DAFTAR ISI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . i
DAFTAR GAMBAR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . iii
DAFTAR TABEL. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . iv
KATA PENGANTAR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . v
i
4.5 Teorema Limit Pusat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 191
DAFTAR PUSTAKA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 196
ii
DAFTAR GAMBAR
iii
DAFTAR TABEL
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.
Penulis
v
Bab 1 Peluang dan Distribusi
1
Nunung Nurhayati Pengantar Teori Peluang
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.
maka
[
Aj = {x : 0 < x 1}.
j=1
3
Nunung Nurhayati Pengantar Teori Peluang
maka
\
Aj = .
j=1
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
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 .
5
Nunung Nurhayati Pengantar Teori Peluang
jika A = {x : 1 x 2} maka
Z 2
Q(A) = ex dx = e1 e2 ;
1
6
Nunung Nurhayati Pengantar Teori Peluang
Latihan 1.2
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
8
Nunung Nurhayati Pengantar Teori Peluang
9
Nunung Nurhayati Pengantar Teori Peluang
P (E1 E2 Ek ) = p1 p2 + p3 + (1)k+1 pk
k
X
= (1)i+1 pi
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
11
Nunung Nurhayati Pengantar Teori Peluang
Pn
n n!
= k = .
k k! k!(n k)!
(a + b)n = (a + b)(a + b) (a + b)
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
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 .
4 13
1 (4)(1.287)
P (E1 ) = 52
5 = = 0, 00198
5
2.598.960
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
Latihan 1.3
14
Nunung Nurhayati Pengantar Teori Peluang
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.
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?
15
Nunung Nurhayati Pengantar Teori Peluang
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
?
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
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
dan
11
P (E2 |E1 ) = 47 = 0, 234
maka menurut aturan perkalian pada peluang,
P [(E1 E2 ) E3 ]
P (E3 |E1 E2 ) =
P (E1 E2 )
P (E1 E2 E3 ) = P [(E1 E2 ) E3 ]
= P (E1 E2 )P (E3 |E1 E2 ).
P (E1 E2 E3 Ek )
= P (E1 )P (E2 |E1 )P (E3 |E1 E2 ) . . . P (Ek |E1 E2 Ek1 ).
17
Nunung Nurhayati Pengantar Teori Peluang
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).
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
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 .
18
Nunung Nurhayati Pengantar Teori Peluang
E = E (E1 E2 Ek )
= (E E1 ) (E E2 ) (E Ek ).
P (E Ej ) P (Ej )P (E|Ej )
P (Ej |E) = = Pk . (1.5.5)
P (E) i=1 P (Ei )P (E|Ei )
19
Nunung Nurhayati Pengantar Teori Peluang
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
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
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?
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.
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).
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.
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
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
1
dengan k = x 1, a = 1/2 dan r = 4 < 1. Dari sifat deret geometri
24
Nunung Nurhayati Pengantar Teori Peluang
FX (x) = P (X x)
Sifat CDF:
1. Monoton tak turun:
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)
P (X = x) = FX (x) FX (x )
dengan
FX (x ) = lim FX (z)
zx
maka
1
P (1 < X 12 ) = FX ( 12 ) FX (1) =
2
dan
1 1
P (X = 1) = FX (1) FX (1 ) = 1 = .
2 2
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
Akibatnya,
1
x3
Z
1 255
P <X<1 = dx = = 0, 06226.
4 1/4 4 4096
sehingga P (X = x) = 0 dan
Luas berjari-jari x x2
P (X x) = = = x2
Luas berjari-jari 1 (1)2
27
Nunung Nurhayati Pengantar Teori Peluang
Jika g satu-satu maka g 1 ada. PMF dari Y dapat diperoleh melalui PMF
dari X
28
Nunung Nurhayati Pengantar Teori Peluang
z = 1 x = 1 atau x = 3.
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.
30
Nunung Nurhayati Pengantar Teori Peluang
Selanjutnya,
dx d
g 1 (y)
J= =
dy dy
disebut Jacobi transformasi (Jacobi dari invers transformasi g).
31
Nunung Nurhayati Pengantar Teori Peluang
Latihan 1.5
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).
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
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).
9. Misalkan
(1/2)x , x = 1, 2, 3, . . .
P (X = x) =
0, x lainnya
Gambarkan sketsa dari grafik CDF F (x).
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 .
33
Nunung Nurhayati Pengantar Teori Peluang
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 .
21. Misalkan X mempunyai PDF f (x) = 4x3 , 0 < x < 1, dan 0 untuk x
lainnya. Tentukan PDF dari Y = ln X 4 .
34
Nunung Nurhayati Pengantar Teori Peluang
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.
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 menyatakan bahwa E[X] ada jika dan hanya jika E[|X|] < .
35
Nunung Nurhayati Pengantar Teori Peluang
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
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
36
Nunung Nurhayati Pengantar Teori Peluang
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
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
37
Nunung Nurhayati Pengantar Teori Peluang
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, . . .
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 .
Kurt(X) = E[(X )4 ]/ 4 .
38
Nunung Nurhayati Pengantar Teori Peluang
f (x) = 2
0, x lainnya
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
1 , 1<x<
f (x) = x2
0, x lainnya
39
Nunung Nurhayati Pengantar Teori Peluang
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
41
Nunung Nurhayati Pengantar Teori Peluang
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
42
Nunung Nurhayati Pengantar Teori Peluang
6 , x = 1, 2, 3, . . .
p(x) = 2 x2
0, x lainnya
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.
Eksistensi M (t) pada (h, h) menjamin eksistensi turunan ke-m dari MGF
di t = 0, atau M (m) (0), untuk setiap m Z+ .
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
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, . . .
Latihan 1.6
45
Nunung Nurhayati Pengantar Teori Peluang
E[X 2 ] (E[X])2 .
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.
46
Nunung Nurhayati Pengantar Teori Peluang
14. Tentukan momen dari distribusi dengan MGF, M (t) = (1t)3 , t < 1.
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.
47
Nunung Nurhayati Pengantar Teori Peluang
Akibat dari Teorema 1.8.1, jika Var(X) = 2 < maka dijamin = E[X]
ada.
u(X)
P [u(X) c]
c
E[(X )2 ]
P [(X )2 k 2 2 ]
k2 2
Karena E[(X )2 ] = 2 maka
1
P (|X | k) .
k2
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.
konveks 00 (x) 0,
Latihan 1.7
49
Nunung Nurhayati Pengantar Teori Peluang
50
Bab 2 Distribusi Multivariat
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)}.
51
Nunung Nurhayati Pengantar Teori Peluang
D = {(x1 , x2 ); x1 = 0, 1 dan x2 = 1, 2, . . . , 6}
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:
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
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
2 F (x1 , x2 )
f (x1 , x2 ) =
x1 x2
disebut fungsi densitas peluang (PDF) gabungan dari (X1 , X2 ).
54
Nunung Nurhayati Pengantar Teori Peluang
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
55
Nunung Nurhayati Pengantar Teori Peluang
56
Nunung Nurhayati Pengantar Teori Peluang
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
57
Nunung Nurhayati Pengantar Teori Peluang
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
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 ,
58
Nunung Nurhayati Pengantar Teori Peluang
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
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 ).
60
Nunung Nurhayati Pengantar Teori Peluang
Latihan 2.1
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.
61
Nunung Nurhayati Pengantar Teori Peluang
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 ).
62
Nunung Nurhayati Pengantar Teori Peluang
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
Dengan kata lain, PMF dari (Y1 , Y2 ) dapat diperoleh dengan mensubsti-
tusikan invers dari y1 dan y2 ke PMF dari (X1 , X2 ).
x1 = y1 y2 dan x 2 = y2
63
Nunung Nurhayati Pengantar Teori Peluang
pY (y1 , y2 ) = pX (y1 y2 , y2 )
y1 y2 y2
1 2 e 1 2
, (y1 , y2 ) DY
= (y1 y2 )!y2 !
0, yang lainnya
FZ (z) = P (Z z) = P (g(X1 , X2 ) z)
64
Nunung Nurhayati Pengantar Teori Peluang
FZ (z) = P (Z z) = P (Y + X z),
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)
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
Hal ini dapat dilakukan karena sifat PDF bahwa total integral suatu PDF
adalah 1.
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.
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
x1 = 21 (y1 + y2 )
x2 = 21 (y1 y2 )
Karena
67
Nunung Nurhayati Pengantar Teori Peluang
dan
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
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
x1 x1
y1 y2 2 1
J = 0 1 =2
=
x2 x2
y1 y2
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
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
70
Nunung Nurhayati Pengantar Teori Peluang
Tabel 2.1. Fungsi densitas (PDF/PMF) dan MGF dari beberapa distribusi
diskrit dan kontinu.
71
Nunung Nurhayati Pengantar Teori Peluang
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!
72
Nunung Nurhayati Pengantar Teori Peluang
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
73
Nunung Nurhayati Pengantar Teori Peluang
74
Nunung Nurhayati Pengantar Teori Peluang
fW (w) = ab
0, yang lainnya
P (X2 = x2 , X1 = x1 )
P (X2 = x2 |X1 = x1 ) = ,
P (X1 = x1 )
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.
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.
75
Nunung Nurhayati Pengantar Teori Peluang
Selain itu, juga dapat diperoleh cara lain untuk menghitung PDF gabungan
dari X1 dan X2 , yaitu
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
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
f (x1 , x2 ) 2 1
f (x1 |x2 ) = = = , 0 < x1 < x2 (2.4.2)
f (x2 ) 2x2 x2
dan
x2
x22
Z
x 2 2 1
Var(X1 |x2 ) = x1 dx1 = .
0 2 x2 12
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
Peyelesaian.
(a). PDF marjinal dari X1 adalah
( Rx
1 2
0 6x2 dx2 = 3x1 , 0 < x1 < 1
f1 (x1 ) =
0, yang lainnya,
78
Nunung Nurhayati Pengantar Teori Peluang
dan variansinya
Z 2/3
2 81 2 1 1
Var(Y ) = y y dy = .
0 8 4 60
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
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 ]
79
Nunung Nurhayati Pengantar Teori Peluang
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 ]}
Karena
Z
f (x1 , x2 )
[x2 E(X2 |x1 )] dx2 = E(X2 |x1 ) E(X2 |x1 ) = 0
f1 (x1 )
80
Nunung Nurhayati Pengantar Teori Peluang
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 )].
81
Nunung Nurhayati Pengantar Teori Peluang
Latihan 2.3
82
Nunung Nurhayati Pengantar Teori Peluang
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 .
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
84
Nunung Nurhayati Pengantar Teori Peluang
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.
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
85
Nunung Nurhayati Pengantar Teori Peluang
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
dan
1
E[X|Y ] = 1 + (Y 2 ).
2
Akibatnya, ketika x = 1 dan y = 2
86
Nunung Nurhayati Pengantar Teori Peluang
22 4 2
2
= = 64 atau = 8.
1 1/16 1
Latihan 2.4
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
dan
f (x1 , x2 ) = f (x1 )f (x2 ) jika X1 dan X2 kontinu.
88
Nunung Nurhayati Pengantar Teori Peluang
Z Z 1
1
f2 (x2 ) = f (x1 , x2 )dx2 = (x1 + x2 )dx1 = + x2 , 0 < x2 < 1,
0 2
untuk setiap x1 , x2 R2
(c). Variabel acak X1 dan X2 dikatakan independen jika dan hanya jika
(d). Misalkan MGF untuk (X1 , X2 ) ada yaitu M (t1 , t2 ). Variabel acak X1
dan X2 dikatakan independen jika dan hanya jika
89
Nunung Nurhayati Pengantar Teori Peluang
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
Jadi terbukti.
90
Nunung Nurhayati Pengantar Teori Peluang
Latihan 2.5
saling bebas.
91
Nunung Nurhayati Pengantar Teori Peluang
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.
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 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
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,
Sifat linier dari ekspektasi yang berlaku pada distribusi bivariat, juga
93
Nunung Nurhayati Pengantar Teori Peluang
dengan k1 , . . . km konstanta.
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
f (x1 , x2 , . . . , xn )
f (x1 , x4 . . . , xn |x2 , x3 ) =
f (x2 , x3 )
94
Nunung Nurhayati Pengantar Teori Peluang
M (t1 , t2 , . . . , tn ) = E[exp{t1 X1 + t2 X2 + + tn Xn }]
" ( n )#
X
= E exp ti Xi
i=1
Seperti pada kasus 1 dan 2 variabel acak, MGF pada kasus multivariat secara
unik menentukan distribusi gabungan dari X1 , . . . , Xn .
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)
95
Nunung Nurhayati Pengantar Teori Peluang
hanya jika
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
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
96
Nunung Nurhayati Pengantar Teori Peluang
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
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
97
Nunung Nurhayati Pengantar Teori Peluang
MY (t) = [M (t)]n
T = a0 X
98
Nunung Nurhayati Pengantar Teori Peluang
12
12 1n
21 22 2n
Cov(X) = E[(X )(X )0 ] =
.. .. .. ..
. . . .
n1 n2 n2
ii = i2 = Var(Xi ) = E[(Xi i )2 ],
Cov(AX) = ACov(X)A0 .
Cov(aX) = aCov(X)a0 .
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
a0 Cov(X)a 0.
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
100
Nunung Nurhayati Pengantar Teori Peluang
Hitung
(a) P (X1 < X2 |X1 < 2X2 )
(b) P (X1 < X2 < X3 |X3 < 1).
101
Nunung Nurhayati Pengantar Teori Peluang
Fungsi
Penyelesaian. Diketahui
y3 = x3 x 3 = y3
y2 = x2 /x3 x2 = y2 x3 = y2 y3
y1 = x1 /x2 x1 = y1 x2 = y1 y2 y3
102
Nunung Nurhayati Pengantar Teori Peluang
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
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
104
Nunung Nurhayati Pengantar Teori Peluang
dan 0 untuk yang lainnya. Karena g(y1 , y2 ) 6= g1 (y1 )g2 (y2 ), maka Y1
dan Y2 tidak independen.
Latihan 2.7
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
3. Jika
1
4, 1 < x < 3
f (x) =
0, yang lainnya
PDF dari variabel acak X, tentukan pdf dari Y = X 2 .
Pn
Teorema 2.9.1. Misal T = i=1 ai Xi . Asalkan E[|Xi |] < untuk i =
106
Nunung Nurhayati Pengantar Teori Peluang
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
107
Nunung Nurhayati Pengantar Teori Peluang
108
Nunung Nurhayati Pengantar Teori Peluang
Latihan 2.8
8. Misal dan 2 mean dan variansi dari variabel acak X. Jika b dan c
109
Nunung Nurhayati Pengantar Teori Peluang
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 .
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 .
111
Nunung Nurhayati Pengantar Teori Peluang
P (X = 1) = p dan P (X = 0) = 1 p.
= p(1 p).
2. Distribusi Binomial
1 0 0 1 0 1 1 0 0
atau
0 0 0 0 1 1 1 1 0
atau yang lainnya.
112
Nunung Nurhayati Pengantar Teori Peluang
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.
113
Nunung Nurhayati Pengantar Teori Peluang
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
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).
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
(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
Tetapi
log(0, 2)
0, 2 > ( 32 )n log(0, 2) < n log( 32 ) n > = 3, 9693 ' 4.
log( 32 )
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 .
{Y y} peristiwa A atau B
115
Nunung Nurhayati Pengantar Teori Peluang
y}.
P (B) = P (X1 y, X2 y, X3 y)
= P (X1 y)P (X2 y)P (X3 y) = [F (y)]3 .
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
Karena MGF hanya dapat dikaitkan dengan satu distribusi (bersifat unik)
maka dapat disimpulkan bahwa Y berdistribusi B( m
P
n
i=1 i , p).
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.
117
Nunung Nurhayati Pengantar Teori Peluang
p (1 p)y , y = 0, 1, 2, . . .
p(y) =
0, y lainnya
4. Distribusi Multinomial.
n! xk1 xk
p(x1 , . . . , xk1 ) = px1 . . . pk1 pk
x1 ! . . . xk1 !xk ! 1
118
Nunung Nurhayati Pengantar Teori Peluang
dan
119
Nunung Nurhayati Pengantar Teori Peluang
5. Distribusi Hipergeometrik
Latihan 3.1
120
Nunung Nurhayati Pengantar Teori Peluang
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 .
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.
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.
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 .
122
Nunung Nurhayati Pengantar Teori Peluang
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.
123
Nunung Nurhayati Pengantar Teori Peluang
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 = .
P (X 1) = 1 P (X = 0) = 1 e2 = 0, 865.
tentukan P (X = 3).
e4 43 32
P (X = 3) = = e4 .
3! 3
125
Nunung Nurhayati Pengantar Teori Peluang
Karena MGF hanya dapat dikaitkan dengan satu distribusi (bersifat unik)
maka dapat disimpulkan bahwa Y berdistribusi Poisson dengan parameter
= 1 + 2 + . . . + n .
126
Nunung Nurhayati Pengantar Teori Peluang
(ii). Banyaknya peristiwa pada selang-selang yang saling lepas, tidak saling
mempengaruhi (independen). Sifat ini disebut independent increment.
es (s)x
P (X(t + s) X(t) = x) =
x!
o(h)
lim = 0,
h0 h
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).
127
Nunung Nurhayati Pengantar Teori Peluang
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.
Latihan 3.2
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))
e2
, y = 0, 1, 2 . . . dan x = 0, 1, 2, . . . , y
p(x, y) = x! (y x)!
0, yang lainnya
Mengapa?
129
Nunung Nurhayati Pengantar Teori Peluang
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)
130
Nunung Nurhayati Pengantar Teori Peluang
nilainya selalu nonnegatif dan total integralnya 1. Dengan kata lain fungsi
tersebut memenuhi syarat-syarat sebagai PDF.
0.12 0.12
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
131
Nunung Nurhayati Pengantar Teori Peluang
G(w) = P (W w) = 1 P (W > w)
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)
132
Nunung Nurhayati Pengantar Teori Peluang
Karena fungsi yang ada di bawah integral adalah PDF dari distribusi gamma
maka nilai integralnya adalah 1. Akibatnya,
1
M (t) =
(1 t)
133
Nunung Nurhayati Pengantar Teori Peluang
= M 0 (0) =
dan
2 = M 00 (0) 2 = ( + 1) 2 2 2 = 2 .
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
134
Nunung Nurhayati Pengantar Teori Peluang
= = (r/2)2 = r,
sedangkan variansinya
2 = 2 = (r/2)22 = 2r.
135
Nunung Nurhayati Pengantar Teori Peluang
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
136
Nunung Nurhayati Pengantar Teori Peluang
/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
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
137
Nunung Nurhayati Pengantar Teori Peluang
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
138
Nunung Nurhayati Pengantar Teori Peluang
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
()()
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 .
Dapat dicoba sebagai latihan bahwa mean dan variansi dari berdistribusi
beta dengan parameter dan adalah
= dan 2 = .
( + + 1)( + )2
139
Nunung Nurhayati Pengantar Teori Peluang
Latihan 3.3
E[X m ] = (m + 1)!2m , m = 1, 2, 3, . . .
5. Tunjukkan bahwa
Z k1
X e x
1 k1 z
z e dz = , k = 1, 2, 3, . . .
(k) x!
x=0
140
Nunung Nurhayati Pengantar Teori Peluang
z k1 ez (k 1)z k2 ez . . . (k 1)!ez
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
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.
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
(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.
P (x X < x + |X x) (3.4.8)
143
Nunung Nurhayati Pengantar Teori Peluang
144
Nunung Nurhayati Pengantar Teori Peluang
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
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
2 /2
Ilustrasi g(z) = ez yang terbatas diperlihatkan pada Gambar 3.2.
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 .
146
Nunung Nurhayati Pengantar Teori Peluang
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).
147
Nunung Nurhayati Pengantar Teori Peluang
X = bZ + a, dengan b > 0.
148
Nunung Nurhayati Pengantar Teori Peluang
1
f() =
2
3 2 + + 2 + 3
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).
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).
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 ) = .
Contoh 3.5.2. Misal X berdistribusi N (2, 25). Hitung P (0 < X < 10)
dan P (8 < X < 1).
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.
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
151
Nunung Nurhayati Pengantar Teori Peluang
sifat bahwa total luas di bawah kurva adalah 1. Jadi, untuk z > 0, nilai
(z) = 1 (z).
Luas = 0,954
2 + 2
Gambar 3.5. Luas daerah kurva normal yang berjarak 2 dari kiri dan
kanan mean .
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.
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
153
Nunung Nurhayati Pengantar Teori Peluang
1 1
1
g(v) = v 2 ev/2 ,
( 12 )(2)1/2
Latihan 3.4
1. Jika Z z
1 w2 /2
(z) = e dw,
2
154
Nunung Nurhayati Pengantar Teori Peluang
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 ).
12. Misal X berdistribusi N (5, 10). Tentukan P (0, 04 < (X 5)2 < 38, 4).
155
Nunung Nurhayati Pengantar Teori Peluang
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):
157
Nunung Nurhayati Pengantar Teori Peluang
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
dengan x Rn .
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
" 2 2 #
1 x 1 1 x 1 1 x 2 2 x2 2
q= 2 +
1 2 1 1 2 2
160
Nunung Nurhayati Pengantar Teori Peluang
3.5.1 Distribusi t
untuk < w < , 0 < v < , dan h(w, v) = 0 untuk yang lainnya.
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
162
Nunung Nurhayati Pengantar Teori Peluang
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
163
Nunung Nurhayati Pengantar Teori Peluang
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
untuk 0 < u, v < dan h(u, v) = 0 untuk yang lainnya. Definisikan variabel
acak baru
U/r1
W =
V /r2
u/r1
w= dan z = v,
v/r2
sehingga inversnya
164
Nunung Nurhayati Pengantar Teori Peluang
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
U/r1
W =
V /r2
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
U/r1
F =
V /r2
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)")
U/r1 r2
F = = U V 1
V /r2 r1
2k (r/2 + k) r
E[X k ] = , k>
(r/2) 2
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.
167
Nunung Nurhayati Pengantar Teori Peluang
maka
(a). X berdistribusi N (, 2 /n).
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.
168
Nunung Nurhayati Pengantar Teori Peluang
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
2 / 2 (1 2t)n/2
M (t) = E[et(n1)S ]= = (1 2t)(n1)/2 .
(1 2t)1/2
169
Nunung Nurhayati Pengantar Teori Peluang
Latihan 3.5
170
Nunung Nurhayati Pengantar Teori Peluang
X1 /r1 X3 /r3
dan
X2 /r2 (X1 + X2 )/(r1 + r2 )
171
Nunung Nurhayati Pengantar Teori Peluang
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
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
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
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
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
Akibatnya,
n
X X
Var(T ) = cov(T, T ) = a2i Var(Xi ) + 2 ai aj cov(Xi , Xj ).
i=1 i<j
176
Nunung Nurhayati Pengantar Teori Peluang
1 = (X1 )
2 = (X1 , X2 )
..
.
n = (X1 , X2 , . . . , Xn )
..
.
177
Nunung Nurhayati Pengantar Teori Peluang
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
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.
{Xn X atau Xn X }
atau peristiwa
{Xn X atau Xn X }
Akibatnya, peristiwa {|Xn X| } ekivalen dengan peristiwa
Xn 6 (X , X + )
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 + ).
179
Nunung Nurhayati Pengantar Teori Peluang
2
P (|X | ) .
2
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 < .
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:
180
Nunung Nurhayati Pengantar Teori Peluang
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
1 Pn
Dengan cara serupa dapat ditunjukkan pula bahwa V = n i=1 (Xi X)2
181
Nunung Nurhayati Pengantar Teori Peluang
2 2
2 2 n1 2 2 2
bias(V ) = E(V ) = = = .
n n n
Latihan
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.
182
Nunung Nurhayati Pengantar Teori Peluang
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 }.
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.
Definisikan fungsi
0, x < 0
F (x) =
1, x 0
maka
lim Fn (x) = F (x)
n
184
Nunung Nurhayati Pengantar Teori Peluang
Penyelesaian.
(a). Diketahui Yn = max{X1 , . . . , Xn } maka DYn = {y ; 0 < y < }. Misal
diambil y (0, ). Fungsi distribusi (CDF) dari Yn adalah
185
Nunung Nurhayati Pengantar Teori Peluang
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
186
Nunung Nurhayati Pengantar Teori Peluang
Xn D
N (0, 2 ).
1/ n
g(Xn ) g() D
N (0, 2 (g 0 ())2 ).
1/ n
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
maka
D
Xn X.
(n) cn b cn
b
lim 1 + + = lim 1 + = ebc (4.4.1)
n n n n n
187
Nunung Nurhayati Pengantar Teori Peluang
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.
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
!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.
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
189
Nunung Nurhayati Pengantar Teori Peluang
9. Misal X 2 (50). Tentukan nilai aproksimasi untuk P (40 < X < 60).
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
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
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.
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 .
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
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
lim [m00 () 2 ] = 0.
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.
193
Nunung Nurhayati Pengantar Teori Peluang
Y np Xn p Xn
p n = np =
np(1 p) p(1 p) / n
Latihan 4.4
194
Nunung Nurhayati Pengantar Teori Peluang
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.
195
DAFTAR PUSTAKA
196
..........................................................................
Info cetak .....
Revisi/cetak terakhir: 26 Oktober 2015, pukul 15:40
Nomor halaman: iv, 1196 Total: 201 halaman
..........................................................................