Bab 1 Statmat PDF
Bab 1 Statmat PDF
Definisi:
Misalkan X peubah acak. Fungsi distribusi (kumulatif) dari X adalah
FX (x) = P (X ≤ x)
Contoh:
P (x1 ≤ X ≤ x2 ) = λ (x2 − x1 ),
1
untuk a ≤ x1 ≤ x2 ≤ b. Untuk menentukan λ, misalkan x1 = a dan
x2 = b. Maka,
P (a ≤ X ≤ b) = 1 = λ (b − a) ⇒ λ = 1/(b − a)
Fungsi distribusinya:
0, x < a;
x−a
F (x) = P (X ≤ x) = P (a ≤ X ≤ x) = , x ∈ [a, b];
b−a
1, x > b.
Definisi:
Distribusi dari peubah acak X dikatakan KONTINU jika fungsi distribusi dis-
etiap x kontinu dan fungsi distribusi tersebut dapat diturunkan.
X = g −1 (Y ) =
FX (x) =
FY (y) =
Y ∼
Latihan:
FY (y) = P (Y ≤ y) = P (g(X) ≤ y)
dimana dalam hal ini setiap solusi inverse x = g −1 (y) digunakan untuk menen-
tukan FY (y) dengan menggunakan FX (g −1 (y)). Untuk X ∼ U (−1, 2) dan
g(X) = Y = X 2 , kita dapatkan fungsi distribusi dari Y :
FY (y) =
dimana
o(4x)
lim =0
4x→0 4x
Fungsi
· ¸
d
dF (x) = F (x) 4x
dx
Contoh:
Misalkan F (x) = 1 − e−3x untuk x ≥ 0. Apakah F (x) suatu fungsi distribusi?
Hitung unsur peluang di x = 2. Cari pendekatan untuk P (2 ≤ X ≤ 2.01).
P (x ≤ X ≤ x + 4x)
Density rata-rata =def
4x
Sedangkan fungsi densitas peluang atau fungsi peluang (f.p) di x adalah limit
P (x ≤ X ≤ x + 4x)
f.p = f (x) =def lim
4x→0 4x
=
=
d
= F (x)
dx
Catatan: Unsur peluang dituliskan sebagai dF (x) = f (x)4x.
Latihan:
d −1
J(y) = g (y)
dy
adalah transformasi Jacobian.
BUKTI:
Misalkan g(x) memiliki lebih dari satu fungsi invers maka unsur peluang yang
terpisah harus dihitung untuk setiap fungsi invers. Contoh, misalkan X ∼
U (−1, 2) dan Y = g(X) = X 2 . Maka untuk y ∈ [0, 1], terdapat 2 fungsi invers
yaitu ?, dan satu fungsi invers untuk y ∈ (1, 4] yaitu ?. Fungsi peluang dari Y
adalah:
f (y) =
Misalkan X peubah acak dengan fungsi peluang f (x). Nilai harapan dari X,
jika ada, adalah
Z ∞
E(X) = µX = f (x)dx
−∞
Catatan: nilai ekspektasi dikatakan ada jika nilai integral adalah hingga.
Misalkan X rv dengan pdf f (x). Maka nilai harapan dari g(X), jika ada,
adalah
Z ∞
E[g(X)] = g(x)f (x)dx
−∞
.
Operator integral bersifat linier. Jika g1 (X) dan g2 (X) fungsi-fungsi yang
memiliki ekspektasi dan a, b, c konstanta, maka
Contoh/Latihan:
Bukti:
Z ∞
E(X − c) = (x − c)f (x) dx
Z−∞
c Z ∞
= (x − c)f (x)dx + (x − c)f (x)dx
−∞ c
Z ∞ Z ∞
=− uf (c − u)du + uf (c + u)du
0 0
Z ∞
= u(f (c + u) − f (c − u)) du = 0
0
dengan µ, σ konstanta yang memenuhi |µ| < ∞ dan σ ∈ (0, σ). Tun-
jukkan bahwa fungsi peluang simetrik di sekitar µ namun ekspektasinya
bukanlah µ.
3. FX,Y (∞, ∞) = 1
Contoh/Latihan:
P (2.5 ≤ X ≤ 3.5, 1 ≤ Y ≤ 4) =
P (X 2 + Y 2 > 16) =
3. Jika fX,Y (x, y) = 6/5(x + y 2 ) untuk x ∈ (0, 1) dan y ∈ (0, 1). Tentukan
P (X + Y < 1).
fX (x) =
fY (y) =
dan nilai harapan
Z ∞ Z ∞
E(g(X, Y )) = E(X) = g(x, y) fX,Y (x, y) dxdy =
−∞ −∞
Misalkan fX,Y (x, y) adalah fungsi peluang bersama, maka fungsi peluang Y ,
diberikan X = x, adalah
fX,Y (x, y)
fY |X (y|x) =def ,
fX (x)
maka
fX (x) =
E(X r ) =
fY (y) =
E(Y r ) =
fX|Y (x|y) =
fY |X (y|x) =
E(X r |Y = y) =
E(Y r |X = x) =
Misalkan (X, Y ) adalah peubah acak berpasangan dengan fungsi peluang bersama
fX,Y (x, y). Pandang persoalan memprediksi Y setelah X = x terobservasi.
Prediktor dinotasikan sebagai ŷ(x). Prediktor terbaik didefinisikan sebagai
fungsi Ŷ (X) yang meminimumkan
h i2 Z ∞ Z ∞
E Y − Ŷ (X) = (y − ŷ(x))2 fX,Y (x, y) dydx
−∞ −∞
Contoh/Latihan:
fY |X (y|x) =
ŷ(x) =
(Y |X = x) ∼
3. Tunjukkan bahwa
h i
EX fY |X (y|X) = fY (y)
4. Buktikan
n h io h i
EX E h(Y )|X = E h(Y )
5. Buktikan
h i h i
V ar(Y ) = EX V ar(Y |X) + V ar E(Y |X)
fY (y) =
asalkan ekspektasi ada untuk t disekitar 0. Jika semua momen dari X tidak
ada, maka fungsi pembangkit momen juga tidak ada. Fungsi pembangkit
momen berkaitan dengan fungsi pembangkit peluang
MX (t) = GX (et )
asalkan GX (t) ada untuk t disekitar 1. Jika MX (t) adalah fungsi pembangkit
peluang maka MX (0) = 1.
Contoh/Latihan:
MX (t) =
Ma+bX (t) =
3. Jika
P Xi , i = 1, . . . , n saling bebas, MXi (t) ada untuk setiap i, dan S =
Xi , maka
MS (t) =