Part I

Peluang dan Distribusinya

1 Fungsi Himpunan Peluang
Misalkan B menyatakan himpunan dari setiap hasil yang mungkin (output) dari
suatu eksperimen acak, maka B disebut ruang sampel.

De…nition 1 :

Jika P (C) terde…nisi untuk suatu tipe subset dari ruang B dan jika

1. P (C) 0;
2. P (C1 [ C2 [ C3 [ :::) = P (C1 ) + P (C2 ) + P (C3 ) + :::; dengan himpunan Ci ;
i = 1; 2; 3; :::; masing-masing tidak mempunyai titik yang sama (masing-
masing dua himpunan saling lepas),
3. P (B) = 1;

maka P disebut fungsi himpunan peluang dari hasil eksperimen acak. Un-
tuk setiap subset C dari B; banyaknya P (C) disebut peluang bahwa hasil dari
eksperimen acak adalah suatu elemen dari himpunan C; atau peluang dari ke-
jadian C; atau ukuran peluang dari himpunan C:

Theorem 2 :

Untuk setiap C 2 B; P (C) = 1 P (C ); dengan C = komplemen dari C:

Proof. :
Diketahui B = C [ C dan C \ C = ?: Berdasarkan de…nisi (3) dan (2),
diperoleh
P (B) = 1 = P (C [ C ) = P (C) + P (C );
sehingga P (C) = 1 P (C ) (terbukti)

Theorem 3 :

Peluang dari himpunan kosong adalah nol, yaitu P (?) = 0:

Proof. :
Ambil C = ?; sehingga C = B: Dari teorema 1 diperoleh

P (?) = 1 P (B) = 1 1 = 0:

Jadi teorema terbukti.

1
Theorem 4 :

Jika C1 dan C2 adalah subset dari B sedemikian sehingga C1 C2 ; maka

P (C1 ) P (C2 ):
Proof. :
Tulis C2 sebagai gabungan himpunan yang saling lepas, yaitu

C2 = C1 [ (C1 \ C2 ) dan C1 \ (C1 \ C2 ) = ?:

Dari de…nisi (2) diperoleh

P (C2 ) = P (C1 ) + P (C1 \ C2 ):

Berdasarkan de…nisi (1) diperoleh P (C1 \ C2 ) 0; sehingga P (C2 ) P (C1 ):

Jadi teorema terbukti.

Theorem 5 :

Untuk setiap C B; 0 P (C) 1:

Proof. :
Karena ? C B; maka berdasarkan teorema,

P (?) P (C) P (B) atau 0 P (C) 1:

Jadi teorema terbukti.

Theorem 6 :

Jika C1 dan C2 adalah subset dari B maka

P (C1 [ C2 ) = P (C1 ) + P (C2 ) P (C1 \ C2 ):

Proof. :
Himpunan C1 [ C2 dan C2 dapat dinyatakan sebagai gabungan dari him-
punan yang tidak beririsan sebagai berikut:

C1 [ C2 = C1 [ (C1 \ C2 ) dan C2 = (C1 \ C2 ) [ (C1 \ C2 ) :

Dari de…nisi 2),

P (C1 [ C2 ) = P (C1 ) + P (C1 \ C2 ) ; dan

P (C2 ) = P (C1 \ C2 ) + P (C1 \ C2 ) :

Maka
P (C1 \ C2 ) = P (C2 ) P (C1 \ C2 ) ;
sehingga dengan substitusi diperoleh:

P (C1 [ C2 ) = P (C1 ) + P (C2 ) P (C1 \ C2 ) :

Terbukti.

2
Example 7 :

Dua koin dilantunkan dan hasilnya adalah pasangan terurut. Ruang sam-
pelnya dapat dinyatakan sebagai B . Jika C1 adalah kejadian munculnya kepala
(H) pada lantunan pertama dan C2 adalah kejadian munculnya kepala (H) pada
lantunan ke dua, tentukan peluang munculnya H pada lantunan pertama atau
kedua.
Misalkan B menyatakan ruang sampel dan C1 ; C2 ; C3 ; ... adalah subset
dari B . Jika subset-subset tersebut tidak mempunyai elemen yang sama, maka
disebut himpunan yang saling lepas dan kejadian C1 ; C2 ; C3 ; ... disebut kejadian
yang saling lepas.

2 Peluang dan Kebebasan Bersyarat

Misalnya fungsi himpunan peluang P (C) dide…nisikan pada ruang sampel B dan
misalkan C1 adalah subset dari B , sehingga P (C1 ) > 0: Elemen dari C1 adalah
keluaran (outcome) dari eksperimen acak. Ambil C1 sebagai ruang sampel.
Misalkan C2 adalah subset lain dari B . Peluang bersyarat dari kejadian C2 ;
diketahui kejadian C1 adalah

P (C1 \ C2 )
P (C2 j C1 ) = :
P (C1 )

Exercise 8 :

1. Peluang suatu penerbangan yang telah terjadwal teratur berangkat tepat

waktu adalah P (B) = 0; 83; peluang sampai tepat waktu P (S) = 0; 82
dan peluang berangkat dan sampai tepat waktu P (B \ S) = 0; 78: Cari
peluang bahwa pesawat:

(a) Sampai tepat waktu bila diketahui berangkat tepat waktu,

(b) Berangkat tepat waktu bila diketahui sampai tepat waktu.

2. Misalkan ada sekotak sekering berisi 20 sekering, lima di antaranya cacat.

Bila dua sekering dikeluarkan dari kotak satu persatu secara acak tanpa
pengembalian, berapakah peluang kedua sekering tersebut cacat?
3. Suatu kantong berisi 4 bola merah dan 3 bola hita, dan kantong kedua
berisi 3 bola merah dan 5 bola hitam. Satu bola diambil dari kantong
pertama dan dimasukkan ke kantong kedua tanpa melihatnya. Berapakah
peluang mengambil bola hitam dari kantong kedua?
4. Dua dadu dilantunkan dua kali. Berapakah peluang jumlah 7 dan 11
dalam dua kali lantunan?
5. Tiga kartu diambil satu persatu tanpa pengembalian dari sekotak kartu
yang berisi 52. Cari peluang bahwa kejadian A1 \ A2 \ A3 terjadi, bila

3
 A1 adalah kejadian bahwa kartu pertama As berwarna merah, A2 adalah
kejadian kartu kedua 10 atau Jack dan A3 adalah kejadian kartu ketiga
lebih besar dari 3 tapi lebih kecil dari 7.

3 Variabel Acak
3.1 Bertipe Diskrit
De…nition 9 :

Perhatikan sebuah eksperimen acak dengan ruang sampel B. Sebuah fungsi

X, yang mengkaitkan sebuah elemen c 2 B satu dan hanya satu bilangan riil
X(c) = c, disebut variabel acak. Ruang sampel X adalah himpunan bilangan-
bilangan riil A = fx : x = X(c); c 2 Bg.
Bisa saja himpunan B mempunyai elemen bilangan riil. Jika ini terjadi,
maka X(c) = c, sehingga A = B.

Example 10 :

Eksperimen acak: pelemparan sebuah koin. Ruang sampel yang berkaitan

dengan eksperimen adalah B = fc : c =ekor (T ) atau kepala (H)g. Misalkan X
suatu fungsi sehingga X(C) = 0, jika c = T dan X(C) = 1, jika c = H: Jadi X
adalah fungsi bernilai riil yang terde…nisi pada ruang sampel B yang membawa
kita dari ruang sampel B ke ruang bernilai riil A = f0; 1g. Dikatakan X adalah
variabel acak dan ruang sampel yang berkaitan dengan X adalah A = f0; 1g.
Misalkan X adalah variabel acak yang terde…nisi pada ruang sampel B dan
misalkan A adalah ruang sampel dari X. Misalkan A adalah subset dari A.
Peluang dari A adalah
P (X 2 A) = Px (A) = P (C);
dengan C = fc : c 2 B dan X(c) 2 Ag:
Peluang Px (A) sering disebut sebagai peluang terinduksi.
Fungsi Px (A) memenuhi kondisi 1, 2 dan 3 pada de…nisi fungsi himpunan
peluang, sehingga P x(A) juga merupakan fungsi himpunan peluang, dengan
sifat-sifat:

1. Px (A) = P (C) 0,
2. Px (A) = P (C) = 1, karena B = fc : c 2 B dan X(c) 2 Ag,
3. Px (A1 [ A2 ) = Px (A1 ) + Px (A2 ), dengan A1 dan A2 kejadian yang saling
bebas dan A1 [ A2 = C, di mana

C = fc : c 2 B dan X(c) 2 A1 g [ fc : c 2 B dan X(c) 2 A2 g.

4
Example 11 :

Perhatikan sebuah barisan dari pelemparan yang bebas dari sebuah koin,
yang menghasilkan kepala (H) atau ekor (T ). Dalam setiap pelemparan, dia-
sumsikan bahwa H dan T serupa, sehingga P (H) = P (T ) = 12 . Ruang sampel
B terdiri dari barisan seperti T T HT HHT : : : Misalkan variabel acak X sama
dengan banyaknya lemparan yang dibutuhkan untuk memperoleh kepala (H)
yang pertama. Pada contoh barisan di atas, X = 3.
Ruang sampel dari X adalah A = f1; 2; 3; : : :g.
Dengan demikian X = 1, jika barisan mulai dengan H, sehingga P (X =
1) = 21 , dan X = 2 jika barisan mulai dengan T H, sehingga P (X = 2) =
(1=2)(1=2) = 1=4.
Secara umum, jika X = x, dengan x = 1; 2; 3; : : : ; maka ada x 1 ekor (T )
yang mengikuti kepala (H), yaitu T T T T : : : T H, di mana ada x 1 ekor dalam
T T T : : : T . Jadi dari syarat kebebasan diperoleh:
x 1 x
1 1 1
P (X = x) = = ;
2 2 2
dengan x = 1; 2; 3; : : :
Dari tiga ilustrasi variabel acak di atas, dapat dilihat bahwa banyaknya
titik dalam ruang A adalah berhingga, seperti f0; 1g; f0; 1; 2g, dan f1; 2; 3; :::g:
Ada sebuah fungsi, yaitu f (x) = P (X = x); yang menggambarkan bagaimana
peluang didistribusikan terhadap ruang A:Dari tiga ilustrasi tersebut, ada rumus
sederhana untuk fungsi tersebut, sebut saja
1
f (x) = ; x 2 f0; 1g;
2
2
2 1
f (x) = ; x 2 f0; 1; 2g;
x 2
x
1
f (x) = ; x 2 f1; 2; 3; :::g:
2
Selanjutnya, jumlah f (x) atas semua x 2 A sama dengan 1:

1
X 1 1 1
= + = 1;
x=0
2 2 2
2
X 2
2 1 1 1 1
= + + = 1;
x 2 4 2 4
x=0
1
X x 2 3 1
1 1 1 1 2
= + + + ::: = 1 = 1:
x=0
2 2 2 2 1 2

Jika A A;
P maka peluang dari X 2 A; dapat diketahui dengan penjumlahan
P (X 2 A) = f (x): Untuk ilustrasi, dengan menggunakan variabel acak pada
A

5
contoh sebelumnya, dapat dihitung peluang:
3
X x
1 1 1 1 7
P (X = 1; 2; 3) = = + + = ;
x=1
2 2 4 8 8
3 5 1
1 1 1 2 2
P (X = 1; 3; 5; :::) = + + + ::: = 1 = :
2 2 2 1 4
3
Misalkan X menyatakan sebuah variabel acak dengan ruang berdimensi satu
A: Perhatikan bahwa A memuat banyaknya titik yang terhitung. Dengan kata
lain, A memuat berhingga banyak titik-titik dari A; sehingga dapat digolongkan
ke dalam korespondensi satu-satu dengan bilangan bulat positif. Ruang yang
demikian disebut himpunan titik-titik diskrit. Misalkan sebuah fungsi f (x)
sedemikian sehingga f (x) > 0; x 2 A; dan
X
f (x) = 1:
A

Jika fungsi himpunan peluang P (A); A A , dapat dinyatakan dalam

X
P (A) = P (X 2 A) = f (x);
A

maka X disebut variabel acak bertipe diskrit dan f (x) disebut fungsi kepadatan
peluang (p.d.f) dari X:
Misakan variabel acak X mempunyai fungsi himpunan peluang P (A); den-
gan A adalah himpunan satu dimensi. Ambil x adalah bilangan riil dan misalkan
himpunan A adalah himpunan tidak terbatas dari - 1 sampai x; termasuk x
sendiri. Untuk semua himpunan A, diketahui P (A) = P (X 2 A) = P (X x):
Peluang tersebut bergantung pada titik x; sehingga disebut sebagai fungsi dari
titik x: Fungsi titik ini dinyatakan dalam simbol F (x) = P (X x); dan disebut
fungsi distribusi (kadang-kadang disebut sebagai fungsi distribusi kumu-
latif ) dari variabel acak X: Karena F (x) = P (X x); maka dengan f (x) fungsi
kepadatan peluang bertipe diskrit, berlaku
X
F (x) = f (w):
w x

Example 12 :
Misalkan variabel acak bertipe diskrit X mempunyai fungsi kepadatan pelu-
ang
x
f (x) = 6 ; untuk x = 1; 2; 3 :
0; untuk x lainnya
Maka fungsi distribusi dari X adalah
8
>
> 0; x < 1;
< 1
F (x) = 6; 1 x < 2;
3
>
> ; 2 x < 3;
: 6
1; 3 x:

6
Bila fungsi distribusi tersebut dinyatakan dalam bentuk gra…k, maka bentuknya
adalah fungsi tangga.
Karena fungsi F (x) juga merupakan suatu peluang, maka sifat-sifat F (x)
dapat dinyatakan sebagai berikut:

1. 0 F (x) 1:
2. F (x) merupakan fungsi takturun,
3. F (y) = 0; untuk setiap titik y yang kurang dari nilai terkecil dalam ruang
X:
4. F (z) = 1 untuk setiap titik z yang lebih besar dari nilai terbesar dalam
ruang X:
5. Jika X adalah variabel acak bertipe diskrit, maka F (x) adalah fungsi
tangga dan ketinggian tangga pada x di ruang X sama dengan peluang
f (x) = P (X = x):

3.2 Bertipe Kontinu

Misalkan X menyatakan variabel acak dengan ruang satu dimensi A; yang ter-
diri dari sebuah selang (interval) atau gabungan dari interval. Misalkan fungsi
f (x) nonnegatif sedemikian sehingga
Z
f (x)dx = 1:
A

Jika fungsi himpunan peluang P (A); A A , dapat dinyatakan oleh f (x)

dengan Z
P (A) = P (X 2 A) = f (x)dx;
A

maka X disebut variabel acak bertipe kontinu dan f (x) disebut fungsi
kepadatan peluang (p.d.f) dari X:

De…nition 13 :

Fungsi f (x) adalah fungsi kepadatan peluang (p.d.f.) variabel acak

bertipe kontinu X; yang dide…nisikan di atas himpunan semua bilangan real
R; bila

1. f (x) 0; untuk semua x 2 R

R
1
2. f (x) dx = 1:
1

Rb
3. P (a < X < b) = f (x) dx:
a

7
Example 14 :

Misalkan variabel acak bertipe kontinu X sama dengan jarak (dalam ukuran
feet = kaki) di antara rekaman jelek dari suatu komputer bekas. Bila diketahui
ruang dari X adalah A =fx : 0 < x < 1g: Misalkan model peluang untuk X
diberikan oleh fungsi kepadatan peluang p.d.f
1 x=40
f (x) = e ; x 2 A:
40
Fungsi tersebut selalu nonnegatif, atau f (x) 0; untuk x 2 A; dan
Zx h ix
1 x=40 x=40
e dx = e = 1:
40 0
0

Jika ingin diketahui peluang bahwa jarak di antara rekaman yang jelek lebih
besar dari empat puluh, maka A = fx : 40 < x < 1g dan
Zx
1 x=40 1
P (X 2 A) = e dx = e :
40
40

Misalkan ruang bertipe kontinu dari variabe acak X adalah A = fx : 0 <

x < 1g dan fungsi kepadatan peluang dari X adalah e x ; x 2 A: Maka p.d.f
dari X adalah 8
< e x; 0 < x < 1;
f (x) =
:
0; untuk x lainnya
Dengan merujuk pada p.d.f dari X tersebut diperoleh

Z1 Z0 Z1
x
f (x) dx = 0 dx + e dx = 1:
1 1 0

Jika f (x) adalah p.d.f dari variabel acak tipe kontinu X dan jika A adalah
himpunan fx : a < x < bg; maka P (A) = P (X 2 A) dapat ditulis sebagai

Zb
P (a < X < b) = f (x) dx:
a

Jika A = fag; maka

Za
P (A) = P (X 2 A) = P (X = a) = f (x) dx = 0:
a

8
Jadi jika X variabel acak bertipe kontinu, peluang dari setiap himpunan yang
memuat satu titik adalah nol. Oleh sebab itu, dapat ditulis
P (a < X < b) = P (a X b):
Hal ini dapat mengubah nilai p.d.f. dari variabel acak bertipe kontinu X di
satu titik tanpa mengubah distribusi dari X: Sebagai contoh, p.d.f.
8
< e x; 0<x<1
f (x) =
:
0; untuk x lainnya
dapat ditulis sebagai
8 x
< e ; 0 x<1
f (x) =
:
0; untuk x lainnya
tanpa mengubah P (A):
De…nition 15 :
Fungsi Distribusi (kumulatif) F (x) suatu variabel acak bertipe kontinu X
dengan fungsi kepadatan peluang p.d.f. f (x) diberikan oleh
Zx
F (x) = P (X x) = f (t) dt; untuk 1 < x < 1:
1

Akibatnya de…nisi di atas dapat ditulis sebagai

P (a < X < b) = F (b) F (a);
dan
dF (x)
f (x) = ;
dx
bila fungsi turunannya ada.
Example 16 :
Misalkan variabel acak X yang bertipe kontinu mempunyai p.d.f.
8 2
< x3 ; 1 < x < 1
f (x) =
:
0; untuk x lainnya.
Fungsi distribusi dari X adalah
Z1
F (x) = 0 dw = 0; x < 1;
1
Zx x
2 1 1
= dw = =1 ; 1 x:
w3 w2 1 x2
1

9
Example 17 :

Misalkan bahwa galat suhu reaksi, dalam 0 C; pada percobaan laboratorium

yang dikontrol merupakan variabel acak X; yang mempunyai fungsi kepadatan
peluang 8 2
< x3 ; 1<x<2
f (x) =
:
0; untuk x lainnya.

1. (a) Tunjukkan bahwa de…nisi p.d.f. yang ke-2 berlaku.

(b) Tentukan P (0 < x 1):
(c) Carilah F (x) dari p.d.f. di atas.
(d) Dengan menggunakan akibat De…nisi distribusi kumulatif, hitunglah
P (0 < x 1):

Jawab:
R
1 R2 x2 x3
2
8 1
1. (a) f (x) dx = 3 dx = 9 = 9 + 9 = 1:
1 1 1

R1 x2 x3
1
(b) P (0 < x 1) = 3 dx = 9 = 91 :
0 0

Rx Rx t2 t3
x
x3 +1
(c) F (x) = f (t) dt = 3 dt = 9 = 9
1 1 1
8
< 0; x 1
F (x) = x3 +1
: 9 ; 1 x<2
1; x 2:

(d) P (0 < x 1) = F (1) F (0) = 92 91 = 19 :

Kesimpulan: dengan memperhatikan jawab b) dan d) disimpulkan
bahwa menghitung peluang dengan menggunakan fungsi kepadatan
peluang maupun akibat de…nisi fungsi distribusi, menghasilkan nilai
yang sama.

Exercise 18 :

1. Perhatikan beberapa variabel acak berikut. Tentukan mana yang kontinu

dan mana yang diskrit.

(a) A : banyaknya kecelakaan kendaraan bermotor per tahun di Ban-

dung.
(b) B : lamanya waktu pertandingan sepakbola.
(c) C : banyaknya susu yang dihasilkan seekor sapi betina dalam setahun.
(d) D : banyaknya telur yang dihasilkan seekor ayam betina dalam se-
bulan.

10
 (e) E : banyaknya SIM yang dikeluarkan setiap bulan di kota X.
(f) F : berat padi yang dihasilkan per hektar.

2. Misalkan Y suatu variabel acak yang menyatakan banyaknya muncul muka

dikurangi banyaknya muncul belakang dalam tiga kali lantunan sebuah
uang logam. Tuliskan unsur-unsur ruang sampel T untuk ketiga lantunan
uang dan pada setiap titik sampel, kaitkan suatu nilai y dari Y:
3. Perhatikan fungsi berikut:

(a) f (x) = c(x2 + 4); untuk x = 0; 1; 2; 3:

2 3
(b) f (x) = c ; untuk x = 0; 1; 2:
x 3 x

Tentukan nilai c agar kedua fungsi tersebut dapat menjadi fungsi distribusi
peluang dari variabel acak X:
4. Dari sebuah kantung yang berisi 4 uang logam ratusan dan 2 uang logam
lima puluhan. 3 uang diambil secara acak tanpa pengembalian, Cari dis-
tribusi peluang jumlah J dari ketiga uang tersebut.
5. Carilah distribusi peluang banyaknya CD lagu2 jazz bila 4 CD dipilih
secara acak dari suatu kumpulan CD yang terdiri atas 5 CD Jazz, 2 CD
Klasik, dan 3 CD Rock. Nyatakan dalam suatu rumus.
6. Distribusi peluang X; banyaknya cacat per 10m serta sintetis dalam gu-
lungan yang lebarnya seragam, diberikan oleh:

x 0 1 2 3 4
f (x) 0,41 0,37 0,16 0,05 0,01

Buatlah distribusi kumulatif dari variabel acak X tersebut.

7. Suatu bank menawarkan obligasi bagi langganannya dengan tahun jatuh
tempo yang berlainan. Bila distribusi kumulatif T diketahui, lamanya
dalam tahun sampai jatuh tempo, diberikan oleh
8
>
> 0; t < 1
> 1
>
< 4; 1 t < 3
1
F (t) =
> 2; 3 t<5
>
> 3
; 5 t<7
>
: 4
1; t 7

Carilah

(a) P (T = 5)
(b) P (T > 3)
(c) P (1; 4 < T < 6)

11
4 Sifat-sifat Fungsi Distribusi
Pada sub bab 3.1 sebelumnya, telah dide…nisikan fungsi distribusi dari suatu
variabel acak X sebagai F (x) = P (X x): Konsep ini digunakan dalam sub
bab 3.2 untuk mencari peluang distribusi variabel acak bertipe kontinu. Dalam
istilah p.d.f. f (x) diketahui bahwa fungsi distribusi
X
F (x) = f (w);
w x

untuk variabel acak bertipe diskrit , dan

Zx
F (x) = f (w) dw;
1

untuk variabel acak bertipe kontinu. Jadi fungsi distribusi F (x) bertipe kontinu
atau diskrit, bergantung kepada apakah variabel acaknya bertipe diskrit atau
kontinu.

Remark 19 :

Jika X adalah variabel acak bertipe kontinu, maka p.d.f. f (x) mempunyai
paling banyak sejumlah berhingga diskontinuitas pada setiap interval berhingga.
Hal ini berarti bahwa:

1. distribusi fungsi F (x) kontinu di mana-mana, dan

2. turunan F (x) terhadap x ada dan sama dengan f (x) pada setiap titik
kontinuitas f (x); yaitu F 0 (x) = f (x) pada setiap titik kontinuitas f (x):

Jika X adalah variabel acak bertipe diskrit, maka dapat dipastikan bahwa
f (x) bukan turunan dari F (x) terhadap x; tetapi f (x) merupakan turunan dari
F (x) terhadap ukuran penghitungan. Turunan ini sering disebut densitas (kepa-
datan).
Dengan demikian, turunan-turunan ini disebut fungsi kepadatan pelu-
ang.
Ada beberapa sifat dari fungsi distribusi yang dapat disebutkan sebagai kon-
sekuensi dari sifat-sifat fungsi himpunan peluang. Beberapa di ataranya ada
di bawah ini. Dalam menyebutkan sifat-sifat ini, sebaiknya kita tidak mem-
batasi X sebagai variabel acak bertipe diskrit atau bertipe kontinu. Simbol
F (1) dan F ( 1) digunakan dalam arti lim F (x) dan lim F (x): Simbol
x!1 x! 1
fx : x < 1g dan fx : x < 1g merupakan limit dari himpunan fx : x bg
dan fx : x bg; jika b ! 1:

1. 0 F (x) 1; karena 0 P (X x) 1:

12
 2. F (x) fungsi tak turun dari x: Jika x0 < x00 ; maka

fx : x x00 g = fx : x x0 g [ fx : x0 < x x00 g;

dan
P (X x00 ) = P (X x0 ) + P (x0 < X x00 ):
Yaitu F (x00 ) F (x0 ) = P (x0 X x00 ) 0:
3. F (1) = 1 dan F ( 1) = 0; karena himpunan fx : x 1g adalah ruang
satu dimensi dan himpunan fx : x 1g adalah himpunan kosong. Dari
bukti sifat 2, jika a < b; maka

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

Misalkan kita ingin menggunakan F (x) untuk menghitung peluang

P (X = b): Untuk itu, misalkan h > 0;

lim P (b h<X b) = lim [F (b) F (b h)]:

h!0 h!0

Secara intuitif lim P (b h < X b) ada dan sama dengan P (X = b);

h!0
karena jika h menuju nol, limit himpunan fx : b h < x bg adalah
himpunan yang memuat titik tunggal x = b: Fakta bahwa limit ini adalah
P (X = b) merupakan sebuah teorema yang diterima tanpa bukti.
Dengan demikian, kita punya

P (X = b) = F (b) F (b );

di mana F (b ) adalah limit kiri dari F (x) di x = b: Peluang bahwa X = b

adalah tinggi tangga dari F (x) pada x = b: Oleh sebab itu, jika fungsi
distribusi F (x) adalah kontinu di x = b; maka P (X = b) = 0:
4. F (x) adalah kontinu dari kanan, atau dikatakan kontinu kanan.

Untuk membuktikan sifat ini, dengan h > 0;

lim P (a < X Xa + h) = lim [F (a + h) F (a)]:

h!0 h!0

Pernyataan berikut diterima tanpa bukti teorema, dengan h > 0;

lim P (a < X a + h) = P (?) = 0:

h!0

Jika h ! 0; limit himpunan fs : a < x a + hg adalah himpunan kosong.

Dengan demikian kita menulis

0 = F (a+) F (a);

di mana F (a+) adalah limit kanan dari F (x) di x = a: Oleh sebab itu, F (x)
kontinu kanan di setiap titik x = a:

13
 Misalkan pada sebuah eksperimen, seseorang memilih secara acak sebuah
titik dari selang tertutup [a; b]; a < b; pada sebuah garis real. Jadi ruang
sampel B adalah [a; b]: Misalkan variabel acak X adalah fungsi identitas yang
terde…nisi pada B: Maka ruang A dari X adalah A = B: Misalkan diasumsikan
bahwa jika sebuah interval A adalah subset dari A; maka peluang dari kejadian
A adalah sebanding dengan panjang A: Oleh sebab itu, jika A adalah selang
[a; x]; x b; maka
P (A) = P (X 2 A) = P (a X x) = c(x a);
di mana c adalah konstanta proporsionalitas.
Pada ekspresi di atas, jika diambil x = b; maka
1 = P (a X b) = c(b a);
sehingga c = 1=(b a):
Jadi akan ada sebuah model peluang jika diambil fungsi distribusi dari X
adalah F (x) = P (X x); menjadi
8
< 0; x<a
x a
F (x) = ; a x b;
: b a
1; b < x:
Dengan demikian, p.d.f dari X; f (x) = F 0 (x); dapat ditulis
8 1
< b a; a x b;
f (x) =
:
0; yang lainnya.
Turunan dari F (x) tidak ada di x = a ataupun di x = b; tetapi himpunan
fx : x = a; bg adalah himpunan dari peluang berukuran nol, dan kita memilih
untuk mende…nisikan f (x) sama dengan 1=(b a) pada dua titik, untuk kenya-
manan. P.d.f ini konstan pada A: Jika p.d.f. dari satu atau lebih variabel
bertipe kontinu atau bertipe diskrit adalah konstan pada ruang A; dikatakan
bahwa peluang terdistribusi secara seragam atas A: Jadi dalam contoh di atas,
dikatakan bahwa X mempunyai distribusi seragam atas selang [a; b]:
Berikut ini adalah contoh distribusi yang bukan bertipe kontinu atauppun
diskrit.
Example 20 :
Misalkan diketahui fungsi distribusi
8
< 0; x < 0;
x+1
F (x) = 2 ; 0 x < 1;
:
1; 1 x:
Sebagai contoh,
1 1 3 3
P 3<X =F F ( 3) = 0=
2 2 4 4

14
dan
1 1
P (X = 0) = F (0) F (0 ) = 0= :
2 2
Kita lihat bahwa F (x) tidak selalu merupakan fungsi kontinu, ataupun
fungsi diskrit. Dengan demikian, distribusi yang berkaitan juga bukan distribusi
bertipe kontinu ataupun diskrit, tapi dapat digambarkan sebagai campuran dari
kedua tipe.
Distribusi yang merupakan campuran dari tipe kontinu dan diskrit ke-
nyataannya sering dijumpai dalam praktek. Sebagai ilustrasi, dalam uji kehidu-
pan, misalnya diketahui bahwa lama hidup, sebut saja X; melebihi bilangan
b; tetapi nilai tepatnya tidak diketahui. Hal ini disebut ’censoring’. Sebagai
contoh, hal ini dapat terjadi jika sebuah subyek dalam suatu penelitian kanker
menghilang; peneliti tahu bahwa subyek tersebut hidup beberapa bulan, tetapi
waktu tepatnya tidak diketahui.
Example 21 :
Perusahaan reasuransi menaruh perhatian pada kerugian besar karena mereka
setuju, sebagai ilustrasi, untuk menutup kerugian diakibatkan kerusakan angin,
yaitu antara 2 juta dolar dan 10 juta dolar. Sebut saja X sama dengan ukuran
kerugian akibat angin dalam jutaan dolar, dan misalkan X mempunyai fungsi
distribusi 8
< 0;
> 1 < x < 0;
F (x) =
>
: 1 10
3
10+x ; 0 x < 1:
Jika kerugiannya di antara 10 juta dolar dilaporkan hanya sebagai 10, maka
fungsi distribusi dari distribusi censor ini adalah
8
< 0;
>
3
1 < x < 0;
F (x) = 10
1 ; 0 x < 10;
>
:
10+x
1; 10 x < 1;
h i3
10
yang mempunyai loncatan (10+10) = 81 di x = 10:
Misalkan X menyatakan variabel acak dengan ruang sampel A: Pandang
fungsi Y = u(X) dari variabel acak X: Karena X adalah sebuah fungsi yang
terde…nisi pada sebuah ruang sampel B maka Y = u(X) adalah fungsi komposit
yang terde…nisi pada B: Yaitu Y = u(X) sendiri adalah variabel acak yang
mempunyai ruang sampel sendiri C = fy : y = u(x); x 2 Ag dan mempunyai
fungsi himpunan peluang sendiri. Jika y 2 C; maka kejadian Y = u(X) y
muncul jika dan hanya jika kejadian X 2 A A; di mana A = fx : u(x) yg:
Distribusi fungsi dari Y adalah
G(y) = P (Y y) = P [u(X) y] = P (A):
Berikut ini adalah contoh yang menggambarkan sebuah metode pencarian fungsi
distribusi dan p.d.f dari suatu fungsi variabel acak. Metode ini disebut teknik
fungsi distribusi.

15
Example 22 :

Misalkan 8 1
< 2; untuk 1 < x < 1;
f (x) =
:
0; untuk x yang lain.
adalah p.d.f. dari variabel acak X: De…nisikan variabel acak Y dengan Y = X 2 :
Jika y 0; peluang P (Y y) adalah sama dengan
p p
P (X 2 y) = P ( y X y):

Dengan demikian, fungsi distribusi dari Y , yaitu G(y) = P (Y y); diberikan

oleh 8
>
> 0; y < 0;
>
< pR y
1 p
G(y) = dx = y; 0 y < 1;
> p 2
>
> y
:
1; 1 y:
Karena Y adalah variabel acak bertipe kontinu, p.d.f. dari Y adalah g(y) =
G0 (y) di semua titik kontinuitas dari g(y): Jadi dapat dituliskan
8
p1
< 2 y; 0 < y < 1;
g(y) =
:
0; untuk y lainnya.
Exercise 23 :

1. Diketahui fungsi distribusi

8
< 0; x < 1;
x+2
F (x) =
: 4 ; 1 x < 1;
1; 1 x:

Gambarkan gra…k F (x) dan kemudian hitung

1 1
(a) P ( 2 <X 2)
(b) P (X = 0)
(c) P (X = 1)
(d) P (2 < X 3):

2. Misalkan
8
< 1; 0 < x < 1;
f (x) =
:
0; untuk x lainnya,
=
p
adalah p.d.f. dari X; Tentukan
p fungsi distribusi dan p.d.f. dari Y = X:
Petunjuk: P (Y y) = P ( X y) = P (X y 2 ); 0 < y < 1:

16
3. Misalkan 8 4 x
< 16 ; 2 < x < 2;
f (x) =
:
0; untuk x lainnya,
adalah p.d.f. dari X:

(a) Gambarkan fungsi distribusinya dan p.d.f. dari X pada himpunan

sumbu yang sama.
(b) Jika Y = jXj ; hitung P (Y 1):
2 1
(c) Jika Z = X ; hitung P Z 4 :

4. Misalkan X mempunyai p.d.f.

8
< 4x3 ; 0 < x < 1;
f (x) =
:
0; untuk x lainnya.

Tentukan fungsi distribusi dan p.d.f dari Y = 2 ln X 4 :

5. Misalkan 8 1
< 3; 1<x<2
f (x) = ;
:
0; untuk x lainnya,
adalah p.d.f dari X: Tentukan fungsi distribusi dan p.d.f. dari Y = X 2 :
Petunjuk: Perhatikan P (X 2 y) untuk dua kasus: 0 y < 1 dan
1 y < 4:
6. Jumlah jam, diukur dalam satuan 100 jam, suatu keluarga akan menggu-
nakan mesin pengisap debu setahun, berbentuk peubah acak kontinu X
dengan fungsi padat
8
< x; 0 < x < 1;
f (x) = 2 x; 1 x < 2;
:
0; untuk x lainnya.
Cari peluangnya bahwa dalam setahun keluarga itu akan menggunakan
mesin penghisap debu

(a) kurang dari 120 jam,

(b) antara 50 dan 100 jam.

7. Umur penyimpanan (dalam hari) dari suatu obat tertentu dalam botol
berbentuk peubah acak dengan fungsi padat
8 20:000
< (x+100)3 ; x > 0;
f (x) =
:
0; untuk x lainnya.
Cari peluangnya bahwa suatu botol akan tahan disimpan

17
(a) paling sedikit 200 hari,
(b) antara 80 sampai 120 hari.

18
5 Ekspektasi Variabel Acak
Misalkan X variabel acak yang mempunyai fungsi kepadatan peluang (p.d.f )
f (x) sehingga mempunyai konvergensi absolut yang tertentu, sebut saja,
X
jxj f (x) ada
x

untuk kasus diskrit atau

Z1
jxj f (x) ada
1

untuk kasus kontinu. Ekspektasi variabel acaknya adalah

X
= E (X) = xf (x); untuk kasus diskrit, atau
x

Z1
= E(X) = xf (x); untuk kasus kontinu.
1

Kadang-kadang ekspektasi E(X) disebut ekspektasi matematik dari X atau

nilai harapan dari X:atau rataan X:

Example 24 :

Misalkan variabel acak X yang bertipe diskrit mempunyai p.d.f.seperti di-

tunjukkan dalam tabel berikut:

x 1 2 3 4
4 1 3 2
f (x) 10 10 10 10

f (x) = 0; jika x tidak sama dengan salah satu dari empat bilangan bulat
positif pertama. Hal ini menggambarkan bahwa tidak diperlukan rumus untuk
menggambarkan p.d.f.
4 1 3 2 23
E(X) = (1) + (2) + (3) + (4) = = 2; 3:
10 10 10 10 10
Example 25 :

Misalkan X mempunyai p.d.f.

8
< 4x3 ; 0 < x < 1;
f (x) =
:
0; untuk x lainnya
Maka
Z1 Z1 1
3 4x5 4
E(X) = x 4x dx = 4x4 dx = = :
5 0 5
0 0

19
Misalkan suatu fungsi variabel acak X dengan ruang sampel A: Sebut saja fungsi
ini Y = u(X): Untuk kemudahan, misalkan X bertipe kontinu dan y = u(X)
adalah fungsi dari X yang kontinu naik, dengan fungsi inversnya x = w(y); yang
juga naik. Sehingga Y adalah variabel acak dan fungsi distribusinya adalah
w(y)
Z
G(y) = P (Y y) = P (u(X) y) = P [X w(y)] = f (x)dx;
1

dengan f (x) merupakan p.d.f. dari X: Berdasarkan teorema dasar kalkulus,

8 0
< G (y) = f [w(y)] w0 (y); y 2 B;
g(y) =
:
0; untuk yang lainnya,
dengan B = fy : y = u(x); x 2 Ag : Berdasarkan de…nisi, diketahui konvergensi
absolut, maka nilai harapan dari Y adalah
Z1
E(Y ) = y g(y)dy:
1

Karena y = u(x); bagaimana E(Y ) dibandingkan dengan integral

Z1
I= u(x) f (x)dx:
1

Untuk menjawab itu, ubah variabel integrasi melalui y = u(x) atau x = w(y):
Karena
dy
= w0 y > 0;
dx
maka
Z1 Z1
I= y f [w (y)] w0 (y)dy = yg(y)dy:
1 1

Dalam kasus ini,

Z1 Z1
E(Y ) = yg(y)dy = u(x)f (x)dx:
1 1

Hal ini secara umum benar dan juga tidak membuat perbedaan apakah X
bertipe diskrit atau kontinu dan Y = u(x) tidak perlu merupakan fungsi naik
dari X:
Jika Y = u(x) mempunyai ekspektasi, maka dapat dicari dari
Z1
E[u(X)] = u(x)f (x)dx; (1)
1

20
dalam kasus kontinu dan
X
E[u(X)] = u(x)f (x); (2)
x

dalam kasus diskrit. Dikatakan E [u(X)] ad.alah ekspektasi (ekspektasi matem-

atik atau nilai harapan) dari u(X):

Remark 26 :

Jika ekspektasi matematik dari Y ada, maka integral (atau jumlah) dari
Z1 X
j yj g(y) dy atau y g(y)
1 x

ada. Oleh sebab itu, keberadaan E [u(X)] menyebabkan integral (jumlah) yang
berkaitan konvergen absolut.
Fakta-fakta yang berguna tentang ekspektasi, jika mereka ada:

1. Jika k suatu konstanta, maka E(k) = k: Dengan mengganti u = k; dan

mengingat bahwa integral (jumlah) dari suatu konstanta kali sebuah fungsi
adalah konstanta kali integral (jumlah) suatu fungsi. Tentu saja, integral
(jumlah) dari fungsi f adalah 1.
2. Jika k suatu konstanta dan v adalah suatu fungsi, maka E(kv) = k E(v):
Dengan mengganti u = kv dan menulis kembali ekspresi pada persamaan
di atas k kali integral (jumlah) dari hasil vf:
3. Jika k1 dan k2 adalah konstanta dan v1 dan v2 adalah fungsi, maka
E(k1 v1 + k2 v2 ) = k1 E(v1 ) + k2 E(v2 ): Dengan mengganti u = k1 v1 + k2 v2 ;
maka integral (jumlah) dari (k1 v1 +k2 v2 ) f sama dengan integral (jumlah)
dari k1 v1 f plus integral (jumlah) dari k2 v2 f: Aplikasi yang berulang dari
sifat ini menunjukkan bahwa jika k1 ; k2 ; :::; km adalah konstanta dan v1 ;
v2 ; ..., vm adalah fungsi, maka

E(k1 v1 + k2 v2 + ::: + km vm ) = k1 E(v1 ) + k2 E(v2 ) + ::: + km E(vm ):

Sifat ekspektasi ini mengarahkan kita ke simbol E sebagai operator linier.

Example 27 :

Misalkan X mempunyai p.d.f.

2(1 x); untuk 0 < x < 1;

f (x) =
0; untuk x yang lainnya.

21
Maka
Z1 Z1
E(X) = xf (x)dx = (x) 2 (1 x) dx
1 0
Z1 1
2 3 1
= 2x 2x2 dx = x2 x = ;
3 0 3
0

Z1 Z1
2 2
E(X ) = x f (x)dx = x2 2 (1 x) dx
1 0
Z1 1
2 3 1 4 1
= 2x2 2x3 dx = x x = ;
3 2 0 6
0

sehingga
1 1 5
E(6X + 3X 2 ) = 6 +3 = :
3 6 2

Example 28 :

Misalkan X mempunyai p.d.f.

x
f (x) = 6; untuk x = 1; 2; 3;
0; untuk x yang lain.

Maka
X 3
X x 1 16 81 98
E(X 3 ) = x3 f (x) = x3 = + + = :
x x=1
6 6 6 6 6

Example 29 :

Misalkan sebuah segmen garis horisontal yang panjangnya 5 dibagai secara

acak menjadi 2 bagian. Jika X adalah panjang sisi yang sebelah kiri, maka
masuk akal bila diasumsikan bahwa X mempunya p.d.f.
1
f (x) = 5; 0<x<5
;
0; untuk x yang lain.

Nilai harapan dari panjang X adalah

Z1 Z5 5
1 x2 25 5
E(X) = xf (x)dx = x dx = = =
5 10 0 10 2
1 0

22
dan nilai harapan dari panjang 5 X adalah

Z1 Z5
1
E(5 X) = (5 x) f (x)dx = (5 x) dx
5
1 0
Z5 5
x x2 25 5
= 1 dx = x =5 = :
5 10 0 10 2
0

Namun, nilai harapan dari perkalian dua panjang tersebut sama dengan

Z1 Z5
1
E [X(5 X)] = x (5 x) f (x)dx = x (5 x) dx
5
1 0
Z5 5
x2 x2 x3
= x dx =
5 2 15 0
0
2
25 125 125 25 5
= = = 6= :
2 15 30 6 2

Jadi secara umum, nilai harapan dari suatu hasil kali tidak sama dengan hasil
kali nilai harapan.

Example 30 :

Carilah nilai harapan atau ekspektasi dari banyaknya kimiawan dalam pani-
tia 3 orang yang dipilih secara acak dari 4 kimiawan dan 3 biolog.

Solution 31 :

Misalkan X menyatakan banyaknya kimiawan dalam panitia. Distribusi

peluang X adalah
4 3
x 3 x
f (x) = 7 ; x = 0; 1; 2; 3:
3

Dengan perhitungan sederhana diperoleh f (0) = 1=35; f (1) = 12=35; f (2) =

18=35 dan f (3) = 4=35: Jadi nilai harapan dari X adalah

1 12 18 4
= E(X) = 0 +1 +2 +3
35 35 35 35
12 + 36 + 12 12
= = = 1; 7:
35 7
Jadi bila suatu kepanitian beranggotakan 3 orang yang dipilih secara acak
berulang-ulang dari 4 kimiawan dan 3 biolog, maka ekspektasinya atau rata-
ratanya akan beranggotakan 1,7 kimiawan.

23
Example 32 :

Dalam suatu permainan, seseorang mendapat Rp 5 bila dalam lantunan 3

uang logam muncul semua muka atau semua belakang, dan membayar Rp 3 bila
muncul muka satu atau dua. Berapakah harapan kemenangannya?

Solution 33 :

Ruang sampel untuk kemungkinan hasil bila 3 uang dilantunkan sekaligus,

atau sama saja dengan bila 1 uang dilantun 3 kali, ialah

T = fM M M; M M B; M BM; BM M; M BB; BM B; BBM; BBBg:

Dapat dilihat bahwa tiap titik sampel berpeluang sama dan masing-masing
terjadi dengan peluang 1/8. Cara lain adalah dengan menggunakan aturan
perkalian peluang kejadian bebas pada semua unsur T. Sebagai contoh,
1 1 1 1
P (M BB) = P (M )P (B)P (B) = = :
2 2 2 8
Peubah acak yang menjadi perhatian adalah Y; besarnya kemenangan, dan ke-
mungkinan nilai Y adalah Rp 5 bila kejadian E1 = fM M M; BBBg yang muncul
dan -Rp3, bila kejadian E2 = fM M B; M BM; BM M; M BB; BM B; BBM g
yang muncul. Karena E1 dan E2 terjadi masing-masing dengan peluang 1/4
dan 3/4, maka
1 3
= E(Y ) = 5 + ( 3) = 1:
4 4
Dalam permainan tersebut, si pemain rata-rata akan kalah Rp 1 per lantunan
3 uang logam. Suatu permainan dianggap ”adil” bila si pemain, rata-ratanya
tidak menang atau kalah. Dengan kata lain, nilai harapannya sama dengan nol.

Example 34 :

Sebuah mangkok berisi 5 chips, yang tidak dapat dibedakan hanya dengan
menyentuh. Tiga chips tersebut masing-masing ditandai dengan $1 dan sisanya
ditandai $4. Seorang pemain yang ditutup matanya mengambil dua chip terse-
but dari dalam mangkuk secara acak dan tanpa pengembalian. Pemain terse-
but dibayar dengan uang yang nilainya sama dengan banyaknya nilai dua chips
yang ia ambil dan permainan selesai. Jika untuk memainkan game tersebut bi-
ayanya $4,75, apakah kita mau berpartisipasi untuk waktu yang lama? Karena
kita tidak dapat membedakan chipsnya dengan sentuhan, kita asumsikan bahwa
masing-masing dari 10 pasangan yang dapat diambil tersebut, mempunyai pelu-
ang yang sama untuk diambil. Misalkan variabel acak X merupakan banyaknya
chips dari dua chip yang dipilih, yang ditandai $1, maka berdasarkan asumsi,
X mempunyai distribusi hipergeometrik p.d.f.
( 3 2
(x)(2 x)
; x = 0; 1; 2
f (x) = (52) ;
0; untuk x yang lain

24
Dengan perhitungan sederhana diperoleh
" #
3 2
0 2 1:1 1
f (0) = 5 = = ;
2
10 10
" #
3 2
1 1 3:2 6
f (1) = 5 = = ;
2
10 10
" #
3 2
2 0 3:1 3
f (2) = 5 = = :
2
10 10

Jika X = x; maka pemain tersebut menerima u(x) = x + 4(2 x) = 8 3x

dolar. Oleh sebab itu, ekspektasi matematikanya sama dengan
2
X 2
X 3 2
x 2 x
E (8 3x) = (8 3x) f (x) = (8 3x) 5
x=0 x=0 2
1 6 3
= 8 +5 +2
10 10 10
8 + 30 + 6 44
= = = 4; 4
10 10
atau sama dengan $4,40.

Exercise 35 :

1. Misalkan X mempunyai p.d.f. f (x) = (x+2)=18; untuk 2 < x < 4; dan 0

untuk x yang lainnya. Tentukan E(X); E[(X +2)3 ] dan E[6x 2(X +2)3 ]:
2. Misalkan f (x) = 51 ; x = 1; 2; 3; 4; 5; dan 0 untuk x lainnya, adalah p.d.f.
dari variabel acak bertipe diskrit. Hitung E(X) dan E(X 2 ): Dari hasi
2
tersebut, carilah E[(X + 2)2 ] dengan menuliskan (X + 2) = X 2 + 4X + 4:
3. Banyaknya mobil X yang masuk ke suatu pencuci mobil setiap hari antara
jam 13.00-14.00 mempunyai distribusi peluang

x 4 5 6 7 8 9
1 1 1 1 1 1
P (X = x) 12 12 4 4 6 6

Misalkan g(X) = 2X 1 menyatakan upah (dalam ribuan rupiah) para

karyawan yang dibayar perusahaan dalam jam tersebut. Cari harapan
pendapatan karyawan pada jam tersebut.
4. Misalkan X suatu peubah acak dengan fungsi kepadatan
x2
f (x) = 3 ; 1<x<2
0; untuk x yang lain.

Hitunglah nilai harapan dari g(X) = 4X + 3:

25
5. Sebuah mangkuk berisi 10 chips, di mana 8 di antaranya ditandai dengan
$2 dan dua sisanya ditandai dengan $5. Misalkan seseorang memilih 3
chips dari dalam mangkuk secara acak tanpa pengembalian, Jika orang
tersebut menerima sejumlah uang dari nilai chips yang diperoleh, tentukan
ekspektasinya.

6. Misalkan X peubah acak yang menyatakan umur (jam) sejenis bola lampu.
Fungsi kepadatan peluangnya (p.d.f.) diberikan oleh
20:000
f (x) = x3 ; jika x > 100
:
0; untuk x lainnya.

Hitunglah harapan umur jenis bola lampu tadi.

26
6 Beberapa Ekspektasi Khusus
Misalkan X adalah variabel acak bertipe diskrit yang mempunyai fungsi kepa-
datan peluang (p.d.f.) f (x): Maka
X
E (X) = xf (x):
x

Jika titik-titik diskrit dari ruang kepadatan peluang positif adalah a1 ; a2 ; a3 ; ...
maka
E (X) = a1 f (a1 ) + a2 f (a2 ) + a3 f (a3 ) + :::
Nilai rata-rata (mean) (jika ada) dari variabel acak X bertipe diskrit atau
kontinu adalah = E (X) :
2
Bila u (X) = (X ) ; dengan X adalah variabel acak bertipe diskrit yang
mempunyai p.d.f. f (x), maka
X 2
E (X )2 = (x ) f (x)
2 2
= (a1 ) f (a1 ) + (a2 ) f (a2 ) + :::
Variansi dari X; dinyatakan dengan 2 ; dan dide…nisikan dengan 2
(jika ada)
adalah
2
= E (X )2 = E X 2 2 X + 2 :
Karena E adalah operator linier, maka
2
= E X2 2 E (X) + 2

= E X2 2 2
+ 2

= E X2 2
:
2
Akar dari variansi adalah ; dan dinyatakan sebagai deviasi standar dari X:
Bilangan kadang-kadang dinyatakan sebagai ukuran dispersi dari titik-titik
suatu ruang, relatif terhadap nilai rata-rata : Jika ruangnya hanya memuat
satu titik x di mana f (x) > 0; maka = 0:
Remark 36 :
1. Misalkan variabel acak X bertipe kontinu mempunyai p.d.f.
8 1
< 2a ; a < x < a;
f (x) =
:
0; untuk x lainnya,
p
maka = a= 3 adalah deviasi standar dari distribusi X:
2. Misalkan variabel acak Y bertipe kontinu mempunyai p.d.f.
8 1
< 4a ; 2a < y < 2a
g(y) =
:
0; untuk x lainnya,
p
maka = 2a= 3; yang merupakan deviasi standar dari distribusi Y:

27
 Perhatikan bahwa deviasi standar dari Y lebih besar dari X: Hal ini menun-
jukkan bahwa peluang untuk Y lebih terdistribusi secara luas (relatif terhadap
rata-rata nol) daripada peluang untuk X:
Misalkan ada bilangan positif h, sehingga untuk h < t < h ekspektasi
matematik E(etX ) ada. Jadi
Z1
tX
E(e )= etX f (x)dx;
1

jika X variabel acak bertipe kontinu atau

X
E(etX ) = etX f (x);
x

jika X variabel acak bertipe diskrit. Ekspektasi ini disebut fungsi pembangkit
moment (m.g.f.) dari X dan dinyatakan dengan M (t); yaitu

M (t) = E(etX ):

Jika t = 0; maka M (0) = 1: Jika dua variabel mempunyai m.g.f. yang sama,
maka mereka mempunyai distribusi yang sama.
Berikut ini adalah contoh fungsi pembangkit momen (m.g.f.) dari suatu
variabel acak X bertipe diskrit untuk semua bilangan riil t:
1 t 2 3 4
M (t) = e + e2t + e3t + e4t :
10 10 10 10
Jika dimisalkan f (x) adalah p.d.f. dari X dan misalkan a; b; c; d; ::: merupakan
titik-titik diskrit di ruang X dengan f (x) > 0; maka
X
M (t) = etx f (x);
x

atau
1 t 2 3 4
e + e2t + e3t + e4t = f (a)eat + f (b)ebt + :::
10 10 10 10
Dengan membandingkan kedua ruas, dapat diambil
1 2 3 4
a = 1; f (a) = ; b = 2; f (b) = ; c = 3; f (c) = ; d = 4; f (d) = :
10 10 10 10
Atau lebih sederhana, p.d.f. dari X adalah
8 x
< 10 ; x = 1; 2; 3; 4;
f (x) =
:
0; untuk x lainnya.

Dengan kata lain, misalkan X adalah variabel acak bertipe kontinu dan dike-
tahui
1
M (t) = ; t<1
1 t

28
adalah m.g.f. dari X: Berdasarkan de…nisi,
Z1
1
= etx f (x)dx; t < 1:
1 t
1

Suatu distribusi dengan p.d.f

8 x
< e ; 0 < x < 1;
f (x) =
:
0; untuk x lainnya
1
mempunyai m.g.f. M (t) = (1 t) ; t < 1: Jadi variabel acak X mempunyai
distribusi dengan p.d.f. ini sesuai dengan penekanan pada ketunggalan m.g.f.
Karena distribusi yang mempunyai m.g.f. M (t) ditentukan oleh M (t); maka
tidak mengherankan jika memperoleh beberapa sifat dari distribusi langsung
dari M (t): Sebagai contoh, eksistensi M (t) untuk h < t < h menyebabkan
turunan dari semua orde ada di t = 0: Jadi dengan menggunakan teorema yang
membolehkan kita untuk mengubah orde turunan dan integrasi, diperoleh
Z1
dM (t)
= M 0 (t) = x etx f (x)dx;
dt
1

jika X bertipe kontinu, atau

dM (t) X
= M 0 (t) = xetx f (x);
dt x

jika X bertipe diskrit. Dengan mengambil t = 0; diperoleh

M 0 (0) = E(X) = :

Turunan kedua dari M (t) adalah

Z1 X
00
M (t) = x2 etx f (x)dx atau x2 etx f (x);
1 x

sehingga M "(0) = E X 2 : Dengan demikian, var (X) sama dengan

2
= E(X 2 ) 2
= M 00 (0) [M 0 (0)]2 :

Sebagai contoh, jika M (t) = (1 t) 1 ; t < 1; seperti dijelaskan sebelumnya,

maka
M 0 (t) = (1 t) 2 dan M 00 (t) = 2(1 t) 3 :
Oleh sebab itu,
= M 0 (0) = 1 dan M 00 (0) = 2

29
sehingga
2
= M 00 (0) 2
=2 1 = 1:
Cara lain untuk menentukan dan 2 adalah dengan menghitungnya dari p.d.f.,
yaitu:
Z1 Z1
2
= x f (x) dx dan = x2 f (x) dx 2
:
1 1

Secara umum, jika m adalah bilangan bulat positif dan jika M (m) (t) berarti
turunan ke m dari M (t); diperoleh:

M (m) (0) = E(X m );

sehingga
Z1 X
m
E(X ) = xm f (x) dx atau xm f (x)
1 x

Karena M (t) membangkitkan nilai-nilai dari E(X m ); dengan m = 1; 2; 3; :::

maka M (t) disebut fungsi pembangkit momen (m.g.f. = moment-generating
function). Namun kadang-kadang E(X m ) disebut momen distribusi ke-m atau
momen ke-m dari X:

Example 37 :

Misalkan X mempunyai p.d.f.

8 1
< 2 (x + 1); 1<x<1
f (x) =
:
0 untuk x lainnya.

Maka nilai rata-rata (mean) dari X adalah

Z1 Z1 Z1
1 1
= x f (x) dx = x (x + 1) dx = x2 + x dx
2 2
1 1 1
1
1 1 3 1 2 1 1 3 1 2 1 3 1 2
= x + x = (1) + (1) ( 1) + ( 1)
2 3 2 1 2 3 2 3 2
1 1 1 1 1 1 2 1
= + + = = :
2 3 2 3 2 2 3 3

30
Variansi dari X adalah
Z1 Z1 2
2 2 2 (x + 1) 1
= x f (x) dx = x2 dx
2 3
1 1
Z1 1
1 1 1 1 4 1 3 1
= x3 + x2 dx = x + x
2 9 2 4 3 1 9
1
1 1 4 1 3 1 4 1 3 1
= (1) + (1) ( 1) + ( 1)
2 4 3 4 3 9
1 1 1 1 1 1 1 2 1
= + =
2 4 3 4 3 9 2 3 9
1 1 2
= =
3 9 9
Example 38 :

Jika X mempunyai p.d.f.

8 1
< x2 ; 1 < x < 1;
f (x) =
:
0; untuk x lainnya.

maka nilai rata-rata dari X tidak ada, karena

Z1 Z1 Z1
1 1
= x f (x) dx = x 2 dx = dx
x x
1 1 1
Zb
1
= lim dx = lim (ln b ln 1) :
b!1 x b!1
1

Example 39 :

Misalkan X mempunyai fungsi pembangkit momen m.g.f.

2
M (t) = et =2
; 1 < t < 1:

Fungsi M (t) ini dapat dinyatakan dengan deret MacLaurin sebagai berikut:
2 3 k
t2 =2 1 t2 1 t2 1 t2 1 t2
e = 1+ + + + ::: + + :::
1! 2 2! 2 3! 2 k! 2
t2 t4 t6 t2k
= 1+ + + + ::: + + :::
(1!) :2 (2!) :4 (3!) :8 (k!) :(2)k
1 (3) (1) 4 (5) : (3) : (1) 6 (2k 1) ::: (3) (1) 2k
= 1 + t2 + t + t + ::: + t + :::
2! 4! 6! (2k)!

31
 Keterangan:

t4 1 4 (3) (1) 4 (3) (1) 4

= t = t = t ;
(2!) :4 8 (3) : (8) 4!
t6 1 6 (5) (3) (1) 6 (5) (3) (1) 6
= t = t = t ;
(3!) :8 2:4:6 1:2:3:4:5:6 6!
dan seterusnya.

Secara umum, deret MacLaurin untuk M (t) adalah

M 0 (0) M 00 (0) 2 M 000 (0) 3 M (m) (0) m

M (t) = M (0) + t+ t + t + ::: + t + :::
1! 2! 3! m!
E (X) E X2 2 E X3 3 E (X m ) m
= 1+ t+ t + t + ::: + t + :::
1! 2! 3! m!
Jadi koe…sien (tm =m!) dalam representasi deret MacLaurin dari M (t) adalah
E(X m ); sehingga

(2k)!
E(X 2k ) = (2k 1) (2k 3) :::(3)(1) = ; dengan k = 1; 2; 3; :::dan
2k k!
E(X 2k 1
) = 0; dengan k = 1; 2; 3; :::

Exercise 40 :

1. Carilah nilai rata-rata (mean) dan variansi (jika ada), dari setiap distribusi
berikut ini:
(
3! 1 3
x!(3 x)! 2 ; untuk x = 0; 1; 2; 3
(a) f (x) =
0; untuk xlainnya:
6x(1 x); 0 < x < 1;
(b) f (x) =
0; untuk x lainnya.
2=x3 ; 1 < x < 1;
(c) f (x) =
0; untuk x lainnya.
1 x
; x = 1; 2; 3; :::
2
2. Misalkan f (x) = merupakan p.d.f dari variabel
0; untuk x lainnya
acak X: Tentukan m.g.f., nilai rata-rata dan variansi dari X:
3. Untuk setiap fungsi kepadatan peluang berikut, hitunglah
P( 2 < X < + 2 ):

6x(1 x); 0 < x < 1;

(a) f (x) =
0; untuk x lainnya.
1 x
2 ; x = 1; 2; 3; :::
(b) f (x) =
0; untuk x lainnya.

32
4. Tunjukkan bahwa m.g.f. dari variabel acak X yang mempunyai p.d.f.
1=3; 1 < x < 2;
f (x) = adalah
0; untuk x lainnya,

e2t e t
; t 6= 0;
M (t) = 3t
1; t = 0:

33
7 Ketaksamaan Chebyshev
Theorem 41 :

Misalkan u(X) adalah fungsi tak negatif dari suatu variabel acak X: Jika
E(u(X)) ada, maka untuk setiap kontanta positif c; berlaku

E[u(X)]
P [u(X) c] :
c
Proof. :
Misalkan A = fx : u(x) cg dan f (x) menyatakan fungsi kepadatan peluang
(p.d.f.) dari X: Maka
Z1 Z Z
E[u(x)] = u(x) f (x) dx = u(x) f (x) dx + u(x) f (x) dx
1 A A
Z
E[u(x)] u(x) f (x) dx
A

Jika x 2 A; maka u(x) c; sehingga

Z Z
E[u(x)] u(x) f (x) dx c f (x) dx:
A A

Karena Z
f (x) dx = P (X 2 A) = P [u(x) c];
A

maka
E[u(x)] c P [u(x) c]:
Jadi terbukti
E[u(x)]
P [u(x) c] :
c

Theorem 42 : Ketaksamaan Chebyshev

2
Misalkan variabel acak X mempunyai distribusi peluang, dengan variansi
dan mean ; maka untuk setiap k > 0; berlaku
1
P (jX j k ) ;
k2
atau
1
P (jX j<k ) 1 :
k2

34
Proof. :
Pada teorema di atas, jika diambil u(X) = (X )2 dan c = k 2 2
; maka
diperoleh
E[(X )2 ]
P [(X )2 k 2 2 ] :
k2 2
Karena (X )2 k 2 2 () jX j k dan E[(X )2 ] = 2
; maka
ketaksamaan di atas dapat ditulis dalam bentuk
2
1
P (jX j k ) = :
k2 2 k2
Dari ketaksamaan Chebyshev tersebut terlihat bahwa 1=k 2 merupakan batas
atas dari peluang P [jX j k :Jadi ketaksamaan Chebyshev di atas terbukti.

Keterangan:
1
P (jX j k ) = P (X + k atau X k ) k2 : Dengan kata
lain, 1=k 2 merupakan batas atas dari peluang P (jX j k ) : Demikian pula
untuk P (jX j < k ) = P( k < X < +k ) 1 1=k 2 : Dengan
2
demikian, 1 1=k merupakan batas bawah dari peluang P (jX j < k ).
Example 43 :
Misalkan X mempunyai p.d.f sebagai berikut:
1
p p
p ; 3<x< 3
f (x) = 2 3
0; untuk x lainnya.
Maka
p p p
Z3 Z3 Z3
1 1
= E(X) = x f (x) dx = x p dx = p x dx
p p 2 3 2 3 p
3 3 3
p
3 p 2 p 2
1 1 2 1
= p x p
= p 3 3
2 3 2 3 4 3
1
= p (3 3) = 0:
4 3
Dan
p
Z3
2 2 2 2
= E(X ) = E(X ) = x2 f (x) dx 2

p
3
p p
p
Z3 Z3 3
2 1 1 2 1 1 3
= x p dx 0= p x dx = p x p
p 2 3 2 3 p 2 3 3 3
3 3
p
1 p 3 p 3 1 p p 6 3
= p 3 3 = p 3 3 + 3 3 = p = 1:
6 3 6 3 6 3

35
 Jika k = 1=2; maka peluang eksaknya adalah

P (jX j k ) = P (jXj 1=2) = 1 P (jXj < 1=2)

1=2
Z 1=2
Z
1 1
= 1 f (x) dx = 1 p dx = 1 p (x)j1=2
1=2
2 3 2 3
1=2 1=2

1 1 1 1 1
= 1 p =1 p (1) = 1 p
2 3 2 2 2 3 2 3
1p
= 1 3 = 0; 711:
6
Berdasarkan ketaksamaan Chebyshev, peluang di atas mempunyai batas atas
1=k 2 = 1= (1=4) = 4: Jadi nilai peluang eksaknya jauh lebih kecil daripada batas
atasnya.
Jika k = 1; maka peluang eksaknya adalah

P (jX j k ) = P (jXj 1) = 1 P (jXj < 1)

Z1 Z1
1 1
= 1 f (x) dx = 1 p dx = 1 p (x)j1 1
2 3 2 3
1 1
1 1 1
= 1 p [1 ( 1)] = 1 p (2) = 1 p
2 3 2 3 3
1p
= 1 3 = 0; 423:
3
Berdasarkan ketaksamaan Chebyshev, peluang tersebut di atas mempunyai
batas atas 1=k 2 = 1=1 = 1: Jadi nilai peluang di atas masih lebih kecil daripada
batas atasnya.
Jika diambil k = 32 ; maka peluang eksaknya adalah

3 3
P (jX j k )=P jXj =1 P jXj <
2 2
3=2
Z 3=2
Z
1 1
= 1 f (x) dx = 1 p dx = 1 p (x)j3=2
3=2
2 3 2 3
3=2 3=2

1 3 3 1 6 3
= 1 p =1 p =1 p
2 3 2 2 2 3 2 2 3
p
3
= 1 = 0; 134:
2
Jadi nilai peluang di atas masih lebih kecil daripada batas atasnya, yaitu
1=k 2 = 1= (9=4) = 94 = 0; 444.

36
 Jika diambil k = 2; maka peluang eksaknya adalah
P (jX j 2 ) = P (jXj 2)
Z2
= 1 P (jXj < 2) = 1 f (x) dx
2
0 p p 1
Z 3 Z3 Z2
B C
= 1 @ f (x) dx + f (x) dx + f (x) dxA
p p
2 3 3
0 p 1 p
Z3 Z3
B C
= 1 @0 + f (x) dx + 0A = 1 f (x) dx
p p
3 3
p
Z3 p
1 1 3
= 1 p dx = 1 p (x)j p 3
p 2 3 2 3
3
1 hp p i 1 p
= 1 p 3 3 =1 p 2 3
2 3 2 3
= 1 1 = 0:
Jadi nilai peluang eksaknya masih lebih kecil daripada batas atasnya, yaitu
1=k 2 = 14 = 0; 25
Jika diambil k = 3; maka nilai peluang eksaknya adalah
P (jX j 3 ) = P (jXj 3)
Z3
= 1 P (jXj < 3) = 1 f (x) dx
3
0 p p 1
Z 3 Z3 Z3
B C
= 1 @ f (x) dx + f (x) dx + f (x) dxA
p p
3 3 3
0 p 1 p
Z3 Z3
B C
= 1 @0 + f (x) dx + 0A = 1 f (x) dx
p p
3 3
p
Z3 p
1 1 3
= 1 p dx = 1 p (x)j p 3
p 2 3 2 3
3
1 hp p i 1 p
= 1 p 3 3 =1 p 2 3
2 3 2 3
= 1 1 = 0:
Jadi nilai peluang eksaknya masih lebih kecil daripada batas atasnya, yaitu

37
1=k 2 = 1=9:
Dari beberapa nilai k yang diberikan, nilai peluang eksak P (jX j k )
dan batas atas 1=k 2 selalu berbeda, berapapun nilai k yang diambil.

Example 44 :

Misalkan variabel acak X bertipe diskrit dan mempunyai peluang

x 1 0 1
1 6 1
f (x) 8 8 8

Nilai rata-ratanya adalah

1
X 1 6 1
= E(X) = xf (x) = ( 1) + (0) + (1) =0
x= 1
8 8 8

dan variansinya adalah

2
= E(X )2 = E(X 2 ) 2

1
X 2 1 6 1
= x2 f (x) 2
= ( 1) + 02 + 12 0
x= 1
8 8 8
2 1
= = :
8 4
Fungsi distribusinya adalah
8
>
> 0; x< 1
< 1
F (x) = 8; 1 x<0
7
> 8;
> 0 x<1
:
1; 1 x:

Jika k = 1; dan standar deviasi = 1=2; maka peluang eksaknya adalah

1 1
P (jX j k ) = P jX 0j 1: =P jXj
2 2
1 1 1
= 1 P jXj < =1 P <X<
2 2 2
1 1 7 1
= 1 F F =1
2 2 8 8
6 1
= 1 =
8 4
Dapat dilihat bahwa nilai peluang eksaknya masih lebih kecil daripada batas
atasnya, yaitu 1=k 2 = 1.

38
 Jika k = 2; maka peluang eksaknya adalah

1
P (jX j k ) = P jX 0j 2: = P (jXj 1)
2
= 1 P (jXj < 1) = 1 P ( 1 < X < 1)
7 1
= 1 [F (1 ) F ( 1)] = 1
8 8
6 2 1
= 1 = = :
8 8 4
Dapat dilihat bahwa nilai peluang eksaknya sama dengan batas atasnya, yaitu
1=k 2 = 1=4:

Remark 45 :

Teorema Chebyshev berlaku untuk setiap distribusi pengamatan, sehingga

hasilnya lemah. Tanpa mengetahui distribusi peluangnya, nilai peluangnya
hanya dapat diketahui dari batas atas atau bawah bawahnya saja. Namun
bila distribusi peluangnya diketahui, maka nilai peluangnya secara eksak dapat
diketahui.

Exercise 46 :

1. Jika X adalah suatu variabel acak dengan E(X) = 3 dan E(X 2 ) = 13;
gunakan ketaksamaan Chebyshev untuk menentukan batas bawah peluang
P ( 2 < X < 8):
2
2. Suatu variabel acak X mempunyai rataan = 8; variansi = 9;
sedangkan peluang distribusinya tidak diketahui. Tentukan

(a) P ( 4 < X < 20)

(b) P (jX 8j 6):

3. Misalkan fungsi kepadatan peluang dari variabel acak X berbentuk:

x
a: f (x) = 15 ;x = 1; 2; 3; 4; 5:
0; untuk x lainnya
1
8 (y + 1) ; 2 < y < 4
b: f (y) =
0; untuk x lainnya

Hitung P ( 2 <X< + 2 ) dan bandingkan hasilnya dengan per-

tidaksamaan Chebyshev.

39