[u(X2 )].

(b). Var(E[u(X2 )|X1 ]) Var(u(X2 )).

81
Nunung Nurhayati Pengantar Teori Peluang

Latihan 2.3

1. Misalkan X1 dan X2 mempunyai PDF gabungan f (x1 , x2 ) = x1 +


x2 , 0 < x1 < 1, 0 < x2 < 1, dan 0 untuk yang lainnya. Tentukan
mean bersyarat dan variansi bersyarat dari X2 , jika diberikan X1 =
x1 , 0 < x1 < 1.

2. Diketahui PDF bersyarat dari X1 diberikan X2 = x2 adalah


f (x1 |x2 ) = c1 x1 /x22 , 0 < x1 < 1, 0 < x2 < 1, dan 0 untuk
yang lainnya. Misalkan pula PDF marjinal dari X2 adalah f (x2 ) =
c2 x42 , 0 < x2 < 1, dan 0 untuk yang lainnya. Tentukan
(a) Konstanta c1 dan c2 .
(b) PDF gabungan dari X1 dan X2 .
(c) P ( 41 < X1 < 21 |X2 = 58 ).
(d) P ( 14 < X1 < 21 ).

3. Misalkan PDF gabungan dari X1 dan X2 adalah f (x1 , x2 ) =


21x21 x32 , 0 < x1 < x2 < 1 dan 0 untuk yang lainnya.
(a) Tentukan mean bersyarat dan variansi bersyarat dari X1
diberikan X2 = x2 , 0 < x2 < 1.
(b) Tentukan distribusi dari Y = E[X1 |X2 ].
(c) Tentukan E[Y ] dan Var(Y ), dan bandingkan masing-masing
hasilnya dengan E[X1 ] dan Var(X1 ).

4. Variabel acak diskrit X1 dan X2 mempunyai PMF gabungan


p(x1 , x2 ) = (x1 + 2x2 )/18, (x1 , x2 ) = (1, 1), (1, 2), (2, 1), (2, 2) dan 0
untuk yang lainnya. Tentukan
(a) Mean bersyarat dan variansi bersyarat dari X2 diberikan X1 = x1
untuk x1 = 1 atau 2.
(b) E[3X1 2X2 ].

5. Misalkan X1 dan X2 dua variabel acak sehingga distribusi bersyarat


dan mean bersyaratnya ada. Tunjukkan
(a) E[X1 + X2 |X2 ] = E[X1 |X2 ] + X2 .
(b) E[u(X2 )|X2 ] = u(X2 ).

6. PDF gabungan dari X dan Y diberikan oleh


2

, 0 < x < , 0 < y <
f (x, y) = (1 + x + y)3
0, yang lainnya

82
Nunung Nurhayati Pengantar Teori Peluang

(a) Tentukan PDF marjinal dari X dan PDF bersyarat dari Y


diberikan X = x.
(b) Untuk X = x yang fixed, tentukan E[1 + x + Y |x] dan gunakan
hasil ini untuk menghitung E[Y |x].

7. Misalkan X1 dan X2 variabel acak diskrit dengan PMF gabungan


p(x1 , x2 ) = (3x1 + x2 )/24, (x1 , x2 ) = (1, 1), (1, 2), (2, 1), (2, 2), dan 0
untuk yang lainnya. Tentukan mean bersyarat E[X2 |x1 ] ketika x1 = 1.

8. Misalkan PDF gabungan dari X dan Y adalah f (x, y) = 2 exp{(x +


y)}, 0 < x < y < , dan 0 untuk yang lainnya. Tentukan mean
bersyarat E[Y |x] diberikan X = x.

9. Lima kartu diambil secara acak dan tanpa pengembalian dari satu set
kartu remi. Misal X1 menyatakan banyaknya dan X2 banyaknya
dari 5 kartu yang terambil. Tentukan
(a) PMF gabungan dari X1 dan X2 .
(b) PMF marjinal dari X1 dan PMF marjinal dari X2 .
(c) PMF bersyarat dari X2 diberikan X1 = x1 .

10. Misal variabel acak X1 dan X2 mempunyai PMF gabungan berikut:

(x1 , x2 ) (0,0) (0,1) (1,0) (1,1) (2,0) (2,1)


1 3 4 3 6 1
p(x1 , x2 ) 18 18 18 18 18 18

dan 0 untuk yang lainnya. Nyatakan semua PMF marjinal dan PMF
bersyarat dalam bentuk tabel.

11. Misalkan f (x) dan F (x) masing-masing menyatakan PDF dan CDF
dari variabel acak X. Jika x0 suatu nilai tertentu, PDF bersyarat
dari X diberikan X > x0 dapat didefinisikan sebagai f (x|X > x0 ) =
f (x)/[1 F (x0 )], untuk x0 < x dan 0 untuk x lainnya.
(a) Tunjukkan bahwa f (x|X > x0 ) suatu PDF.
(b) Jika f (x) = ex , 0 < x < dan 0 untuk x lainnya, tentukan
nilai P (X > 2|X > 1).
Dalam aplikasi, PDF bersyarat f (x|X > x0 ) digunakan pada
permasalahan yang berkaitan dengan waktu sampai terjadinya
kematian (kerusakan) dari suatu individu/objek jika diketahui bahwa
individu/objek tersebut mampu bertahan hidup sampai usia x0 .

83
Nunung Nurhayati Pengantar Teori Peluang

2.5 Koefisien Korelasi


Misal X variabel acak dengan mean 1 dan variansi 12 , dan Y variabel acak
dengan mean 2 dan variansi 22 . Hubungan linier antara variabel acak X
dan Y dapat diukur dengan kovariansi antara X dan Y atau dengan koefisien
korelasi antara X dan Y.

Kovariansi dari X dan Y adalah

Cov(X, Y ) = E[(X 1 )(Y 2 )]


= E[XY 2 X 1 Y + 1 2 ]
= E[XY ] 2 E[X] 1 E[Y ] + 1 2
= E[XY ] 1 2 .

Jika Cov(X, Y ) = 0 maka variabel acak X dan Y dikatakan tidak berko-


relasi. Kelemahan kovariansi adalah nilainya mungkin tak terbatas. Untuk
itu, perlu distandarkan sehingga nilainya berkisar antara 1 dan 1. Hasil
penstandaran ini disebut koefisien korelasi.

Koefisien korelasi dari X dan Y didefinisikan sebagai

E[(X 1 )(Y 2 )] Cov(X, Y )


= = .
1 2 1 2

Hubungan linier antara X dan Y dapat divisualisasikan dalam plot sampel


data yang diambil dari variabel acak X dan Y . Jika nilai dekat ke 1 maka
terdapat garis linier dengan gradien positif sehingga titik-titik (x, y) akan
berada di sekitar garis tersebut. Sebaliknya, jika nilai dekat ke -1 maka
terdapat garis linier dengan gradien negatif sehingga titik-titik (x, y) akan
menyebar di sekitar garis tersebut. Jika ' 0 maka titik-titik (x, y) akan
menyebar/bergerombol di sekitar mean (X , Y ). Ilustrasi dari visualisasi
korelasi ini dapat dilihat pada Gambar 2.4.

Contoh 2.5.1. Misal X dan Y mempunyai PDF gabungan



x + y, 0 < x < 1, 0 < y < 1
f (x, y) =
0, yang lainnya

Tentukan kovariansi dan koefisien korelasi dari X dan Y .

84
Nunung Nurhayati Pengantar Teori Peluang

cor(X,Y) = 0,918 cor(X,Y) = 0,915 cor(X,Y) = 0,019

4

5

2















Y

Y

0

2







5

6
4 2 0 2 4 4 2 0 2 4 4 2 0 2 4

X X X

Gambar 2.4. Plot sampel data yang diambil dari variabel acak X dan
Y untuk tiga nilai korelasi = 0, 918, = 0, 915, dan
= 0, 019.

Peyelesaian. Mean dari X


Z 1Z 1
7
1 = E[X] = x(x + y) dxdy =
0 0 12

dan variansinya
Z 1Z 1  2
7 11
12 = E[X 2 ] 21 = x2 (x + y) dxdy = .
0 0 12 144

Dengan cara serupa dapat diperoleh mean dan variansi dari X2 adalah
7 11
2 = E[Y ] = dan Y2 = E[Y 2 ] 22 =
12 144
Jadi, kovariansi dari X dan Y adalah
Z 1Z 1  2
7 1
Cov(X, Y ) = E[XY ] 1 2 = xy(x + y) dxdy = ,
0 0 12 144

dan koefisien korelasinya


1
Cov(X, Y ) 144 1
=
1 2
=q
11
 11
 = 11 . 
144 144

85
Nunung Nurhayati Pengantar Teori Peluang

Mean bersyarat linier. Jika f1 (x) > 0, mean bersyarat dari Y


diberikan X = x adalah
Z R
y f (x, y)dy
E[Y |x] = y f (y|x)dy = .
f1 (x)

Misalkan u(x) = E[Y |x] menyatakan mean bersyarat dari Y diberikan X =


x. Jika u(x) fungsi linier dari x, misal u(x) = a + bx maka konstanta a dan
b dapat ditentukan berdasarkan teorema berikut:

Teorema 2.5.1. Misal X variabel acak dengan mean 1 dan variansi 12 ,


dan Y variabel acak dengan mean 2 dan variansi 22 . Misalkan pula
adalah koefisien korelasi antara X dan Y. Jika E[Y |X] linier terhadap X
maka

E[Y |X] = 2 + 2 (X 1 )
1
dan
E[Var(Y |X)] = 22 (1 2 ).

Contoh 2.5.2. Misal X dan Y mempunyai mean bersyarat linier E[Y |x] =
1
4x + 3 dan E[X|y] = 16 y 3. Tentukan 1 , 2 , , dan 2 /1

Penyelesaian. Dari Teorema 2.5.1


2
E[Y |X] = 2 + (X 1 )
1

dan
1
E[X|Y ] = 1 + (Y 2 ).
2
Akibatnya, ketika x = 1 dan y = 2

E[Y |1 ] = 2 dan E[X|2 ] = 1 .

Tetapi dari soal diketahui ketika x = 1 dan y = 2


1
E[Y |1 ] = 41 + 3 dan E[X|2 ] = 3,
16 2
sehingga
1
2 = 41 + 3 dan 1 = 3 (2.5.1)
16 2
atau
15
1 = dan 2 = 12.
4

86
Nunung Nurhayati Pengantar Teori Peluang

Dari rumusan mean bersyarat E[Y |X] dan E[X|Y ], (2 /1 ) merupakan


koefisien untuk (X 1 ), dan (1 /2 ) koefisien untuk (Y 2 ), maka
perkaliannya   
2 1
= 2 ,
1 2
dan hasil baginya
(2 /1 ) 2
= 2 2 = 22 .
(1 /2 ) 1 1 1
Dari persamaan (2.5.1) koefisien untuk 1 adalah 4 dan koefisien untuk 2
1
adalah 16 sehingga perkalian koefisiennya
 
2 1 1 1
=4 = atau = ,
16 4 2

dan hasil bagi koefisiennya

22 4 2
2
= = 64 atau = 8. 
1 1/16 1

Latihan 2.4

1. Misal X dan Y mempunyai PMF gabungan


(a) p(x, y) = 13 , (x, y) = (0, 0), (1, 1), (2, 2) dan 0 untuk yang lainnya.
(b) p(x, y) = 31 , (x, y) = (0, 2), (1, 1), (2, 0) dan 0 untuk yang lainnya.
(c) p(x, y) = 31 , (x, y) = (0, 0), (1, 1), (2, 0) dan 0 untuk yang lainnya.
Untuk masing-masing kasus hitung koefisien korelasi dari X dan Y.

2. Misal variabel acak X1 dan X2 mempunyai PMF gabungan berikut:

(x1 , x2 ) (1,1) (1,2) (1,3) (2,1) (2,2) (2,3)


2 4 3 1 1 4
p(x1 , x2 ) 15 15 15 15 15 15

dan 0 untuk yang lainnya.


(a) Tentukan mean 1 , 2 , variansi 12 , 22 , dan koefisien korelasi .
(b) Tentukan E[Y |X = 1], E[Y |X = 2], dan garis 2 + (2 /1 )(x
1 ). Apakah titik (1, E[Y |X = 1]) dan (2, E[Y |X = 2]) terletak
pada garis tersebut?

3. Misal PDF bersyarat dari X dan Y adalah f (x, y) = 2 untuk 0 < x <
y, 0 < y < 1, dan 0 untuk yang lainnya.

87
Nunung Nurhayati Pengantar Teori Peluang

(a) Tunjukkan bahwa mean bersyarat E[Y |X = x] = (1+x)/2 untuk


0 < x < 1 dan E[X|Y = y] = y/2 untuk 0 < y < 1.
(b) Tunjukkan bahwa koefisien korelasi antara X dan Y adalah =
1
2.

4. Tunjukkan bahwa variansi bersyarat dari Y diberikan X = x pada


soal sebelumnya adalah (1 x2 )/12, 0 < x < 1 dan variansi bersyarat
dari X diberikan Y = y adalah y 2 /12, 0 < y < 1.

5. Misal X dan Y mempunyai PMF gabungan


 1
p(x, y) = 7 , (x, y) = (0, 0), (1, 0), (0, 1), (1, 1), (2, 1), (1, 2), (2, 2)
0, yang lainnya

Tentukan koefisien korelasi .

6. Misal X1 dan X2 mempunyai PMF gabungan berikut:

(x1 , x2 ) (0,0) (0,1) (0,2) (1,1) (1,2) (2,2)


1 2 1 3 4 1
p(x1 , x2 ) 12 12 12 12 12 12

dan 0 untuk yang lainnya. Tentukan p1 (x1 ), p2 (x2 ), 12 , 22 , dan .

2.6 Variabel Acak Independen


Variabel acak X1 dan X2 dikatakan independen atau saling bebas jika
PDF/PMF gabungannya dapat dinyatakan sebagai perkalian PDF/PMF
marjinalnya atau

p(x1 , x2 ) = p(x1 )p(x2 ) jika X1 dan X2 diskrit,

dan
f (x1 , x2 ) = f (x1 )f (x2 ) jika X1 dan X2 kontinu.

Contoh 2.6.1. Misal X1 dan X2 mempunyai PDF gabungan



x1 + x2 , 0 < x1 < 1, 0 < x2 < 1
f (x1 , x2 ) =
0, yang lainnya.

Tunjukkan X1 dan X2 tidak independen.

88
Nunung Nurhayati Pengantar Teori Peluang

Penyelesaian. PDF marjinal dari X1 adalah


Z Z 1
1
f1 (x1 ) = f (x1 , x2 )dx2 = (x1 + x2 )dx2 = x1 + , 0 < x1 < 1,
0 2

dan f1 (x1 ) = 0 untuk x1 lainnya. PDF marjinal dari X2 adalah

Z Z 1
1
f2 (x2 ) = f (x1 , x2 )dx2 = (x1 + x2 )dx1 = + x2 , 0 < x2 < 1,
0 2

dan f1 (x1 ) = 0 untuk x1 lainnya.

Karena f (x1 , x2 ) 6= f (x1 )f (x2 ) maka X1 dan X2 tidak independen. 

Selain berdasarkan definisinya sifat independen juga dapat dikarakterisasi


dari fungsi distribusinya atau dari MGF-nya. Berikut empat cara untuk
menunjukkan apakah dua variabel independen atau tidak.
(a). Variabel acak X1 dan X2 dikatakan independen jika dan hanya
jika PDF gabungannya dapat dinyatakan sebagai perkalian fungsi
nonnegatif dari x1 dan fungsi nonnegatif dari x2 . Dengan kata lain,

f (x1 , x2 ) = g(x1 )h(x2 ),

untuk suatu g(x1 ) > 0 dan h(x2 ) > 0.


(b). Variabel acak X1 dan X2 dikatakan independen jika dan hanya jika

F (x1 , x2 ) = F (x1 )F (x2 ),

untuk setiap x1 , x2 R2
(c). Variabel acak X1 dan X2 dikatakan independen jika dan hanya jika

P (a < X1 b, c < X2 d) = P (a < X1 b) P (c < X2 d).

(d). Misalkan MGF untuk (X1 , X2 ) ada yaitu M (t1 , t2 ). Variabel acak X1
dan X2 dikatakan independen jika dan hanya jika

M (t1 , t2 ) = M (t1 , 0)M (0, t2 ).

Contoh 2.6.2. Contoh ini merupakan lanjutan dari Contoh 2.2.7.


Misalkan (X, Y ) pasangan variabel acak dengan PDF
 y
e , 0<x<y<
f (x, y) =
0, x, y lainnya.

89
Nunung Nurhayati Pengantar Teori Peluang

Pada Contoh 2.2.7 telah ditunjukkan MGF dari (X, Y ) adalah


Z Z
M (t1 , t2 ) = exp(t1 x + t2 y y) dydx
0 x
1
=
(1 t1 t2 )(1 t2 )

dengan syarat t1 + t2 < 1 dan t2 < 1. Sementara itu, MGF marjinal untuk
X dan Y adalah
1
M (t1 , 0) = , t1 < 1
1 t1
1
M (0, t2 ) = , t2 < 1
(1 t2 )2

Karena M (t1 , t2 ) 6= M (t1 , 0)M (0, t2 ) maka X dan Y tidak independen. 

Teorema 2.6.1. Jika variabel acak X1 dan X2 independen maka

E[u(X1 ) v(X2 ] = E[u(X1 )]E[v(X2 )],

asalkan E[u(X1 )] dan E[v(X2 )] ada.

Bukti. Bukti berikut hanya diberikan untuk kasus kontinu. Diketahui X1


dan X2 independen maka PDF gabungannya adalah f (x1 , x2 ) = f (x1 )f (x2 ).
Dari definisi ekspektasi,
Z Z
E[u(X1 )(X2 )] = u(x1 )(x2 )f (x1 )f (x2 ) dx1 dx2

Z  Z 
= u(x1 )f (x1 ) dx1 (x2 )f (x2 ) dx2

= E[u(X1 )]E[v(X2 )]

Jadi terbukti. 

Teorema 2.6.1 berakibat, jika variabel acak X1 dan X2 independen maka


kovariansinya 0 atau korelasinya 0. Namun, pernyataannya sebaliknya
belum tentu berlaku. Dengan kata lain, jika X1 dan X2 kovariansinya 0
atau tidak berkorelasi maka belum tentu X1 dan X2 independen.

90
Nunung Nurhayati Pengantar Teori Peluang

Latihan 2.5

1. Tunjukkan bahwa X1 dan X2 yang mempunyai PDF gabungan



12x1 x2 (1 x2 ), 0 < x1 < 1, 0 < x2 < 1
f (x1 , x2 ) =
0, x lainnya

saling bebas.

2. Misalkan X1 dan X2 mempunyai PDF gabungan f (x1 , x2 ) =


2ex1 x2 , 0 < x1 < x2 < dan 0 untuk yang lainnya. Tunjukkan X1
dan X2 independen.

3. Misalkan PMF dari X1 dan X2 adalah p(x1 , x2 ) = 1/16, x1 = 1, 2, 3, 4,


dan x2 = 1, 2, 3, 4, dan 0 untuk yang lainnya. Tunjukkan X1 dan X2
independen.

4. Tentukan peluang gabungan dari peristiwa a < X1 < b, < X2 <


, dan < X1 < , c < X2 < d, jika X1 dan X2 independen
dengan P (a < X1 < b) = 32 dan P (c < X1 < d) = 58 .

5. Jika f (x1 , x2 ) = ex1 x2 , 0 < x1 < 0 < x2 < , dan 0


untuk yang lainnya, adalah PDF gabungan dari variabel X1 dan X2 ,
tunjukkan bahwa X1 dan X2 independen sehingga MGF gabungannya
M (t1 , t2 ) = (1 t1 )1 (1 t2 )1 , t1 < 1, t2 < 1. Tunjukkan pula

E[et(X1 +X2 ) ] = (1 t)2 , t < 1.

Gunakan hasil ini untuk menentukan variansi dari Y = X1 + X2 .

6. Misalkan X1 dan X2 mempunyai PDF gabungan f (x1 , x2 ) = 1/


untuk (x1 1)2 + (x2 + 2)2 < 1 dan 0 untuk yang lainnya. Tentukan
f1 (x1 ) dan f2 (x2 ). Apakah X1 dan X2 independen?

7. Misalkan X dan Y mempunyai PDF gabungan f (x, y) = 3x, 0 < y <


x < 1, dan 0 untuk yang lainnya. Apakah X1 dan X2 independen?
Jika tidak, tentukan E[X|y].

8. Misalkan seorang karyawan berangkat kerja antara jam 08.0008.30


pagi, dengan waktu perjalanan sekitar 4050 menit. Jika X (waktu
keberangkatan) dan Y (waktu perjalanan) masing-masing berdis-
tribusi uniform dan keduanya independen, tentukan peluang karyawan
tersebut tiba di tempat kerjanya sebelum jam 09.00 pagi.

9. Pada lantunan sebuah dadu dimisalkan X = 0 jika mata dadu yang

91
Nunung Nurhayati Pengantar Teori Peluang

keluar 1, 2 atau 3, X = 1 jika mata dadu yang keluar 4 atau 5,


dan X = 2 jika mata dadu yang keluar 6. Jika lantunan dilakukan
sebanyak 2 kali dan X1 dimisalkan sebagai hasil yang keluar dari
lantunan pertama, dan X2 dimisalkan sebagai hasil yang keluar dari
lantunan kedua, hitung P (|X1 X2 | = 1).

10. Untuk X1 dan X2 pada soal nomor 6, tunjukkan bahwa MGF dari
Y = X1 + X2 adalah M (t) = e2t /(2 et )2 , t < ln 2. Tentukan pula
mean dan variansi dari Y.

2.7 Distribusi Multivariat


Konsep distribusi bivariat dapat diperluas untuk kasus banyak variabel acak
atau multivariat.

Definisi 2.7.1. Diberikan percobaan acak dengan ruang sampel C. Misal


untuk i = 1, 2, . . . , n terdefinisi variabel acak Xi yang memetakan setiap c
C ke tepat satu bilangan riil Xi (c) = xi . Vektor (X1 , X2 , . . . , Xn ) selanjutnya
disebut vektor acak multivariat, dengan ruang D = {(x1 , x2 , . . . , xn ) :
x1 = X1 (c), x2 = X2 (c) . . . , xn = Xn (c), c C}.

Dengan kata lain, vektor acak multivariat adalah fungsi bernilai vektor di Rn
yang terdefinisi di ruang sampel C. Dinotasikan dengan X = (X1 , . . . , Xn ).
Dalam hal ini, jika A D maka

P [(X1 , . . . , Xn ) A] = P (E),

dengan E = {c C : (X1 (c), . . . Xn (c)) A}.

Distribusi gabungan. Distribusi gabungan dari X = (X1 , . . . , Xn )


dapat dinyatakan dalam bentuk CDF atau PDF. CDF gabungan dari X
didefinisikan sebagai

F (x) = F (x1 , . . . , xn ) = P (X1 x1 , . . . , Xn xn ).

Untuk kasus diskrit, PMF gabungan dari X adalah

p(x) = p(x1 , . . . , xn ) = P (X1 = x1 , . . . , Xn = xn )

dengan syarat
(i). p(x) 0
P P
(ii). x1 . . . xn p(x1 , x2 . . . , xn ) = 1

92
Nunung Nurhayati Pengantar Teori Peluang

Untuk kasus kontinu dengan CDF yang diferensiabel, PDF gabungan dari
x adalah
n
f (x) = f (x1 , . . . , xn ) = F (x)
x1 , . . . , xn
dengan syarat
(i). f (x) 0
R R
(ii). . . . f (x1 , . . . , xn ) dx1 . . . dxn = 1
Akibatnya, CDF gabungan untuk kasus diskrit dapat ditulis
X X
F (x) = ... p(w1 , . . . , wn )
w1 x1 wn xn

dan untuk kasus kontinu,


Z x1 Z xn
F (x) = ... f (w1 , . . . , wn ) dw1 . . . dwn

Contoh 2.7.1. Misal PDF gabungan dari X, Y, Z adalah


 (x+y+z)
e , 0 < x, 0 < y, 0 < z
f (x, y, z) =
0, yang lainnya

maka CDF gabungan dari X, Y, Z adalah

F (x, y, z) = P (X x, Y y, Z z)
Z zZ yZ x
= e(u+v+w) du dv dw
0 0 0
= (1 ex )(1 ey )(1 ez ), 0 x, 0 y, 0 z,

dan 0 untuk yang lainnya.

Ekspektasi. Misal Y = u(X1 , . . . , Xn ). Untuk kasus kontinu


Z Z
E[Y ] = ... u(x1 , . . . , xn )f (x1 , . . . , xn ) dx1 . . . dxn

dan untuk kasus diskrit


X X
E[Y ] = ... u(x1 , . . . , xn )p(x1 , . . . , xn )
xn x1

Syarat agar nilai ekspektasi E[Y ] ada, adalah E[|Y |] < .

Sifat linier dari ekspektasi yang berlaku pada distribusi bivariat, juga

93
Nunung Nurhayati Pengantar Teori Peluang

berlaku pada distribusi multivariat. Jika Yj = uj (x1 , . . . , xn ) untuk j =


1, . . . , m dan E[Yj ] ada, maka

Xm m
X
E kj Yj = kj E[Yj ]
j=1 j=1

dengan k1 , . . . km konstanta.

Distribusi marjinal. PDF marjinal untuk variabel acak Xi merupakan


integral lipat n1 dari PDF gabungan f (x) = f (x1 , x2 , . . . , xn ) yang diinte-
gralkan terhadap x1 , . . . , xn kecuali xi . Sebagai contoh, PDF marjinal untuk
X2 adalah
Z Z Z
f2 (x2 ) = ... f (x1 , x2 , . . . , xn ) dx1 dx3 . . . dxn

Selain itu, dapat ditentukan juga PDF marjinal dari beberapa variabel acak.
Sebagai contoh, PDF marjinal untuk X1 , X2 dan X4 adalah integral lipat n
1 dari PDF gabungan f (x) = f (x1 , x2 , . . . , xn ) yang diintegralkan terhadap
x1 , . . . , xn kecuali x1 , x2 , dan x4 .
Z Z Z
f (x1 , x2 , x4 ) = ... f (x1 , x2 , . . . , xn ) dx3 dx5 . . . dxn

Distribusi bersyarat. Secara umum, distribusi bersyarat didefinisikan


sebagai distribusi gabungan dibagi distribusi marjinal dari yang disyaratkan.
Sebagai contoh, jika f (x2 ) > 0 dan f (x3 ) > 0 maka PDF bersyarat dari
X1 , X4 , . . . , Xn jika diberikan X2 = x2 , X3 = x3 adalah

f (x1 , x2 , . . . , xn )
f (x1 , x4 . . . , xn |x2 , x3 ) =
f (x2 , x3 )

Ekspektasi bersyarat. Ekspektasi bersyarat dari fungsi beberapa


variabel acak, adalah integral dari perkalian antara fungsi yang akan
diekspektasikan dengan PDF bersyaratnya. Sebagai contoh, jika Y =
u(X1 , X4 , . . . , Xn ), maka ekspektasi bersyarat dari Y diberikan X2 =
x2 , X3 = x3 adalah

E[Y |x2 , x3 ] = E[u(X1 , X4 , . . . , Xn )|x2 , x3 ]


Z Z Z
= ... u(x1 , x4 , . . . , xn )f (x1 , x4 . . . , xn |x2 , x3 ) dx1 dx4 . . . dxn

94
Nunung Nurhayati Pengantar Teori Peluang

MGF gabungan. MGF gabungan dari X1 , . . . , Xn adalah

M (t1 , t2 , . . . , tn ) = E[exp{t1 X1 + t2 X2 + + tn Xn }]
" ( n )#
X
= E exp ti Xi
i=1

dengan hi < ti < hi , i = 1, 2 . . . , n.

Seperti pada kasus 1 dan 2 variabel acak, MGF pada kasus multivariat secara
unik menentukan distribusi gabungan dari X1 , . . . , Xn .

MGF juga dapat ditulis dalam notasi vektor, yaitu


0
M (t) = E[et X ], t B Rn ,

dengan t = (t1 , . . . , tn ) dan B = {t : hi < ti < hi , i = 1, 2 . . . , n}.

Dari MGF gabungan dapat dibentuk MGF marjinal dari satu variabel acak
atau MGF marjinal dari beberapa variabel acak. Sebagai contoh, MGF
marjinal dari Xi , yaitu

M (ti ) = M (0, . . . , 0, ti , 0 . . . , 0)

atau MGF marjinal dari Xi dan Xj , yaitu

M (ti , tj ) = M (0, . . . , 0, ti , 0 . . . , 0, . . . , 0, tj , 0 . . . , 0).

Sifat independen. Sifat independen untuk dua variabel acak dapat


diperluas untuk n variabel acak.

Definisi 2.7.2. Barisan variabel acak diskrit X1 , X2 , . . . , Xn dikatakan


independen jika p(x1 , x2 , . . . , xn ) = p(x1 )p(x2 ) . . . p(xn ), dan barisan
variabel acak kontinu X1 , X2 , . . . , Xn dikatakan independen jika
f (x1 , x2 , . . . , xn ) = f (x1 )f (x2 ) . . . f (xn ).

Sifat independen juga dapat didasarkan pada peluang gabungannya atau


MGF gabungannya.
(a) Barisan variabel acak X1 , X2 , . . . , Xn dikatakan independen jika dan

95
Nunung Nurhayati Pengantar Teori Peluang

hanya jika

P (a1 < X1 < b1 , a2 < X2 < b2 , . . . , an < Xn < bn )


= P (a1 < X1 < b1 )P (a2 < X2 < b2 ) . . . P (an < Xn < bn )
Yn
= P (ai < Xi < bi ).
i=1

(b) Barisan variabel acak X1 , X2 , . . . , Xn dikatakan independen jika dan


hanya jika

M (t1 , t2 , . . . , tn ) = M (t1 )M (t2 ) . . . M (tn )

dengan M (t1 , t2 , . . . , tn ) MGF gabungan dari X1 , X2 , . . . , Xn , dan


M (ti ) MGF dari Xi .

Akibat sifat independen. Jika barisan variabel acak X1 , X2 , . . . , Xn


independen maka

E[u1 (X1 )u2 (X2 ) . . . un (Xn )] = E[u1 (X1 )]E[u2 (X2 )] . . . E[un (Xn )],

atau " n n
#
Y Y
E ui (Xi ) = E[ui (Xi )].
i=1 i=1

Barisan variabel acak X1 , X2 , . . . , Xn yang independen dan berdistribusi


yang sama (identik) disebut juga variabel-variabel acak IID (independent
and indentically distributed ).

Contoh 2.7.2. Misal X1 , X2 , X3 tiga variabel acak IID yang diambil dari
X dengan PDF 
2x, 0 < x < 1
f (x) =
0, x lainnya
(a). Tentukan E[5X1 X23 + 3X2 X34 ].
1
(b). Jika Y maksimum dari X1 , X2 , X3 , tentukan P (Y 2 ), CDF dan
PDF dari Y.

Penyelesaian.
(a). Karena X1 , X2 , X3 independen maka PDF gabungannya

f (x1 , x2 , x3 ) = f (x1 )f (x2 )f (x3 ) = 8x1 x2 x3 , 0 < xi < 1, i = 1, 2, 3

96
Nunung Nurhayati Pengantar Teori Peluang

dan 0 untuk yang lainnya. Akibatnya


Z 1Z 1Z 1
E[5X1 X23 +3X2 X34 ] = (5x1 x32 +3x2 x43 ) (8x1 x2 x3 ) dx1 dx2 dx3 = 2.
0 0 0

(b). Jika Y maksimum dari X1 , X2 , X3 , maka peristiwa {Y 12 } atau


{max(X1 , X2 , X3 ) 12 } ekivalen dengan peristiwa {Xi 12 , i =
1, 2, 3}. Akibatnya

P (Y 21 ) = P X1 21 , X2 12 , X3 12

Z 1/2 Z 1/2 Z 1/2
1
= (8x1 x2 x3 ) dx1 dx2 dx3 = ( 12 )6 = .
0 0 0 64

Dengan cara serupa, jika Y = max(X1 , X2 , X3 ), maka peristiwa


{Y y} atau {max(X1 , X2 , X3 ) y} ekivalen dengan peristiwa
{Xi y, i = 1, 2, 3}. Akibatnya untuk 0 y < 1,

P (Y y) = P (X1 y, X2 y, X3 y)
Z yZ yZ y
= (8x1 x2 x3 ) dx1 dx2 dx3 = y 6 .
0 0 0

Jadi CDF dari Y



0, y < 0
FY (y) = P (Y y) = y6, 0 y < 1
1, y 1,

dan PDF dari Y


6y 5 , 0 < y < 1

d
fY (y) = FY (y) =
dy 0, y lainnya. 

Teorema 2.7.1. Misal X1 , X2 , . . . , Xn variabel-variabel acak yang


independen. Misalkan pula untuk setiap i = 1, 2, . . . , n, variabel acak
Xi mempunyai MGF Mi (t), untuk hi < tP < hi , dengan hi > 0. Jika
k1 , k2 , . . . kn konstanta, maka MGF dari Y = ni=1 ki Xi , adalah
n
Y
MY (t) = Mi (ki t),
i=1

dengan t (min {hi }, min {hi })}.


i i

97
Nunung Nurhayati Pengantar Teori Peluang

Bukti. Asumsikan t (min {hi }, min {hi })}. Karena X1 , X2 , . . . , Xn


i i
independen, maka
n n n
" #
h Pn i Y Y h i Y
tki Xi
MY (t) = E e i=1 =E e(tki )Xi = E e(tki )Xi = Mi (ki t). 
i=1 i=1 i=1

MGF dari penjumlahan variabel-variabel acak yang IID dapat dianggap


sebagai akibat dari Teorema 2.7.1:

Akibat 2.6.1. Misal X1 , . . . , Xn variabel-variabel acak IID sehingga Xi


mempunyai MGF yang identik yaitu M (t), h < t < h, dan h > 0. Jika
Y = ni=1 Xi , maka berdasarkan Teorema 2.7.1, MGF dari Y adalah
P

MY (t) = [M (t)]n

Vektor mean. Misal X = (X1 , . . . , Xn )0 vektor acak berdimensi


n. Ekspektasi dari vektor acak X adalah vektor yang anggotanya
terdiri dari ekspektasi masing-masing elemen X, yaitu E[X] =
(E[X1 ], E[X2 ], . . . , E[Xn ]). Selanjutnya, E[X] dinamakan mean dari vektor
acak X dan dinotasikan dengan

1 E[X1 ]
2 E[X2 ]
= . =

..
..

.
n E[Xn ]

Contoh 2.7.3. Misalkan X1 , . . . , Xn barisan variabel acak dengan


E[Xi ] = i . Variabel acak T sebagai kombinasi linier dari X1 , . . . , Xn dapat
ditulis dalam bentuk perkalian vektor

T = a0 X

dengan X = (X1 , . . . , Xn ) dan a0 transpos dari vektor a = (a1 , . . . , an ) Rn .


Akibatnya, mean dari T
n
X
0 0 0
E[T ] = E[a X] = a E[X] = a X = ai i . 
i=1

Matriks variansi-kovariansi. Misal untuk setiap i = 1, 2, . . . , n


diasumsikan Var(Xi ) < . Matriks kovariansi atau matriks variansi-

98
Nunung Nurhayati Pengantar Teori Peluang

kovariansi dari X didefinisikan sebagai

12

12 1n
21 22 2n
Cov(X) = E[(X )(X )0 ] =

.. .. .. ..
. . . .
n1 n2 n2

dengan elemen diagonal ke-i, adalah

ii = i2 = Var(Xi ) = E[(Xi i )2 ],

dan elemen ke (i, j) adalah

ij = Cov(Xi , Xj ) = E[(Xi i )(Xj j )]. 

Matriks kovariansi mempunyai sifat-sifat sebagai berikut:


(a). Matriks kovariansi bersifat simetris karena untuk setiap i, j =
1, 2, . . . , n berlaku

ij = Cov(Xi , Xj ) = E[(Xi i )(Xj j )]


= E[(Xj j )(Xi i )] = Cov(Xj , Xi ) = ji .

(b). Misal X = (X1 , . . . , Xn )0 vektor acak berdimensi n dengan mean


dan i2 = Var(Xi ) < , maka

Cov(X) = E[(X )(X )0 ] = E[XX0 ] 0 ,

dan jika A matriks skalar maka

Cov(AX) = ACov(X)A0 .

Akibatnya, jika a vektor skalar maka

Cov(aX) = aCov(X)a0 .

(c). Setiap matriks kovariansi bersifat semi-definit positif, artinya untuk


setiap vektor a Rn berlaku

a0 Cov(X)a 0.

Sifat ini dapat dibutikan sebagai berikut: Misal X vektor acak dan
a vektor sembarang di Rn . Karena a vektor berukuran (n 1) dan
X vektor acak berukuran (n 1) maka Y = a0 X merupakan variabel

99
Nunung Nurhayati Pengantar Teori Peluang

acak di R. Dari sifat (b), variansi dari Y adalah

Var(Y ) = Var(a0 X) = a0 Cov(X)a

Karena variansi selalu bernilai positif maka

a0 Cov(X)a 0.

Jadi, matriks kovariansi selalu bersifat semi-definit positif.

Contoh 2.7.4. Misalkan X1 , . . . , Xn sampel acak dengan Var(Xi ) < .


Jika
T = a0 X
untuk suatu a = (a1 , . . . , an ) Rn , maka

Var(T ) = Var(a0 X) = a0 Cov(X)a

atau

Var(X1 ) 0 0 a1
 0 Var(X2 ) 0 a2
Var(T ) = a1 a2 an

.. .. .. .. ..
. . . . .
0 0 Var(Xn ) an
n
X
= a2i Var(Xi ). 
i=1

Latihan 2.6

1. Misal X, Y, Z mempunyai PDF gabungan



2(x + y + z)
, 0 < x < 1, 0 < y < 1, 0 < z < 1
f (x, y, z) = 3
0, yang lainnya

(a) Tentukan PDF marjinal dari masing-masing X, Y, Z.


(b) Hitung
i. P (0 < X < 12 , 0 < Y < 12 , 0 < Z < 21 )
ii. P (0 < X < 12 ), P (0 < Y < 12 ), dan P (0 < Z < 12 )
(c) Apakah X, Y, Z independen?
(d) Hitung E[X 2 Y Z + 3XY 4 Z 2 ]
(e) Tentukan CDF dari X, Y, dan Z.

100
Nunung Nurhayati Pengantar Teori Peluang

(f) Tentukan distribusi bersyarat dari X dan Y jika diberikan Z = z,


dan hitung E[X + Y |z].
(g) Tentukan distribusi bersyarat dari X jika diberikan Y = y dan
Z = z. Selanjutnya hitung E[X|y, z].

2. Misal PDF gabungan dari X1 , X2 , X3 adalah


 x x x
e 1 2 3 , 0 < x1 < , 0 < x2 < , 0 < x3 <
f (x1 , x2 , x3 ) =
0, yang lainnya

(a) Hitung P (X1 < X2 < X3 ) dan P (X1 = X2 < X3 )


(b) Tentukan MGF gabungan dari X1 , X2 , X3 . Apakah tiga variabel
acak ini independen?

3. Misal X1 , X2 , X3 , X4 variabel-variabel acak IID dengan PDF identik


yaitu
3(1 x)2 , 0 < x < 1

f (x) =
0, x lainnya
Jika variabel acak Y menyatakan minimum dari X1 , X2 , X3 , X4 ,
tentukan CDF dan PDF dari Y. Petunjuk. P (Y > y) = P (Xi >
y, i = 1, . . . , 4).

4. Sebuah dadu seimbang dilantunkan secara acak tiga kali. Misalkan


Xi menyatakan mata dadu yang muncul dari lantunan ke-i, dan Y
menyatakan max(Xi ) untuk i = 1, 2, 3. Tentukan CDF dan PMF dari
Y. Petunjuk. P (Y y) = P (Xi y, i = 1, 2, 3).

5. Misal X1 , X2 , X3 variabel-variabel acak IID dengan PDF yaitu


 x
e , 0<x<
f (x) =
0, x lainnya

Hitung
(a) P (X1 < X2 |X1 < 2X2 )
(b) P (X1 < X2 < X3 |X3 < 1).

2.8 Transformasi Vektor Acak


Misal n variabel acak X1 , X2 . . . , Xn dengan ruang DX , mempunyai PDF
gabungan h(x1 , x2 , . . . , xn ). Misalkan pula terdapat n buah variabel acak
Y1 , Y2 , . . . , Yn dengan ruang DY , yang masing-masing merupakan fungsi dari
X1 , X2 . . . , Xn yang bersifat satu-satu.

101
Nunung Nurhayati Pengantar Teori Peluang

Fungsi

y1 = u1 (x1 , x2 , . . . , xn ), y2 = u2 (x1 , x2 , . . . , xn ), . . . , yn = un (x1 , x2 , . . . , xn )

bersama-sama dengan fungsi inversnya

x1 = w1 (y1 , y2 , . . . , yn ), x2 = w2 (y1 , y2 , . . . , yn ), . . . , xn = wn (y1 , y2 , . . . , yn )

mendefinisikan suatu transformasi dari DX ke DY dengan Jacobi trans-


formasi
x1 x1 x1
y
y1 y2 n

x2 x2 x2

J = y. 1 y2 yn

. .. ..
. . .
xn xn xn
y
1 y 2
yn

Jika J 6= 0, PDF gabungan dari Y1 , Y2 , . . . , Yn adalah

g(y1 , y2 , . . . , yn ) = h(w1 (y1 , y2 , . . . , yn ), . . . , wn (y1 , y2 , . . . , yn ))|J|

untuk (y1 , y2 , . . . , yn ) DY dan 0 untuk yang lainnya.

Contoh 2.8.1. Misal X1 , X2 , X3 mempunyai PDF gabungan



48 x1 x2 x3 , 0 < x1 < x2 < x3 < 1
h(x1 , x2 , x3 ) =
0, yang lainnya

Jika Y1 = X1 /X2 , Y2 = X2 /X3 , dan Y3 = X3 tentukan PDF gabungan


dari Y1 , Y2 , Y3 dan PDF marjinalnya. Apakah ketiga variabel acak tersebut
independen?

Penyelesaian. Diketahui

y3 = x3 x 3 = y3
y2 = x2 /x3 x2 = y2 x3 = y2 y3
y1 = x1 /x2 x1 = y1 x2 = y1 y2 y3

Karena 0 < x1 < x2 < x3 < 1 maka

0 < y1 y2 y3 , y1 y2 y3 < y2 y3 , dan y3 < 1

sehingga ruang dari (Y1 , Y2 , Y3 )

DY = {(y1 , y2 , y3 ) : 0 < y1 < 1, 0 < y2 < 1, 0 < y3 < 1}


= {(y1 , y2 , y3 ) : 0 < yi < 1, i = 1, 2, 3}

102
Nunung Nurhayati Pengantar Teori Peluang

Jacobi dari transformasi adalah



x1 x1 x1
y1 y2 y3 y2 y3 y1 y3 y1 y2
J = x x2 x2 = y2 y32 .

2 = 0
y1 y2 y3 y3 y2
x3 x3 x3 0 0 1
y y y

1 2 3

Dengan demikian, PDF gabungan dari Y1 , Y2 , Y3 untuk 0 < yi < 1, i =


1, 2, 3, adalah

g(y1 , y2 , y3 ) = 48 (y1 y2 y3 ) (y2 y3 ) y3 |y2 y32 | = 48 y1 y23 y35 ,

dan 0 untuk yang lainnya.

Adapun PDF marjinal untuk Y1 ,


Z 1Z 1
g1 (y1 ) = (48 y1 y23 y35 ) dy2 dy3 = 2y1 , 0 < y1 < 1
0 0

dan 0 untuk yang lainnya.

PDF marjinal untuk Y2 ,


Z 1Z 1
g2 (y2 ) = (48 y1 y23 y35 ) dy1 dy3 = 4y23 , 0 < y2 < 1
0 0

dan 0 untuk yang lainnya.

PDF marjinal untuk Y3 ,


Z 1Z 1
g3 (y3 ) = (48 y1 y23 y35 ) dy1 dy2 = 6y35 , 0 < y3 < 1
0 0

dan 0 untuk yang lainnya.

Karena g(y1 , y2 , y3 ) = g1 (y1 )g2 (y2 )g3 (y3 ) maka Y1 , Y2 , Y3 independen. 

Contoh 2.8.2. Misal X1 , X2 , X3 IID dengan PDF


 x
e , 0<x<
f (x) =
0, yang lainnya

Jika
X1 X2
Y1 = , Y2 = , dan Y3 = X1 + X2 + X3
X1 + X2 + X3 X1 + X2 + X3
(a) Tentukan PDF marjinal untuk masing-masing Y1 , Y2 , Y3 dan periksa

103
Nunung Nurhayati Pengantar Teori Peluang

apakah ketiga variabel acak tersebut independen?


(b) Tentukan PDF gabungan dari Y1 , Y3 . Apakah Y1 dan Y3 independen?
(c) Tentukan PDF gabungan dari Y1 , Y2 . Apakah Y1 dan Y2 independen?

Penyelesaian.
(a) Karena X1 , X2 , X3 independen, PDF gabungannya
 x x x
e 1 2 3 , 0 < xi < , i = 1, 2, 3
f (x1 , x2 , x3 ) =
0, yang lainnya

Diketahui
x1 x2
y1 = , y2 = , dan y3 = x1 + x2 + x3
x1 + x2 + x3 x1 + x2 + x3
maka inversnya

x1 = y1 y3 , x2 = y2 y3 , dan x3 = y3 y1 y3 y2 y3

Karena 0 < x1 < , 0 < x2 < , dan 0 < x3 < maka

0 < y1 y3 < , 0 < y2 y3 < , dan 0 < y3 (1 y1 y2 ) <

sehingga ruang dari (Y1 , Y2 , Y3 ) adalah

DY = {(y1 , y2 , y3 ) : 0 < y1 , 0 < y2 , 0 < 1 y1 y2 , 0 < y3 < }

Karena Jacobi dari transformasi adalah



x1 x1 x1
y1 y2 y3 y3 0 y1
J = x x2 x2 = y32 .

2
y1 y2 y3 =
0 y3 y2
x3 x3 x3
y y3 y3 1 y1 y2
y y

1 2 3

maka PDF gabungan dari Y1 , Y2 , Y3

g(y1 , y2 , y3 ) = y32 ey3 , untuk (y1 , y2 , y3 ) DY

dan 0 untuk yang lainnya.

Akibatnya PDF marjinal untuk Y1


Z 1y1 Z
g1 (y1 ) = y32 ey3 dy3 dy2 = 2(1 y1 ), 0 < y1 < 1
0 0

dan 0 untuk yang lainnya.

104
Nunung Nurhayati Pengantar Teori Peluang

Dengan cara serupa, PDF marjinal untuk Y2 adalah

g2 (y2 ) = 2(1 y2 ), 0 < y2 < 1

dan 0 untuk yang lainnya, dan PDF marjinal untuk Y3 adalah


Z 1 Z 1y1
1
g3 (y3 ) = y32 ey3 dy2 dy1 = y32 ey3 , 0 < y3 <
0 0 2

dan 0 untuk yang lainnya.

Karena g(y1 , y2 , y3 ) 6= g1 (y1 )g2 (y2 )g3 (y3 ), maka Y1 , Y2 , Y3 tidak


independen.

(b) PDF gabungan dari Y1 , Y3 adalah


Z 1y1
g13 (y1 , y3 ) = y32 ey3 dy2 = (1y1 )y32 ey3 , 0 < y1 < 1, 0 < y3 < ,
0

dan 0 untuk yang lainnya.


Karena g(y1 , y3 ) = g1 (y1 )g3 (y3 ), maka Y1 dan Y3 independen.

(c) PDF gabungan dari Y1 , Y2 adalah


Z
g12 (y1 , y2 ) = y32 ey3 dy3 = 2, 0 < y1 , 0 < y2 , y1 + y2 < 1,
0

dan 0 untuk yang lainnya. Karena g(y1 , y2 ) 6= g1 (y1 )g2 (y2 ), maka Y1
dan Y2 tidak independen. 

Latihan 2.7

1. Misal X1 , X2 , X3 IID dengan PDF


 x
e , 0<x<
f (x) =
0, yang lainnya

Tunjukkan bahwa
X1 X1 + X2
Y1 = , Y2 = , Y3 = X1 + X2 + X3
X1 + X2 X1 + X2 + X3
independen.

2. Jika
1

2, 1 < x < 1
f (x) =
0, yang lainnya

105
Nunung Nurhayati Pengantar Teori Peluang

PDF dari variabel acak X, tentukan pdf dari Y = X 2 .

3. Jika
1

4, 1 < x < 3
f (x) =
0, yang lainnya
PDF dari variabel acak X, tentukan pdf dari Y = X 2 .

4. Misal X1 , X2 , X3 IID dengan PDF


 x
e , x>0
f (x) =
0, yang lainnya

Tentukan PDF gabungan dari Y1 = X1 , Y2 = X1 + X2 , dan Y3 =


X1 + X2 + X3 .

5. Misal X1 , X2 , X3 IID dengan PDF


 x
e , x>0
f (x) =
0, yang lainnya

Tentukan PDF gabungan dari Y1 = X1 /X2 , Y2 = X3 /(X1 + X2 ), dan


Y3 = X1 + X2 . Apakah Y1 , Y2 , Y3 independen?

6. Misal X1 , X2 , X3 , X4 mempunyai PDF gabungan



24, 0 < x1 < x2 < x3 < x4 < 1
f (x1 , x2 , x3 , x4 ) =
0, yang lainnya

Tentukan PDF gabungan dari Y1 = X1 /X2 , Y2 = X2 /X3 , Y3 =


X3 /X4 , dan Y4 = X4 . Tunjukkan bahwa Y1 , Y2 , Y3 , Y4 independen.

2.9 Kombinasi Linier dari Variabel Acak


Variabel acak T dikatakan kombinasi linier dari variabel-variabel acak
X1 , . . . , Xn jika T dapat ditulis sebagai
n
X
T = ai Xi
i=1

untuk suatu skalar a1 , . . . , an .

Pn
Teorema 2.9.1. Misal T = i=1 ai Xi . Asalkan E[|Xi |] < untuk i =

106
Nunung Nurhayati Pengantar Teori Peluang

1, 2, . . . , n, maka mean dari T


n
X
E[T ] = ai E[Xi ]
i=1

Teorema 2.9.2. Misal T = ni=1 ai Xi dan W = nj=1 bj Yj . Jika E[Xi2 ] <


P P

dan E[|Yj2 |] < untuk i = 1, 2, . . . , n dan j = 1, 2, . . . , m, maka


n X
X m
Cov(T, W ) = ai bj Cov(Xi , Yj ).
i=1 j=1

Bukti. Berdasarkan definisi kovariansi dan Teorema 2.9.1

Cov(T, W ) = E[(T E[T ])(W E[W ])]


! n
Xn n
X X m
X
=E ai Xi ai E[Xi ] bj Yj bj E[Yj ]
i=1 i=1 j=1 j=1

Xn X
m
=E (ai Xi ai E[Xi ])(bj Yj bj E[Yj ])
i=1 j=1
n X
X n
= ai bj E[(Xi E[Xi ])(Yj E[Yj ])]
i=1 j=1
Xn X m
= ai bj Cov(Xi , Yj ). 
i=1 j=1

Pn
Akibat 2.8.1. Misal T = i=1 ai Xi . Asalkan E[Xi2 ] < , untuk i =
1, . . . , n, maka
n
X X
Var(T ) = Cov(T, T ) = a2i Var(Xi ) + 2 ai aj Cov(Xi , Xj ).
i=1 i<j

Akibat 2.8.2. Jika X1 , . . . , Xn independen dengan Var(Xi ) < , maka


n
X
Var(T ) = a2i Var(Xi ).
i=1

Definisi 2.9.1. Barisan n variabel acak X1 , X2 , . . . , Xn yang IID disebut

107
Nunung Nurhayati Pengantar Teori Peluang

sampel acak berukuran n.

Contoh 2.9.1. Misalkan X1 , X2 , . . . , Xn sampel acak dengan E[Xi ] =


dan Var(Xi ) = 2 untuk i = 1, 2, . . . , n. Rata-rata sampel atau mean
sample didefinisikan sebagai
n
1X
X= Xi .
n
i=1

Karena rata-rata sampel merupakan kombinasi linier dari X1 , X2 , . . . , Xn


dengan ai = 1/n, maka mean dari rata-rata sampel X adalah
" n # n
1X 1X
E[X] = E Xi = E[Xi ] =
n n
i=1 i=1

dan variansi dari X adalah


n
2 2
 2
X 1 2
Var[X] = Var(Xi ) = + + = n = . 
n2 n2 n2 n2 n
i=1

Contoh 2.9.2. Misalkan X1 , X2 , . . . , Xn barisan variabel acak yang IID


dengan mean E[Xi ] = dan variansi Var(Xi ) = 2 untuk i = 1, 2, . . . , n.
Variansi sampel didefinisikan sebagai
n n
!
1 X 1 X 2
S2 = (Xi X)2 = Xi2 nX . (2.9.1)
n1 n1
i=1 i=1

108
Nunung Nurhayati Pengantar Teori Peluang

Ekspektasi dari variansi sampel adalah


n
!
1 X 2
E[S 2 ] = E[Xi2 ] nE[X ]
n1
i=1
n
!
1 X
2 2
= (Var(Xi ) + E[Xi ] ) n(Var(X) + E[X] )
n1
i=1
n
!
1 X
2 2 2 2
= ( + ) n[( /n) + ]
n1
i=1
1
n 2 + n2 n[( 2 /n) + 2 ]

=
n1
1
= (n 2 2 )
n1
= 2. 

Latihan 2.8

1. Tunjukkan persamaan (2.9.1).

2. Misal X1 , . . . , X4 empat variabel acak yang IID dan mempunyai PDF


sama, yaitu f (x) = 2x, 0 < x P< 1, dan 0 untuk x lainnya. Tentukan
mean dan variansi dari Y = 4i=1 Xi .

3. Misal X1 dan X2 independen dengan Var(X1 ) = 12 = k dan


Var(X2 ) = 22 = 2. Jika diberikan variansi dari Y = 3X2 X1 adalah
25, tentukan k.

4. Misal X1 dan X2 independen dengan mean masing-masing 1 dan 2 ,


dan variansi 12 dan 22 . Tunjukkan E[X1 X2 ] = 1 2 dan Var(X1 X2 ) =
12 22 + 21 22 + 22 12 .

5. Tentukan mean dan variansi dari Y = 5i=1 Xi , jika X1 , . . . , X5 IID


P
dengan PDF f (x) = 4x3 , 0 < x < 1, dan 0 untuk x lainnya.

6. Misal X dan Y variabel acak dengan 1 = 1, 2 = 4, 12 = 4, 22 = 6,


dan = 1/2. Tentukan mean dan variansi dari Z = 3X 2Y.

7. Misal X dan Y variabel acak dengan mean 1 , 2 dan variansi 1 2 .


Tentukan koefisien korelasi dari X dan Z = X Y dalam bentuk
1 , 2 , 1 2 .

8. Misal dan 2 mean dan variansi dari variabel acak X. Jika b dan c

109
Nunung Nurhayati Pengantar Teori Peluang

konstanta riil, tunjukkan E[c + bX] = c + b dan Var(c + bX) = b2 2 .

9. Tentukan koefisien korelasi X dan Y jika Var(X) = 4, Var(Y ) = 2,


dan Var(X + 2Y ) = 15.

10. Misal X dan Y variabel acak dengan mean 1 , 2 dan variansi 1 2 ,


serta koefisien korelasi . Tunjukkan koefisien korelasi dari W = aX +
b, a > 0 dan Z = cY + d, c > 0 adalah .

11. Misal X1 dan X2 variabel acak independen dengan variansi tak nol.
Tentukan koefisien korelasi antara Y = X1 X2 dan X1 dalam bentuk
mean dan variansi dari X1 dan X2 .

12. Misal variabel acak X1 dan X2 mempunyai distribusi gabungan dengan


parameter 1 , 2 , 12 , 22 , dan . Tentukan korelasi antara Y = a1 X1 +
a2 X2 dan Z = b1 X1 + b2 X2 dalam bentuk konstanta riil a1 , a2 , b1 , b2 ,
dan parameter 1 , 2 , 12 , 22 , dan .

13. Misal X1 , X2 , dan X3 variabel-variabel acak dengan variansi sama


tetapi koefisien korelasi berbeda, yaitu 12 = 0, 3 13 = 0, 5, dan 23 =
0, 2. Tentukan koefisien korelasi antara Y = X1 +X2 dan Z = X2 +X3 .

14. Tentukan variansi dari jumlahan 10 variabel acak yang mempunyai


variansi sama 2 = 5, dan koefisien korelasi setiap pasangan variabel
acaknya juga sama, yaitu = 0, 5.

110
Bab 3 Beberapa Distribusi Khusus

Pada Bab ini dibahas beberapa jenis distribusi yang sering digunakan,
yaitu (1) Distribusi binomial dan distribusi yang terkait dengan distribusi
binomial (distribusi Bernoulli, distribusi binomial negatif, distribusi
geometrik, distribusi multinomial, dan distribusi hipergeometrik); (2)
Distribusi Poisson; (3) Distribusi gamma dan keluarganya (distribusi khi-
kuadrat, distribusi eksponensial, dan distribusi beta); (4) Distribusi normal;
(5) Distribusi normal multivariat; (6) Distribusi t dan distribusi F .

3.1 Capaian Pembelajaran


Setelah mempelajari materi di Bab III, mahasiswa mampu:
1. Menjelaskan distribusi binomial dan mampu membuktikan sifat-
sifatnya.Mahasiswa mampu membedakan beberapa distribusi diskrit
selain binomial seperti distribusi geometrik, distribusi multinomial,
dan distribusi Poisson.
2. Menjelaskan distribusi kontinu yang termasuk distribusi Gamma dan
keluarganya yaitu distribusi eksponensial, distribusi khi kuadrat.
3. Menjelaskan sifat-sifat distribusi normal.
4. Menghitung peluang variabel acak berdistribusi normal dengan
menggunakan distribusi normal standar.
5. Menjelaskan kaitan distribusi normal dengan distribusi khi kuadrat.
6. Menjelaskan jenis distribusi kontinu lainnya, yaitu distribusi t
dan distribusi F dan penggunaannya dalam menentukan distribusi
sampling dari rata-rata dan variansi sampel.

3.2 Distribusi Binomial dan Distribusi Terkait


Binomial
1. Distribusi Bernoulli

Distribusi Bernoulli terbentuk dari percobaan Bernoulli yaitu percobaan


acak yang hanya mempunyai 2 hasil yang mungkin, sukses atau gagal.
Dalam praktek, penamaan sukses atau gagal dapat menyatakan suatu
pasangan yang berlawanan, misalnya pria-wanita, hidup-mati, lulus-gagal,
dan pasangan lainnya.

111
Nunung Nurhayati Pengantar Teori Peluang

Misal C = {sukses, gagal} menyatakan ruang sampel dari percobaan


Bernoulli dan X menyatakan varibel acak yang terdefinisi di C dengan aturan

1, c = sukses
X(c) =
0, c = gagal.

Berdasarkan sifat peluang, jika peluang sukses adalah p maka peluang


gagalnya 1 p sehingga

P (X = 1) = p dan P (X = 0) = 1 p.

Dengan demikian PMF dari X dapat ditulis sebagai


 x
p (1 p)1x , x = 0, 1
p(x) = P (X = x) = (3.2.1)
0, x lainnya

Selanjutnya variabel acak X dengan PMF seperti pada persamaan (3.2.1)


dikatakan variabel acak yang berdistribusi Bernoulli.

Mean dari distribusi Bernoulli adalah


1
X
= E[X] = xpx (1 p)1x = 0 + p = p
x=0

sedangkan variansinya adalah


1
X
2
= Var(X) = (x p)2 px (1 p)1x
x=0
= p (1 p) + (1 p2 )p
2

= p(1 p).

2. Distribusi Binomial

Jika percobaan Bernoulli dilakukan berulang-ulang sebanyak n kali maka


hasil-hasil yang mungkin akan berupa deretan n bilangan-bilangan nol dan
satu. Sebagai contoh untuk n = 10, hasil yang mungkin dapat berupa

1 0 0 1 0 1 1 0 0

atau
0 0 0 0 1 1 1 1 0
atau yang lainnya.

Secara umum, jika Xi menyatakan hasil yang keluar dari percobaan

112
Nunung Nurhayati Pengantar Teori Peluang

Bernoulli ke-i dan X menyatakan banyaknya sukses yang diperoleh dari


n kali percobaan, maka nilai X yang mungkin adalah x = 0, 1, 2, . . . , n.
Karena Xi bernilai 0 atau 1, variabel acak X juga dapat dipandang sebagai
penjumlahan n variabel acak Bernoulli atau

X = X1 + X2 + . . . + Xn ,

Posisi sukses dan gagal, dapat terletak pada indeks i mana saja dengan
i = 1, 2, . . . , n. Dengan demikian, banyaknya komposisi yang mungkin akan
berupa kombinasi dari n percobaan diambil x sukses, atau
 
n n!
=
x x!(n x)!

komposisi.

Jika antar percobaan bersifat independen, peluang untuk satu komposisi


adalah
px (1 p)nx .
Akibatnya, peluang terjadinya x sukses dari n percobaan Bernoulli adalah
jumlahan peluang-peluang yang dimiliki oleh masing-masing nx komposisi


yang mungkin, yaitu


 
n x
p(x) = P (X = x) = p (1 p)nx , x = 0, 1, 2, . . . , n (3.2.2)
x

Karena p 0 dan x bilangan bulat nonnegatif maka p(x) 0. Untuk menun-


jukkan bahwa total jumlah persamaan (3.2.2) adalah 1, dapat digunakan
sifat ekspansi binomial, yaitu
n  
n
X n x nx
(a + b) = b a .
x
x=0

Dengan menggunakan sifat tersebut,


n n  
X X n x
p(x) = p (1 p)nx
x
x=0 x=0
= [(1 p) + p]n = 1

Jadi, p(x) pada persamaan (3.2.2) memenuhi sifat PMF.

113
Nunung Nurhayati Pengantar Teori Peluang

Selanjutnya variabel acak X dengan PMF


 n x nx x = 0, 1, . . . , n
p(x) = x p (1 p) (3.2.3)
0 x lainnya

dan 0 untuk x lainnya, dikatakan variabel acak yang berdistribusi


Binomial dengan parameter n dan p, dinotasikan dengan X B(n, p)
atau X b(n, p).

Pada Bab 1 telah dibahas bahwa ada beberapa cara dalam menentukan
mean dan variansi dari suatu distribusi, salah satunya adalah melalui MGF
M (t). Distribusi binomial mempunyai MGF
n n  
tX
X
tx
X n x
tx
M (t) = E[e ]= e p(x) = e p (1 p)nx
x
x=0 x=0
n  
X n
= (petx )x (1 p)nx = [(1 p) + pet ]n , (3.2.4)
x
x=0

yang berlaku untuk setiap bilangan riil t.

Karena
M 0 (t) = n[(1 p) + pet ]n1 (pet )
dan

M 00 (t) = n[(1 p) + pet ]n1 (pet ) + n(n 1)[(1 p) + pet ]n2 (pet )2

maka
= M 0 (0) = np
dan
2 = M 00 (0) 2 = np = n(n 1)p2 (np)2 = np(1 p).

Contoh 3.2.1. Misal pada pelantunan satu keping koin seimbang,


kejadian sukses didefinisikan sebagai munculnya bagian muka. Jika X
banyaknya bagian muka dari 7 kali lantunan yang independen,
(a) Tentukan MGF dari X, mean dan variansinya.
(b) Tentukan P (0 X 1) dan P (X = 5).

Penyelesaian
1
(a) Diketahui X berdistribusi binomial dengan n = 7 dan p = 2 Dari
persamaan (3.2.5), MGF dari X adalah

M (t) = ( 21 + 12 et )7 ,

114
Nunung Nurhayati Pengantar Teori Peluang

Sementara itu, mean dan variansi dari X adalah


7 7
= np = dan 2 = np(1 p) = .
2 4

(b) Diketahui X B(7, 12 ) maka PMF dari X

(7x )( 21 )x (1 12 )7x , x = 0, 1, . . . , 7

p(x) =
0, x lainnya

sehingga
1 7 8
P (0 X 1) = p(0) + p(1) = + =
128 128 128
dan  5  2
7! 1 1 21
P (X = 5) = p(5) = = . 
5! 2! 2 2 128

Contoh 3.2.2. Jika Y berdistribusi B(n, 13 ) tentukan nilai pengulangan n


terkecil sehingga P (Y 1) > 0, 8.

Penyelesaian. Karena P (Y 1) = 1 P (Y = 0) = 1 ( 23 )n , maka

P (Y 1) > 0.80 1 ( 23 )n > 0, 8 0, 2 > ( 23 )n

Tetapi

log(0, 2)
0, 2 > ( 32 )n log(0, 2) < n log( 32 ) n > = 3, 9693 ' 4.
log( 32 )

Jadi nilai n terkecil sehingga P (Y 1) > 0, 8 adalah n = 4. 

Contoh 3.2.3. Misal X1 , X2 , X3 tiga variabel acak IID dengan CDF F (x).
Jika Y menyatakan nilai tengah dari X1 , X2 , X3 , tentukan CDF dan PDF
dari Y .

Penyelesaian. Diketahui variabel acak Y menyatakan nilai tengah dari


X1 , X2 , X3 . Peristiwa {Y y} terjadi jika dan hanya jika paling sedikit
dua dari variabel acak X1 , X2 , X3 nilainya kurang dari atau sama dengan y.
Dengan kata lain, peristiwa

{Y y} peristiwa A atau B

dengan A menyatakan peristiwa 2 dari 3 variabel acak X1 , X2 , X3 , nilainya


masing-masing y, dan B menyatakan peristiwa {X1 y, X2 y, X3

115
Nunung Nurhayati Pengantar Teori Peluang

y}.

Jika K menyatakan banyaknya variabel acak di antara X1 , X2 , X3 yang lebih


kecil atau sama dengan y, maka K dapat dipandang sebagai peubah acak
binomial dengan sukses didefinisikan sebagai {Xi y}, banyak pengu-
langan n = 3, dan peluang sukses p = P (Y y) = F (y). Akibatnya,
peluang terjadinya peristiwa A adalah
 
3
P (A) = P (K = 2) = [F (y)]2 [1 F (y)].
2

Sementara itu, karena X1 , X2 , X3 independen maka peluang terjadinya


peristiwa B adalah

P (B) = P (X1 y, X2 y, X3 y)
= P (X1 y)P (X2 y)P (X3 y) = [F (y)]3 .

Jadi, CDF dari Y adalah

 
3
G(y) = P (Y y) = P (A) + P (B) = [F (y)]2 [1 F (y)] + [F (y)]3
2
= 3 [F (y)]2 [1 F (y)] + [F (y)]3

dan jika F (x) kontinu maka PDF dari X adalah

g(y) = G0 (y) = 6F (y)[1 F (y)]f (y). 

Teorema 3.2.1. Jika X1 , X2 , . . . , Xm independen dengan Xi berdistribusi


B(ni , p) untuk
Pm i = 1, 2, . . . , m, maka distribusi dari Y = X1 + X2 + . . . + Xm
adalah B( i=1 ni , p).

Bukti. Misal Mi (t) MGF dari Xi , i = 1, 2, . . . , m. Karena X1 , X2 , . . . , Xm


independen maka MGF dari Y adalah

MY (t) = M1 (t)M2 (t) . . . Mm (t)


= [(1 p) + pet ]n1 [(1 p) + pet ]n2 . . . [(1 p) + pet ]nm
Pm
= [(1 p) + pet ] i=1 ni
.

Karena MGF hanya dapat dikaitkan dengan satu distribusi (bersifat unik)
maka dapat disimpulkan bahwa Y berdistribusi B( m
P
n
i=1 i , p). 

Untuk menghitung nilai PMF p(x) = P (X = x), CDF F (x) = P (X

116
Nunung Nurhayati Pengantar Teori Peluang

x), membuat plot PMF atau CDF, dan membangkitan data simulasi dari
distribusi B(n, p), dapat dilakukan berbagai software statistik salah satunya
dengan menggunakan software R yang dapat diunduh secara gratis dari
http://cran.r-project.org.

Contoh-contoh perintah pada R yang terkait dengan distribusi binomial,


misalnya

# Membangkitkan data berukuran 10 dari X berdistribusi B(4,1/3)


rbinom(10,4,1/3)
# Nilai P(X=4) jika X berdistribusi B(20,1/2)
dbinom(4,20,1/2)
# Nilai P(X<=4) jika X berdistribusi B(20,1/2)
pbinom(4,20,1/2)

# Membuat plot PMF dari distribusi B(n,p)


n<-20; p<-1/2
x<-0:n
y<-dbinom(x,n,p)
plot(x,y,pch=20,col=4)

3. Distribusi Binomial Negatif

Diberikan percobaan Bernoulli dengan peluang sukses p, yang dilakukan


berulang-ulang. Misal Y menyatakan banyaknya gagal yang diperoleh
sebelum mendapat sukses ke r. Berarti banyaknya pengulangan yang diper-
lukan adalah (y + r) dengan r bilangan bulat positif dan y = 0, 1, 2, . . ..
Sukses ke r diperoleh pada pengulangan ke (y + r), sedangkan y gagal
diperoleh pada pengulangan ke (y + r 1).

Pada pengulangan ke (y + r 1), banyaknya susunan (r 1) sukses dan y


gagal merupakan kombinasi dari (y + r 1) pengulangan diambil (r 1)
sukses. Karena untuk 1 susunan, rangkaian peristiwa (r 1) sukses dan
y gagal tidak saling berpengaruh (independen) maka peluang terjadinya
susunan tersebut adalah pr1 (1 p)y . Akibatnya peluang terjadinya (r 1)
sukses dan y gagal dari y + r 1 pengulangan adalah
 
y + r 1 r1
p (1 p)y .
r1

Karena peluang sukses adalah p maka peluang terjadinya sukses ke r, pada


pengulangan ke (y + r), yang ekivalen dengan peristiwa y gagal sebelum

117
Nunung Nurhayati Pengantar Teori Peluang

mendapatkan sukses ke r, adalah


 
y + r 1 pr1 (1 p)y , y = 0, 1, 2, . . .

pY (y) = P (Y = y) = r1

0, y lainnya.

Distribusi dengan PMF pY (y) disebut distribusi binomial negatif.

Untuk r = 1, PMF dari Y

p (1 p)y , y = 0, 1, 2, . . .

p(y) =
0, y lainnya

dan variabel acak Y dikatakan berdistribusi geometrik.

4. Distribusi Multinomial.

Distribusi multinomial merupakan perumuman dari distribusi binomial.


Pada distribusi multinomial hasil yang mungkin dari setiap percobaan tidak
hanya 2 tetapi diperumum menjadi k hasil. Konsep distribusi multinomial
dapat dijelaskan sebagai berikut.

Misal diberikan suatu percobaan acak yang mempunyai k hasil yang


mungkin. Misalkan pula untuk setiap i = 1, 2, . . . , k 1, peluang munculnya
hasil i adalah pi , sedangkan peluang munculnya hasil k adalah 1 p1 . . .
pk1 . Percobaan dilakukan sebanyak n kali dan masing-masing percobaan
diasumsikan independen. Misal variabel acak Xi menyatakan banyaknya
hasil i = 1, 2, . . . , k 1, dari n pengulangan percobaan, maka nilai-nilai
yang mungkin dari x1 , x2 , . . . , xk1 merupakan bilangan-bilangan nonnegatif
sehingga x1 + x2 + . . . + xk1 n. Banyaknya susunan hasil yang terdiri
dari x1 hasil 1, x2 hasil 2,. . . , xk1 hasil k 1, dan n (x1 + x2 + . . . + xk1 )
hasil k, merupakan perkalian kombinasi
    
n n x1 n x1 . . . xk2 n!
= .
x1 x2 xk1 x1 ! . . . xk1 !xk !

dengan xk = n (x1 + x2 + . . . + xk1 ). Jika antar percobaan diasumsikan


independen maka untuk setiap susunan, peluangnya adalah
x k1 xk
px1 1 . . . pk1 pk

Akibatnya, peluang untuk mendapatkan peristiwa {X1 = x1 , X2 =


x2 , . . . , Xk1 = xk1 } adalah

n! xk1 xk
p(x1 , . . . , xk1 ) = px1 . . . pk1 pk
x1 ! . . . xk1 !xk ! 1

118
Nunung Nurhayati Pengantar Teori Peluang

Selanjutnya, distribusi dengan PMF p(x1 , . . . , xk1 ) disebut distribusi


multinomial.

Untuk k = 3, distribusi multinomial disebut distribusi trinomial. Pada


distribusi ini, diketahui percobaan acak yang dilakukan mempunyai 3 hasil
yang mungkin dengan peluang masing-masing p1 , p2 dan 1 p1 p2 .
Percobaan dilakukan sebanyak n kali. Jika X menyatakan banyaknya hasil
ke 1 dan Y menyatakan banyaknya hasil ke 2, maka PMF gabungan dari X
dan Y adalah
n!
p(x, y) = px py pnxy
x! y!(n x y)! 1 2 3
dengan x, y adalah bilangan nonnegatif sehingga x + y n, p3 = 1 p1 p2 ,
dan p(x, y) = 0 untuk x, y lainnya. Untuk mengetahui MGF dari distribusi
trinomial, dapat digunakan sifat ekspansi dari (a + b + c)n yaitu
n nx
n
X X n!
(a + b + c) = ax by cnxy .
x! y!(n x y)!
x=0 y=0

Dari sifat tersebut, diperoleh MGF distribusi trinomial


n nx
X X
M (t1 , t2 ) = E[et1 X+t2 Y ] = et1 x+t2 y p(x, y)
x=0 y=0
n nx
n!
(p1 et1 )x (p2 et2 )y pnxy
X X
= 3
x!y!(n x y)!
x=0 y=0

= (p1 et1 + p1 et1 + p 3 )n (3.2.5)

yang berlaku untuk setiap bilangan riil t1 dan t2 .

Dari persamaan (3.2.5) dapat ditentukan MGF marjinal untuk X dan Y,


masing-masing adalah

MX (t1 ) = M (t1 , 0) = (p1 et1 + p2 + p3 )n = [(1 p1 ) + p1 et1 ]n

dan

MY (t2 ) = M (0, t2 ) = (p1 + p2 et2 + p3 )n = [(1 p2 ) + p2 et2 ]n

Karena MGF bersifat unik maka dapat disimpulkan bahwa X berdistribusi


B(n, p1 ) dan Y berdistribusi B(n, p2 ). Tetapi X dan Y tidak independen.

Secara umum, MGF dari distribusi multinomial adalah

M (t1 , . . . , tk1 ) = (p1 et1 + + pk1 etk1 + pk )n

119
Nunung Nurhayati Pengantar Teori Peluang

yang berlaku untuk setiap bilangan riil t1 , t2 , . . . , tk1 .

Jadi masing-masing variabel acak pada distribusi multinomial adalah


berdistribusi binomial, dan setiap pasangan variabel acaknya berdistribusi
trinomial, dan seterusnya.

5. Distribusi Hipergeometrik

Misalkan dalam suatu kotak terdapat N objek yang sama dan D di


antaranya cacat. Misalkan X menyatakan banyaknya objek cacat yang
terambil dari n sampel yang diambil. Jika pengambilan sampel dilakukan
dengan pengembalian maka X berdistribusi binomial dengan parameter n
dan D/N. Dalam kasus ini mean dari X adalah n(D/N ) dan variansinya
n(D/N )(1 D/N ). Sebaliknya, jika pengambilan sampel dilakukan tanpa
pengembalian maka PMF dari X adalah
N D D
 
nx
p(x) = N
 x , x = 0, 1, . . . , n (3.2.6)
n

Selanjutnya variabel acak X dengan PMF di persamaan (3.2.6)


dikatakan variabel acak yang berdistribusi hipergeometrik dengan parameter
(N, D, n). Mean dari X adalah
n n N D D
 
X X
E[X] = xp(x) = x nxN  x , x = 0, 1, . . . , n
x=0 x=1 n
n 
D X (N 1) (D 1) D 1 N 1 1
  
=n
N (n 1) (x 1) x1 n1
x=1
D
=n .
N
dan variansinya adalah
D N D N n
Var(X) = n .
N N N 1
Perhatikan bahwa jika N jauh lebih besar dari n maka Var(X) akan
mendekati 1.

Latihan 3.1

1. Jika MGF dari variabel acak X adalah M (t) = ( 31 + 32 )5 , tentukan


P (X = 2 atau 3).

120
Nunung Nurhayati Pengantar Teori Peluang

2. Jika MGF dari variabel acak X adalah M (t) = ( 23 + 31 )9 , tunjukkan


bahwa
5    x  9x
X 9 1 2
P ( 2 < X < + 2) = .
x 3 3
x=1

3. Jika X B(n, p), tunjukkan bahwa


  " 2 #
X X p(1 p)
E = p dan E p =
n n n

4. Misal variabel acak X1 , X2 , X3 IID dengan PDF f (x) = 3x2 , 0 < x <
1, dan 0 untuk x lainnya. Tentukan peluang bahwa tepat 2 dari 3
variabel acak tersebut peluangnya lebih dari 21 .

5. Misal Y B(n, 23 ). Jika n = 3, hitung P (2 Y ). Jika n = 5, hitung


P (3 Y ).

6. Misal Y B(n, 41 ). Tentukan n terkecil sehingga P (Y 1) 0, 7.

7. Misal X1 B(3, 23 ) dan X2 B(4, 12 ) merupakan dua variabel acak


independen. Hitung P (X1 = X2 ). Petunjuk : Tentukan semua cara
yang mungkin dari peristiwa {X1 = X2 } dan hitung masing-masing
peluangnya.

8. Bagi pembaca yang mempunyai program R atau S-PLUS:


(a) Gambarkan plot PMF dari distribusinya B(15; 0, 2) dengan
perintah berikut:

n<-15; p<-0.2
x<-0:n
y<-dbinom(x,n,p)
plot(x,y,pch=20,type="h",col=4)

(b) Ulangi bagian (a) untuk n = 15 dan untuk beberapa nilai p yaitu
p = 0.1, p = 0.2, . . . , p = 0.9. Bagaimana perilaku plot PMF jika
peluang sukses p diperbesar?
(c) Ulangi bagian (a) untuk p = 0.05 dan untuk beberapa nilai n
yaitu n = 10, 20, 50, 200. Bagaimana perilaku plot PMF ketika
pengulangan n diperbanyak? Apakah plot PMF mempunyai
kecenderungan konvergen mendekati kurva/grafik tertentu?

121
Nunung Nurhayati Pengantar Teori Peluang

9. Dua koin 500-an dan tiga koin 200-an yang seimbang dilantunkan
bersamaan secara acak. Hitung peluang bahwa bagian muka koin 500-
an muncul lebih banyak dari pada bagian muka koin 200-an.

10. Misal X1 , X2 , . . . , Xk1 mempunyai distribusi multinomial.


(a) Tentukan MGF dari X2 , . . . , Xk1 .
(b) Tentukan PMF dari X2 , . . . , Xk1 .
(c) Tentukan PMF bersyarat dari X1 jika diberikan X2 =
x2 , . . . , Xk1 = xk1 .
(d) Tentukan ekspektasi bersyarat E[X1 |x2 , . . . , xk1 ]

5
11. Misal X B(2, p) dan Y B(4, p). Jika P (X 1) = 9, tentukan
P (Y 1).

1
12. Misal X berdistribusi binomial dengan parameter n dan p = 3.
Tentukan bilangan bulat terkecil n sehingga P (X 1) 0.85.

13. Misal X mempunyai PMF p(x) = ( 13 )( 23 )x , x = 0, 1, 2, . . . , dan 0 untuk


yang lainnya. Tentukan PMF bersyarat dari X jika diberikan X 3.

14. Satu dari bilangan 1, 2, . . . , 6 dipilih berdasarkan lantunan satu dadu


yang seimbang. Misal percobaan acak ini diulang sebanyak 5 kali
secara independen. Misal X1 menyatakan angka pengakhiran pengu-
langan yaitu jika angka yang muncul berada pada himpunan {x : x =
1, 2, 3} dan X2 menyatakan angka pengakhiran pengulangan yaitu jika
angka yang muncul berada pada himpunan {x : x = 4, 5}. Tentukan
P (X1 = 2, X2 = 1).

15. Tunjukkan bahwa MGF dari distribusi binomial negatif adalah M (t) =
pr [1(1p)et ]r . Tentukan mean dan variansi dari distribusi tersebut.
Petunjuk : Tuliskan M (t) dalam bentuk penjumlahan. Gunakan deret
Mac Laurin dari (1 w)r .

16. Misal X1 dan X2 berdistribusi trinomial. Tunjukkan bahwa


Cov(X1 , X2 ) = np1 p2 .

17. Tentukan skewness dan kurtosis dari distribusi B(n, p).

18. Misal PDF gabungan dari X1 dan X2 adalah


   x1  
x1 1 x1
p(x1 , x2 ) =
x2 2 15

122
Nunung Nurhayati Pengantar Teori Peluang

dengan x1 = 1, 2, . . . , 5 dan x2 = 1, 2, . . . , x1 , dan p(x1 , x2 ) = 0 untuk


yang lainnya. Tentukan
(a) E[X2 ].
(b) u(x1 ) = E[X2 |x1 ].
(c) E[u(X1 )].
Bandingkan jawabanP(a) danP (c).
Petunjuk : E[X2 ] = 5x1 =1 xx12 =0 x2 p(x1 , x2 ).

19. Tiga dadu seimbang dilantunkan berkali-kali. Dari 10 lantunan yang


dilakukan secara independen, didefinisikan variabel acak X sebagai
frekuensi peristiwa mata dadu yang muncul semuanya sama, dan
variabel acak Y sebagai frekuensi peristiwa bahwa yang sama hanya
dua mata dadu saja. Tentukan PMF dari X dan Y, serta hitung
E[6XY ].

20. Misal X berdistribusi geometrik. Tunjukkan bahwa

P (X > k + j|X > k) = P (X > j) (3.2.7)

dengan k dan j bilangan bulat nonnegatif. Variabel acak dengan


sifat seperti pada persamaan (3.2.7) dikatakan variabel acak tersebut
bersifat memoryless atau pelupa.

21. Misal X1 B(n1 , 21 ) dan X2 B(n2 , 21 ). Tunjukkan bahwa Y =


X1 X2 + n2 berdistribusi binomial dengan parameter n = n1 + n2
dan p = 21 .

22. Dari 52 kartu remi dimabil 2 kartu secara acak. Misal X menyatakan
banyaknya kartu as dari 2 kartu yang terambil.
(a) Jika pengambilan kartu dilakukan dengan pengembalian,
tentukan PMF dari X.
(b) Jika pengambilan kartu dilakukan tanpa pengembalian, tentukan
PMF dari X.

23. Sebuah pabrik perakitan komputer menerima pengiriman 1000 unit


motherboard dari sebuah perusahaan supplier. Pabrik tersebut
memberikan batas toleransi untuk barang cacat adalah sekitar 5%.
Misal X menyatakan banyaknya barang cacat dari sampel acak
berukuran 10 yang diambil tanpa pengembalian. Pabrik tersebut
menerapkan kebijakan, bila X 2 maka pabrik akan mengembalikan
semua pengiriman.

123
Nunung Nurhayati Pengantar Teori Peluang

(a) Tentukan peluang bahwa pabrik akan mengembalikan pengiriman


barang yang mempunyai 5% barang cacat.
(b) Tentukan peluang bahwa pabrik akan mengembalikan pengiriman
barang yang mempunyai 10% barang cacat.

3.3 Distribusi Poisson


Variabel acak X dikatakan berdistribusi Poisson dengan parameter > 0,
dinotasikan X Poisson(), jika X mempunyai PMF
x
e , x = 0, 1, 2, . . .
p(x) = x! (3.3.1)

0, x lainnya.

Persamaan (3.3.1) memenuhi syarat-syarat PMF sebab


(i) p(x) 0 karena > 0.
(ii) Total peluangnya adalah 1 sebab
x
X X e
X x
p(x) = =e = e e = 1.
x
x! x!
x=0 x=0

Variabel acak berdistribusi Poisson digunakan untuk menyatakan banyaknya


peristiwa yang terjadi dalam satu satuan waktu, misalnya banyaknya
partikel yang dipancarkan suatu zat radioaktif pada suatu area dalam
satu detik, banyaknya baterai yang cacat pada pabrik perakitan laptop
dalam waktu sebulan, banyaknya kecelakaan motor di Purwokerto dalam
waktu seminggu, dan contoh-contoh lainnya.

Distribusi Poisson mempunyai MGF



tX
X
tx
X x e
M (t) = E[e ]= e p(x) = etx
x!
x=0 x=0

X (et )x
= e
x!
x=0
et t 1)
=e e = e(e

yang berlaku untuk setiap bilangan riil t.

Karena
t 1)
M 0 (t) = e(e (et )

124
Nunung Nurhayati Pengantar Teori Peluang

dan
t 1) t 1)
M 00 (t) = e(e (et ) + e(e (et )2
maka mean dari distribusi Poisson

= M 0 (0) =

dan variansinya

2 = M 00 (0) 2 = + 2 2 = .

Hasil ini memperlihatkan bahwa distribusi Poisson mempunyai ciri khas


bahwa mean dan variansinya sama dengan parameternya.

Contoh 3.3.1. Misal X berdistribusi Poisson dengan = 2. Tentukan


variansi dari X dan hitung P (X 1).

Penyelesaian. Diketahui X Poisson (2) maka PMF dari X


2 x
e 2 , x = 0, 1, 2, . . .
p(x) = x!

0 x lainnya.

Karena = 2 maka variansinya 2 = = 2, dan karena P (X = 0) = p(0) =


e2 maka

P (X 1) = 1 P (X = 0) = 1 e2 = 0, 865. 

Contoh 3.3.2. Jika MGF dari variabel acak X adalah


t 1)
M (t) = e4(e

tentukan P (X = 3).

Penyelesaian. Dari bentuk MGF untuk X dapat disimpulkan bahwa X


berdistribusi Poisson dengan = 4. Akibatnya,

e4 43 32
P (X = 3) = = e4 . 
3! 3

Pada program R, jika X berdistribusi Poisson dengan parameter = m,


maka nilai PMF P (X = k) dapat dihitung dengan perintah dpois(k,m),
sedangkan nilai CDF P (X k) dapat dihitung dengan perintah
ppois(k,m). Berikut contoh-contoh perhitungan peluang pada distribusi

125
Nunung Nurhayati Pengantar Teori Peluang

Poisson dengan menggunakan R.

# Membangkitkan data berukuran 10 dari distribusi Poisson(2)


rpois(10,2)
# Menghitung P(X=4) jika X berdistribusi Poisson(3)
dpois(4,3)
# Menghitung P(X<=4) jika X berdistribusi Poisson(3)
ppois(4,3)
# PMF untuk x=0,1,...,4 dari distribusi Poisson(3)
dpois(0:4, lambda = 3)
# CDF untuk x=0,1,...,4 dari distribusi Poisson(3)
ppois(0:4, lambda = 3)

# Membuat plot PMF dari distribusi B(n,p)


n<-50; lambda=2
x<-0:n
y<-dpois(x,lambda)
plot(x,y,pch=20,type="h",col=4)

Teorema 3.3.1. Jika X1 , X2 , . . . , Xn independen dengan Xi berdistribusi


Poisson dengan parameter i untuk i = 1, 2, . . . , n, maka distribusi dari
Y = X1 + X2 + . . . + Xn adalah Poisson dengan parameter 1 + 2 + . . . + n .

Bukti. Misal Mi (t) MGF dari Xi , i = 1, 2, . . . , n. Karena X1 , X2 , . . . , Xn


independen maka MGF dari Y adalah

MY (t) = M1 (t)M2 (t) . . . Mn (t)


t t t 1)
= [e1 (e 1) ][e2 (e 1) ] . . . [en (e ]
( n )
X
t
= exp i (e 1) .
i=1

Karena MGF hanya dapat dikaitkan dengan satu distribusi (bersifat unik)
maka dapat disimpulkan bahwa Y berdistribusi Poisson dengan parameter
= 1 + 2 + . . . + n . 

Proses Poisson. Andaikan kegiatan menghitung banyaknya objek/peri-


stiwa dilakukan terus menerus dalam kurun waktu yang sangat lama.
Jika X(t) menyatakan banyaknya peristiwa sampai waktu t, maka barisan
variabel acak {X(t), t > 0} disebut proses menghitung (counting process).
Proses menghitung mempunyai beberapa jenis, di antaranya proses Poisson.
Indeks pada proses Poisson tidak harus berupa waktu, tetapi mungkin juga
berupa lokasi misalnya, banyaknya kerusakan pada kabel telpon, banyaknya

126
Nunung Nurhayati Pengantar Teori Peluang

mobil truk yang masuk jalan tol, dan contoh lainnya.

Definisi 3.3.1 (Ross, 2010). Misal variabel acak X(t) menyatakan


banyaknya peristiwa yang terjadi sampai waktu t. Proses menghitung
{X(t), t > 0} dikatakan proses Poisson dengan intensitas (laju) jika
(i). X(0) = 0.

(ii). Banyaknya peristiwa pada selang-selang yang saling lepas, tidak saling
mempengaruhi (independen). Sifat ini disebut independent increment.

(iii). Banyaknya peristiwa pada selang waktu (t, t + s) berdistribusi


Poisson(s). Artinya untuk setiap s, t 0,

es (s)x
P (X(t + s) X(t) = x) =
x!

Misal g(x, s) = P (X(t + s) X(t) = x) menyatakan peluang terjadinya x


peristiwa pada selang waktu yang panjangnya s. Misalkan pula o(h), disebut
juga fungsi o kecil (little o), menyatakan suatu fungsi yang memenuhi

o(h)
lim = 0,
h0 h

Fungsi yang termasuk fungsi o kecil, misalnya o(h) = h2 dan o(h) = h3 .


fungsi o kecil dapat diinterpretasikan bahwa selama h yang digunakan
nilainya sangat kecil, fungsi o(h) tidak akan terlalu berarti (dapat
diabaikan).

Definisi 3.3.1 ekivalen dengan definisi berikut. Proses X(t) dikatakan proses
Poisson dengan intensitas/laju jika proses tersebut memenuhi 3 postulat
(P1). g(1, h) = h + o(h).
P
(P2). x=2 g(x, h) = o(h).

(P3). Bersifat independent increment.


Postulat (P1) menyatakan bahwa peluang terjadinya 1 peristiwa dalam
waktu yang sangat singkat sebanding dengan panjang selang waktu yang
digunakan. Semakin singkat waktu yang digunakan, peluang terjadinya
peristiwa semakin kecil. Sementara itu, postulat (P2) menyatakan bahwa
dalam waktu singkat hanya boleh terjadi paling banyak 1 peristiwa. Berarti
penambahan 2 peristiwa atau lebih dalam waktu yang singkat merupakan
hal yang mustahil terjadi. Postulat (P3) mempunyai arti yang sama dengan

127
Nunung Nurhayati Pengantar Teori Peluang

poin (ii) pada Definisi 1, yaitu banyaknya penambahan peristiwa pada


selang-selang yang saling lepas, tidak saling mempengaruhi (independen).

Contoh 3.3.3. Misal peluang terdapat 1 kerusakan per meter kabel telpon
bawah tanah adalah 0, 001, dan peluang ada 2 atau lebih kerusakan per
meter adalah 0. Misalkan pula X menyatakan banyaknya kerusakan pada
kabel sepanjang 3000 meter dan diasumsikan bahwa banyaknya kerusakan
yang terjadi pada interval-interval yang saling lepas bersifat independen.
Tentukan peluang bahwa kerusakan yang terjadi pada kabel sepanjang 3000
meter ada 5 atau lebih kerusakan.

Penyelesaian. Diketahui intensitas proses = 0, 001 per meter dan


panjang kabel s = 3000 meter, maka X berdistribusi Poisson dengan
parameter s = (0, 001)(3000) = 3. Akibatnya peluang bahwa kerusakan
yang terjadi pada kabel sepanjang 3000 meter ada 5 atau lebih kerusakan
adalah
4
X e3 3x
P (X 5) = 1 P (X 4) = 1 = 1 0, 815 = 0, 185. 
x!
x=0

Latihan 3.2

1. Misal X berdistribusi Poisson sedemikian sehingga P (X = 1) =


P (X = 2). Tentukan P (X = 4).
t 1)
2. Jika MGF dari variabel acak X adalah e4(e , tunjukkan bahwa

P ( 2 < X < + 2) = 0, 931

3. Misal seorang editor sedang memeriksa suatu naskah yang cukup


tebal. Setelah ia periksa ternyata halaman yang tidak memuat
kesalahan ketik hanya 13,5%. Jika banyaknya halaman yang
memuat kesalahan ketik diasumsikan berdistribusi Poisson, tentukan
persentase banyaknya halaman yang memuat tepat satu kesalahan
ketik.

4. Gambarkan secara berdampingan, plot PMF dari distribusi Poisson


dengan = 2 dan distribusi binomial dengan n = 100 dan p = 0, 02.
Mengapa bentuk distribusinya hampir sama? Diskusikan dengan
teman sekelompok.

Pada program R, gambar tersebut dapat dihasilkan dengan kode

128
Nunung Nurhayati Pengantar Teori Peluang

sebagai berikut:

win.graph(width=4.875,height=3,pointsize=8)
par(mfrow=c(1,2))
x<-0:50
y<-dpois(x,2)
plot(x,y,pch=20,type="h",col=4, ylab="p(x) = P(X=x)",
main="Poisson (2)")
z<-dbinom(x,100,0.02)
plot(x,z,pch=20,type="h",col=2, ylab="p(x) = P(X=x)",
main="Binom (100,0.02)")
par(mfrow=c(1,1))

5. Tentukan skewness dan kurtosis dari distribusi Poisson.

6. Misal rata-rata penjualan laptop di toko ABC adalah 3 unit per


minggu. Jika banyaknya laptop yang terjual diasumsikan berdistribusi
Poisson, tentukan berapa banyak stok laptop yang harus disediakan
agar peluang sampai kehabisan stok kurang dari 0,01.

7. Misal X berdistribusi Poisson. Jika P (X = 1) = P (X = 3) tentukan


modus distribusinya.

8. Misal X berdistribusi Poisson dengan mean 1. Hitung jika ada E[X!].

9. Misal X dan Y mempunyai PMF gabungan

e2

, y = 0, 1, 2 . . . dan x = 0, 1, 2, . . . , y

p(x, y) = x! (y x)!
0, yang lainnya

(a) Tentukan MGF gabungannya M (t1 , t2 ).


(b) Hitung mean, variansi, dan koefisien korelasi dari X dan Y.
(c) Tentukan mean bersyarat E[X|y].
Petunjuk. Perhatikan bahwa
y
X (et1 x ) y!
= (1 + et1 )y
x! (y x)!
x=0

Mengapa?

10. Misal X dan Y dua variabel acak independen. Andaikan X berdis-


tribusi Poisson dengan mean 1 dan Z = X + Y berdistribusi Poisson
dengan mean dan > 1 . Tentukan distribusi dari Y.

129
Nunung Nurhayati Pengantar Teori Peluang

3.4 Distribusi Gamma


Pada subbab ini dibahas salah satu contoh distribusi kontinu, yaitu
distribusi gamma. Selain itu, dibahas pula distribusi-distribusi kontinu
lainya yang merupakan kasus khusus dari distribusi gamma, yaitu distribusi
eksponensial, distribusi khi-kuadrat, dan distribusi beta.

Fungsi Gamma. Penamaan gamma () pada distribusi gamma berasal


dari fungsi gamma yang didefinisikan sebagai
Z
() = y 1 ey dy. (3.4.1)
0

Pada mata kuliah kalkulus telah dibuktikan bahwa integral pada persamaan
(3.4.1) konvergen atau nilainya ada untuk > 0. Akibatnya, jika penginte-
gralan dilakukan untuk y > 0 maka nilai fungsi selalu positif.

Jika = 1, Z
(1) = ey dy = 1 (3.4.2)
0

dan jika > 1, dapat ditunjukkan melalui teknik integral parsial bahwa
Z
() = ( 1) y 2 ey dy = ( 1)( 1).
0

Dari hasil ini, dapat disimpulkan bahwa khusus untuk bulat positif yang
lebih besar dari 1,

() = ( 1)( 2) (3)(2)(1)
= ( 1)! (3.4.3)

Dari persamaan (3.4.2), (1) = 1, dan dari persamaan (3.4.3), () =


( 1). Oleh sebab itu, cukup beralasan jika didefinisikan, 0! = 1.

Distribusi Gamma Misalkan y pada fungsi gamma di persamaan (3.4.1)


merupakan variabel yang bergantung pada variabel x dan , yaitu y = x/,
dengan > 0, maka persamaan (3.4.1) menjadi
Z  1  
x x/ 1
() = e dx,
0

130
Nunung Nurhayati Pengantar Teori Peluang

Jika masing-masing ruas dikalikan dengan 1/() maka persamaan tersebut


akan ekivalen dengan
Z
1
1=
x1 ex/ dx.
0 ()

Karena > 0, > 0, dan () > 0, maka fungsi



1
x1 ex/ , 0 < x <


()
g(x) = (3.4.4)

0, x lainnya

nilainya selalu nonnegatif dan total integralnya 1. Dengan kata lain fungsi
tersebut memenuhi syarat-syarat sebagai PDF.

Variabel acak X dengan PDF seperti pada persamaan (3.4.4) disebut


variabel acak yang berdistribusi gamma dengan parameter dan ,
dinotasikan X Gamma(, ) atau X (, ). Parameter disebut
juga parameter bentuk (shape parameter ), sedangkan disebut parameter
skala (scale parameter ). Beberapa bentuk distribusi gamma diilustrasikan
pada Gambar 3.1.

Kurva distribusi Gamma (a,4) Kurva distribusi Gamma (4,b)

0.12 0.12

0.10 a=2 0.10 b=2


a=3 b=3
0.08 a=4 0.08 b=4
f(x)

f(x)

0.06 0.06

0.04 0.04

0.02 0.02

0.00 0.00

0 5 10 15 20 25 30 35 0 5 10 15 20 25 30 35

x x

Gambar 3.1. Beberapa bentuk kurva distribusi gamma dengan parameter


a dan b

Dalam aplikasi, distribusi gamma dapat digunakan untuk memodelkan


distribusi peluang dari waktu tunggu atau masa hidup suatu objek atau
individu. Pada proses Poisson dengan intensitas , jika variabel acak W
menyatakan waktu tunggu sampai diperoleh kejadian ke-k maka W berdis-
tribusi gamma dengan = k dan = 1/. Hal ini dapat dibuktikan sebagai
berikut:

Akan ditentukan distribusi dari waktu tunggu W akan dicari dengan

131
Nunung Nurhayati Pengantar Teori Peluang

menggunakan teknik CDF. Berdasarkan definisinya, CDF dari W adalah

G(w) = P (W w) = 1 P (W > w)

Tetapi, peristiwa {W > w} untuk w > 0 ekivalen dengan peristiwa bahwa


pada interval waktu (t, t + w] banyaknya kejadian yang muncul kurang dari
k. Artinya, jika X menyatakan banyaknya kejadian pada interval waktu
(t, t + w] maka
k1 k1
X X (w)x ew
P (W > w) = P (X = x) =
x!
x=0 x=0

karena pada proses Poisson dengan intensitas , banyaknya kejadian pada


interval (t, t + w] dianggap berdistribusi Poisson dengan parameter w.

Dapat ditunjukkan pada Latihan No.5 bahwa

k1
z k1 ez X (w)x ew
Z
dz =
w (k 1)! x!
x=0

sehingga

z k1 ez w
z k1 ez
Z Z
G(w) = 1 P (W > w) = 1 dz = dz
w (k) 0 (k)

untuk w > 0 dan G(w) = 0 untuk w 0.

Dengan memisalkan z = y, maka


Z w k k1 y
y e
G(w) = dy, w>0
0 (k)

dan G(w) = 0 untuk w 0.

Jadi, PDF dari W


k k1 w
w e

, 0<w<
0 (k)
g(w) = G (w) =

0, w lainnya

Ketika k = 1, variabel acak W dapat dipandang sebagai waktu yang


diperlukan sampai diperoleh kejadian pertama. Fungsi densitas peluangnya
adalah
ew , 0 < w <

g(w) =
0, w lainnya

132
Nunung Nurhayati Pengantar Teori Peluang

Selanjutnya, variabel acak W untuk kasus k = 1 yang berdistribusi (1, 1/)


dikatakan berdistribusi eksponensial dengan parameter . 

Menghitung peluang pada distribusi gamma dan eksponensial dapat


dihitung secara manual berdasarkan fungsi densitasnya. Namun, akan
lebih praktis jika dihitung melalui bantuan komputer. Pada program R
atau S-PLUS, jika X berdistribusi (a, b) maka P (X x) dapat dihitung
dengan perintah pgamma(x,shape=a,scale=b), sedangkan nilai f (x) dapat
dihitung dengan perintah dgamma(x,shape=a,scale=b). Sementara itu,
jika X berdistribusi exp(a) maka P (X x) dapat dihitung dengan perintah
pexp(x,rate=a), sedangkan nilai f (x) dapat dihitung dengan perintah
dexp(x,rate=a).

Fungsi pembangkit momen dari distribusi gamma. Berikut ini


akan ditentukan bentuk MGF untuk distribusi gamma. Seandainya sudah
diketahui maka penentuan mean dan variansi dari distribusi gamma, dapat
ditentukan dengan mudah.

Berdasarkan definisi MGF


Z
1
M (t) = E[e tX
]= etx x1 ex/ dx
0 ()
Z
1
= etx
x1 ex(1t)/ dx
0 ()

Melalui pemisalan y = x(1 t) dengan t < 1/, maka x = y/(1 t),


sehingga
 1
/(1 t))
Z
y
M (t) =
ey dy
0 () 1 t
Z  
1 1 1 y
= y e dy
1 t ()
0  Z
1 1 1 y
= y e dy
1 t 0 ()

Karena fungsi yang ada di bawah integral adalah PDF dari distribusi gamma
maka nilai integralnya adalah 1. Akibatnya,
1
M (t) =
(1 t)

yang berlaku untuk t < 1/.

133
Nunung Nurhayati Pengantar Teori Peluang

Karena turunan pertama dari M adalah

M 0 (t) = ()(1 t)1 ()

dan turunan keduanya

M 00 (t) = ()( 1)(1 t)2 ()2

maka mean dan variansi untuk distribusi gamma adalah

= M 0 (0) =

dan
2 = M 00 (0) 2 = ( + 1) 2 2 2 = 2 .

Contoh 3.4.1. Misal waktu tunggu W berdistribusi gamma dengan = k


dan = 1/. Tentukan ekspektasi waktu tunggu sampai muncul kejadian
pertama.

Penyelesaian. Karena = k dan = 1/ maka mean dari W adalah


E[W ] = k/. Akibatnya untuk k = 1, nilai ekspektasinya 1/. 

Contoh 3.4.2. Misal momen ke-m variabel acak X adalah


(m + 3)! m
E[X m ] = 3 , m = 1, 2, 3, . . .
3!
Tentukan distribusi dari X.

Penyelesaian. Pada Subbab 1.9 telah dibahas bahwa MGF M (t) dapat
diuraikan sebagai deret MacLaurin sehingga M (t) dapat dinyatakan dalam
bentuk momen-momennya, yaitu

E[X] E[X 2 ] 2 E[X m ] m


M (t) = 1 + t+ t + ... + t + ...
1! 2! m!
4!3 5!32 2 6!33 3
=1+ t+ t + t +
3!1! 3!2! 3!3!
Tetapi, deret tersebut merupakan uraian deret Mac Laurin untuk (13t)4 ,
dengan syarat 1 < 3t < 1. Karena M (t) = (1 3t)4 merupakan bentuk
MGF dari distribusi (4, 3) maka dapat disimpulkan bahwa X berdistribusi
gamma dengan parameter = 4 dan = 3. 

134
Nunung Nurhayati Pengantar Teori Peluang

Distribusi Khi-Kuadrat. Distribusi khi-kuadrat dengan derajat bebas


r, dinotasikan 2 (r), adalah kasus khusus dari distribusi gamma dengan
parameter = r/2 dan = 2 dengan r bilangan bulat positif. Jika X
berdistribusi 2 (r), maka PDF dari X

1


r/2
xr/21 ex/2 , 0 < x <
f (x) = (r/2)2

0, w lainnya

dan MGF dari X


1
M (t) = (1 2t)r/2 ,
t< .
2
Berdasarkan rumus mean dan variansi distribusi (, ), maka mean dari
distribusi 2 (r) adalah

= = (r/2)2 = r,

sedangkan variansinya

2 = 2 = (r/2)22 = 2r.

Distribusi khi-kuadrat merupakan distribusi yang sangat penting dalam


statistika dan banyak digunakan terutama dalam pengujian hipotesis.

Contoh 3.4.3. Misal X mempunyai PDF


( 1 x/2
4 xe , 0<x<
f (x) =
0, x lainnya.

Tentukan mean, variansi, dan MGF dari X.

Penyelesaian Dari bentuk PDF dari X, dapat disimpulkan bahwa X


2
berdistribusi (4) sehingga
1
= 4, 2 = 8, dan M (t) = (1 2t)2 , t < 
2

Contoh 3.4.4. Tentukan distribusi dari variabel acak X dengan MGF


M (t) = (1 2t)8 , t < 12 .

Penyelesaian Karena bentuk umum MGF distribusi 2 (r), adalah


M (t) = (12t)r/2 , t < 12 , maka X berdistribusi khi-kuadrat dengan derajat
bebas r = 16. 

135
Nunung Nurhayati Pengantar Teori Peluang

Distribusi 2 (r) merupakan distribusi kontinu sehingga jika X berdistribusi


2 (r) maka

P (a < X < b) = P (a < X b) (karena P (X = b) = 0


= P (X b) P (X a) (sifat CDF di Teorema 1.5.2)

Secara manual, nilai P (X b), dapat ditentukan dengan menghitung


integral
Z b
1
P (X b) = r/2
xr/21 ex/2 dx,
0 (r/2)2
namun cara ini kurang praktis. Karena itu, dikenalkan tabel khi-kuadrat
yang terbatas untuk derajat bebas r = 1, 2, . . . , 30 (?? di Lampiran A).
Ketika derajat bebas yang digunakan lebih dari 30, atau b yang digunakan
tidak ada di tabel, maka dapat digunakan software statistik. Untuk program
R atau S-PLUS dapat digunakan perintah pchisq(b,r) untuk menghitung
P (X b) atau dchisq(b,r) untuk menghitung f (b) atau nilai PDF di titik
x = b.

Contoh 3.4.5. Misal X berdistribusi 2 (10). Tentukan (a) P (3, 25 X


20, 5); dan (b) tentukan a yang memenuhi P (a < X) = 0, 05.

Penyelesaian.
(a) Dari tabel distribusi khi-kuadrat dengan derajat bebas r = 10 dapat
diperoleh P (X 20, 5) 0, 975 dan P (X 3, 25) 0, 025. Karena
untuk kasus kontinu berlaku sifat

P (a X b) = P (X b) P (X a)

maka

P (3, 25 X 20, 5) = P (X 20, 5) P (X 3, 25)


= 0, 975 0, 025 = 0, 95.

(b) Dari sifat peluang, P (a < X) = P (X > a) = 1 P (X a). Diketahui


P (a < X) = 0, 05 maka P (X a) = 0, 95. Dari tabel khi kuadrat
dengan r = 10 dapat diperoleh bahwa a yang memenuhi adalah a =
18, 3. 

Contoh 3.4.6. Misal X berdistribusi gamma dengan = r/2, r > 0 dan


> 0. Tentukan PDF dari Y = 2X/.

136
Nunung Nurhayati Pengantar Teori Peluang

Penyelesaian. Bentuk CDF dari Y adalah


   
2X y
G(y) = P (Y y) = P y =P X
2
Z y/2
1
= r/2
xr/21 ex/ dx.
0 (r/2)

untuk y > 0 dan G(y) = 0 untuk y 0.

Sementara itu, PDF dari X

/2
g(y) = G0 (y) = (y/2)r/21 ey/2
(r/2) r/2
1
= y r/21 ey/2 .
(r/2) r/2

untuk y > 0 dan g(y) = 0 untuk y 0.


Jadi, Y berdistribusi 2 (r). 

Teorema 3.4.1. Misal X berdistribusi 2 (r). Jika k > r/2 maka E[X k ]
ada dan
2k ( 2r + k) r
E[X k ] = , k>
( 2r ) 2

Bukti. Dari definisi ekspektasi,


Z Z
1
E[X k ] = xk f (x)dx = x(r/2)+k1 ex/2 dx
0 ( 2r )2r/2

Dengan memisalkan u = x/2, maka


Z
k 1 (r/2)+k1 (r/2)+k1 u
E[X ] = r (r/2)1 2 u e du
0 ( 2 )2
Z
2k
= u(r/2)+k1 eu du
( 2r ) 0
2k
= ( r + k)
( 2r ) 2

dengan syarat k > r/2. 

Seperti distribusi binomial dan distribusi Poisson, distribusi gamma juga


bersifat aditif. Sifat ini dinyatakan pada teorema berikut:

137
Nunung Nurhayati Pengantar Teori Peluang

Teorema 3.4.2. Diberikan variabel-variabel acak yang independen


X1 , X2 , . . . Xn dan untuk setiap i = 1, 2, . . . , n, distribusi dari Xi adalah
(i , ). Jika Y = X1 + X2 + + Xn maka Y berdistribusi (, ) dengan
= 1 + 2 + + n .

Bukti. Misal Mi (t) MGF dari Xi , i = 1, 2, . . . , n. Karena X1 , X2 , . . . , Xn


independen maka MGF dari Y adalah

MY (t) = M1 (t)M2 (t) . . . Mn (t)


= (1 t)1 (1 t)2 . . . (1 t)n
Pn
i
= (1 t) i=1 .

Karena MGF bersifat unik maka dapat disimpulkan bahwa Y berdistribusi


(, ) dengan = 1 + 2 + + n . 

Akibat 3.3.1. Diberikan variabel-variabel acak yang independen


X1 , X2 , . . . Xn dan untuk setiap i = 1, 2, . . . , n, distribusi dari Xi adalah
2 (ri ). Jika Y = X1 + X2 + + Xn maka Y berdistribusi 2 (r) dengan
r = r1 + r2 + + rn .

Distribusi Beta. Misal X1 berdistribusi (, 1) dan X2 berdistribusi


(, 1). Variabel acak X1 dan X2 independen sehingga PDF gabungannya
1
h(x1 , x2 ) = x1 x1 ex1 x2 , 0 < x1 < , 0 < x2 < ,
()() 1 2

dan h(x1 , x2 ) = 0 untuk x1 , x2 lainnya, dengan > 0 dan > 0. Jika


Y1 = X1 + X2 dan Y2 = X1 /(X1 + X2 ) maka PDF marjinal dari Y1 disebut
distribusi beta.

Berikut ini akan ditunjukkan bahwa Y1 , Y2 independen dan Y2 berdistribusi


( + , 1). Misalkan

y1 = u1 (x1 , x2 ) = x1 + x2
x1
y2 = u2 (x1 , x2 ) = ,
x1 + x2
maka x1 = y1 y2 dan x2 = y1 (1 y2 ) sehingga

y2 y1
J = = y1 6= 0
1 y2 y1

Karena 0 < x1 < dan 0 < x2 < maka

DY = {(y1 , y2 ) : 0 < y1 < , 0 < y2 < 1}

138
Nunung Nurhayati Pengantar Teori Peluang

Berdasarkan teknik transformasi, untuk 0 < y1 < , 0 < y2 < 1, PDF


gabungan dari Y1 dan Y2 adalah

g(y1 , y2 ) = |J|h(y1 y2 , y1 (1 y2 ))
1
= (y1 ) (y1 y2 )1 (y1 (1 y2 ))1 ey1
()()
y21 (1 y2 )1 +1 y1
= y1 e
()()

dan g(y1 , y2 ) = 0 untuk y1 , y2 lainnya. Karena g(y1 , y2 ) dapat ditulis sebagai


perkalian fungsi dari y1 dan fungsi dari y2 maka Y1 , Y2 independen.

Untuk 0 < y2 < 1, PDF marjinal dari Y2 adalah

y21 (1 y2 )1 +1 y1
Z
g2 (y2 ) = y1 e dy1
()() 0
( + ) 1
= y (1 y2 )1 , (3.4.5)
()() 2

dan g2 (y2 ) = 0 untuk y2 lainnya. Variabel acak dengan PDF seperti pada
persamaan (3.4.5) dikatakan variabel acak yang berdistribusi beta dengan
parameter dan .

Karena g(y1 , y2 ) = g(y1 )h(y2 ) maka PDF dari Y1 adalah



1
y +1 ey1 , 0 < y1 <
g(y1 ) = ( + ) 1
0, y1 lainnya.

Jadi, Y1 berdistribusi ( + , 1).

Dapat dicoba sebagai latihan bahwa mean dan variansi dari berdistribusi
beta dengan parameter dan adalah

= dan 2 = .
( + + 1)( + )2

Pada program R atau S-PLUS, menghitung peluang pada distribusi beta


dengan parameter = a dan = b, dapat dilakukan dengan pbeta(x,a,b)
untuk P (X x) dan dbeta(x,a,b) untuk menghitung nilai fungsi densitas
g(x).

139
Nunung Nurhayati Pengantar Teori Peluang

Catatan tambahan tentang distribusi eksponensial

Di beberapa buku, PDF distribusi eksponensial ditulis



1 ex/ , x > 0
f (x) = (3.4.6)
0, x lainnya.

Untuk PDF distribusi eksponensial seperti pada persamaan (3.4.6), yang


menjadi parameternya adalah , dan notasi untuk X yang berdistribusi
ekponensial adalah X exp().

Jika X menyatakan waktu yang diperlukan sampai diperoleh peristiwa baru,


maka mean dari X exp() yaitu E[X] = . Nilai dapat diinterpre-
tasikan sebagai rata-rata waktu (sebenarnya) sampai diperoleh peristiwa
baru. Ketika = 1/, maka E[X] = 1/. Nilai di sini dapat diinter-
pretasikan sebagai rata-rata banyaknya peristiwa per satuan waktu atau
disebut juga intensitas dari X.

Latihan 3.3

1. Jika (1 2t)6 , t < 1


2 MGF dari variabel acak X, tentukan P (X <
5, 23).

2. Jika X berdistribusi 2 (5), tentukan konstanta c dan d sehingga P (c <


X < d) = 0, 95 dan P (X < c) = 0, 025.

3. Tentukan P (3, 28 < X < 25, 2) jika X berdistribusi gamma dengan


= 3 dan = 4.
Petunjuk : Peristiwa {3, 28 < X < 25, 2} ekivalen dengan peristiwa
{1, 64 < Y < 12, 6} dengan Y = 2X/4 = X/2.

4. Misal X variabel acak dengan momen ke-m diberikan oleh

E[X m ] = (m + 1)!2m , m = 1, 2, 3, . . .

Tentukan MGF dan distribusi dari X.

5. Tunjukkan bahwa
Z k1
X e x
1 k1 z
z e dz = , k = 1, 2, 3, . . .
(k) x!
x=0

Persamaan tersebut memperlihatkan hubungan antara CDF dari


distribusi gamma dan Poisson.

140
Nunung Nurhayati Pengantar Teori Peluang

Petunjuk : Gunakan integral parsial sebanyak k 1 kali atau dengan


memperhatikan bahwa anti turunan dari z k1 ez adalah

z k1 ez (k 1)z k2 ez . . . (k 1)!ez

6. Misal X1 , X2 , dan X3 variabel-variabel acak yang IID, masing-masing


dengan PDF  x
e 0<x<
f (x) =
0, x lainnya.
Tentukan distribusi dari Y = min(X1 , X2 , X3 ).
Petunjuk : P (Y y) = 1 P (Y > y) = 1 P (Xi > y, i = 1, 2, 3).

7. Misal X berdistribusi gamma dengan PDF


1

2
xex/ 0 < x <
f (x) =

0, x lainnya.

Jika x = 2 modus distribusi, tentukan parameter dan P (X < 9, 49).


Petunjuk : Modus dari suatu distribusi variabel acak X adalah nilai x
yang memaksimumkan fungsi densitasnya.

8. Tentukan skewness dan kurtosis dari distribusi gamma dengan


parameter dan .

9. Misal X berdistribusi gamma dengan parameter dan . Tunjukkan


bahwa P (X 2) (2/e) .
Petunjuk : Gunakan sifat bahwa jika X variabel acak dengan MGF
M (t), h < t < h maka

P (X a) eat M (t), 0 < t < h.

10. Gunakan program R untuk mendapatkan plot PDF dari distribusi khi-
kuadrat dengan derajat bebas r = 1, 2, 5, 10, 20. Berikan penjelasan
dari plot PDF yang dihasilkan.

11. Gunakan program R untuk mendapatkan plot PDF dari distribusi beta
dengan = 5 dan = 1, 2, 5, 10, 20.

12. Gunakan program R untuk mendapatkan plot CDF dari (5, 4).
Gunakan plot tersebut untuk menerka mediannya. Untuk
memeriksa keakuratan terkaan yang diperoleh, gunakan perintah
qgamma(0.5,shape=5,scale=4).

141
Nunung Nurhayati Pengantar Teori Peluang

13. Berikan definisi yang cukup beralasan dari distribusi khi-kuadrat


dengan derajat bebas nol.
Petunjuk : Gunakan MGF dari 2 (r) untuk r = 0.

14. Misal X berdistribusi Poisson dengan parameter m. Jika m nilai


eksperimental dari variabel acak berdistribusi gamma dengan = 2
dan = 1, hitung P (X = 0, 1, 2).
Petunjuk : Tentukan terlebih dahulu distribusi gabungan dari X dan
m. Kemudian tentukan distribusi marjinal dari X.

15. Misal X berdistribusi dengan PDF f (x) = 1, 0 < x < 1, dan 0 untuk
x lainnya. Tentukan CDF dan PDF dari Y = log X.

16. Tentukan distribusi uniform pada interval (b, c) dengan mean dan
variansi yang sama dengan distribusi 2 (8). Dengan kata lain tentukan
b dan c.

17. Tentukan mean dan variansi dari distribusi beta.


Petunjuk : Dari PDF distribusi beta, diketahui
Z 1
()()
y 1 (1 y)1 dy =
0 ( + )

untuk setiap > 0 dan > 0

18. Tentukan konstanta c supaya fungsi

cx(3 x)4 , 0 < x < 3



f (x) =
0, x lainnya.

mendefinisikan suatu PDF.

19. Tunjukkan bahwa jika = , kurva distribusi beta simetris di sekitar


garis vertikal yang melalui x = 12 .

20. Tunjukkan bahwa untuk k = 1, 2, . . . , n


Z 1 k1  
n! X n
z k1 (1 z)nk dz = px (1 p)nx .
p (k 1)!(n k)! x
x=0

Persamaan tersebut memperlihatkan hubungan antara CDF dari


distribusi beta dengan distribusi binomial.

21. Misal X1 dan X2 dua variabel acak yang independen. Misalkan pula
X1 berdistribusi 2 (r1 ) dan Y = X1 + X2 berdistribusi 2 (r), dengan

142
Nunung Nurhayati Pengantar Teori Peluang

r1 < r. Tunjukkan bahwa X2 berdistribusi 2 (r r1 ).


Petunjuk : Tulis M (t) = E[et(X1 +X2 ) ] dan gunakan sifat independen
dari X1 dan X2 .

22. Misal X1 berdistribusi (3, 3) dan X2 berdistribusi (5, 1). Misalkan


pula X1 dan X2 independen.
(a) Tentukan MGF dari Y = 2X1 + 6X2
(b) Tentukan distribusi Y.

23. Misal X berdistribusi eksponensial.


(a) Tunjukkan bahwa distribusi eksponensial mempunyai sifat
memoryless seperti pada distribusi geometrik. Dengan kata lain,

P (X > x + y|X > x) = P (X > y)

(b) Misal F (y) CDF kontinu dari variabel acak Y. Asumsikan bahwa
F (0) = 0 dan 0 < F (y) < 1 untuk y > 0. Jika sifat memoryless
berlaku untuk Y, tunjukkan bahwa F (y) = 1 ey untuk y > 0.
Petunjuk : Tunjukkan bahwa g(y) = 1 F (y) memenuhi
persamaan
g(y + z) = g(y)g(z).

24. Misal variabel acak kontinu X mempunyai CDF F (x) dan PDF f (x).
Hazard rate dari X didefinisikan sebagai

P (x X < x + |X x)
r(x) = lim (3.4.7)
0
Kata hazard di sini dapat diartikan suatu keadaan yang berdampak
buruk atau negatif seperti bahaya, bencana, kegagalan, atau
kecelakaan.

Pada kasus ini, X dapat menyatakan waktu kegagalan suatu


individu/objek, sedangkan peluang bersyarat

P (x X < x + |X x) (3.4.8)

dapat diartikan peluang terjadinya kegagalan dalam interval waktu


[x, x + ], jika diketahui bahwa individu/objek tersebut masih
bertahan sampai waktu x. Sementara itu, r(x) pada persamaan (3.4.7)
dapat diinterpretasikan sebagai laju kegagalan sesaat.

Sebagai contoh, dalam aktuaria (matematika asuransi), X dapat


menyatakan usia seseorang, peluang bersyarat pada persamaan (3.4.8)

143
Nunung Nurhayati Pengantar Teori Peluang

menyatakan peluang atau resiko kematian seseorang berusia x dalam


selang waktu , dan r(x) pada persamaan (3.4.7) menyatakan laju
kematian sesaat bagi seseorang berusia x. Fungsi ini disebut juga laju
mortalitas.

Terkait dengan hazard rate r(x),


(a) Tunjukkan bahwa
f (x)
r(x) = .
1 F (x)
(b) Jika r(x) = k dengan k konstanta positif, tunjukkan bahwa
variabel acak X berdistribusi eksponensial.
(c) Jika r(x) = cxb dengan c dan b konstanta positif, tunjukkan
bahwa X berdistribusi Weibull, dengan kata lain PDF dari
X ( n o
b+1
cxb exp cxb+1 , 0 < x <
f (x) =
0, x lainnya.

(d) Jika r(x) = cebx dengan c dan b konstanta positif, tunjukkan


bahwa X berdistribusi Gompertz, dengan CDF

1 exp{ cb (1 ebx )}, 0 < x <



F (x) =
0, x lainnya.

144
Nunung Nurhayati Pengantar Teori Peluang

Lampiran 3.1. Tabel Distribusi Khi Kuadrat

Pada tabel berikut diberikan nilai kuantil dari distribusi khi-kuadrat, yaitu
nilai x yang memenuhi
Z x
1
P (X x) = r/2
wr/21 ew/2 dw
0 (r/2)2

untuk suatu derajat bebas r.

P (X x)
r 0.010 0.025 0.050 0.100 0.900 0.950 0.975 0.990
1 0.000 0.001 0.004 0.016 2.706 3.841 5.024 6.635
2 0.020 0.051 0.103 0.211 4.605 5.991 7.378 9.210
3 0.115 0.216 0.352 0.584 6.251 7.815 9.348 11.345
4 0.297 0.484 0.711 1.064 7.779 9.488 11.143 13.277
5 0.554 0.831 1.145 1.610 9.236 11.070 12.833 15.086
6 0.872 1.237 1.635 2.204 10.645 12.592 14.449 16.812
7 1.239 1.690 2.167 2.833 12.017 14.067 16.013 18.475
8 1.646 2.180 2.733 3.490 13.362 15.507 17.535 20.090
9 2.088 2.700 3.325 4.168 14.684 16.919 19.023 21.666
10 2.558 3.247 3.940 4.865 15.987 18.307 20.483 23.209
11 3.053 3.816 4.575 5.578 17.275 19.675 21.920 24.725
12 3.571 4.404 5.226 6.304 18.549 21.026 23.337 26.217
13 4.107 5.009 5.892 7.042 19.812 22.362 24.736 27.688
14 4.660 5.629 6.571 7.790 21.064 23.685 26.119 29.141
15 5.229 6.262 7.261 8.547 22.307 24.996 27.488 30.578
16 5.812 6.908 7.962 9.312 23.542 26.296 28.845 32.000
17 6.408 7.564 8.672 10.085 24.769 27.587 30.191 33.409
18 7.015 8.231 9.390 10.865 25.989 28.869 31.526 34.805
19 7.633 8.907 10.117 11.651 27.204 30.144 32.852 36.191
20 8.260 9.591 10.851 12.443 28.412 31.410 34.170 37.566
21 8.897 10.283 11.591 13.240 29.615 32.671 35.479 38.932
22 9.542 10.982 12.338 14.041 30.813 33.924 36.781 40.289
23 10.196 11.689 13.091 14.848 32.007 35.172 38.076 41.638
24 10.856 12.401 13.848 15.659 33.196 36.415 39.364 42.980
25 11.524 13.120 14.611 16.473 34.382 37.652 40.646 44.314
26 12.198 13.844 15.379 17.292 35.563 38.885 41.923 45.642
27 12.879 14.573 16.151 18.114 36.741 40.113 43.195 46.963
28 13.565 15.308 16.928 18.939 37.916 41.337 44.461 48.278
29 14.256 16.047 17.708 19.768 39.087 42.557 45.722 49.588
30 14.953 16.791 18.493 20.599 40.256 43.773 46.979 50.892

145
Nunung Nurhayati Pengantar Teori Peluang

3.5 Distribusi Normal


Distribusi normal merupakan distribusi yang sangat penting dalam
statistika. Distribusi normal diperlukan untuk mempelajari teorema utama
dalam statistika yaitu Teorema Limit Pusat yang dibahas di Bab 4.
Teorema ini mempunyai peranan penting dalam kajian Statistika Inferensi
khususnya pada teori pengujian hipotesis.

Distribusi Normal Standar. Misal diberikan integral


Z
1 2
I= ez /2 dz (3.5.1)
2
Integral ini konvergen karena fungsi yang diintegralkan merupakan fungsi
yang kontinu positif dan dibatasi oleh fungsi yang integrabel, yaitu h(z) =
e|z|+1 . Dengan kata lain,
2 /2
0 < ez < e|z|+1 , < z <

dengan nilai integral


Z
e|z|+1 dz = 2e < .

2 /2
Ilustrasi g(z) = ez yang terbatas diperlihatkan pada Gambar 3.2.

2.5 h(z) = exp( z + 1)

2.0

1.5
g(z)

1.0

0.5
g(z) = ez
2
2

0.0

6 4 2 0 2 4 6

z
2
Gambar 3.2. Kurva g(z) = ez /2 yang dibatasi kurva h(z) = e|z|+1 .

Untuk menghitung integral I dapat diawali dengan menghitung I 2 yang

146
Nunung Nurhayati Pengantar Teori Peluang

dapat ditulis sebagai



z 2 + w2
Z Z  
2 1
I = exp dzdw.
2 2

Penyelesaian integral tersebut akan lebih sederhana jika dikerjakan dalam


koordinat polar. Bila dimisalkan z = r cos dan w = r sin , maka dz dw =
r drd sehingga
Z 2 Z
1 2
I2 = er /2 r drd
2 0 0
Z 2
1
= d = 1,
2 0

sehingga nilai integral I = 1.

Karena integran pada persamaan (3.5.1) adalah fungsi yang positif pada
(, ) dan total integralnya 1 maka integran dari I dapat dipandang
sebagai PDF dari variabel acak Z. Selanjutnya variabel acak kontinu Z
dengan PDF
1 2
f (z) = ez /2 , < z <
2
dikatakan variabel acak yang berdistribusi normal standar, dinotasikan
N (0, 1).

Fungsi pembangkit momen (MGF) dari Z adalah


Z
1 2
MZ (t) = E[etZ ] = etz ez /2 dz
2
Z
2 1 2
= et /2 e(zt) /2 dz
2
Z
2 1 2
= et /2 ew /2 dw (3.5.2)
2
dengan w = z t dan dw = dz.

Karena integran pada persamaan (3.5.2) merupakan PDF maka


Z
2
1/ 2 ew /2 dw = 1,

sehingga MGF dari Z


2 /2
MZ (t) = et , untuk < t < .

147
Nunung Nurhayati Pengantar Teori Peluang

Turunan pertama dan turunan kedua dari M (t) masing-masing adalah


2 /2 2 /2 2 /2
MZ0 (t) = tet dan MZ00 (t) = et + t2 et

sehingga mean dan variansi dari Z,

= MZ0 (0) = 0 dan 2 = MZ00 (0)2 0 = 1.

Distribusi Normal. Misal variabel acak kontinu X didefinisikan sebagai


transformasi linier dari Z, yaitu

X = bZ + a, dengan b > 0.

Transformasi tersebut bersifat satu-satu dengan invers dari x adalah z =


(x a)/b dan Jacobi transformasinya J = dz/dx = 1/b. Karena b > 0 maka
PDF dari X
(  )
1 xa 2

1
fX (x) = |J|fZ ((x a)/b) = exp , < x < .
b 2 2 b

Dari sifat ekspektasi

E[X] = E[bZ + a] = bE[Z] + a = 0 + a = a,

dan dari sifat variansi

Var(X) = Var(bZ + a) = b2 Var(Z) = (b2 )(1) = b2 .

Selanjutnya, distribusi dari X = bZ + a, dengan Z N (a, b2 ) disebut


distribusi normal dengan parameter mean = a dan variansi 2 = b2 dan
dinotasikan dengan N (, 2 ). Secara formal, distribusi normal didefinisikan
sebagai berikut:

Definisi 3.5.1 (Distribusi Normal.). Variabel acak X dikatakan berdis-


tribusi normal dengan parameter mean dan variansi 2 , dinotasikan
dengan N (, 2 ), jika PDF dari X
(  )
1 x 2

1
f (x) = exp , < x < (3.5.3)
2 2

Dari definisi tersebut, jika diberikan X berdistribusi N (, 2 ), maka variabel


acak Z = (X )/ berdistribusi normal standar, N (0, 1).

148
Nunung Nurhayati Pengantar Teori Peluang
1
f() =
2

Titik belok Titik belok

3 2 + + 2 + 3

Gambar 3.3. Kurva fungsi densitas N (, 2 )


.
Untuk menentukan MGF distribusi N (, 2 ) dapat dimisalkan X = Z +
sehingga

M (t) = E[etX ] = E[et(Z+) ] = et E[etZ ]


2 t2 /2 2 t2 /2
= et e = et+ ,

yang berlaku untuk < t < .

2
Contoh 3.5.1. Jika MGF dari variabel acak X, M (t) = e2t+32t , tentukan
distribusi dari X dan distribusi dari Z = (X 2)/8.
2
Penyelesaian. Karena MGF dari X adalah M (t) = e2t+32t , maka X
berdistribusi normal dengan = 2 dan 2 = 64, dan Z = (X 2)/8 berdis-
tribusi N (0, 1). 

Ciri-ciri kurva distribusi normal. Dari Gambar 3.3 terlihat bahwa


kurva distribusi normal mempunyai ciri-ciri:
(a). simetri terhadap garis vertikal yang melalui x = .

(b). mempunyai nilai maksimum 1/( 2) yang dicapai saat x = .
(c). sumbu-x merupakan asimtot mendatar.
(d). mempunyai 2 titik belok yang terjadi pada x = dan + .
Parameter pada distribusi N (, 2 ) disebut parameter lokasi karena
berubahnya nilai dapat mengubah posisi kurva, bergeser ke kiri atau ke
kanan. Artinya bentuk kurva PDF akan persis sama tetapi posisi mean akan
berubah. Sementara itu, standar deviasi disebut parameter skala karena
berubahnya nilai akan mengubah jangkauan peyebarannya, namun posisi
titik tengahnya (mean) tetap. Artinya, nilai yang kecil akan mengaki-
batkan kurvanya tinggi dan ramping, dan ketika -nya diperbesar, kurva

149
Nunung Nurhayati Pengantar Teori Peluang

akan memendek dan melebar ke samping kiri dan kanan. Berapa pun nilai
dan kurva normal akan berbentuk seperti lonceng (bell shape).

Menghitung peluang pada distribusi normal. Jika X berdistribusi


N (, 2 ), peluang P (X x) dapat dihitung dengan mengintegralkan PDF
distribusi normal pada persamaan (3.5.3). Namun, PDF normal memuat
faktor berbentuk exp{s2 }, sehingga anti turunannya sulit diperoleh secara
analitik dan harus diselesaikan secara numerik. Meskipun demikian, karena
setiap X yang berdistribusi N (, 2 ) selalu dapat ditransformasi menjadi
Z yang berdistribusi normal standar maka perhitungan P (X x) dapat
didekati secara numerik berdasarkan pada tabel distribusi normal standar
(Lampiran 3.2).

Nilai-nilai peluang yang ditampilkan pada tabel distribusi normal standar


adalah nilai-nilai CDF dari distribusi N (0, 1), yaitu
Z z
1 2
(z) = P (Z z) = ew /2 dw.
2

Perlu diperhatikan bahwa khusus untuk distribusi N (0, 1), CDF dari Z biasa
dinotasikan dengan (z). Jika (z ) = maka inversnya yaitu z = 1 ()
menyatakan persentil ke-100 atau kuantil ke- dari variabel acak Z.
Berarti, jika 1 () = z maka (z ) = P (Z z ) = .

Jika diberikan variabel acak X berdistribusi N (, 2 ), maka nilai FX (x) =


P (X x) dapat dihitung dengan memisalkan Z = (X )/ yang
berdistribusi N (0, 1). Karena peristiwa {X x} ekivalen dengan peristiwa
{Z (x )/} maka
   
X X
FX (x) = P (X x) = P Z = .

Contoh 3.5.2. Misal X berdistribusi N (2, 25). Hitung P (0 < X < 10)
dan P (8 < X < 1).

Penyelesaian. Diketahui X berdistribusi N (2, 25) maka


 
02 X 2 10 2
P (0 < X < 10) = P < <
5 5 5
= P (0, 4 < Z < 1, 6)
= P (Z < 1, 6) P (Z < 0, 4)
= (1, 6) (0, 4)
= 0, 945 (1 0, 655) = 0, 6,

150
Nunung Nurhayati Pengantar Teori Peluang

dan
 
8 2 X 2 12
P (8 < X < 1) = P < <
5 5 5
= P (2 < Z < 0, 2)
= P (Z < 0, 2) P (Z < 2)
= (0, 2) (2)
= (1 0, 579) (1 0, 977) = 0, 398. 

Persentil dari distribusi normal dapat dihitung dari persentil distribusi


normal standar. Sebagai contoh, misal ingin dicari persentil ke-100 dari
distribusi N (, 2 ). Artinya harus dicari nilai x yang memenuhi

FX (x ) = P (X x ) = .

Caranya, tentukan terlebih dahulu persentil ke-100 dari distribusi N (0, 1),
sebut z , yaitu dengan menghitung z = 1 (). Kemudian, karena X =
Z + maka persentil ke-100 dari X adalah

x = z + .

(z) =

z 0

Gambar 3.4. Nilai = (z ) = P (Z z ) adalah luas daerah di bawah


kurva normal standar yang terletak di sebelah kiri garis
z = z .
.
Pada Gambar 3.4 diperlihatkan ilustrasi dari CDF normal standar (z).
Dapat diinterpretasikan bahwa nilai (z ) = P (Z z ) = , menyatakan
luas daerah di bawah kurva yang terletak di sebelah kiri garis z = z . Karena
peluang yang disediakan pada Tabel Distribusi Normal Standar (Lampiran
3.2) hanya untuk z 0, maka untuk z yang negatif, nilai (z) dapat dihitung
dengan memanfaatkan sifat distribusi normal yang simetri di sekitar 0 dan

151
Nunung Nurhayati Pengantar Teori Peluang

sifat bahwa total luas di bawah kurva adalah 1. Jadi, untuk z > 0, nilai

(z) = 1 (z).

Contoh 3.5.3. Misal X berdistribusi N (, 2 ). Hitung P ( 2 < X <


+ 2).

Penyelesaian. Diketahui X berdistribusi N (, 2 ) maka


 
( 2) X ( + 2)
P ( 2 < X < + 2) = P < <

= P (2 < Z < 2)
= P (Z < 2) P (Z < 2)
= (2) (2)
= 0, 977 (1 0, 977) = 0, 954.

Ilustrasi dari P ( 2 < X < + 2) diberikan pada Gambar 3.5. 

Luas = 0,954

2 + 2

Gambar 3.5. Luas daerah kurva normal yang berjarak 2 dari kiri dan
kanan mean .

Contoh 3.5.4. Misal X berdistribusi N (, 2 ). Andaikan 10% peluangnya


berada di bawah 60 dan 5% peluangnya berada di atas 90. Tentukan dan
.

Penyelesaian. Diketahui X berdistribusi N (, 2 ), P (X 60) = 0, 1


dan P (X 90) = 1 0, 05 = 0, 95. Karena
   
60 60
P (X 60) = P Z = = 0, 1

152
Nunung Nurhayati Pengantar Teori Peluang

dan    
90 60
P (X 90) = P Z = = 0, 95

maka dari tabel distribusi normal standar diperoleh
60 90
= 1, 282 dan = 1, 645

sehingga diperoleh = 73, 1 dan = 10, 2. 

Keistimewaan distribusi normal dinyatakan dalam Teorema 3.5.1 dan


Teorema 3.5.2 berikut. Teorema 3.5.1 menyatakan bahwa jika Z berdis-
tribusi N (0, 1), maka Z 2 berdistribusi 2 (r) Sementara itu, Teorema 3.5.2
menyatakan bahwa di bawah asumsi independen distribusi normal bersifat
aditif. Artinya jumlah dari beberapa variabel acak normal juga akan berdis-
tribusi normal.

Teorema 3.5.1. Jika X berdistribusi N (, 2 ) dan Z = (X )/ maka


variabel acak Z 2 berdistribusi 2 (1).

Bukti. Misal V = Z 2 , dengan Z = (X )/ berdistribusi N (0, 1).


Untuk v 0, CDF dari V adalah

G(v) = P (Z 2 v) = P ( v Z v).

Karena Z simetri,

Z v
1 2
G(v) = 2 ez /2 dz, v0
0 2
dan G(v) = 0 untuk v < 0.

Jika dimisalkan z = y maka dz = 1/(2 y) dy sehingga
Z y
1
G(v) = ey/2 dy, v 0
0 2 y

Akibatnya untuk v > 0, PDF dari V adalah


1 1 1
g(v) = G0 (v) = ev/2 = 1/2
v 2 1 ev/2
2 v (2)

153
Nunung Nurhayati Pengantar Teori Peluang

dan g(v) = 0 untuk v lainnya. Karena g(v) suatu PDF maka


Z
g(v)dv = 1,
0

sehingga haruslah ( 21 ) = . Jadi,

1 1
1
g(v) = v 2 ev/2 ,
( 12 )(2)1/2

atau V = Z 2 berdistribusi 2 (1). 

Teorema 3.5.2. Misal P X1 , . . . , Xn independen dengan Xi berdistribusi


n
N (i , i2 ). Jika Y = i=1 ki Xi , dengan k1 , . .P
. , kn konstanta, maka
n
distribusi dari Y adalah normal dengan mean i=1 ki i dan variansi
P n 22.
k
i=1 i i

Diketahui Y = ni=1 ki Xi , dan Xi berdistribusi N (i , i2 ) untuk


P
Bukti.
i = 1, 2, . . . , n maka MGF dari Y adalah

MY (t) = E[etY ] = E[et(k1 X1 +k2 x2 ++kn xn ) ]


= E[e(tk1 X1 ) e(tk2 X2 ) . . . e(tkn Xn ) ]
= E[etk1 X1 ]E[etk1 X1 ] . . . E[etk1 X1 ]
(karena X1 , X2 , . . . , Xn independen)
n
Y n
Y
E[etki Xi ] = exp tki i + 12 t2 ki2 i2

=
i=1 i=1
n n
( )
X X
1 2
= exp t k i i + 2t ki2 i2 
i=1 i=1

Akibat 3.4.1. Misal X1 , . . . , Xn IID dengan Xi berdistribusi N (, 2 ).


1 Pn
Jika X = n i=1 Xi , maka X berdistribusi N (, 2 /n).

Pembuktian akibat ini sederhana, cukup dengan memisalkan ki = 1/n, i =


, dan i = 2 , untuk i = 1, 2, . . . , n. Kemudian gunakan sifat distribusi
normal pada Teorema 3.5.2.

Latihan 3.4

1. Jika Z z
1 w2 /2
(z) = e dw,
2

154
Nunung Nurhayati Pengantar Teori Peluang

tunjukkan bahwa (z) = 1 (z).

2. Jika X berdistribusi N (75, 100), tentukan P (X < 60) dan P (70 < X <
100), secara manual dengan bantuan tabel normal di Lampiran 3.2
atau dengan menggunakan program R. Catatan: Pada program R atau
S-PLUS, P (X x) dapat dihitung dengan perintah pnorm(x,a,b),
jika diketahui X berdistribusi N (a, b2 ).

3. Jika X N (, 2 ), tentukan b sehingga P (b < (X )/ < b) =


0, 90, dengan menggunakan tabel normal atau program R.
Catatan: Pada program R atau S-PLUS, kuantil ke-p dari distribusi
N (0, 1) dapat dihitung dengan perintah qnorm(p).

4. Misal X berdistribusi N (, 2 ) sehingga P (X < 89) = 0, 90 dan


P (X < 94) = 0, 95. Tentukan dan 2 .
2
5. Tentukan c yang dapat dipilih supaya f (x) = c2x , < x < ,
memenuhi syarat PDF normal.
Petunjuk: Tuliskan 2 = elog 2 .
p
6. Jika X berdistribusi N (, 2 ), tunjukkan bahwa E(|X |) = 2/.

7. Tunjukkan bahwa grafik dari PDF N (, 2 ), mempunyai titik belok


x = dan x = + .
R3
8. Hitung 2 exp[2(x 3)2 ] dx.

9. Tentukan persentil ke-90 dari distribusi N (65, 25).


2
10. Jika M (t) = e3t+8t MGF dari X, tentukan P (1 < X < 9).

11. Misal variabel acak X mempunyai PDF


2 2
f (x) = ex /2 , 0<X<
2
dan 0 untuk x lainnya. Tentukan mean dan variansi dari X.
Petunjuk: Hitung E[X] secara langsung dan hitung E[X 2 ] dengan
membandingkan bentuk integral dari E[X 2 ] dengan bentuk integral
yang menyatakan variansi dari N (0, 1).

12. Misal X berdistribusi N (5, 10). Tentukan P (0, 04 < (X 5)2 < 38, 4).

13. Jika X berdistribusi N (1, 4) hitung P (1 < X 2 < 9).

155
Nunung Nurhayati Pengantar Teori Peluang

14. Jika X berdistribusi N (75, 25), tentukan peluang bersyarat bahwa X


lebih besar dari 80, jika diketahui X lebih besar dari 77. Lihat Latihan
2.3.12.

15. Misal X variabel acak sehingga E[X 2m ] = (2m)!/(2m m!), m =


1, 2, 3, . . . dan E[X 2m1 ] = 0, m = 1, 2, 3, . . . Tentukan MGF dan
PDF dari X.

16. Misal X1 , X2 , dan X3 independen dengan distribusi masing-masing


N (0, 1), N (2, 4), dan N (1, 1). Hitung peluang bahwa tepat dua dari
tiga variabel acak tersebut lebih kecil dari 0.

17. Misal X berdistribusi N (, 2 ).


(a) Apakah variabel acak Y = X 2 juga berdistribusi normal?
(b) Jika a dan b suatu konstanta, apakah Y = aX + b juga berdis-
tribusi normal?
Petunjuk: Tentukan terlebih dahulu P (Y y).

18. Misal X berdistribusi N (, 2 ). Apa yang terjadi dengan distribusi


dari X jika 2 = 0? Petunjuk: Lihat kembali MGF dari X untuk
2 > 0 dan selidiki apa yang terjadi dengan limit dari MGF ketika
0.

19. Misal X dan Y masing-masing berdistribusi N (6, 1) dan N (7, 1).


Tentukan P (X > Y ).
Petunjuk: Tulis P (X > Y ) = P (X Y > 0) dan tentukan distribusi
dari X Y.

20. Misal X1 , X2 , X3 IID N (1, 4). Hitung P (X1 + 2X2 2X3 > 7).

21. Misal X berdistribusi N (0, 1). Gunakan teknik MGF untuk menun-
jukkan Y = X 2 berdistribusi 2 (1).
2
Petunjuk: Hitung integral yang menyatakan E[etX ] melalui pemisalan
1
w = x 1 2t, t < .
2

22. Misal X1 , X2 IID N (0, 1). Tentukan PDF gabungan dari Y1 = X12 +X22
dan Y2 = X2 , serta PDF marjinal dari Y1 .

Petunjuk: Ruang dari Y1 dan Y2 adalah y1 < y2 < y1 , 0 < y1 <
.

156
Nunung Nurhayati Pengantar Teori Peluang

23. Suatu pekerjaan dapat diselesaikan dalam tiga tahap. Berikut mean
dan standar deviasi dari waktu penyelesaian di setiap tahap (satuan
waktu menit):

Tahap Mean Standar Deviasi


1 17 2
2 13 1
3 13 2

Jika waktu di masing-masing tahap diasumsikan independen dan


berdistribusi normal, hitung peluang bahwa pekerjaan tersebut dapat
diselesaikan dalam waktu tidak lebih dari 40 menit.

157
Nunung Nurhayati Pengantar Teori Peluang

Lampiran 3.2. Tabel Distribusi Normal Standar


Z z
1 2
(z) = P (Z z) = ew /2 dw, z 0
2

z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 .5000 .5040 .5080 .5120 .5160 .5199 .5239 .5279 .5319 .5359
0.1 .5398 .5438 .5478 .5517 .5557 .5596 .5636 .5675 .5714 .5753
0.2 .5793 .5832 .5871 .5910 .5948 .5987 .6026 .6064 .6103 .6141
0.3 .6179 .6217 .6255 .6293 .6331 .6368 .6406 .6443 .6480 .6517
0.4 .6554 .6591 .6628 .6664 .6700 .6736 .6772 .6808 .6844 .6879
0.5 .6915 .6950 .6985 .7019 .7054 .7088 .7123 .7157 .7190 .7224
0.6 .7257 .7291 .7324 .7357 .7389 .7422 .7454 .7486 .7517 .7549
0.7 .7580 .7611 .7642 .7673 .7704 .7734 .7764 .7794 .7823 .7852
0.8 .7881 .7910 .7939 .7967 .7995 .8023 .8051 .8078 .8106 .8133
0.9 .8159 .8186 .8212 .8238 .8264 .8289 .8315 .8340 .8365 .8389
1.0 .8413 .8438 .8461 .8485 .8508 .8531 .8554 .8577 .8599 .8621
1.1 .8643 .8665 .8686 .8708 .8729 .8749 .8770 .8790 .8810 .8830
1.2 .8849 .8869 .8888 .8907 .8925 .8944 .8962 .8980 .8997 .9015
1.3 .9032 .9049 .9066 .9082 .9099 .9115 .9131 .9147 .9162 .9177
1.4 .9192 .9207 .9222 .9236 .9251 .9265 .9279 .9292 .9306 .9319
1.5 .9332 .9345 .9357 .9370 .9382 .9394 .9406 .9418 .9429 .9441
1.6 .9452 .9463 .9474 .9484 .9495 .9505 .9515 .9525 .9535 .9545
1.7 .9554 .9564 .9573 .9582 .9591 .9599 .9608 .9616 .9625 .9633
1.8 .9641 .9649 .9656 .9664 .9671 .9678 .9686 .9693 .9699 .9706
1.9 .9713 .9719 .9726 .9732 .9738 .9744 .9750 .9756 .9761 .9767
2.0 .9772 .9778 .9783 .9788 .9793 .9798 .9803 .9808 .9812 .9817
2.1 .9821 .9826 .9830 .9834 .9838 .9842 .9846 .9850 .9854 .9857
2.2 .9861 .9864 .9868 .9871 .9875 .9878 .9881 .9884 .9887 .9890
2.3 .9893 .9896 .9898 .9901 .9904 .9906 .9909 .9911 .9913 .9916
2.4 .9918 .9920 .9922 .9925 .9927 .9929 .9931 .9932 .9934 .9936
2.5 .9938 .9940 .9941 .9943 .9945 .9946 .9948 .9949 .9951 .9952
2.6 .9953 .9955 .9956 .9957 .9959 .9960 .9961 .9962 .9963 .9964
2.7 .9965 .9966 .9967 .9968 .9969 .9970 .9971 .9972 .9973 .9974
2.8 .9974 .9975 .9976 .9977 .9977 .9978 .9979 .9979 .9980 .9981
2.9 .9981 .9982 .9982 .9983 .9984 .9984 .9985 .9985 .9986 .9986
3.0 .9987 .9987 .9987 .9988 .9988 .9989 .9989 .9989 .9990 .9990
3.1 .9990 .9991 .9991 .9991 .9992 .9992 .9992 .9992 .9993 .9993
3.2 .9993 .9993 .9994 .9994 .9994 .9994 .9994 .9995 .9995 .9995
3.3 .9995 .9995 .9995 .9996 .9996 .9996 .9996 .9996 .9996 .9997
3.4 .9997 .9997 .9997 .9997 .9997 .9997 .9997 .9997 .9997 .9998
3.5 .9998 .9998 .9998 .9998 .9998 .9998 .9998 .9998 .9998 .9998

158
Nunung Nurhayati Pengantar Teori Peluang

Distribusi Normal Multivariat. Vektor acak X = (X1 , . . . , Xn )


dikatakan berdistribusi normal multivariat dengan parameter = E[X]
dan = Cov(X), dinotasikan dengan Nn (, ), jika PDF dari X adalah
 
1 1 0 1
f (x) = f (x1 , . . . , xn ) = exp (x ) (x )
(2)n/2 ||1/2 2

dengan x Rn .

Ketika = 0 dan = In , distribusi Nn (0, In ) disebut distribusi normal


multivariat standar.

Jika vektor acak Z = (Z1 , . . . , Zn ) berdistribusi Nn (0, In ) maka PDF dari Z


adalah
 
1 1 0
f (z) = f (z1 , . . . , zn ) = exp z z , z Rn .
(2)n/2 2

Karena = In , maka untuk i 6= j, dengan i, j = 1, 2, . . . , n, kovariansi


ij = Cov(Zi , Zj ) = 0. Hal ini berarti bahwa elemen-elemen dari vektor
acak yang berdistribusi Nn (0, In ) = In , bersifat independen dan masing-
masing Zi berdistribusi N (0, 1).

Contoh 3.5.5. Untuk kasus n = 2, distribusi N2 (, ) disebut distribusi


normal bivariat. Jika (X1 , X2 ) maka mean dan variansinya adalah
   2 
1 1 12
= dan =
2 12 22

Di sini 1 dan 12 masing-masing merupakan mean dan variansi dari X1 ,


sedangkan 2 dan 22 masing-masing merupakan mean dan variansi dari X2 .
Sementara, 12 menyatakan kovariansi antara X1 dan X2 .

Karena koefisien korelasi antara X1 dan X2 , didefinisikan sebagai

Cov(X1 , X2 ) 12 21
= = = ,
1 2 1 2 1 2
maka 12 dapat ditulis sebagai 12 = 1 2 . Substitusi hasil ini ke matriks
kovariansi , mengakibatkan

12
 
1 2
=
1 2 22 ,

dengan determinan
|| = 12 22 (1 2 )

159
Nunung Nurhayati Pengantar Teori Peluang

sehingga inversnya

22
 
1 1 1 2
= 2 2
1 2 (1 2 ) 1 2 12 .

Dengan demikian, PDF distribusi normal bivariat dapat ditulis


1
f (x1 , x2 ) = p eq/2 , < x, y < (3.5.4)
212 22 1 2

dengan
" 2     2 #
1 x 1 1 x 1 1 x 2 2 x2 2
q= 2 +
1 2 1 1 2 2

Jika koefisien korelasi pada persamaan (3.5.4) adalah = 0 , maka


(  )
1 x 1 1 2 x2 2 2
  
1
f (x1 , x2 ) = exp +
212 22 2 1 2
( 2 )! (  )!
1 x 2 2 2
 
1 1 x 1 1 1
= exp exp
1 2 2 1 2 2 2 2
= f (x1 )f (x2 )

Dengan kata lain, X1 dan X2 independen. Berarti untuk kasus normal


bivariat, sifat independen ekivalen dengan tak berkorelasi ekivalen.
Pada distribusi yang lain, tak berkorelasi ( = 0) tidak selalu berkibat
independen, tetapi yang jelas berlaku adalah independen selalu mengak-
ibatkan tak berkorelasi. 

Secara umum, pada distribusi normal multivariat berlaku sifat-sifat:


(a). Definisi independen ekuivalen dengan tak berkorelasi.

(b). Distribusi marjinal dari distribusi normal multivariat juga normal.

(c). Distribusi bersyarat dari distribusi normal multivariat juga normal


(multivariat).

(d). Jika X berdistribusi Nn (, ), maka variabel acak


(i). Y = AX + b, dengan A matriks m n dan b vektor di Rm ,
berdistribusi Nm (A + b, AA0 ); dan
(ii). W = (X ) 01 (X ) berdistribusi 2 (n).

160
Nunung Nurhayati Pengantar Teori Peluang

Pembuktian sifat-sifat tersebut dapat dipelajari lebih lanjut di Hogg, et al.


(2005) atau Hogg, et al. (2013).

3.6 Distribusi t dan Distribusi F


Pada subbab ini dibahas distribusi t dan distribusi F. Distribusi t dapat
dibentuk dari variabel acak berdistribusi N (0, 1) dan variabel acak berdis-
tribusi 2 yang independen, sedangkan distribusi F dapat dibentuk dari
dua variabel berdistribusi 2 yang independen. Distribusi t dan F perlu
dipelajari karena merupakan distribusi yang cukup banyak digunakan pada
permasalahan statistika inferensi, misalnya pada uji mean, uji variansi, dan
analisis variansi.

3.5.1 Distribusi t

Misal W variabel acak berdistribusi N (0, 1) dan V variabel acak berdis-


tribusi 2 (r). Misalkan pula W dan V independen sehingga PDF gabu-
ngannya adalah perkalian dari PDF untuk W dan untuk V, yaitu
1 2 1
h(w, v) = h(w)h(v) = ew /2 v r/21 ev/2 ,
2 (r/2)2r/2

untuk < w < , 0 < v < , dan h(w, v) = 0 untuk yang lainnya.

Definisikan variabel acak baru


W
T =p
V /r

Distribusi dari T dapat dicari dengan teknik perubahan variabel melalui


pemisalan
w
t= p dan u = v,
v/r
sehingga inversnya

w = t v/ r dan v = u, (3.6.1)

dengan < t < dan 0 < u < .

Dari persamaan (3.6.1), dapat diperoleh Jacobi



v u
J= = .
r r

161
Nunung Nurhayati Pengantar Teori Peluang

Akibatnya, untuk < t < dan 0 < u < , PDF gabungan dari T dan
U = V adalah

 
t u
g(t, u) = h , u |J|
r

t2
 
1 r/21 u u
= u exp 1+
2(r/2)2 r/2 2 r r
2
  
1 u t
= u(r+1)/21 exp 1+
2r (r/2)2 r/2 2 r

dan g(t, u) = 0 untuk yang lainnya.

Sementara itu, PDF marjinal untuk T adalah


Z
g1 (t) = g(t, u)du

Z
t2
  
1 (r+1)/21 u
= u exp 1+ du
0 2r (r/2)2r/2 2 r

Jika dimisalkan z = u[1 + (t2 /r)]/2, maka


Z  (r+1)/21  
1 2z z 2z
g1 (t) = e dz
0 2r (r/2)2r/2 1 + t2 /r 1 + t2 /r
[(r + 1)/2] 1
= , < t < . (3.6.2)
r (r/2) (1 + t2 /r)(r+1)/2

Jadi, jika W berdistribusi N (0, 1), V berdistribusi 2 (r), variabel acak V


dan W independen maka
W
T =p
V /r
mempunyai PDF g1 (t).

Selanjutnya, variabel acak T dengan PDF pada persamaan (3.6.2) disebut


variabel acak berdistribusi Student t, atau secara singkat ditulis berdis-
tribusi t, dengan derajat bebas r, yang dinotasikan dengan t(r).

Untuk T yang berdistribusi t(r), nilai-nilai peluang


Z t
P (T t) = g1 (w) dw

untuk derajat bebas r = 1, 2, . . . , 30, ditampilkan pada Lampiran 3.3.

162
Nunung Nurhayati Pengantar Teori Peluang

0.4 Kurva N(0,1) 0.4


N(0,1)
t(30)
t(r), r=1,2,3,5,10

0.3 0.3
Kurva t(1)

0.2 0.2

0.1 0.1

0.0 0.0

4 2 0 2 4 4 2 0 2 4

t t

Gambar 3.6. Perbandingan kurva distribusi t(1) dengan kurva normal


standar (kiri) dan bentuk kurva distribusi t(r) yang
mendekati distribusi N (0, 1) ketika derajat bebas r > 30
(kanan).

Program statistik R atau S-PLUS juga menyediakan perintah untuk menda-


patkan nilai kuantil/persentil dan CDF dari distribusi t. Sebagai contoh,
perintah qt(0.975,15) digunakan untuk mendapatkan kuantil ke 0,975 dari
distribusi t dengan derajat bebas r = 15, perintah pt(2,15) digunakan
untuk menentukan nilai P (T 2) jika T berdistribusi t(15), dan perintah
dt(2,15) digunakan untuk menentukan nilai PDF di titik t = 2.

Dengan tersedianya perintah-perintah tersebut, kurva distribusi t untuk


beberapa nilai derajat bebas dapat diilustrasikan seperti pada Gambar
3.6. Dari Gambar 3.6 terlihat bahwa kurva distribusi t mempunyai pola
yang serupa dengan distribusi normal standar, yaitu simetris dengan titik
puncak terjadi saat t = 0. Titik puncak kurva distribusi t terletak lebih
rendah dibanding distribusi N (0, 1), tetapi untuk derajat bebas r > 30,
kurva distribusi t hampir dekat ke kurva distribusi N (0, 1). Oleh karena itu,
tabel distribusi t umumnya hanya menyediakan nilai-nilai peluangnya untuk
derajat bebas r 30, karena untuk r > 30 dapat didekati oleh distribusi
normal standar.

Mean dan variansi dari distribusi t. Misal T berdistribusi t dengan


derajat bebas r, sehingga T dapat ditulis sebagai
W
T =p = W (V /r)1/2 ,
V /r

163
Nunung Nurhayati Pengantar Teori Peluang

dengan V berdistribusi N (0, 1) dan W berdistribusi 2 (r), dan keduanya


independen. Dari sifat independen ini, maka momen ke-k dari T dapat
ditulis "  k/2 # "  #
k k V k V k/2
E[T ] = E W = E[W ]E
r r

Selanjutnya karena momen ke-k dari distribusi 2 (r), adalah

2k ( 2r + k) r
E[X k ] = , k>
( 2r ) 2

maka
2k/2 ( 2r k2 )
E[T k ] = E[W k ] , jika k < r.
( 2r )rk/2
Akibatnya untuk k = 1, nilai E[T ] selalu 0 karena mean dari W adalah 0.
Sementara itu untuk k = 2, momen ke-2 hanya berlaku untuk derajat bebas
r > 2. Karena E[W 2 ] = Var(W ) = 1 maka variansi dari T diberikan oleh
r
Var(T ) = E[T 2 ] = .
r2
Jadi dapat disimpulkan bahwa distribusi t dengan derajat bebas r > 2
mempunyai mean 0 dan variansi r/(r 2).

3.5.2 Distribusi F

Misal U dan V dua variabel acak independen berdistribusi khi-kuadrat


dengan derajat bebas masing-masing r1 dan r2 . Karena bersifat independen,
PDF gabungan dari U dan V adalah
1
h(u, v) = h(u)h(v) = ur1 /21 v r2 /21 e(u+v)/2
(r1 /2)(r2 /2)2(r1 +r2 )/2

untuk 0 < u, v < dan h(u, v) = 0 untuk yang lainnya. Definisikan variabel
acak baru
U/r1
W =
V /r2

Distribusi dari W dapat dicari melalui pemisalan

u/r1
w= dan z = v,
v/r2

sehingga inversnya

u = (r1 /r2 )zw dan v=z

164
Nunung Nurhayati Pengantar Teori Peluang

dengan 0 < w, z < , dan Jacobi-nya


r1
J= z.
r2
Akibatnya untuk 0 < w, z < , PDF gabungan dari W dan Z = V adalah
 
r1
g(w, z) = h zw, z |J|
r2
 (r1 2)/2   
1 r1 (r2 2)/2 z r1 w r1 z
= (r +r )/2
zw z exp +1
(r1 /2)(r2 /2)2 1 2 r2 2 r2 r2

dan g(w, z) = 0 untuk yang lainnya.

Untuk 0 < w < , PDF marjinal dari W adalah


Z
g1 (w) = g(w, z) dz


(r1 /r2 )r1 /2 (w)r1 /21
Z   
(r1 +r2 )/21 z r1 w
= z exp + 1 dz
0 (r1 /2)(r2 /2)2(r1 +r2 )/2 2 r2

Jika dimisalkan  
z r1 w
y= +1
2 r2
maka
(r1 +r2 )/21
(r1 /r2 )r1 /2 (w)r1 /21
Z 
2y
g1 (w) =   ey
0 (r1 +r2 ) r 2
dz/2 r1 w/r2 + 1
(r1 /2)(r2 /2)2 1 w/r2 +1

[(r1 + r2 )/2](r1 /r2 )r1 /2 (w)r1 /21


= (3.6.3)
(r1 /2)(r2 /2) (r1 w/r2 + 1)(r1 +r2 )/2

untuk 0 < w < , dan g1 (w) = 0 untuk w lainnya.

Jadi dapat disimpulkan bahwa jika U berdistribusi 2 (r1 ) dan V berdis-


tribusi 2 (r2 ), dan keduanya independen maka variabel acak

U/r1
W =
V /r2

mempunyai PDF seperti pada persamaan (3.6.3). Selanjutnya, variabel


acak W dikatakan berdistribusi F dengan parameter r1 > 0 dan
r2 > 0, dinotasikan dengan F (r1 , r2 ). Untuk menyesuaikan dengan nama

165
Nunung Nurhayati Pengantar Teori Peluang

F(10,16)
0.8 0.8

0.6 0.6

F(10,2)

0.4 0.4

F(10,2)

0.2 0.2
F(10,1)

0.0 0.0

0 1 2 3 4 5 0 1 2 3 4 5

f f

Gambar 3.7. Kurva distribusi F (10, 2) (kiri) dan kurva distribusi


F (10, r2 ) untuk r2 = 1, 2, . . . , 16 (kanan).

distribusinya, variabel acak W seringkali ditulis

U/r1
F =
V /r2

Misal variabel acak F berdistribusi F (r1 , r2 ). Untuk mengetahui kuantil ke-


0,95, kuantil ke-0,975, dan kuantil ke-0,99 dari distribusi F dapat digunakan
Tabel Distribusi F pada Lampiran 3.4. Pada tabel tersebut, derajat bebas
yang tersedia adalah r1 = 1, 2, . . . , 16 dan r2 = 1, 2, . . . , 16.

Menghitung peluang dari variabel acak berdistribusi F juga dapat dilakukan


pada program R atau S-PLUS. Sebagai contoh, perintah qf(0.975,a,b)
digunakan untuk menghitung kuantil ke-0,975 dari distribusi F (a, b),
perintah pf(x,a,b) untuk menghitung peluang P (F f ), dan perintah
pf(x,a,b) untuk menghitung nilai PDF di titik f.

Bentuk kurva distribusi F untuk derajat bebas r1 = 10 dan r2 = 1, 2, . . . , 16,


diilustrasikan pada Gambar 3.7. Gambar tersebut dapat diperoleh dengan
perintah R sebagai berikut:

x<-seq(0,5,by=0.02)
win.graph(width=4.876,height=5,pointsize=8)
plot(x,df(x,10,2),type="l",las=1,ylab="",xlab="f",ylim=c(0,0.85),
col="red")
text(1,0.5,"F(10,2)")

win.graph(width=4.876,height=5,pointsize=8)

166
Nunung Nurhayati Pengantar Teori Peluang

plot(x,df(x,10,1),type="l",las=1,ylab="",xlab="f",ylim=c(0,0.85))
for(j in 2:16)
lines(x,df(x,10,j),col=j)
text(1,0.18,"F(10,1)")
text(1,0.27,"F(10,2)")
text(1,0.84,"F(10,16)")

Momen dari distribusi F. Misal variabel acak F berdistribusi


F (r1 , r2 ), maka F dapat dinyatakan sebagai

U/r1 r2
F = = U V 1
V /r2 r1

dengan U dan V variabel acak independen yang masing-masing berdistribusi


2 (r1 ) dan 2 (r2 ). Dari sifat independen U dan V, momen ke-k dari F dapat
ditulis  k
r2
k
E[F ] = E[U k ]E[V k ],
r1
dengan syarat kedua bentuk ekspektasi di ruas kanan ada. Dengan
mengingat kembali momen ke-m dari distribusi 2 (r) di Subbab 3.3,
ekspektasi E[U k ] dijamin ada untuk k > (r1 /2). Sementara itu, E[V k ]
ada hanya jika r2 > k. Dengan kata lain, ekspektasinya ada hanya jika
derajat bebas pada bagian penyebut distribusi F tidak melebihi 2k. Karena
momen ke-k dari distribusi 2 (r), adalah

2k (r/2 + k) r
E[X k ] = , k>
(r/2) 2

maka mean dari F atau momen pertama dari F diberikan oleh

r2 21 (r/2 1) r2
E[F ] = r1 =
r1 (r/2) r2 2

Dari persamaan tersebut terlihat bahwa untuk derajat bebas r2 yang cukup
besar, mean dari F atau E[F ] akan mendekati 1.

3.5.3 Teorema Student

Hasil penting dari penemuan distribusi t adalah Teorema Student. Teorema


ini mengkarakterisasi sifat-sifat dari rata-rata sampel X dan variansi sampel
S 2 yang berasal dari distribusi normal. Dalam hal ini sifat-sifat yang
dimaksud berkaitan dengan distribusinya, sifat independen, dan distribusi

dari variabel acak T = (X )/(S/ n), yang merupakan transformasi dari
variabel acak X dan S 2 .

167
Nunung Nurhayati Pengantar Teori Peluang

Teorema 3.6.1 (Teorema Student). Misal X1 , . . . , Xn variabel-variabel


acak IID berdistribusi N (, 2 ). Misalkan pula didefinisikan variabel acak
n n
1X 1 X
X= Xi dan S2 = (Xi X)2 ,
n n1
i=1 i=1

maka
(a). X berdistribusi N (, 2 /n).

(b). X dan S 2 independen.

(c). (n 1)S 2 / 2 berdistribusi 2 (n 1).

(d). Variabel acak


X
T = ,
S/ n
berdistribusi t dengan derajat bebas n 1.

Bukti. Bagian (a) sudah dibuktikan di Akibat 3.4.1. Namun, sifat ini
juga dapat dibuktikan dengan cara lain seperti akan dijelaskan berikut.
Misalkan X = (X1 , . . . , Xn )0 vektor acak dengan X1 , . . . , Xn variabel-
variabel acak IID N (0, 1), maka vektor acak X berdistribusi normal multi-
variat N (1, 2 I), dengan 1 menyatakan vektor yang semua komponennya
adalah 1. Misalkan pula v0 = (1/n, . . . , 1/n)0 = (1/n)10 . Perhatikan bahwa
rata-rata sampel dapat ditulis sebagai X = v0 X.

Definisikan vektor acak Y sebagai Y = (X1 X, . . . , Xn X). Pandang


transformasi
v0
   
X
W = = X
Y I 1v0
Karena W transformasi linier dari vektor acak multivariat normal maka
menurut Teorema 3.5.1, W juga berdistribusi multivariat normal dengan
mean
v0
   

E[W] = 1 =
I 1v0 0n
dengan 0n menyatakan vektor yang semua komponennya adalah 0, dan
matriks kovariansinya
0
v0 v0 00n
    1 
2 2 n
= I =
I 1v0 I 1v0 0n I 1v0

Karena X komponen pertama dari W maka E[X] = dan karena 11 =

168
Nunung Nurhayati Pengantar Teori Peluang

2 /n, maka Var(X) = 2 /n. Jadi, bagian (a) telah terbukti.

Selanjutnya, karena 12 = 21 = 0 maka X dan Y tidak berkorelasi, dan


karena W berdistribusi normal multivariat maka X dan Y independen.
Dengan demikian bagian (b) sudah dibuktikan.

Untuk membuktikan bagian (c), definisikan variabel acak


n 
Xi 2
X 
V =

i=1

Karena Xi berdistribusi N (, 2 ), maka variabel acak (Xi )/ berdis-


tribusi N (0, 1). Akibatnya
Xi 2
 


berdistribusi 2 (1) dan
n 
Xi 2
X 
V = 2 (n).

i=1

Selanjutnya, karena
n  n  2
Xi 2

X X (Xi X) + (X )
V = =

i=1 i=1
n  2  2
X Xi X X
= +
/ n
i=1
2
(n 1)S 2

X
= +
2 / n

Dari bagian (b) telah diketahui bahwa suku-suku pada ruas kanan adalah
independen. Telah diketahui pula bahwa suku kedua di ruas kanan berdis-
tribusi 2 (1). Dengan menghitung MGF di ruas kiri dan kanan diperoleh

(1 2t)n/2 = E[exp{t(n 1)S 2 / 2 }](1 2t)1/2

sehingga MGF untuk (n 1)S 2 / 2 adalah

2 / 2 (1 2t)n/2
M (t) = E[et(n1)S ]= = (1 2t)(n1)/2 .
(1 2t)1/2

Jadi (n 1)S 2 / 2 berdistribusi 2 (n 1). Jadi, bagian (c) telah terbukti.



Dari bagian (a), telah dibuktikan bahwa (X )// n berdistribusi N (0, 1)

169
Nunung Nurhayati Pengantar Teori Peluang

dan dari bagian (c) telah dibuktikan (n 1)S 2 / 2 berdistribusi 2 (n 1).


Berdasarkan definisi distribusi T, maka

(X )// n X
p =
2 2
(n 1)S /( (n 1)) S/ n

berdistribusi t dengan derajat bebas n 1. 

Latihan 3.5

1. Misal T berdistribusi t dengan derajat bebas 10. Tentukan P (|T | >


2, 228).

2. Misal T berdistribusi t dengan derajat bebas 14. Tentukan b sehingga


P (b < T < b) = 0, 90

3. Misal T berdistribusi t dengan derajat bebas r > 4. Tentukan kurtosis


dari T. Petunjuk: Kurtosis = E[(X )4 ]/ 4 .

4. Misal F berdistribusi F (r1 , r2 ). Dengan mengasumsikan r2 > 2k,


tentukan E[F k ] (momen ke-k dari F ).

5. Misal F berdistribusi F (r1 , r2 ). Tentukan kurtosis dari F dengan


mengasumsikan r2 > 8.

6. Misal F berdistribusi F (r1 , r2 ). Tunjukkan bahwa 1/F berdistribusi


F (r2 , r1 ).

7. Misal F berdistribusi F (5, 10). Tentukan a dan b sehingga P (F a) =


0, 05, P (F b) = 0, 95, atau dengan kata lain P (a < F < b) = 0, 90.
Petunjuk: Tulis P (1/F 1/a) = 1 P (1/F 1/a).
p
8. Misal T = W/ V /r dengan W dan V independen masing-masing
berdistribusi N (0, 1) dan 2 (r). Tunjukkan bahwa T 2 berdistribusi
F (1, r).

9. Tunjukkan bahwa jika W berdistribusi F (r1 , r2 ), maka Y = 1/(1 +


(r1 /r2 )W ) berdistribusi beta.

10. Misal X1 dan X2 independen berdistribusi identik dengan PDF


 x
e 0<x<
f (x) =
0 x lainnya

Tunjukkan Z = X1 /X2 berdistribusi F.

170
Nunung Nurhayati Pengantar Teori Peluang

11. Misal X1 , X2 , dan X3 independen dengan distribusi masing-masing,


2 (r1 ), 2 (r2 ), dan 2 (r3 ),
(a) Tunjukkan bahwa Y1 = X1 /X2 dan Y2 = X1 + X2 independen
dan Y2 berdistribusi 2 (r1 + r2 ).
(b) Tunjukkan bahwa

X1 /r1 X3 /r3
dan
X2 /r2 (X1 + X2 )/(r1 + r2 )

independen dan masing-masing berdistribusi F.

171
Nunung Nurhayati Pengantar Teori Peluang

Lampiran 3.3. Tabel Distribusi t

Pada tabel berikut diberikan kuantil dari distribusi t, yaitu nilai t yang
memenuhi
Z t
[(r + 1)/2]
P (T t) = dw
r (r/2)(1 + w2 /r)(r+1)/2

untuk derajat bebas r = 1, 2, . . . , 30. Untuk distribusi t dengan derajat bebas


cukup besar (r > 30), nilai kuantil dapat didekati oleh distribusi normal.

P (T t)
r 0.900 0.950 0.975 0.990 0.995 0.999
1 3.078 6.314 12.706 31.821 63.657 318.309
2 1.886 2.920 4.303 6.965 9.925 22.327
3 1.638 2.353 3.182 4.541 5.841 10.215
4 1.533 2.132 2.776 3.747 4.604 7.173
5 1.476 2.015 2.571 3.365 4.032 5.893
6 1.440 1.943 2.447 3.143 3.707 5.208
7 1.415 1.895 2.365 2.998 3.499 4.785
8 1.397 1.860 2.306 2.896 3.355 4.501
9 1.383 1.833 2.262 2.821 3.250 4.297
10 1.372 1.812 2.228 2.764 3.169 4.144
11 1.363 1.796 2.201 2.718 3.106 4.025
12 1.356 1.782 2.179 2.681 3.055 3.930
13 1.350 1.771 2.160 2.650 3.012 3.852
14 1.345 1.761 2.145 2.624 2.977 3.787
15 1.341 1.753 2.131 2.602 2.947 3.733
16 1.337 1.746 2.120 2.583 2.921 3.686
17 1.333 1.740 2.110 2.567 2.898 3.646
18 1.330 1.734 2.101 2.552 2.878 3.610
19 1.328 1.729 2.093 2.539 2.861 3.579
20 1.325 1.725 2.086 2.528 2.845 3.552
21 1.323 1.721 2.080 2.518 2.831 3.527
22 1.321 1.717 2.074 2.508 2.819 3.505
23 1.319 1.714 2.069 2.500 2.807 3.485
24 1.318 1.711 2.064 2.492 2.797 3.467
25 1.316 1.708 2.060 2.485 2.787 3.450
26 1.315 1.706 2.056 2.479 2.779 3.435
27 1.314 1.703 2.052 2.473 2.771 3.421
28 1.313 1.701 2.048 2.467 2.763 3.408
29 1.311 1.699 2.045 2.462 2.756 3.396
30 1.310 1.697 2.042 2.457 2.750 3.385
1.282 1.645 1.960 2.326 2.576 3.090

172
Nunung Nurhayati Pengantar Teori Peluang

Lampiran 3.4. Tabel Distribusi F (r1 , r2 )


x
[(r1 + r2 )/2](r1 /r2 )r1 /2 wr1 /21
Z
F (r1 , r2 ) = P (X x) = dw
(r1 /2)(r2 /2)(1 + r1 w/r2 )(r1 +r2 )/2

r1
P (X x) r2 1 2 3 4 5 6 7 8
0.950 1 161.45 199.50 215.71 224.58 230.16 233.99 236.77 238.88
0.975 1 647.79 799.50 864.16 899.58 921.85 937.11 948.22 956.66
0.990 1 4052.18 4999.50 5403.35 5624.58 5763.65 5858.99 5928.36 5981.07
0.950 2 18.51 19.00 19.16 19.25 19.30 19.33 19.35 19.37
0.975 2 38.51 39.00 39.17 39.25 39.30 39.33 39.36 39.37
0.990 2 98.50 99.00 99.17 99.25 99.30 99.33 99.36 99.37
0.950 3 10.13 9.55 9.28 9.12 9.01 8.94 8.89 8.85
0.975 3 17.44 16.04 15.44 15.10 14.88 14.73 14.62 14.54
0.990 3 34.12 30.82 29.46 28.71 28.24 27.91 27.67 27.49
0.950 4 7.71 6.94 6.59 6.39 6.26 6.16 6.09 6.04
0.975 4 12.22 10.65 9.98 9.60 9.36 9.20 9.07 8.98
0.990 4 21.20 18.00 16.69 15.98 15.52 15.21 14.98 14.80
0.950 5 6.61 5.79 5.41 5.19 5.05 4.95 4.88 4.82
0.975 5 10.01 8.43 7.76 7.39 7.15 6.98 6.85 6.76
0.990 5 16.26 13.27 12.06 11.39 10.97 10.67 10.46 10.29
0.950 6 5.99 5.14 4.76 4.53 4.39 4.28 4.21 4.15
0.975 6 8.81 7.26 6.60 6.23 5.99 5.82 5.70 5.60
0.990 6 13.75 10.92 9.78 9.15 8.75 8.47 8.26 8.10
0.950 7 5.59 4.74 4.35 4.12 3.97 3.87 3.79 3.73
0.975 7 8.07 6.54 5.89 5.52 5.29 5.12 4.99 4.90
0.990 7 12.25 9.55 8.45 7.85 7.46 7.19 6.99 6.84
0.950 8 5.32 4.46 4.07 3.84 3.69 3.58 3.50 3.44
0.975 8 7.57 6.06 5.42 5.05 4.82 4.65 4.53 4.43
0.990 8 11.26 8.65 7.59 7.01 6.63 6.37 6.18 6.03
0.950 9 5.12 4.26 3.86 3.63 3.48 3.37 3.29 3.23
0.975 9 7.21 5.71 5.08 4.72 4.48 4.32 4.20 4.10
0.990 9 10.56 8.02 6.99 6.42 6.06 5.80 5.61 5.47
0.950 10 4.96 4.10 3.71 3.48 3.33 3.22 3.14 3.07
0.975 10 6.94 5.46 4.83 4.47 4.24 4.07 3.95 3.85
0.990 10 10.04 7.56 6.55 5.99 5.64 5.39 5.20 5.06
0.950 11 4.84 3.98 3.59 3.36 3.20 3.09 3.01 2.95
0.975 11 6.72 5.26 4.63 4.28 4.04 3.88 3.76 3.66
0.990 11 9.65 7.21 6.22 5.67 5.32 5.07 4.89 4.74
0.950 12 4.75 3.89 3.49 3.26 3.11 3.00 2.91 2.85
0.975 12 6.55 5.10 4.47 4.12 3.89 3.73 3.61 3.51
0.990 12 9.33 6.93 5.95 5.41 5.06 4.82 4.64 4.50
0.950 13 4.67 3.81 3.41 3.18 3.03 2.92 2.83 2.77
0.975 13 6.41 4.97 4.35 4.00 3.77 3.60 3.48 3.39
0.990 13 9.07 6.70 5.74 5.21 4.86 4.62 4.44 4.30
0.950 14 4.60 3.74 3.34 3.11 2.96 2.85 2.76 2.70
0.975 14 6.30 4.86 4.24 3.89 3.66 3.50 3.38 3.29
0.990 14 8.86 6.51 5.56 5.04 4.69 4.46 4.28 4.14
0.950 15 4.54 3.68 3.29 3.06 2.90 2.79 2.71 2.64
0.975 15 6.20 4.77 4.15 3.80 3.58 3.41 3.29 3.20
0.990 15 8.68 6.36 5.42 4.89 4.56 4.32 4.14 4.00
0.950 16 4.49 3.63 3.24 3.01 2.85 2.74 2.66 2.59
0.975 16 6.12 4.69 4.08 3.73 3.50 3.34 3.22 3.12
0.990 16 8.53 6.23 5.29 4.77 4.44 4.20 4.03 3.89

173
Nunung Nurhayati Pengantar Teori Peluang

Tabel Distribusi F (r1 , r2 )


(lanjutan)

r1
P (X x) r2 9 10 11 12 13 14 15 16
0.950 1 240.54 241.88 242.98 243.91 244.69 245.36 245.95 246.46
0.975 1 963.28 968.63 973.03 976.71 979.84 982.53 984.87 986.92
0.990 1 6022.47 6055.85 6083.32 6106.32 6125.86 6142.67 6157.28 6170.10
0.950 2 19.38 19.40 19.40 19.41 19.42 19.42 19.43 19.43
0.975 2 39.39 39.40 39.41 39.41 39.42 39.43 39.43 39.44
0.990 2 99.39 99.40 99.41 99.42 99.42 99.43 99.43 99.44
0.950 3 8.81 8.79 8.76 8.74 8.73 8.71 8.70 8.69
0.975 3 14.47 14.42 14.37 14.34 14.30 14.28 14.25 14.23
0.990 3 27.35 27.23 27.13 27.05 26.98 26.92 26.87 26.83
0.950 4 6.00 5.96 5.94 5.91 5.89 5.87 5.86 5.84
0.975 4 8.90 8.84 8.79 8.75 8.71 8.68 8.66 8.63
0.990 4 14.66 14.55 14.45 14.37 14.31 14.25 14.20 14.15
0.950 5 4.77 4.74 4.70 4.68 4.66 4.64 4.62 4.60
0.975 5 6.68 6.62 6.57 6.52 6.49 6.46 6.43 6.40
0.990 5 10.16 10.05 9.96 9.89 9.82 9.77 9.72 9.68
0.950 6 4.10 4.06 4.03 4.00 3.98 3.96 3.94 3.92
0.975 6 5.52 5.46 5.41 5.37 5.33 5.30 5.27 5.24
0.990 6 7.98 7.87 7.79 7.72 7.66 7.60 7.56 7.52
0.950 7 3.68 3.64 3.60 3.57 3.55 3.53 3.51 3.49
0.975 7 4.82 4.76 4.71 4.67 4.63 4.60 4.57 4.54
0.990 7 6.72 6.62 6.54 6.47 6.41 6.36 6.31 6.28
0.950 8 3.39 3.35 3.31 3.28 3.26 3.24 3.22 3.20
0.975 8 4.36 4.30 4.24 4.20 4.16 4.13 4.10 4.08
0.990 8 5.91 5.81 5.73 5.67 5.61 5.56 5.52 5.48
0.950 9 3.18 3.14 3.10 3.07 3.05 3.03 3.01 2.99
0.975 9 4.03 3.96 3.91 3.87 3.83 3.80 3.77 3.74
0.990 9 5.35 5.26 5.18 5.11 5.05 5.01 4.96 4.92
0.950 10 3.02 2.98 2.94 2.91 2.89 2.86 2.85 2.83
0.975 10 3.78 3.72 3.66 3.62 3.58 3.55 3.52 3.50
0.990 10 4.94 4.85 4.77 4.71 4.65 4.60 4.56 4.52
0.950 11 2.90 2.85 2.82 2.79 2.76 2.74 2.72 2.70
0.975 11 3.59 3.53 3.47 3.43 3.39 3.36 3.33 3.30
0.990 11 4.63 4.54 4.46 4.40 4.34 4.29 4.25 4.21
0.950 12 2.80 2.75 2.72 2.69 2.66 2.64 2.62 2.60
0.975 12 3.44 3.37 3.32 3.28 3.24 3.21 3.18 3.15
0.990 12 4.39 4.30 4.22 4.16 4.10 4.05 4.01 3.97
0.950 13 2.71 2.67 2.63 2.60 2.58 2.55 2.53 2.51
0.975 13 3.31 3.25 3.20 3.15 3.12 3.08 3.05 3.03
0.990 13 4.19 4.10 4.02 3.96 3.91 3.86 3.82 3.78
0.950 14 2.65 2.60 2.57 2.53 2.51 2.48 2.46 2.44
0.975 14 3.21 3.15 3.09 3.05 3.01 2.98 2.95 2.92
0.990 14 4.03 3.94 3.86 3.80 3.75 3.70 3.66 3.62
0.950 15 2.59 2.54 2.51 2.48 2.45 2.42 2.40 2.38
0.975 15 3.12 3.06 3.01 2.96 2.92 2.89 2.86 2.84
0.990 15 3.89 3.80 3.73 3.67 3.61 3.56 3.52 3.49
0.950 16 2.54 2.49 2.46 2.42 2.40 2.37 2.35 2.33
0.975 16 3.05 2.99 2.93 2.89 2.85 2.82 2.79 2.76
0.990 16 3.78 3.69 3.62 3.55 3.50 3.45 3.41 3.37

174
Bab 4 Teorema Limit Pusat

4.1 Capaian Pembelajaran


Setelah mempelajari materi di Bab IV, mahasiswa mampu:
1. Menjelaskan konsep sampel acak, statistik, dan estimator.
2. Menjelaskan konsep konvergen dalam peluang dan sifat-sifatnya.
3. Menggunakan hukum lemah bilangan besar (WLLN) untuk memeriksa
kekonsistenan suatu estimator.
4. Menjelaskan konsep konvergen dalam distribusi dan sifat-sifatnya.
5. Menentukan distribusi asimtotik atau distribusi limit dari suatu
estimator menggunakan teknik fungsi distribusi dan teknik fungsi
pembangkit momen.
6. Menjelaskan teorema limit pusat dan menggunakannya untuk
menghitung peluang rata-rata sampel.
7. Menggunakan teorema limit pusat untuk mengaproksimasi distribusi
binomial dan distribusi normal.

4.2 Sampel Acak, Statistik, dan Estimator


Sampel acak. Barisan variabel acak X1 , X2 , . . . , Xn dikatakan sampel
acak berukuran n, jika barisan variabel acak tersebut IID (independen dan
berdistribusi identik).

Statistik. Statistik adalah variabel acak yang merupakan fungsi dari


sampel acak X1 , X2 , . . . , Xn . Beberapa contoh dari statistik, misalnya rata-
rata sampel, variansi sampel, modus sampel, median sampel, persentil
sampel, statistik uji, dan lain-lain.

Mencari mean dan variansi dari statistik T = T (X1 , . . . , Xn ) dapat


dilakukan 2 cara:
1. Cari distribusi gabungannya, kemudian cari

E[T ] dan Var(T ) = E[T 2 (E[T ])2 ].


2. Jika T kombinasi linier dari X1 , . . . , Xn , maka mean dan variansi dapat
dicari dengan memanfaatkan sifat-sifat ekspektasi, yaitu:

175
Nunung Nurhayati Pengantar Teori Peluang

Pn
(a) Misal T = i=1 ai Xi maka mean dari T :
n
X
E[T ] = ai E[Xi ]
i=1

dengan syarat E[|Xi |] < untuk i = 1, 2, . . . , n.

(b) Misal T = ni=1 ai Xi dan W = ni=1 bi yi , dengan E[|Xi |] <


P P
dan E[|Yi |] < untuk i = 1, 2, . . . , n, maka
n X
X m
cov(T, W ) = ai bj cov(Xi , Yj ).
i=1 j=1

Akibatnya,
n
X X
Var(T ) = cov(T, T ) = a2i Var(Xi ) + 2 ai aj cov(Xi , Xj ).
i=1 i<j

dan jika X1 , . . . , Xn independen


n
X
Var(T ) = a2i Var(Xi ).
i=1

Estimator. Misal X1 , X2 , . . . , Xn sampel acak dari distribusi yang


mempunyai CDF F (x; ), dengan menyatakan parameter yang termuat
di ruang parameter . Statistik yang digunakan untuk mengestimasi
parameter disebut estimator untuk , secara umum dinotasikan dengan .
Estimator dikenal juga dengan istilah penaksir atau penduga, sedangkan
nilainya disebut nilai estimasi atau taksiran atau dugaan. Banyak metode
untuk mendapatkan estimator suatu parameter, di antaranya metode
momen, metode likelihood maksimum, metode Bayes, metode kuadrat
terkecil (pada analisis regresi), dan metode lainnya.

Estimator tak bias. Statistik dikatakan estimator tak bias


(unbiased ) untuk parameter , jika E[] = .

Contoh 4.2.1 (Rata-rata sampel). Jika X1 , X2 , . . . , Xn sampel acak dari


distribusi variabel acak X dengan mean dan variansi 2 , maka statistik
n
1X
X= Xi
n
i=1

disebut rata-rata sampel. Rata-rata sampel X merupakan estimator tak

176
Nunung Nurhayati Pengantar Teori Peluang

bias untuk mean sebab


n n
" #
1X 1X
E[X] = E Xi = E[Xi ] = . 
n n
i=1 i=1

Contoh 4.2.2 (Variansi sampel). Jika X1 , X2 , . . . , Xn sampel acak dari


distribusi variabel acak X dengan mean dan variansi 2 , maka statistik
n n
!
2 1 X 2 1 X
2 2
S = (Xi X) = Xi nX
n1 n1
i=1 i=1

disebut variansi sampel. Variansi sampel S 2 merupakan estimator tak


bias untuk 2 sebab
n
!
2 1 X
2 2
E[S ] = E[Xi ] nE[X ]
n1
i=1
1
= {n 2 + n2 n[( 2 /n) + 2 ]} = 2 .
n1

dengan baris terakhir diperoleh karena E[Xi2 ] = 2 + 2 .

Sementara itu, statistik V = n1 ni=1 (Xi X)2 merupakan estimator bias


P
untuk 2 sebab
n1 2
E[V ] = 6= 2 . 
n

Estimator yang Konsisten. Berdasarkan definisinya, estimator adalah


variabel acak yang merupakan fungsi dari sampel acak berukuran n.
Ukuran sampel n dapat mempengaruhi nilai estimasinya. Perhatikan
barisan estimator berikut:

1 = (X1 )
2 = (X1 , X2 )
..
.
n = (X1 , X2 , . . . , Xn )
..
.

Barisan {n } dapat dipandang sebagai barisan variabel acak dengan indeks


n = 1, 2, . . . yang menyatakan ukuran sampel. Ketika n yang membesar
berakibat n dekat ke (parameter sebenarnya), maka estimator
tersebut dikatakan konsisten. Permasalahannya apa artinya dekat pada
Teori Peluang? Apakah ada kaitannya dengan konsep kekonvergenan?

177
Nunung Nurhayati Pengantar Teori Peluang

Jawabannya ya, tetapi definisi kekonvergenan barisan variabel acak pada


Teori Peluang agak sedikit berbeda dengan pengertian kekonvergenan
barisan bilangan di Kalkulus atau di Analisis. Definisi kekonvergenan dan
estimator yang konsisten secara formal akan diberikan di Subbab 4.2.

4.3 Konvergen dalam Peluang


Pada Teori Peluang, barisan variabel acak {Xn } yang dekat ke X untuk
n yang besar, dapat diartikan sebagai barisan variabel acak {Xn } yang
konvergen dalam peluang ke X.

Definisi 4.3.1. Misal {Xn } barisan variabel acak dan X variabel acak yang
terdefinisi pada suatu ruang sampel. Barisan variabel acak {Xn } dikatakan
p
konvergen dalam peluang ke X, dinotasikan Xn X, jika untuk setiap
> 0,
lim P (|Xn X| ) = 0 (4.3.1)
n

yang ekivalen dengan

lim P (|Xn X| < ) = 1


n

Pada Definisi 4.3.1, X disebut limit dari barisan {Xn }. Jika limitnya
berupa konstanta (variabel acak degenerate atau variabel acak dengan satu
p
nilai yang mungkin, misal a), maka dapat ditulis Xn a. Seandainya,
barisan variabel acaknya semuanya merupakan konstanta misal {an } maka
pengertian kekonvergenan pada bilangan riil an a ekivalen dengan
p
an a.

Interpretasi konvergen dalam peluang. Peristiwa {|Xn X| }


pada persamaan (4.3.1) ekivalen dengan peristiwa

{Xn X atau Xn X }

atau peristiwa
{Xn X atau Xn X }
Akibatnya, peristiwa {|Xn X| } ekivalen dengan peristiwa

Xn 6 (X , X + )

Di sini, selang (X , X + ) dapat dikatakan sebagai lingkungan buka


untuk X dengan radius .

178
Nunung Nurhayati Pengantar Teori Peluang

p
Dengan demikian, pengertian Xn X dapat diinterpretasikan bahwa untuk
n besar dan untuk setiap > 0, hampir tidak mungkin Xn berada di luar
lingkungan (X , X + ). Hal ini juga ekivalen dengan pernyataan bahwa
untuk n besar, hampir dipastikan bahwa Xn berada dalam lingkungan (X
, X + ).

Sifat-sifat konvergen dalam peluang. Misal {Xn }, {Yn } masing-


masing barisan variabel acak, dan X, Y variabel acak.
p p p
1. Jika Xn X dan Yn Y, maka Xn + Yn X + Y.
p p
2. Jika Xn X dan a suatu konstanta, maka aXn aX.
p
3. Jika Xn X dan g fungsi bernilai riil yang kontinu di titik a, maka
p
g(Xn ) g(a).
p
Sebagai contoh, jika Xn a maka
p
Xn2 a2 ,
p
1/Xn 1/a, jika a 6= 0,
p p
Xn a, jika a 0,

karena fungsi kuadrat, fungsi kebalikan, dan fungsi akar merupakan


fungsi yang kontinu di masing-masing domainnya.
p p p
4. Jika Xn X dan Yn Y, maka Xn Yn XY.
Sifat-sifat tersebut dapat digunakan untuk membuktikan sifat konvergen
dalam peluang. Selain itu, pembuktian sifat konvergen dalam peluang juga
dapat dilakukan menggunakan Teorema Chebyshev yang dinyatakan pada
teorema berikut:

Teorema 4.3.1 (Teorema Chebyshev). Misal distribusi variabel acak X


mempunyai mean dan variansi 2 < , maka untuk setiap k > 0,
1
P (|X | k) (4.3.2)
k2
yang ekivalen dengan
1
P (|X | < k) 1 .
k2

179
Nunung Nurhayati Pengantar Teori Peluang

Jika dimisalkan k = , maka persamaan (4.3.2) menjadi

2
P (|X | ) .
2

Hukum Bilangan Besar. Terkait dengan perilaku rata-rata sampel X


untuk ukuran sampel besar, terdapat dua teorema penting dalam statistika
yaitu, Hukum Lemah Bilangan Besar atau Weak Law of Large Number
(WLLN) dan Hukum Kuat Bilangan Besar atau Strong Law of Large
Number (SLLN). Dua hukum tersebut sama-sama menyatakan bahwa untuk
sampel besar, rata-rata sampel X dekat ke .

Perbedaan WLLN dan SLLN terletak pada asumsi barisan variabel yang
digunakan. Pada WLLN barisan variabel acak yang digunakan diasumsikan
IID dengan mean dan variansi 2 < . Sementara, pada SLLN asumsi
yang dikenakan pada barisan variabel acak diperkuat, dalam arti SLLN
tetap mempertahankan asumsi independen tetapi persyaratan distribusi
identik tidak digunakan lagi, cukup disyaratkan mempunyai distribusi
dengan mean sama yaitu < .

Berikut teorema yang menyatakan WLLN. Rumusan SLLN tidak diberikan


di sini, namun bagi yang tertarik dapat merujuk Chung (1968).

Teorema 4.3.2 (Hukum Lemah Bilangan Besar). Misal {Xn } barisan


2
Pn dari distribusi dengan mean dan variansi < .
variabel acak IID
Jika X n = 1/n i=1 Xi , maka
p
Xn

Bukti. Dari Akibat 3.4.1 di Subbab 3.4 (handout kuliah) telah diperoleh
bahwa X n mempunyai mean dan variansi 2 /n. Akibatnya, menurut
Teorema Chebyshev untuk setiap > 0 berlaku
  2
P (|X n | ) = P |X n | ( n/)(/ n) 2 0. 
n
Secara tidak langsung Hukum Lemah Bilangan Besar pada Teorema 4.3.2
menyatakan bahwa rata-rata sampel X merupakan estimator yang konsisten
untuk . Pengertian kekonsistenan secara formal diberikan pada definisi
berikut:

Definisi 4.3.2. Misal X variabel acak dengan CDF F (x, ), .

180
Nunung Nurhayati Pengantar Teori Peluang

Misalkan pula X1 , . . . , Xn sampel dari distribusi X. Statistik Tn dikatakan


estimator konsisten jika
p
Tn .

Contoh 4.3.1 (Kekonsistenan variansi sampel). Misal X1 , . . . , Xn sampel


acak dari suatu distribusi dengan mean dan variansi 2 . Pada Teorema
p
4.3.2 telah ditunjukkan bahwa X n . Untuk menunjukkan variansi sampel
konvergen dalam peluang ke 2 , perlu diasumsikan E[X14 ] < , sehingga
Var(S 2 ) < . Variansi sampel dapat ditulis sebagai
n n
!
1 X n 1 X 2
Sn2 = (Xi X n )2 = Xi2 X n ,
n1 n1 n
i=1 i=1

karena
n n
X
2
X 2
(Xi X n ) = (Xi2 2Xi X n + X n )
i=1 i=1
n n
X X 2
= Xi2 2X n Xi + nX n
i=1 i=1
n n
!
1X 2 1X 2
=n Xi 2X n Xi + X n
n n
i=1 i=1
n n
! !
1X 2 2 1X 2 2
=n Xi 2X n X n + X n = n Xi X n .
n n
i=1 i=1

Menurut Teorema 4.3.2,


n
1X 2 p p
Xi E[X12 ] dan Xn
n
i=1

dan dari Sifat (4),


2 p
X n 2 .
Akibatnya
n
!
n 1X 2 2 p
Xi X n 1.(E[X12 ] 2 ) = 2
n1 n
i=1

Jadi variansi sampel merupakan estimator konsisten untuk 2 . 

1 Pn
Dengan cara serupa dapat ditunjukkan pula bahwa V = n i=1 (Xi X)2

181
Nunung Nurhayati Pengantar Teori Peluang

juga estimator konsisten untuk 2 . Berarti, variansi 2 mempunyai 2


estimator yang konsisten, yaitu S 2 dan V. Namun, S 2 estimator lebih baik
dari V karena selain konsisten, S 2 juga bersifat tak bias. Lainnya halnya
dengan V, yang gagal menjadi tak bias karena
n1 2
E[V ] = 6= 2 .
n
Dapat dihitung, bias dari V adalah

2 2
   
2 2 n1 2 2 2
bias(V ) = E(V ) = = = .
n n n

Namun demikian, untuk sampel besar, V bersifat tak bias secara


asimtotik (asymptotically unbiased ) karena untuk n , bias(V ) 0.

Kekonsistenan merupakan sifat penting untuk suatu estimator. Suatu


estimator dikatakan jelek (poor estimator ) jika estimator tersebut tidak
konsisten sehingga nilainya tidak pernah dekat ke nilai sebenarnya ketika
ukuran sampelnya bertambah besar. Lain halnya dengan sifat tak bias
yang masih boleh digantikan sifat tak bias secara asimtotik. Sebagai contoh,
untuk kasus sampel besar, variansi 2 dapat diestimasi dengan S 2 atau bisa
juga diestimasi dengan V.

Latihan

1. Misal Yn berdistribusi B(n, p).


(a) Tunjukkan Yn /n konvergen dalam peluang ke p. Hasil ini
merupakan salah satu bentuk dari hukum lemah bilangan besar.
(b) Tunjukkan 1 Yn /n konvergen dalam peluang ke 1 p.
(c) Tunjukkan (Yn /n)(1Yn /n) konvergen dalam peluang ke p(1p).

2. Misal Wn variabel acak dengan mean dan variansi b/np , dengan p >
0, , dan b konstanta (bukan fungsi dari n.) Buktikan Wn konvergen
dalam peluang ke . Petunjuk: Gunakan Teorema Chebyshev.

3. Misal X1 , . . . , Xn variabel acak IID dengan PDF bersama


 (x)
e , x > , < <
f (x) =
0, x lainnya.

Distribusi dengan PDF ini disebut distribusi eksponensial geser


(shifted exponential ). Misal Yn = min{X1 , . . . , Xn }. Tunjukkan Yn
konvergen dalam peluang ke , dengan terlebih dahulu menentukan
CDF dan PDF dari Yn .

182
Nunung Nurhayati Pengantar Teori Peluang

4. Untuk soal No. 3, tentukan mean dari Yn . Apakah Yn estimator tak


bias untuk ? Tentukan estimator tak bias untuk yang didasarkan
pada Yn .

4.4 Konvergen dalam Distribusi


Pada Subbab 4.2 telah dibahas konsep konvergen dalam peluang yang
dapat digunakan untuk memeriksa sifat kekonsistenan suatu estimator
(kedekatan estimator dengan parameter yang diestimasinya ketika sampel
yang digunakan cukup besar). Pada subbab ini dibahas jenis kekonvergenan
lainnya, yaitu konvergen dalam distribusi. Materi ini merupakan konsep
dasar yang perlu dipelajari untuk pembahasan Teorema Limit Pusat dan
pembahasan distribusi asimtotik serta selang kepercayaan suatu estimator.

Definisi 4.4.1 (Konvergen dalam distribusi). Misal {Xn } barisan variabel


acak dengan CDF masing-masing FXn , dan X suatu variabel acak dengan
CDF FX . Variabel acak Xn dikatakan konvergen dalam distribusi ke X,
dinotasikan
D
Xn X
jika
lim FXn (x) = FX (x),
n

untuk setiap x C(F (x)), dengan C(F (x)) menyatakan himpunan semua
titik sehingga FX kontinu.

Pada Definisi 4.4.1, distribusi dari X yang dinyatakan dalam CDF FX (x),
disebut distribusi asimtotik atau distribusi limit dari barisan {Xn }.

Sebagai contoh, pernyataan Xn yang berdistribusi asimtotik normal


standar dapat ditulis
D
Xn X, dengan X N (0, 1),

atau
D
Xn N (0, 1)
atau
D
Xn N (0, 1).
Pada konvergen dalam peluang, ketika n membesar yang diperhatikan
adalah barisan peluang dari peristiwa Xn / (X , X + ), untuk setiap
n = 1, 2, . . . , apakah menuju 0 atau tidak. Sementara itu, pada konvergen

183
Nunung Nurhayati Pengantar Teori Peluang

dalam distribusi, yang diperhatikan adalah perilaku barisan CDF dari FXn
apakah menuju suatu CDF tertentu atau tidak.

Berikut ini adalah contoh variabel acak Xn yang konvergen dalam distribusi
tetapi tidak konvergen dalam peluang.

Contoh 4.4.1. Misal X variabel acak kontinu dengan PDF fX (x) yang
simetri di sekitar x = 0, sehingga f (x) = f (x). Dengan demikian, PDF
variabel acak X mempunyai bentuk yang sama yaitu fX (x). Jadi meskipun
berlawanan, X dan X mempunyai distribusi yang sama. Sekarang, defin-
isikan barisan variabel acak Xn sebagai

X, jika n ganjil
Xn =
X, jika n genap

D
Jelas CDF FXn = FX (x) untuk setiap x SX , sehingga Xn X. Di
lain fihak, Xn tidak dekat dengan X dalam arti Xn tidak konvergen dalam
peluang ke X. 

Berikut ini adalah contoh bagaimana menentukan distribusi asimtotik dari


suatu variabel acak.

Contoh 4.4.2. Misal X n mempunyai CDF


Z x
1 2
Fn (x) = p enw /2 dw.
1/n 2

Jika dimisalkan v = nw maka

Z nx
1 2
Fn (x) = ev /2 dv
2
sehingga
0, x < 0
lim Fn (x) = 1/2, x = 0
n
1, x > 0

Definisikan fungsi 
0, x < 0
F (x) =
1, x 0
maka
lim Fn (x) = F (x)
n

184
Nunung Nurhayati Pengantar Teori Peluang

untuk setiap titik x sedemikian sehingga F (x) kontinu. Artinya, ketika F


tidak kontinu di x = 0, Fn (0) tidak harus konvergen ke F (0). Jadi, yang
diperhatikan hanya titik-titik sedemikian sehingga F kontinu. Berdasarkan
hasil ini, maka barisan X 1 , X 2 , X 3 , . . . konvergen dalam distribusi ke
variabel acak yang berdistribusi degenerate di x = 0. 

Contoh 4.4.3. Misal X1 , . . . , Xn sampel acak dari distribusi U (0, ). Jika


Yn = max{X1 , . . . , Xn }, dan Zn = n( Yn ),
(a). tentukan CDF dari Yn ;
(b). tunjukkan Zn konvergen dalam distribusi dan tentukan distribusi
asimtotiknya.

Penyelesaian.
(a). Diketahui Yn = max{X1 , . . . , Xn } maka DYn = {y ; 0 < y < }. Misal
diambil y (0, ). Fungsi distribusi (CDF) dari Yn adalah

FYn (y) = P (Yn y) = P (max{X1 , . . . , Xn } y)


= P (X1 y, . . . , Xn y)
= [P (X1 y)]n (karena X1 , . . . , Xn independen)
n
= [FX1 (y)]

Karena X1 berdistribusi U (0, ), maka


Z y
1 y
FX1 (y) = P (X1 < y) = dx = ,
0

sehingga untuk 0 < y < ,


 y n
P (Yn y) = [FX1 (y)]n = .

Jadi CDF dari Yn adalah


0, y<0
 y n
FYn (y) = , 0y<


1, y

(b). Diketahui Zn = n( Yn ), maka DZn = {z ; 0 < z < n}. Misal


diambil z (0, n). Karena Zn = n( Yn ) ekivalen dengan Yn =

185
Nunung Nurhayati Pengantar Teori Peluang

Zn /, maka fungsi distribusi dari Zn adalah

FZn (z) = P (Zn z) = P [Yn (z/n)]


= 1 P (Yn (z/n))
(z/n) n
 
=1

z/ n
 
=1 1
n

dan
lim FZn (z) = 1 ez/
n

sehingga
D
Zn Z.
Berikut akan ditunjukkan Z berdistribusi eksponensial dengan
parameter : Misal Z berdistribusi eksponensial dengan parameter
, maka PDF dari Z,
1
f (z) = ez/ , z>0

dan 0 untuk z lainnya, sehingga CDF dari Z
Z z
1 x/
FZ (z) = e dx = 1 ez/ , z>0
0

dan 0 untuk z lainnya.

Jadi, distribusi asimtotik dari Zn adalah distribusi eksponensial


dengan parameter . 

Hubungan konvergen dalam distribusi dan konvergen dalam peluang


dinyatakan dalam sifat-sifat berikut:
p D
(a). Jika Xn X maka Xn X. Pernyataan sebaliknya belum tentu
benar dan berlaku benar hanya jika X degenerate. Karena itu,
konvergen dalam distribusi disebut juga konvergen lemah.
D p
(b). Jika b suatu konstanta dan Xn b maka Xn b.
D D D
(c). Jika Xn X dan Yn 0, maka Xn + Yn X.
D
(d). Jika Xn X dan g fungsi yang kontinu pada support dari X maka
D
g(Xn ) g(X).

186
Nunung Nurhayati Pengantar Teori Peluang

(e). (Teorema Slutsky). Misal Xn , X, An , Bn , variabel-variabel acak.


D p
Misalkan pula a dan b konstanta. Jika Xn X, An a, dan
D D
Bn b maka An + Bn Xn a + bX.

Teorema 4.4.1. Misal {Xn } barisan variabel acak sehingga

Xn D
N (0, 2 ).
1/ n

Jika g(x) fungsi diferensiabel di dan g 0 () 6= 0, maka

g(Xn ) g() D
N (0, 2 (g 0 ())2 ).
1/ n

Teknik MGF. Selain menggunakan teknik CDF, distribusi asimtotik


suatu barisan variabel acak yang konvergen dalam distribusi, juga dapat
dicari menggunakan teknik fungsi pembangkit momen (teknik MGF).

Teorema 4.4.2. Misal {Xn } barisan variabel acak dengan MGF MXn (t)
yang ada untuk h < t < h dan untuk setiap n. Misalkan pula X variabel
acak dengan MGF M (t) yang ada untuk |t| < h1 < h untuk setiap n. Jika

lim MXn (t) = M (t)


n

maka
D
Xn X.

Berikut aturan limit di Kalkulus yang berguna dalam penentuan distribusi


asimtotik berdasarkan Teorema 4.4.2:

Jika diberikan bentuk limit berikut


(n) cn
 
b
lim 1 + + ,
n n n

dengan b dan c tidak bergantung pada n dan limn (n) = 0, maka

(n) cn b cn
   
b
lim 1 + + = lim 1 + = ebc (4.4.1)
n n n n n

187
Nunung Nurhayati Pengantar Teori Peluang

Sebagai contoh, untuk menghitung


n/2 n/2
t2 t2 t2 t2 / n
 
lim 1 + 3/2 = lim 1 +
n n n n n n

dapat dimisalkan b = t2 , c = 12 , dan (n) = t2 / n sehingga

limn t2 / n = 0 dan
n/2
t2 t2

2
lim 1 + 3/2 = et /2 .
n n n

Contoh 4.4.4. Misal Yn berdistribusi B(n, p) sehingga mean dari Yn


adalah = np. Akan ditentukan distribusi asimtotik dari distribusi binomial
dengan p = /n, dengan cara mencari limit dari MGF
n
(et 1)

tYn t n
 
M (t; n) = E[e ] = (1 p) + pe = 1+ , < t <
n

Dengan memisalkan b = (et 1), c = 1 dan (n) = 0, maka dari persamaan


(4.4.1) dapat diperoleh
t 1)
lim M (t; n) = e(e , < t < ,
n

yang tidak lain merupakan bentuk MGF dari distribusi Poisson dengan
parameter . Dengan demikian, dapat disimpulkan bahwa untuk n
, distribusi B(n, p) dapat diaproksimasi oleh distribusi Poisson dengan
parameter = np.
1
Sebagai ilustrasi, jika Y berdistribusi B(n, p) dengan n = 50 dan p = 25
maka  50    49
24 1 24
P (Y 1) = + 50 = 0, 400
25 25 25
Peluang tersebut juga dapat dihitung melalui aproksimasi distribusi Poisson
yaitu dengan memisalkan = np = 2, sehingga

P (Y 1) = e2 + 2e2 = 0, 406. 

Contoh 4.4.5. Misal Zn berdistribusi 2 (n). Akan ditunjukkan bahwa


distribusi limit dari Yn = (Zn n)/ 2n adalah N (0, 1).

188
Nunung Nurhayati Pengantar Teori Peluang


Diketahui Yn = (Zn n)/ 2n, maka MGF dari Yn
   
tYn Zn n
M (t; n) = E[e ] = E exp t
2n

= etn/ 2n
E[etZn / 2n ]
" r !  #  n/2
2 n t 2n
= exp t 1 2 , t< .
n 2 2n 2

Bentuk MGF ini juga dapat ditulis sebagai


!n/2
2 t2/n
r
t 2/n 2n
M (t; n) = e t e , t< .
n 2
p
Menurut rumus Taylor, terdapat bilangan (n), antara 0 dan t 2/n,
sehingga

r r !2 r !3
2 1 2 e(n) 2
et 2/n
=1+t + t + t .
n 2 n 6 n

Akibatnya,
n/2
t2 (n)

M (t; n) = 1 + ,
n n
dengan 3
2t3 e(n) 2t 2t4 e(n)
(n) = .
3 n n 3n
Karena (n) 0 ketika n , maka limn (n) = 0 untuk setiap nilai
t.

Dari persamaan (4.4.1) dapat diperoleh


2 /2
lim M (t; n) = et , < t < .
n

Karena bentuk pada ruas kanan merupakan MGF dari distribusi normal
maka dapat disimpulkan bahwa distribusi asimtotik dari Yn = (Zn
standar,
n)/ 2n adalah normal standar. 

Latihan

1. Diberikan X1 , . . . , Xn sampel acak berukuran n dari distribusi


N (, 2 ). Jika X n rata-rata sampel, tentukan distribusi limit dari X n .

189
Nunung Nurhayati Pengantar Teori Peluang

2. Misal X1 , . . . , Xn sampel acak berukuran n dari distribusi dengan PDF


f (x) = e(x) , < x < , dan 0 untuk yang lainnya. Jika Y1 =
min(X1 , . . . , Xn ) dan Zn = n(Y1 ), tentukan distribusi limit dari
Zn .

3. Diberikan X1 , . . . , Xn sampel acak berukuran n dari distribusi kontinu


dengan CDF F (x) dan f (x) = F 0 (x). Jika Yn = max(X1 , . . . , Xn ) dan
Zn = n[1 F (Yn )], tentukan distribusi limit dari Zn .

4. Misal X1 , . . . , Xn sampel acak berukuran n dari distribusi kontinu


dengan CDF F (x) dan f (x) = F 0 (x). Jika Y2 variabel acak terkecil
kedua dari X1 , . . . , Xn dan Wn = nF (Y2 ), tentukan distribusi limit
dari Wn .

5. Misal PMF dari Yn adalah pn (y) = 1, untuk y = n dan 0 untuk y


lainnya. Tunjukkan Yn tidak mempunyai distribusi limit.

6. Diberikan X1 , . . . , Xn sampel acak berukuran n dari distribusi


N (, 2 ). Tunjukkan Zn = ni=1 Xi tidak mempunyai distribusi limit.

7. Misal Xn berdistribusi gamma dengan parameter = n dan suatu


konstanta yang bukan fungsi dari n. Jika Yn = Xn /n, tentukan
distribusi limit dari Yn .

8. Misal Zn 2 (n) dan Wn = Zn /n2 . Tentukan distribusi limit dari


Wn .

9. Misal X 2 (50). Tentukan nilai aproksimasi untuk P (40 < X < 60).

10. Misal p = 0, 95 menyatakan peluang seorang balita akan bertahan


hidup sedikitnya 5 tahun lagi.
(a) Jika pengamatan secara independen dilakukan terhadap 60
balita, tentukan peluang yang bertahan hidup lima tahun atau
lebih, paling sedikit 56 balita.
(b) Tentukan nilai aproksimasi untuk soal (a) dengan menggunakan
distribusi Poisson. Petunjuk: Definisikan p = 0, 05 dan 1 p =
0, 95.

11. Misal Zn Poisson() dengan = n. Tunjukkan bahwa distribusi



limit dari variabel acak Yn = (Zn n)/ n adalah N (0, 1).

12. Misal X n rata-rata dari sampel acak berkuran n yang diambil dari
distribusi Poisson PDF dengan parameter = 1.

190
Nunung Nurhayati Pengantar Teori Peluang


(a) Tunjukkan MGF dari Yn = n(X n )/ = n(X n 1) adalah

MYn (t) = exp[t n + n(et/ n 1)], t< n

(b) Tentukan distribusi limit dari Yn . Petunjuk : Nyatakan et/ n

dalam bentuk deret MacLaurin.

13. Misal X n rata-rata dari sampel acak berkuran n yang diambil dari
distribusi dengan PDF f (x) = ex , 0 < x < , dan 0 untuk yang
lainnya.

(a) Tunjukkan MGF dari Yn = n(X n 1) adalah

MYn (t) = [et/ n
(t/ n)et/ n ]n , t< n

(b) Tentukan distribusi limit dari Yn .

14. Misal Y1 < Y2 < . . . < Yn statistik terurut dari sampel acak yang
diambil dari distribusi dengan PDF f (x) = ex , 0 < x < , dan 0
untuk yang lainnya. Tentukan distribusi limit dari Zn = (Yn ln n).

15. Misal Y1 < Y2 < . . . < Yn statistik terurut dari sampel acak yang
diambil dari distribusi dengan PDF f (x) = 5x4 , 0 < x < 1, dan 0
untuk yang lainnya. Tentukan p sehingga Zn = np Y1 konvergen dalam
distribusi.

4.5 Teorema Limit Pusat


Pada Subbab 3.4 telah dibahas bahwa jika X1 , X2 , . . . , Xn sampel acak

dari distribusi N (, 2 ) maka variabel acak (X n )/(/ n) berdistribusi
N (0, 1). Permasalahannya bagaimana perilaku variabel acak tersebut jika
distribusi asalnya sembarang? Jawabannya dapat ditemukan pada teorema
limit pusat.

Teorema 4.5.1 (Teorema Limit Pusat). Misal X1 , X2 , . . . , Xn sampel


acak dari suatu distribusi dengan mean dan variansi 2 , maka variabel
acak
Xn D
Yn = N (0, 1)
/ n

Bukti. Pembuktian dengan teknik MGF memerlukan asumsi tambahan,


yaitu MGF M (t) = E[etX ] ada untuk h < t < h. Dengan asumsi ini, maka

191
Nunung Nurhayati Pengantar Teori Peluang

fungsi
m(t) = E[et(X) ] = et M (t)
juga ada untuk h < t < h. Karena m(t) MGF untuk X , maka m(0) = 1,
m0 (0) = E[X ] = 0, dan m00 (0) = E[(X )2 ] = 2 .

Menurut rumus Taylor, terdapat bilangan antara 0 dan t sehingga

m00 ()t2
m(t) = m(0) + m0 (0)t +
2
m00 ()t2
=1+
2
Melalui manipulasi 2 t2 /2 2 t2 /2 = 0, MGF m(t) dapat juga ditulis
sebagai

2 t2 m00 ()t2 2 t2
m(t) = 1 + +
2 2 2
2
t 2 00
[m () ]t2
2
=1+ + . (4.5.1)
2 2
Berikut ini akan ditentukan MGF dari Yn :

Karena Pn
Xn i=1 X n
i
Yn = =
/ n n
maka MGF dari Yn dapat ditulis
  P 
tYn Xi n
M (t; n) = E[e ] = E exp t
n
      
X1 X2 Xn
= E exp t exp t exp t
n n n
     
X1 Xn
= E exp t E exp t
n n
   
X
= E exp t
n
  
t t
= m , h < < h.
n n

Dari persamaan (4.5.1) dapat diperoleh

t2 [m00 () 2 ]t2
 
t
m =1+ + ,
n 2n 2n 2

192
Nunung Nurhayati Pengantar Teori Peluang


dengan antara 0 dan t/ n dengan h n < t < h n. Akibatnya
n
t2 [m00 () 2 ]t2

M (t; n) = 1 + +
2n 2n 2

Karena m00 (t) kontinu di t = 0 dan karena 0 ketika n , maka

lim [m00 () 2 ] = 0.
n

Dari persamaan (4.4.1) dapat diperoleh


2 /2
lim M (t; n) = et , < t <
n

yang tidak lain merupakan MGF dari distribusi normal standar. Jadi dapat
disimpulkan bahwa

Xn D
Yn = N (0, 1). 
/ n

Dengan adanya teorema limit pusat maka distribusi rata-rata sampel X yang
berasal dari distribusi apapun dapat didekati (diaproksimasi) oleh distribusi
normal yaitu N (, 2 /n). Berarti perhitungan peluang atau penentuan
selang kepercayaan dari X juga dapat didekati oleh peluang distribusi
normal.

Contoh 4.5.1. Misal X rata-rata dari sampel acak berukuran n = 75 dari


distribusi uniform 
1, 0 < x < 1
f (x) =
0, x lainnya.
1 1
Karena = 2 dan variansi 2 = 12 ,
maka
 
0, 45 0, 55
P (0, 45 < X < 0, 55) P <Z<
/ n / n
= P (1.5 < Z < 1.5)
= P (Z < 1.5) P (Z < 1, 5)
= 0, 9332 (1 0, 9332)
= 0, 8664.

Contoh 4.5.2. Misal X1 , X2 , . . . , Xn sampel acak dari distribusi B(1, p).


Di sini = p dan 2 = p(1 p). Telah diketahui di Subbab 3.1 bahwa jika

193
Nunung Nurhayati Pengantar Teori Peluang

Yn = X1 + . . . + Xn maka Yn berdistribusi B(n, p). Karena

Y np Xn p Xn
p n = np =
np(1 p) p(1 p) / n

konvergen dalam distribusi ke N (0, 1), maka Yn yang berdistribusi B(n, p)


dapat didekati oleh distribusi N (, 2 ) dengan = np dan 2 = np(1 p).
Distribusi normal yang terjadi hanya untuk sampel besar disebut distribusi
normal asimtotik.

Contoh 4.5.3. Misal Y berdistribusi B(n, p) dengan n = 100 dan p = 21 .


Karena = np = 50 dan 2 = np(1 p) = 25 atau = 5, maka dari Contoh
4.4.2 dapat dihitung

P (Y = 48, 49, 50, 51, 52) = P (47, 5 < Y < 52, 5)


 
47, 5 50 52, 5 50
P <Z<
5 5
= P (0, 5 < Z < 0, 5) = 0, 382.

Di sini titik Y = 47, 5 dan Y = 52, 5 disebut angka koreksi kekontinuan.

Latihan 4.4

1. Misal X rata-rata sampel acak berukuran 100 dari distribusi 2 (50).


Hitung nilai hampiran untuk P (49 < X < 51).

2. Misal X rata-rata sampel acak berukuran 128 dari distribusi distribusi


gamma dengan = 2 dan = 4. Hitung nilai hampiran untuk P (7 <
X < 9).

3. Misal Y B(72, 13 ). Hitung nilai hampiran untuk P (22 Y 28).

4. Hitung peluang hampiran untuk rata-rata sampel berukuran 15 dari


distribusi dengan PDF

3x2 , 0 < x < 1



f (x) =
0, untuk x lainnya
3
yang terletak antara 5 dan 54 .

5. Misal Y menyatakan jumlah pengamatan terhadap 12 sampel acak

194
Nunung Nurhayati Pengantar Teori Peluang

dari distribusi dengan PMF


1

p(x) = 6, x = 1, 2, 3, 4, 5, 6
0, untuk x lainnya

Hitung nilai hampiran untuk P (36 Y 48). Petunjuk : Karena


peristiwa yang menjadi perhatian adalah Y = 36, 37, . . . , 48, tulis
peluang yang akan dicari sebagai P (35, 5 < Y < 48, 5).

6. Misal Y B(n; 0, 55). Tentukan n terkecil (nilai pendekatannya)


sehingga P (Y /n > 12 ) 0, 95.

7. Misal variabel acak X mempunyai PDF f (x) = 1/x2 , 1 < x < , dan
0 untuk yang lainnya. Jika sampel acak berukuran 72 diambil dari
variabel acak tersebut, hitung nilai pendekatan dari peluang bahwa
banyak pengamatan yang nilainya kurang dari 3, lebih dari 50 penga-
matan.

8. Empat puluh delapan hasil pengukuran dicatat sebagai bilangan


dengan menggunakan beberapa angka di belakang desimal. Masing-
masing bilangan tersebut dibulatkan ke bilangan bulat terdekat.
Jumlah 48 bilangan sebelum dibulatkan akan mendekati jumlah 48
bilangan sesudah dibulatkan. Jika masing-masing error pembulatan
dianggap IID dari distribusi uniform pada interval ( 21 , 12 ), hitung
pendekatan peluang bahwa jumlah 48 bilangan sesudah dibulatkan
berjarak 2 dari jumlah sebenarnya.

9. Diketahui bahwa untuk n yang besar, distribusi X mendekati


3
N (, 2 /n). Tentukan distribusi pendekatan untuk u(X) = X ,
asalkan 6= 0.

195
DAFTAR PUSTAKA

Bain, L. J. dan Engelhardt, M. (2000) : Introduction to Probability and


Mathematical Statistics, Duxbury.
Crawley, M. J. (2013) : The R Books, John Wiley and Sons Ltd., Chichester.
Hogg, R. V., McKean, J. W., dan Craig, A. T. (2013) : Introduction to
Mathematical Statistics, Pearson Education Inc., Boston.
Wackerly, D. D., Mendenhall, W., dan Scheaffer, R. L. (2008) : Mathematical
Statistics with Applications, Thomson Learning Inc., Toronto.

196
..........................................................................
Info cetak .....
Revisi/cetak terakhir: 26 Oktober 2015, pukul 15:40
Nomor halaman: iv, 1196 Total: 201 halaman
..........................................................................