Tugasstatmat PDF

STATISTIKA MATEMATIKA I
Disusun Oleh :
Februl Defila
(10050051)
PROGRAM STUDI PENDIDIKAN MATEMATIKA

SEKOLAH TINGGI KEGURUAN DAN PENDIDIKAN
(STKIP) PGRI SUMATERA BARAT
2012
BAB I
PELUANG
1.1 Ruang Sampel dan Kejadian

Ruang sampel atau sampel adalah himpunan semua kejadian yang mungkin dari sebuah
experience, disimbolkan “S”. Himpunan bagian dari ruang sampel dinamakan kejadian/event.
Secara khusus, himpunan yang hanya terdiri dari satu kejadian dinamakan kejadian dasar.
Contoh :
1. Jika sebuah koin dilempar 3 kali, kejadian yang mungkin adalah :
S={GGG,GGA,GAG,AGG,GAA,AGA,AAG,AAA}. Dengan S adalah ruang sampel.
2. S = {1,2,3}
 S   23 = {  ,{1},{2},{3},{1,2},{1,3},{2,3},{1,2,3}}
Dari pernyataan diatas diperoleh : {1}  S
{1}   S 
{1}   S 
Dimana  S  adalah power set atau himpunan bagian.

3. Sebuah dadu dilempar 120 kali. Dari kejadian tersebut, diperoleh hasil eksperimen atau
frekuensi kejadian sebagai berikut :
Angka 1 sebanyak 20 kali, angka 2 sebanyak 19 kali, angka 3 sebanyak 18 kali, angka 4
sebanyak 21 kali, angka 5 sebanyak 17 kali, angka 6 sebanyak 25 kali. Tentukan
banyaknya jumlah frekuensi jika :
a) Ada sebuah kejadian munculnya angka genap.
b) Ada sebuah kejadian munculnya angka ganjil.
c) Ada sebuah kejadian munculnya angka kurang dari 4.
Jawab :
Untuk menjawab pertanyaan diatas, pengertian peluang dapat diterjemahkan
menggunakan frekuensi relatif kejadian yang didefinisikan sebagai :
f ( A)
f n ( A) 
f (S )
1
Februl Defila
defiladefila@gmail.com
http://febroeldefila.wordpress.com
f ( S ) 120
f n (S )   1
f ( S ) 120
a) A = {2,4,6} maka f(A) = 19 + 21 + 25 = 65
f ( A) 65
f n ( A)  
f ( S ) 120
b) B = {1,3,5} maka f(B) = 20 + 18 + 17 = 55
f ( B) 55
f n ( B)  
f ( S ) 120
c) C = {1,2,3} maka f(C) = 20 + 19 + 18 = 57
f (C ) 57
f n (C )  
f ( S ) 120
 Dari contoh soal diatas, frekuensi relatif memiliki sifat :
 f n (0)  0
 f n (S )  1
 f n ( A  B)  f n  A  f n B  jika A  B  
 Kejadian dikatakan saling asing jika kejadian tersebut tidak dapat terjadi bersama-sama.
 Jika ruang sampel suatu percobaan dengan kejadian dasar S = {Si}, maka peluang
timbulnya kejadian dasar S = {Si} dengan i = 1,2,…,n adalah :
Pi = P[{Si}], i = 1,2,…,n dengan sifat :
 Pi  0
 P
i 1
i 1
 k  k
 Jika A1,…,Ak adalah kejadian dalam S yang saling asing maka P  Pi    Pi
 i 1  i 1
1.2 Peluang Klasik

1
Peluang Klasik adalah suatu kejadian yang mempunyai peluang yang sama, yaitu .
N
1
Pi  , i, i  1,2,...,N
N
2
Februl Defila
P  A 
n( A)
, dengan sifat : P( A)  0 ; P(S )  1 ; P( )  0 dan P( A  B)  P( A)  P( B)
n( S )
jika A  B  
Sifat – sifat lain dari peluang, dinyatakan dalam teorema berikut :

Jika A,B suatu kejadian dalam S, maka :
1. P( A  B)  P( A)  P( B)  P( A  B)
2. P( A)  1  P( A) A A  S
A A 
3. P( A  B)  P( A)  P( A  B)
4. P( A  B  C )  P( A)  P( B)  P(C )  P( A  B)  P( A  C )  P( B  C ) +
P A  B  C 
Contoh :
Dua kartu diambil secara acak satu – persatu, tentukan peluang bahwa kartu yang terambil
pertama adalah kartu Jack dan kartu yang terambil kedua adalah kartu Queen!
Jawab :
Peluang dari kejadian diatas adalah :
4 4 16 4
  
52 51 2652 663
1.3 Peluang Bersyarat

Peluang bersyarat suatu kejadian dengan syarat terjadinya peristiwa yang lain (sebelumnya)
didefinisikan sebagai berikut :
P A  B 
P A | B   dengan PB   0
P B 
3
Februl Defila
Secara umum, jika dua peristiwa A1 dan A2 saling asing  A1  A2    , maka :
P A1  A2  B 
P A1  A2 | B  
P B 
P A1  B  A2  B 
=
P B 
P A1  B  P A2  B 
 
P B  P B 
 P A1 | B   P A2 | B 
Sifat – sifat lain dari peluang bersyarat adalah sebagai berikut :

1. P(A|B) = P A | B 
2. P A1  A2 | B  = P A1 | B   P A2 | B   P A1  A2 | B 
3. 0  P A | B   1
Contoh :
1. Empat kartu diambil secara random satu persatu tanpa pengembalian. Tentukan
probabilitas bahwa kartu yang terambil secara berturut – turut adalah as waru hitam
(AsWH), as waru merah (AsWM), as wajik (AsW), as semanggi (AsS)!
Jawab :
P( AsWH  AsWM  AsWJ  As s )  P AsWH P AsWM | AsWH P AsWJ | AsWH  AsWM 
P As s | AsWH  AsWM  AsWJ 
1 1 1 1
    = 0,079
52 51 50 49
2. Kotak A berisi 10 bola merah (MA) dan 15 bola hijau (HA). Kotak B berisi 12 bola merah
(MB) dan 17 bola hijau (HB). Sebuah bola diambil secara acak dari kotak A kemudian
dikembalikan ke kotak B. Dari kotak B diambil sebuah bola secara acak. Tentukan
peluang bahwa 2 bola yang terambil berwarna hijau!
Jawab :
4
Februl Defila
PH A  H B   PH A PH B | H A 
15 18
 .  0,36
25 30
1.4 Hukum Total Probabilitas

Menurut teori himpunan, telah diuraikan bahwa jika kejadian B dan kejadian B saling asing,
maka :
1. BB  3. A    5. A S  A
2. BB  S 4. A   A 6. A S  S
Hukum diatas disebut dengan Hukum Identitas.
A S = A
A  B  B  = A B  A B
n A  B  B  = n A  B   nA  B  , sehingga
P A = P A  B  B 
= P A  B   PA  B 
Secara umum, jika B1 , B2 ,..., Bk kejadian – kejadian saling asing, maka
S  B1  B2  ...  Bk . Sehingga :
A  S  A  B1  B2  ...  Bk   A  B1  A  B2  ...  A  Bk
Teorema :
Jika B1 , B2 ,..., Bk himpunan kejadian saling asing, maka untuk sebarang peristiwa A berlaku :
k
P  A   P Bi P A | Bi 
i 1
Bukti :
Karena A   A  B1   ...   A  Bk 
5
Februl Defila
P A  P A  B1   ...  P A  Bk 
= PB1 .P A | B1   ...  PBk .P A | Bk 

k
=  PB .P A | B 
i 1
i i
Contoh :
a. Terdapat 3 dos berisi barang elektronik (lampu). Dos I berisi 25 lampu dan 5
diantaranya rusak. Dos II berisi 35 lampu dan 10 diantaranya rusak. Dos III berisi 40
lampu dan 5 diantaranya rusak. Sebuah dos dipilih secara random, tentukan probabilitas
bahwa produk yang terambil rusak!
Jawab:
Misal : A = lampu yang rusak
B1 = dos 1
B2 = dos 2
B3 = dos 3
P A  P A  B1   P A  B2   P A  B3 
= PB1   P A | B1   PB2   P A | B2   PB3   P A | B3 
1 5 1 10 1 5
=     
3 25 3 30 3 40
Dari contoh di atas, dapat dikaitkan konsep aturan Bayes, sebagai berikut :
Jika diasumsikan seperti syarat pada teorema sebelumnya, maka untuk setiap j,j=1, 2, 3, ... , k
berlaku :
PB j PA | B j 
PB j | A 
 PB PA | B 
k
j j
j 1
6
Februl Defila
1.5 Kejadian Saling Bebas
Dua kejadian dikatakan saling bebas jika tidak saling mempengaruhi. Secara statistik, A dan
B dikatakan bebas / independent, jika :
P A  B  = P A  PB   Saling Bebas
P A  B   P A  PB   Tidak bebas / Saling tergantung
Sehingga : P A | B   P A, jika A, B bebas
: P A | B   PB , jika B, A bebas

Teorema :
Jika A dan B adalah dua kejadian saling bebas jika dan hanya jika :
7. A dan B , bebas
8. A dan B, bebas
9. A dan B , bebas
Bukti :
10. P  A  B  = P  A  P  A  B 
= P A  P APB 
= P A1  PB 
= P B P  A
Secara umum, jika Ai, i , i  1,2,...,k adalah peristiwa saling bebas, maka :
 k k

P  Ai   P Ai 
 i 1 i 1 
Contoh :
Jika dua dadu dilempar satu kali secara bersamaan, tunjukkan bahwa dua kejadian dibawah
ini saling bebas !
Jawab :
A : Dua dadu berjumlah tujuh.
B : Dua dadu memiliki angka yang sama.
7
Februl Defila
Jawab :
A  1,6, 2,5, 3,4, 4,3, 5,2, 6,1
B  1,1, 2,2, 3,3, 4,4, 5,5, 6,6

Sehingga dapat diketahui bahwa :
P  A  P  B   , P A  PB    
1 1 1 1
6 6 6 36
A  B   , P A  B   0
Karena P A  B   P A PB  , maka dua kejadian A dan B adalah kejadian yang saling
bebas.
8
Februl Defila
BAB II
VARIABEL RANDOM DAN FUNGSI DISTRIBUSI
2.1 Variabel Random

Variabel random adalah sebuah fungsi dengan domain kecil hasil pengamatan dan
kodomainnya merupakan himpunan bilangan real. Variabel random disimbolkan dengan
huruf kapital ( X, Y, Z, dll ). Contoh :
1. Sebuah koin dilemparkan tiga kali, maka ruang sampelnya adalah :
S = { AAA, AAG, AGA, GAA, AGG, GAG, GGA, GGG}
2. Misalkan X merupakan variabel random yang menyatakan banyaknya angka yang
muncul, Y adalah variabel random yang menyatakan banyaknya gambar yang muncul,
maka apa hubungan antara X dan Y?
Jawab :
S X Y P(X) P(Y)
1 1
AAA 3 0
8 8
AAG
3 3
AGA 2 1
8 8
GAA
AGG
3 3
GAG 1 2
8 8
GGA
1 1
GGG 0 3
8 8
Keterangan :
9
Februl Defila
Karena P X   PY  , dan X  Y , maka X dan Y merupakan variabel acak identik. Selain
itu, karena P X  Y   P X PY   X, Y independent.

Macam-macam variabel acak :
a. Variabel Acak Diskrit (Countable)
b. Variabel Acak Continue (Measurable)
2.2 Variabel Acak Diskrit (pdf)

Jika ruang sampel dari variabel random X countable, maka variabel random X dinamakan
variabel random diskrit. Suatu fungsi dengan domain variabel acak diskrit dinamakan fungsi
densitas probabilitas diskrit. Disingkat dengan pdf diskrit atau dinamakan fungsi masa
probabilitas.
Teorema :
Suatu fungsi f (x) adalah pdf diskrit jika hanya jika memenuhi sifat:
1. f (x) > 0
2.  f x   1
3. Penulisan lain f (x)  f X x  dengan x = nilai variabel random X
Contoh :
Dari contoh pelemparan koin di atas (Sebuah koin yang dilempar 3 kali), jelas bahwa f (x) =
P (X = x), x = 0, 1, 2, 3. Semuanya  0 dan jumlahnya = 1
2.3 Fungsi Distributif Kumulatif (CDF)

CDF dari variabel acak X didefinisikan untuk sebarang bilangan real x berlaku :
F x   P X  x   FX x 
= P X  x   1  F  x 
10
Februl Defila
Teorema :
Misal X variabel acak diskrit dengan pdf = f(x) dan CDF = F(x). Jika nilai-nilai dari variabel
acak X yang mungkin adalah berurutan naik, maka :
x1  x 2  x3  .....
f x1   F x1  dan  j , j>1 , berlaku f x j  = F x j   F x j 1 
Sedangkan untuk x < x i , maka F(x) = 0
Sehingga F x    f x 
x j x
j
Sifat-sifat CDF :
a. lim F x   1
X 
b. lim F x   0
X 
c. lim F x  h  F x 
h 0 
d. a  b  F a   F b 
Contoh :
Dari contoh pelemparan koin diatas (sebuah koin yang dilemparkan tiga kali), bentuklah
fungsi distribusinya!
Jawab :
F x 
1
7
8
4
8
1
8
x
1 2 3
11
Februl Defila
2.4 Variabel Acak Kontinu
Suatu variabel acak X disebut variabel acak kontinu jika terdapat pdf f(x), sedemikian hingga
CDF-nya dapat dinyatakan sebagai :
x
CDF  F x    f t dt

f x   F x 
d
pdf 
dx
Secara khusus, jika X variabel acak kontinu, maka :
a. Pa  x  b   Pa  x  b   Pa  x  b   Pa  x  b 
a. Px  k   0, dengan k = konstanta

b
b. Pa  x  b    f x dx
a
Teorema :
Suatu fungsi f (x) adalah pdf untuk beberapa variabel acak kontinu X, jika memenuhi :
1. f  x   0 ,  bilangan real X.

2.  f xdx  1

Contoh :
c 1 x  , x 0
3
Jika X merupakan variabel acak kontinu dengan pdf f x   

 0, x 0
Tentukan CDF nya!
Jawab :

 c1  x 
3
dx = 1

c
1
1  x 2  = 1
2 0
c = 2
12
Februl Defila
Maka, CDF nya adalah :
x x
F x    f t dt =  21  t 
3
dt
 
11 x  , x 0
2
F x   
 0, x 0
2.5 Nilai Harapan

Apabila X adalah variabel acak diskrit dengan pdf f(x), maka Nilai Harapan dari X
n
didefinisikan sebagai : E  x    xf  x 
X 1
Contoh :
Dari contoh pelemparan koin di atas (Sebuah koin yang dilempar 3 kali), didapat
E x   . E x   3.  2.  1.  0. 
3 1 3 3 1 3
2 8 8 8 8 2

Jika X variabel acak kontinu dengan pdf f(x), maka Nilai Harapan   E x    xf x dx

Contoh :
Dari contoh di atas (Jika X merupakan variabel acak kontinu), maka :
 
E x    x.0.dx   x.21  x  dx  1
3
 0
Sifat – sifat umum nilai harapan

Teorema :
Jika X variabel random dengan pdf f(x) dan u(x) merupakan fungsi bernilai real dari variabel
random X, maka :
E u  x    u  x  f  x  , X VAD
R
Eux    ux  f x dx , X VAK

R
13
Februl Defila
Jika X variabel random dengan pdf f(x), a, b suatu konstanta dan g(x), h(x) suatu fungsi
bernilai real dari variabel x, maka:
E a.g x   bhx   aEg x   bEhx 
Bukti :
Misalkan V variable acak kontinu, maka :
Ea.g x   bhx    a.g x   bhx  f x dx

R
=  a.g x  f x dx   bhx  f x dx

R R
= a  g x  f x dx  b hx  f x dx

R R
= aE g x   bE hx 
Secara khusus, E ax  b   aE x   E b 
E b   bf x dx  E  f x dx  1

R R
2.6 Distribusi Campuran (Mixed Distribution)

Suatu distribusi probabilitas untuk variabel random X dinamakan campuran, jika CDF-nya
dapat dinyatakan sebagai berikut :
F x   Fd x   1   Fc x  , dengan 0  x  1
Contoh :
Misal X adalah variabel random yang menyatakan waktu tunggu sebuah proses dengan CDF
F x   0,4.Fd x   0,6.Fc x  , dengan Fd  x   1 dan Fc  x   1  e  x , untuk x  0 . Tentukan
bentuk CDF campuran tersebut!

Jawab :
P x  t  = F x 
P x  t  = 1  F x 
x  0  Px  0  0,4
14
Februl Defila

x  5  0,4  0,6 1  e  x  0,636 
P x  0danP x  t 
Jadi, Px  t | x  0 =
P x  0
P0  x  t 
=
Px  0
F t   F 0 
=
1  F x  0
=

0,4  0,6 1  e t 
1  0,4
= 1  e t
f t  
d
dt
F t  
d
dt

1  e t  e t 
2.7 Varian
Varian dari variabel acak X didefinisikan sebagai Var(x) = V(x) =
 x2  Ex  Ex2 ,  0, dengan E x   
Atau Var  x    x    f  x  , variabel acak diskrit

2
Atau Varx    x    f x dx , variabel acak kontinu

2
Teorema :
Jika X variabel acak kontinu, maka vx   E x 2    2
Bukti :
V x    x    f x dx  E x   
2 2

= E x 2  2 x    2
= E x   2E x   E  
2 2
= E  x   2  .   2
2
V x   E x    2
2
15
Februl Defila
Contoh :
Perhatikan contoh pelemparan koin sebelumnya, dengan mean = 3 . Tentukan varian dan
2
simpangan bakunya!
Jawab :
x = 0, 1, 2, 3
Var(x) =  x    f  x 
2

= 0 3 2 . 18  1  3 2  . 2 8  2  3 2  . 38  3  3 . 18
2 2 2 2
Var(x) = 0.75
Maka,   V x  0,75  0,8661

Teorema :
Jika X variabel acak dan a, b suatu konstanta, maka :
V(ax+b)=V(ax) sehingga V(ax+b) = a2 V(x)
Bukti :
V ax  b   E ax  b   E ax  b 2
= E ax  b   E ax  b 
2 2
= a 2 v x 
Jika X,Y dua buah variabel random, maka berlaku :
V x  y   V x   V  y   2Covx, y 
Jika X, Y independen dan cov (x, y) = 0, maka berlaku :
v( x  y )  v( x)  v( y )
Covx, y   E x  x  y  y 
= E xy   E x .E  y 
Jika X, Y independen, maka :

E xy   E x .E  y 
Sehingga Cov (x,y) = 0
16
Februl Defila
 x, y   korelasi (x, y)
cov(x, y )
=
V  y  V x 
Secara khusus, V ( x)  cov(x, x)
2.8 Momen
Momen ke-k di sekitar x=0 dari variabel random X didefinisikan sebagai :
 k  E x k 
Momen ke k disekitar x =  , didefinisikan :  k  Ex   

k
Jika k=1  1  E x     E ( x)    0
k=2   2  E ( x   ) 2   2
Contoh :
Misalkan ada seorang pembalap mobil yang diasumsikan waktu berkendaranya antara 20
hingga 30 menit. Jika X adalah variable acak yang menyatakan waktu dalam menit, maka
tentukan momen ke k dari variable tersebut!
Jawab :
f X x   1
10 , 20  x  30
 1
10 , untuk yang lain.
Momen ke k dari variable acak tersebut adalah :
 E X 
30
xk
mk k
  dx
20
10
30 k 1  20 k 1
 , dimana k = 1, 2, 3, …
10 k  1
Sehingga diperoleh :
m1 
30  20
2 2
 25 dan m2 
303  203  633 1
102 103 3
17
Februl Defila
Karena m1   X , sehingga diperoleh  X  25 . Dan karena m2   X2   X2 , maka diperoleh
1
 X2  8
3
Batas – batas probabilitas

Jika X suatu variabel random dan  x fungsi bernilai real non-negatif, maka untuk sembarang
konstanta positif c, berlaku :
E  x 
p (  x  c) 
c
Dari teorema batas – batas probabilitas di atas, dapat diturunkan sebuah pertidaksamaan
Chebychev, sebagai berikut :
Teorema :
Jika X variabel random dengan mean  dan varian  2 , maka untuk sebarang k>0, berlaku :
Px    k  
k
1
2
 k
1
or p x    k  1  2
Jika diambil   k  k  

 2
  2
P x      2 atau p x      1  2
 

2.9 Aproksimasi Mean dan Varian

Jika suatu fungsi dari variabel random X dapat dinyatakan atau diekspansikan dengan Deret
Taylor di sekitar x   , maka mean dan variannya dapat ditentukan. Selanjutnya, misalkan
turunan dari fungsi H '  x , H '' x ,...., H n  x  dan H  x  dapat diekspansikan menurut Deret
Taylor di sekitar x   , maka :
x ' x

2
H '  x   H    H    H "    .........
1! 2!
Sehingga : E H ( x)   E H     x   H '   
x   2 H "    ....)
2!
18
Februl Defila
H "  
= H    E x   H '    E x    .  .....
2
2
H ''  
= H    0  0 
2
Jadi, E H x   H    H   2  e   e   2
1 " 1
2 2
V H x   V H    x   H '    ........ 
= 0  V x     H '  
 
= H '   vx   
2
= H   
' 2 2
Jadi, V H x   H   r
' 2 2
Contoh :
Jika X variabel random bernilai positif dengan pdf f  x   ln x , maka tentukan Eln x  dan
V ln x 
Jawab :
H x  ln x maka H    ln x
H ' x  
1
x
H " x   
1
x2
E ln x   ln   x   2  H '' x 
1
2
= ln  
1
x   2   12 
2   
1
= ln   2
2 2
19
Februl Defila
V ln x   H '    2
2
1
= 2
 2
2
=
2
2.10 Momen Generation Function (MGF)

Jika X variabel random, maka MGF dari X didefinisikan sebagai berikut :
 
M x t   E e tx ,  h  t  h , h  0
Ekspektasi ini ada nilainya, jika :
X Variabel acak diskrit  M x t   E e tx    e txi f  x1 


i 1
 
X Variabel acak kontinu  M x t   E e tx   e tx f x dx
r
Fungsi ini penting terutama dalam mendapatkan mean dan varian.

Secara khusus, jika X variabel diskrit, maka berlaku :
M x t    etxi f xi 
M ' xt    xietxi f xi 
M " x t    xi e txi f xi 

2
:
:
M x( r ) t    xir etxi f xi 
Jika t = 0, maka :
M x' 0   xi f xi 
= E x   
M x'' 0   xi2 f xi 
20
Februl Defila
= E x 2    2  r 2
M xr f xi    xir f xi 
Jadi ,   M '  x 0 
 2  M '' x0  M ' x0

2
Contoh :
Jika X variabel acak kontinu dengan f  x   e  x , x  0 , maka tentukan MGF!
Jawab :
M x t    e tx f x dx
R

=  e tx e  x dx
0

t 1 x
= e
0
dx
e t 1x

= d t  1x
0
t 1
1 t 1x 
=
t 1
e 0

1 1t  x
=
t 1
e 0
=
1
0  1
1 t
1
,t  1
t 1
M x t    1  t 
1 1
1 t
M x' t   11  t   1
2
21
Februl Defila
= 1  t 
2
M x' 0   1
M x" t   21  t   1
3
= 21  t 
3
M x" 0   2
Jadi, E x   1
 2  2   12  1
Contoh :
x 1
1
Jika X variabel acak diskrit dengan pdf f x     dengan x=0,1... Tentukan MGF-nya!
2
Jawab :

M x t    e txi f  xi 
i 0
 xi 1
1
= e   txi
i 0 2
xi
1   et 
=   
2 i 0  2 
1  xi
= s
2 i 0
=
1
2

1  s  s 2  ... 
1 1 
= 
2 1  8 
1
=  deret konvergen
2  et
Jadi, e t  2
t  ln 2
22
Februl Defila
Sifat-sifat MGF :
1. Jika y = ax+b, maka MGF-nya adalah M y t   ebt M x at 
2. y  x    M y t   e  t M x t 
Teorema :

Jika MGF X ada, maka E x r   M xr  0  dengan M x t   1  
 
E xr t r
r 1 r!
23
Februl Defila
BAB III
HUKUM – HUKUM PROBABILITAS
 Distribusi Probabilitas
Terdapat dua macam distribusi probabilitas, yaitu :
1. Variabel acak diskrit
2. Variabel acak kontinu
Macam-macam distribusi probabilitas variabel acak diskrit :

1. Distribusi Bernoulli
2. Distribusi Binomial
3. Distribusi Hipergeometrik
4. Distribusi Poisson
5. Distribusi Uniform, dll.
Macam-macam distribusi probabilitas variabel acak kontinu :

1. Distribusi Uniform
2. Distribusi Gamma
3. Distribusi Eksponensial
4. Distribusi Weibull
5. Distribusi Normal, dll.
 VARIABEL ACAK DISKRIT

3.1 Distribusi Bernoulli
Suatu variabel acak X berdistribusi Bernoulli jika pdf-nya berbentuk :
f ( x)  p x q 1 x , x  0,1,...
p = sukses, jika 0 < p < 1
q = gagal, jika (1 - p)
24
Februl Defila
Teorema :
Jika X  Bernoulli, maka :
E ( x)  p
v( x)  pq
Contoh :
Buktikan teorema diatas dan cari MGF-nya!
Jawab :
E( x)   xf ( x) E( x 2 )   x 2 f ( x)
= 0.q  1. p = 0.q  1. p
= p = p
Sehingga, v( x)  E ( x 2 )  ( E ( x)) 2
= p  p2
= p(1  p)
= pq
M x (t )  ( pe t  q )
3.2 Distribusi Binomial

Ciri-ciri :
a. Percobaan dilakukan n kali dan independen
b. Peluang sukses (p) dan gagal (q)
Suatu variabel acak X berdistribusi Binomial, jika pdf-nya berbentuk :

 n
f ( x)    p x q n  x , x  0,1,...
 x
f ( x)  b( x, n, p)
= BIN(n, p)
25
Februl Defila
Teorema :
Jika X  BIN (n, p), maka :
E ( x)  np
v( x)  npq
M x (t )  ( pe t  q ) n
Bukti :
M x (t )  E (e tx )
 n  xi n xi
= e txi
  p q
 x
 n
=   x (e p) t xi
q n xi
 
= ( pe t  q ) n
n
n
( a  b) n =   i a b i n i
i o  
E ( x)   ' x (0)
v( x)   ' ' x (0)  (  ' x (0)) 2
Contoh :
1   20  1   1 
16 4

b16,10,         0,0046
 2   16  2   2 
3.3 Distribusi Hipergeometris

Suatu populasi akan berdistribusi Hipergeometris apabila memenuhi :
a. Berukuran M, diantaranya bersifat a (tertentu).
b. Sampel diambil secara random berukuran n, x diantaranya bersifat a.
c. Pengambilannya tanpa pengembalian.
26
Februl Defila
Definisi :
Variabel random X dikatakan berdistribusi Hipergeometris, jika pdf-nya berbentuk :
 M  N  M 
  
 x  n  x 
h ( x , n, N , M )  , x  0,1,2,...,n
N
 
n
Teorema :
Jika X distribusi Hipergeometris, maka :
nM
E ( x) 
N
nM  M  N  M 
v( x)  1   
N  N  N  1 
Bukti :
E( x)   xf ( x)
 M  N  M 
  
 x  n  x 
 x
N
 
n
 M  1 N  M 
  
n
M  x  1  n  x 
 x
x 0 x N  N  1
 
n  n  1 
 M  1 N  M 
  
n
nM  x  1  n  x 

x 1 N  N  1
 
 n 1 
Misal :
y  x  1 , maka y  x  1 , sehingga x  1, y  0
Sehingga :
27
Februl Defila
 M  1 N  M 
  
nM n 1
 y  n  1  y 
 
N x 0  N  1
 
 n  1 
nM
Jadi, E ( x) 
N
 M  N  M 
  
2  x  n  x 
E(x )   x
2
N
 
n
Dengan cara yang sama, maka v( x)  E ( x 2 )  ( E ( x)) 2
nM  M  N  M 
Jadi, v( x)  1   
N  n  n  1 
Contoh :
Sepuluh produk diambil dari sebuah dos besar berisi 1000 produk, 400 diantaranya rusak.
Sampel tersebut diambil secara random. Dari sepuluh yang diambil tadi, terdapat lima
produk yang cacat.
Jawab :
x= 5, n=10, N=1000, M=400

 400  600 
  
 5  5 
h( x, n, N , M )  h(5,10,1000,400)   0,2013
1000 
 
 10 
Teorema :
M
Jika X berdistribusi Hipergeometris dan x  0,1,...,n , N   , M   ,  P ,maka :
N
28
Februl Defila
 M  N  M 
  
 x  n  x   n  x q  x
lim    p q
N  N  x
 
n
3.4 Distribusi Poisson
Suatu variabel random X berdistribusi Poisson jika pdf-nya berbentuk :
x e  x
f ( x,  )  f ( x )  , x  0,1,2,...,   0
x!
Teorema :
Jika X berdistribusi Poisson, maka E( x)   , v( x)  , M x (t )  e  (e 1)

t
Bukti :
M x (t )  E (e ix )
n
x e 
= e
x 0
tx
x!
e tx  x
= e  
x!
(e t  ) x
= e  
x!
= e  x e et
= e  ( e 1)
t
M ' x (t )  e  (e 1) e t
t
M ' x ( 0)  
M ' ' x (t )  e  (e 1) (e t ) 2  (e t )e x(e 1)

t t
M n (0)  2  
v( x)  M n x (0)  ( M ' x (0)) 2
= 2    2
=
29
Februl Defila
Teorema :
Jika X  BIN(n, p) , maka untuk setiap nilai x = 0,1,2,…,n dan P  0 dengan   np
 n e   x
suatu konstanta, maka lim   p x (1  p) n x  , dengan    .
n x
  x!
Contoh :
Buktikan teorema diatas!
Jawab :
n x
n x   
x
n!
  p (1  p) n x    1  
 x x!(n  x)! n   n
n x
n(n  1)(n  2)...(n  x  1)      
x
=   1  
x( x  1)(x  2)...(1) n  n
x
n(n  1)(n  2)...(n  x  1)  x      
n
= 1   1  
x! nx  n   n 
x
n(n  1)(n  2)...(n  x  1)  x     
n
= 1   1  
nx x!  n   n
x
 n(n  1)...(n  x  1)      
x n
= lim   1   1  
n
 n.n.n...n  x!  n  n
x
= 1. .e   .1
x!
 x e 
=
x!
(Terbukti)
30
Februl Defila
3.5 Distribusi Uniform Diskrit (Seragam)
Suatu variabel random X berdistribusi Uniform Diskrit, jika pdf-nya berbentuk :
1
, N  1,2,...,N
N
f(x) = Memiliki peluang yang sama
0, yang lain
Teorema :
1 1
Jika X  DU (N ) , maka E ( x)  ( N  1), dan v( x)  ( N 2  1)
2 12
Contoh :
Jawab :
N
E ( x)   xf ( x)
x 1
1
= x N
=
1
1  2  ...  N 
N
N a  U n 
1 1
=
N 2
1 1 
=  N  N  1
N 2 
=
1
N  1 (Terbukti)
2
v( x)   x 2 f ( x)   xf x 
2
=
1
 
1 2
1  2 2  3 2  ...  N 2   N  1 
N  4 
31
Februl Defila
1
= ( N 2  1)
12
(Terbukti)
 VARIABEL ACAK KONTINU

3.6 Distribusi Uniform Kontinu
Suatu variabel acak X berdistribusi Uniform Kontinu pada interval (a,b), jika pdf-nya
berbentuk :
x  UNIF (a, b)
1
pdf  f ( x, a, b)  ,a  x  b
ba
= 0, yang lain
0, x  a
xa
CDF  F ( x, a, b)  ,a  x
ba
1, x  b
Teorema :
1 1
Jika X  UNIF(a, b) , maka E ( x)  (b  a), dan v( x)  (b  a) 2
2 12
Contoh :
Jawab :
b
E ( x)   xf ( x)dx
a
b
1
=  x b  a dx
a
32
Februl Defila
1  1 2  a
=  x 
b  a  2  b 
=
1 1 2 1 2 
 a  b 
ba2
   
2 
=
1 1
b  a b  a 
ba 2
1
= (b  a )
2
(Terbukti)
2
b
b 
v( x)   x f ( x)dx    xf ( x)dx 
2
a a 
1 2
b
dx   b  a  
1
x
2
=
a
ba 4 
1  1 3  a 1
=  x    b  a 2
b  a  3  b 4
=
1 1 3
ba 3
 1

b  a 3  b 2  2ab  a 2
4
 
=
1 1
ba 3
 4

b  a  b 2  ab  a 2  1 b 2  1 ab  1 a 2
2 4
1 2 1 1 1 1 1
= b  ab  a 2  b 2  ab  a 2
3 3 3 4 2 4
1 2 1 1
= b  ab  a 2
12 6 12
=
1 2
12

b  2ab  a 2 
=
1
b  a 2
12
(Terbukti)
33
Februl Defila
3.7 Distribusi Gamma
Untuk memahami distribusi Gamma, perlu diketahui fungsi Gamma secara umum dan
sifat-sifatnya. Secara umum, fungsi Gamma didefinisikan sebagai :

x    t  1e t dt
0
Sifat-sifatnya :
1. x     1x ,   0
2. n   n  1!, n  A
3. 1  1
1
4.    
2
X suatu variabel acak kontinu dengan distribusi Gamma dengan parameter  positif dan
 negatif, jika pdf-nya berbentuk :
x
x  GAM (  ,  ) : f x,  ,   
1  1
x e 
,   0,   0, x  0
  

 dan  merupakan parameter-parameter tertentu,  merupakan parameter bentuk

dan  merupakan parameter skala. Karena  merupakan bentuk, maka bentuk kurva
distribusi Gamma tergantung dari nilai  .
Teorema :
Jika X  GAM (  ,  ) , maka E ( x)  , dan v( x)   2
Contoh :
Jawab :

E ( x)   xf x dx
0
 x
1
x
 1 
= x e dx
0   x 

34
Februl Defila
 x
1
  x  0
( 1) 1 
= x e dx
1

  1  1 ( 1)1  x 
=
x   0   1   1 x e dx
  1  1  1 x
= 
   0    1
  1
x ( 1)1e  dx
  
= .1
 
= 
(Terbukti)
Akibat khusus :
CDF-nya : X  GAM (  ,  )
 t
F x,  ,    
1
t  1e  dt
0   

  
Jika   2 dan   , maka x  x 2 GAM (  )  GAM  2, 
2  2
Jika   1, maka GAM  ,1  eksponensial  
3.8 Distribusi Eksponensial

X berdistribusi Eksponensial ( X  exp( ) ), jika pdf-nya :
x
f  x,   
1
e 
,   0, x  0

, maka : f x,    e  x ,   0, x  0
1
Jika  

x
CDF-nya berbentuk : F ( x,  )  1  e 
35
Februl Defila
Teorema :
Jika X berdistribusi Eksponensial, maka E ( x)   , dan v( x)   2
Secara khusus, distribusi Eksponensial merupakan distribusi yang sangat penting,

khususnya di bidang teori (keandalan). Pada umumnya, pada distribusi eksponensial
berlaku sifat no memory, seperti pada teorema berikut :
X  exp( ) , jika hanya jika : Px  a  t | x  a   Px  t , a  o, t  0  no memory
Bukti :
Px  a  t danPx  a 
P x  a  t | x  a  
P x  a 
= P x  a  t 
 ( a t )

e
= a

e
= P x  t 
(Terbukti)
Contoh :
Masa usia sejenis komponen listrik berdistribusi Eksponensial dengan rata-rata 100 jam.
Tentukan probabilitas bahwa komponen tersebut dapat digunakan 50 jam lagi dari batas
yang ditentukan perusahaan!
Jawab :
P = 0,6065
3.9 Distribusi Weibull

Seperti pembahasan sebelumnya, distribusi Weibull sering diaplikasikan untuk
mendapatkan keandalan sejenis komponen tertentu. Sama seperti distribusi Gamma
maupun distribusi Eksponensial.
Definisi :
36
Februl Defila
Suatu variabel acak X  wei ,  ,   0,  0 , maka :

x
  1   
x e ,x  0

f  x,  ,   
0, yang lain
x

Jika   1 , maka : f  x,  ,1 
1
e 
 x  exp( )

2
x
 
Jika   2 , maka : f x, ,2 
2  
xe  x  Rayleigh


x
 
Bentuk CDF-nya : F x, ,    1  e  
Terorema :
Jika X  wei( ,  ) , maka :
 1
E (x)  1  
 
  2  1 
v( x)   2 1     2 1  
     
3.10 Distribusi Normal

Distribusi ini dinamakan juga distribusi Gauss dan mempunyai 2 parameter. Selain
kelebihan di atas, distribusi ini sangat bermanfaat untuk menyelesaikan beberapa kasus /
persoalan yang terkait dengan distribusi hampiran (limited distribution). Salah satu
teorema yang terkenal yang terkait dengan distribusi Normal adalah CLT (Central
Limited Distribution).
Definisi :
Variabel X acak kontinu berdistribusi Normal dengan parameter  (mean) dan 
(simpangan baku).
37
Februl Defila
1  x 
2
  
x  N (  ,  )  f  x,  ,   
1
e 2  
,    ,0    ,  x  
2 
2
 
v( x)   x f  x dx   xf  x dx
2
R R 
= E x   
2
Sifat-sifat :
1. f  x,  ,    0
2.  f x, , dx  1

R
Contoh :
Buktikan :  f x, , dx  1
R
Jawab :
1  x 
2
1   

2  
e dx
R 2 
x 1
Ambil z   dz  dx
 
1
1  z2
= 2 e 2
dz
R 2
1 2
vz
2
Misal : z 2  2v
1
1 
z  2v  dz  2 . v 2 dv
2
 1
1 1 
= 2 e v 2 v 2 dv
0  2 2
38
Februl Defila
 1
1 
= 
0 
v 2 e v dv
 1
1 
 v 2 e dv
v
=
 0

1
       t  1 dt    1     
1 1 1
=
 2 0
2 2

=

=1
Selanjutnya, jika Z berdistribusi Normal baku dengan rata-rata  = 0 dan  = 1, yang
dinotasikan z  N (0,1) , maka pdf-nya berbentuk :
1
 z2
pdf   z  
1
e 2
,  z  
2

CDF   z     t dt

Sifat-sifat :
1.  z     z   fungsigenap
2. N (0,1) simetris di z = 0
Teorema :
x
Jika X  N ( ,  ) , maka Fx  x       Px  x 
  
Contoh :
Misalkan X variabel acak yang menyatakan masa pakai suatu komponen listrik dengan
ukuran bulan. Jika variabel diasumsikan berdistribusi Normal dengan  = 60 dan 2 = 36
39
Februl Defila
bulan. Tentukan probabilitas bahwa komponen tersebut masa pakainya maksimal 4
tahun!
Jawab :
 48  60 
P x  48     
 6 
=   2
=  2 
= 0,0228
Teorema :
1
t   2t 2
Jika X  N ( ,  ) , maka M x t   e 2
Bukti :
M x t   E e tx  
x
Misal : z   x    z

M x t   E e tx  
=  e t f z dz
2
1
1  z2
= e tz
e 2
dz
R 2
1 1 2
1   z t 2 t
= 
R 2
e 2
e 2
dt
1 2 1
t 1   z t 2
=e 2

R 2
e 2
dz
1
t2
= e 2 .1
Sehingga M x t   M   2 t 
40
Februl Defila
= e t M z t 
1 2 2
 t
t 2
=e e
1
t   2t 2
2
=e
(Terbukti)
Teorema :
Jika X  N ( ,  ) , maka :
E  x    ' x 0 
vx  "x 0   ' x 0

2
41
Februl Defila
BAB IV
JOIN DISTRIBUSI VARIABEL RANDOM
4.1 Join Distribusi (Distribusi Bersama)

Dalam analisis statistik, distribusi bersama umumnya distribusi yang terdiri dari k buah
variabel random (berdimensi k) atau sering dinamakan vektor random.
X   X 1 , X 2 ,..., X k   vektoracak
Definisi :
pdf bersama dari variabel acak diskrit berdimensi k (vektor random) didefinisikan sebagai
berikut :
f  X 1 ,..., X k   P X 1  x1 ,..., X k  x k 
= P X 1  x1  ...  X k  x k 
Untuk semua nilai (x), X   X 1 , X 2 ,..., X k  dari vektor random yang mungkin.
Contoh :
Sebuah dos berisi 1000 bolpen, 400 warna merah, 400 warna hitam, sisanya biru. Jika 10
bolpen diambil secara random sekaligus tanpa pengembalian, maka tentukan probabilitas
banyaknya bolpen yang terambil berwarna merah, hitam, dan biru.
Jawab :
 400  400  200 
   
 X 1  X 2  n  X 1  X 2 
f 1000 ,10 , X 1 , X 2   , dengan X 1  X 2  X 3  n
1000 
 
 10 
Distribusi bersama biasanya terkait dengan distribusi multinomial (perluasan dari binomial).
4.2 Distribusi Multinomial

Misalkan terdapat k  1 kejadian yang terbatas dan saling asing, yakni e1 , e2 ,..., ek 1 dengan e
= event yang terjadi dari sebuah eksperimen dan misalkan Pi  PEi  .
42
Februl Defila
Misalkan Xi variabel acak menyatakan banyaknya kejadian Ei dari n eksperimen, maka
vektor random dikatakan berdistribusi multinomial, jika pdf-nya berbentuk :
f  X 1 ,..., X k  
n! X X
, P1 1 ... Pk 1 k 1
X 1!... X k 1!
k
X k 1  n   X i ,0  i  n
i 1
k
Pk 1  1   Pi
i 1
X  mult n, P1 , P2 ,..., Pk 
Teorema :
Suatu fungsi f  X 1 ,..., X k  adalah pdf bersama untuk beberapa vektor random jika hanya jika
berlaku :
a. f  X 1 ,..., X k   0, i, i  1,2,..., k
b. ... f  X ,...,X   1
X1 Xk
1 k
Contoh :
1. Sebuah bidang tetrahedron dilemparkan sebanyak 20 kali, masing-masing permukaaan
mempunyai peluang yang sama, yakni 1/4. Tentukan probabilitas bahwa dari percobaan
tersebut munculnya angka 1 adalah 4 kali, angka 2 adalah 6 kali, angka 3 dan 4 adalah 5
kali.
Jawab :
4 6 5 5 20
20!  1   1   1   1  20!  1 
          
4!.6!.5!.5!  4   4   4   4  4!.6!.5!.5!  4 
= 0,0089  0,9%
2. X  mult 3;0,4;0,4
43
Februl Defila
X1/X2 0 1 2 3 
0 0,008 0,048 0,096 0,064 0,216  f1(0) = P(X1=0)
1 0,048 0,192 0,192 0 0,432  f1(1) = P(X1=1)
2 0,096 0,192 0 0 0,288  f1(2) = P(X1=2)
3 0,064 0 0 0 0,064  f1(3) = P(X1=3)
 0,216 0,432 0,288 0,064 1
Peluang :  harus 1  (0,4)0(0,4)0(0,2)3 = 0,008

Px  X   f 0,1  f 0,2  f 0,3  f 1,2  f 1,3  f 2,3
= 0,048  0,096  0,064  0,192  0  0
= 0,4
Definisi :
Jika pasangan variabel acak diskrit X1, X2 mempunyai pdf f  X 1 , X 2  , maka pdf marginal
dari X1 dan X2 adalah :
f1  X 1    f  X 1 , X 2   (X1 fixed and X2 variable)
X2
f 2  X 2    f  X 1 , X 2   (X2 fixed and X1 variable)

X1
CDF bersama dari k variabel acak (vector random) adalah suatu fungsi yang didefinisikan
sebagai berikut :
F  X 1 ,..., X k   F  X 1  x1 ,..., X k  x k 
Teorema :
Suatu fungsi F  X 1 , X 2  adalah CDF bivarian jika hanya jika berlaku :
1. lim F  X 1 , X 2   F  , X 2   0, X 2
X1 
2. lim F  X 1 , X 2   F  X 1 ,  0, X 1
X 2 
44
Februl Defila
3. lim F  X 1 , X 2   F ,   1
X 1 , X 2 
4. F b, d   F b, c   F a, d   F a, c   0, a  b, c  d

5. lim F  X 1  h, X 2   lim F  X 1 , X 2  h  F  X 1 , X 2 , X 1 , X 2
h0 h0
4.3 Variabel Acak Kontinu Bersama

Suatu variabel random (vektor random) dikatakan kontinu jika terdapat fungsi pdf bersama
f  X 1 ,..., X k  dari vector random tersebut, sedemikian sehingga CDF-nya dapat dinyatakan
sebagai berikut :
Xk X1
F  X 1 , X 2 ..., X k    ..... f t1 , t 2 ,...,t k dt1 ,...,dt k , t1 ,...,t k

 
Teorema :
pdf bersama f  X 1 ,..., X k  jika hanya jika memenuhi :
a. f  X 1 ,..., X k   0
 
b.  ..... f  X
 
1 ,...,X k dX 1 ,...,dX k  1

Pdf marginal : f1  X 1    f  X , X dX
1 2 2


=

 f X 1 , X 2 dX 1
Contoh :
Misalkan X1 menyatakan konsentrasi dari substansi tertentu dari percobaan 1 dan X2
menyatakan konsentrasi dari substansi tertentu dari percobaan 2. Jika diasumsikan bahwa pdf
bersamanya f  X 1 ,. X 2   4 X 1 X 2 ,0  X 1  1;0  X 2  1 , maka tentukan CDF-nya.
Jawab :
45
Februl Defila
X2 X1
F  X 1 , X 2    ..... f t1 , t 2 dt1 .dt 2

 
X2 X1
=  ..... 4.t t .dt .dt

0 0
1 2 1 2
= X 1 , X 2 
2
4.4 Variabel Random Bebas Stokastik

Dalam analisis statistik (inferensi statistik), variabel random bebas stokastik merupakan
pokok bahasan yang penting, karena hampir sebagian besar persoalan analisis statistic terkait
dengan variabel random bebas stokastik.
Definisi :
X1 dan X2 variabel acak diskrit dengan pdf bersama f  X 1 , X 2  , dikatakan bebas stokastik
jika dapat dinyatakan sebagai : f  X 1 , X 2   f1  X 1 . f 2  X 2 

Dengan cara yang sama, apabila X1 dan X2 merupakan variabel acak kontinu sedemikian
sehingga f  X 1 , X 2   f1  X 1 . f 2  X 2  , maka :
d b
Pa  X 1  b, c  X 2  d     f  X 1 , X 2 dX 1dX 2
c a
d b
=   f  X . f  X dX dX
c a
1 2 1 2
b d
=  f1  X 1 dX 1 . f 2  X 2 dX 2
a c
Jadi, Pa  X 1  b, c  X 2  d   Pa  X 1  b .Pc  X 2  d 
Secara umum, variabel random X 1 ,..., X 2 dikatakan bebas stokastik jika

k
ai  bi , i  1,2,..., k berlaku bahwa : Pa1  X 1  b1 ,..., a k  X k  bk    Pai  X i  bi 
i 1
46
Februl Defila
Teorema :
Vektor random X bebas stokastik jika hanya jika :
k
CDF  F  X 1 ,..., X k    Fi  X i 
i 1
k
pdf  f  X 1 ,..., X k    f i  X i 
i 1
Contoh :
X1/X2 0 1 2 f1(X1)
0 0,1 0,2 0,1 0,4
1 0,1 0,2 0,1 0,4
2 0,1 0,1 0 0,2
f2(X2) 0,3 0,5 0,2 1
f (1,2) = 0,1 f 1,1  f1 1. f 2 1
f1 (X1) = 0,4 f 1,2  f1 1. f 2 2 0,2  0,4.0,5

f2 (X2) = 0,2 Sehingga bebas stokastik
Sehingga bukan bebas stokastik
4.5 Distribusi Bersyarat (Conditional Distribution)

Jika X1, X2 variabel acak diskrit atau variabel acak kontinu dengan pdf bersama f  X 1 , X 2  ,
maka pdf bersyarat dari X2 dengan syarat :
f X 1 , X 2 
f  X 2 | X 1  x1   , f1  X 1   0
f1  X 1 
Dengan cara yang sama,
f X 1 , X 2 
f  X 1 | X 2  x2   , f 2 X 2   0
f 2 X 2 
Jika X1, X2 bebas stokastik, maka :

47
Februl Defila
f  X 1 , X 2  f1  X 1 . f 2  X 2 
a. f X 2 | X 1   f 2 X 2   f X 2 | X 1     f 2 X 2 
f1  X 1  f1  X 1 
b. f  X 1 | X 2   f1  X 1 
Contoh :
Jika x dan y dua variabel acak kontinu yang mempunyai pdf bersama :
f x, y   x  y,0  x  1;0  y  1
Tentukan :
a. f  y | x 
 1 1
b. P 0  y  | x  
 2 4
Jawab :
f  x, y  x y x y x y
a. f  y | x    
f x  1
1 2 1 1
x
 x  y.dy
0
2
y  xy 
0 2
 1 1 x y
b. P 0  y  | x   
 2 4
x
1
2
1 1
2 y

= 4 .dy
1 1
0 
4 2
1 2 1 1
y  y 2
2 4  0
= 3
4
2
1
= 8 
3 3
4
48
Februl Defila
Sifat –sifat probabilitas
1. Jika X vektor random yang mempunyai pdf bersama f  X 1 ,..., X k  dan jika y  u (x)
merupakan fungsi dari vektor random, maka :
 Variabel acak diskrit
E ( y)  E (u( x))
= ... u( X ,...,X
X1 Xk
1 k ) f ( X 1 ,..., X k )
 Variabel acak kontinu

E ( y)  E (u( x))
 
=  ...  .u( X ,...,X

 
1 k ) f ( X 1 ,..., X k )dX 1 ,...,dX k
Teorema :
Jika X1, X2 suatu random variabel dengan pdf bersama f  X 1 , X 2  , maka :
E( X 1  X 2 )  E( X 1 )  E( X 2 )
Bukti :
 
E( X 1  X 2 )   X

1  X 2 f ( X 1 , X 2 )dX 1dX 2
 
= X

1 f ( X 1 , X 2 )dX 1   X 2 f ( X 1 , X 2 )dX 2

= E( X 1 )  ( X 2 )
Jadi, terbukti bahwa E ( X 1  X 2 )  E ( X 1 )  E ( X 2 )
2. Jika ai , i  1,2,..., k suatu konstanta, maka :
E ai X i    Eai X i 
Teorema :
Jika x, y dua variabel random bebas stokastik g(x) dan h(y) sebuah fungsi, maka :
49
Februl Defila
E ( g ( x)h( y))  E ( g ( x))..E (h( y))
Secara umum, jika x vektor random saling independen dan u(x) suatu fungsi, maka :
E (u ( x))  E (u ( X 1 )),..., u ( X k ))
= E (u ( X 1 )),..., E (u ( X k ))
4.6 Covarian
Definisi covarian bersama antara x dan y :
 
cov x, y   E x   x  y   y    xy  E xy   E x E  y 
Jika x = y, maka covx, x   Ex   x x   x 

= E x 2  2 xx   x
2

 
= E x 2  E  x 
2
= v x 
= x
2
Teorema :
Jika x dan y bebas stokastik, maka :
E x, y   E x E  y  , sehingga cov (x, y) = 0
Apabila cov (x, y) = 0, maka tidak berlaku x dan y bebas stokastik.
Sifat – sifat covarian

1. Cov
Bukti:
=
=
=
50
Februl Defila
2.
3.
4.
Teorema :
Jika X, Y variabel random, maka :
=
=
=
=
Jika X, Y independen, maka:
=
=
(Terbukti)
Jika X vector random yakni dan suatu konstanta, maka

varian jika x saling independen,
maka :
Contoh :
51
Februl Defila
=
=2 + 1 + 4 + 2
= 9
4.7 Korelasi
Jika X dan Y merupakan variabel random dengan variansinya maisng-masing adalah
dan kovariansinya adalah Maka korelasi X dan Y
didefinisikan
Sifat – sifat korelasi :

1.
2.
Dengan
0,jika
-1,jika
3. a.  xy  0  corr  
b.  xy  0  corr  
c.  xy  0  uncorrelated
Jika x,y bebas stokastik, maka tetapi tidak berlaku sebaliknya.

4.
4.8 Ekspektasi Bersyarat

Jika X dan Y variabel random berdistribusi bersama f (X,Y), maka harapan Y yang diberikan X
didefinisikan sebagai :
EY | X  x  Y . f Y | x , x, y variabel acak diskrit
52
Februl Defila

E Y | X  x    Y . f Y | x dy , x, y variabel acak kontinu

Contoh :
Misalkan diketahui pdf bersama dari variabel random Y yang diberikan X sebagai berikut :
E Y | X  
2 X
,0  Y  ,0  X  Z
X 2
Cari E Y | X   EY | X Y   E Y | X  x  !
Jawab :
x x
2 2
2 1 x
E Y | X  x    Y   Y . .dY  . Y 2  2 
2 x
0 0
x x 2  0 4
Teorema :
Jika X dan Y variabel random berdistribusi bersama, maka :
EE  y | x   E  y 
Bukti :
Misal : E  y | x   hx 

EE  y | x   E hx    hx  f1 x dx

=  E  y | x f x dx

1
 
=   y. f  y | x. f x.dy.dx

1
 
=   y. f x, y .dy.dx

 
=  y  f x, y .dx.dy
 
53
Februl Defila
= E y 
(Terbukti)
Contoh :
Dari soal sebelumnya, jika E  y | x   x dan f1 x   ,0  x  2 , maka cari E  y  !

1 x
4 2
Jawab :
2 2
E  y    E  y | x . f1 x dx   . .dx
x x
0 0
4 2
1 32
= x
2.4  0
8 1
= 
24 3
Dari contoh-contoh di atas, ekspektasi bersyarat dapat juga digunakan untuk 2 variabel yang
saling bebas stokastik. Jika x, y bebas stokastik, maka :
a. E  y | x   E  y 
b. E x | y   E x 
Variansi bersyarat dari y diberikan x didefinisikan sebagai :
 
v y | x   E y 2 | x  E  y | x 
2
Teorema :
Jika X dan Y variabel random berdistribusi bersama, maka :

v y   E var y | x   varE  y | x 
2

Bukti :
 
E var y | x   E E y 2 | x  E  y | x 
2

 
= E y 2  E E  y | x 
2
54
Februl Defila
 
= E y 2  E  y   E  y   E E  y | x 
2 2 2

= var y   E E  y | x   E  y 
2 2

= var y   varE  y | x 
4.9 MGF Bersama

MGF bersama dari vector random X jika ada, didefinisikan sebagai :
  k 
M x t   E exp  t i X i ,h  t1  h
  i 1 
Jika M x , y t1 ,t 2  ada, maka variabel random x, y bebas jika hanya jika :
M x , y t1 , t 2   M x t1 .M y t 2 
55
Februl Defila
BAB V
FUNGSI VARIABEL RANDOM
Tujuan dari subpokok bahasan ini adalah menentukan distribusi pdf dari fungsi variabel
acak. Dengan syarat, variabel acak sebelumnya (x) biasanya sudah diketahui bentuk CDF-nya.
Terdapat tiga metode / teknik untuk mendapatkan distribusi fungsi variabel acak. Teknik tersebut
antara lain :
5.1 Metode CDF.
5.2 Metode transformasi variabel acak (transformasi satu-satu atau transformasi yang lain).
5.3 Metode MGF.
5.1 Metode CDF

Misalkan variabel acak X mempunyai CDF Fx (x). Dan misalkan y = u(x) suatu fungsi
variabel acak X, maka teknik CDF ini adalah menentukan fungsi diatas dengan asumsi
variabel acak X terdefinisi dengan jelas. Secara khusus, misalkan untuk setiap bilangan real y
didefinisikan Ay = {x |u(x)  y}, maka Y  y  X  Ay.
Contoh :
A = {x | x  A  10}
B = {1,2,3,…,10}
C = {a,b,c,d,e,f,g,h,i,j}
Sehingga dari pengertian diatas bentuk CDF dari Y adalah :
Fy (y) = P {u(x)  y}
= P {x  Ay}
= P [ x1  x  x 2 ]
x2
= f
x1
x ( x)dx
= Fy ( x 2 ) – Fy ( x1 )
d
Jadi, pdf = CDF.
dy
56
Februl Defila
Contoh :
1. Diketahui Fx (x) = 1 – e-3x, 0  x   . Tentukan pdf dari Y = ex!
Jawab :
Fy (y) = P[Y  y]
= P[ex  y]
= P[x  ln y]
= P[Fx (hy)]
= 1 – e-3ln y
1
=1– , 1 y  
y2
d 1
Jadi, Fy (y) = (1  2 )
dy y
2
= , 1 y  
y3
2. Jika X variabel acak kontinu. Tentukan pdf dari Y = x2 !
Jawab :
Fy (y) = P[Y  y]
= P[x2  y]
= P[  y  x  y ]
= P( x  y ) – P(  y  x )
= Fx ( y ) – Fx (- y )
d
Fy (y) = ( Fx ( y ) – Fx (- y ))
dy
=
    
d Fx y

d Fx  y 
dy dy
= fx  y  2 1 y  f  y  2 1 y
x , untuk y  0
57
Februl Defila
Teorema :
Misalkan X vector random dari variabel acak kontinu dengan pdf bersama X  x1 , x 2 ,..., xk  .
Maka CDF dari Y berbentuk Fy  y   Pu  x   y  =   f x , x ,...,x dx ...dx

Ay
1 2 k 1 k dengan Y =
u  x  dan Ay  x | u  x   y
Contoh :
Misalkan Y = x1  x2 dengan xi ~ Exp 1 , tentukan pdf dari Y, p  x1  y  x 2 , 0  x1  y ?
Jawab :
FY  y  = PY  y 
= Px1  x2  y 
y y  x2
=   f x , x dx dx
0 0
1 2 1 2
y y  x2
 x1  x2 
=  e
0 0
dx1dx2
y y  x2
=e  x2
e
 x1
dx1 dx2
0 0
=  e  x2   e  x1 dx
y  x2
0
 0  2
 1  e e
y
  y  x2   x2
= dx2
0
 e 
y
 x2
=  e  y dx2
0

=  e  x2  e  y x 2 
y
0
=  e  y  ye  y  1
= 1  e  y  ye  y
Jadi, pdf dari y  x1  x 2 adalah

d
dy

1  e  y  ye  y 
58
Februl Defila
5.2 Metode Transformasi Variabel Acak
Dalam metode transformasi ini, terdapat dua hal, yaitu :
5.2.1 Metode Transformasi Satu – Satu
Misalkan X variabel acak diskrit dengan pdf f(x) dan misalkan y = u(x) merupakan
fungsi transformasi satu-satu, maka pdf dari Y dinyatakan sebagai:
y  u( x)  x  w( y)

f y  y   f x w y , y  B dengan B  y f y  y   0 
Contoh :
1. X ~ GEO (p) dengan pdf f x  x   pq x 1 , x  1,2,...
Dan y = x-1, tentukan pdf Y!
Jawab :
x = y+1
x  w y 
f y  y   f x w y 
= fx  y  1
 p.q y 11
 pq y , y  0,1,....
Misalkan X variabel acak kontinu dengan pdf f(x) diasumsikan bahwa y=u(x)
  
merupakan fungsi satu-satu dari himpunan A  x f y x   0 , B  y f y  y   0 dengan 
transformasi invers x=w(y). Jika turunan w’(y) kontinu dan tidak bernilai nol pada
himpunan B, maka pdf dari y dapat dinyatakan sebagai
f y  y   f x w y  w y  Contoh :
d
dy
Misalkan CDF dari variabel random X adalah F  x   1  e 2 x , maka tentukam pdf dari
y  e x dengan metode transformasi!

Jawab :
59
Februl Defila
y  e x  x  ln y  w y 
w'  y  
1
y
f y  y   f x w y  j
= 1  e  2 ln y 
1 1 1
 
y y y3
Fy  y   1 , dengan 1  y  
d
f y w  
dy
=  y 2  3 y 4
 y2  3

y4
f x  x   1  e 2 x
f x x   Fx x 
d
dx
= 2 e 2 x
f y  y   f x w y  J
1
= 2e 2 ln y
y
2
=
y3
  
2. Misalkan X variabel acak kontinu berdistribusi uniform U   ,  . Tentukan
 2 2
distribusi fungsi Y  b  tan x  a !
Jawab :
pdf U a, b  
1
ba
  
f x x   U   ,  
1 1

 2 2   
2 2
60
Februl Defila
y  b  tan x  a
b  tan x  y  a
ya
tan x 
b
ya
w y  = x  rc tan
b
ya
Misal : f  y  
b
f 'y
Maka : w'  y  
1   f  y 
2
1
dw y  b

 ya
2
dy
1  
 b 
b
=
b  y  a
2 2
Sehingga :
f y  y   f x w y  J
1 b 
=  
  b   y  a 2
2 

5.2.2 Metode Transformasi Bukan Satu – Satu ( Umum )

Transformasi untuk k buah variabel random
Secara umum, transformasi variabel random dapat diterapkan k buah variabel, y =
u(x) dengan asumsi fungsi variabel tersebut mempunyai penyelesaian tunggal.
X=(x1,x2,...,xk) dan mempunyai jacobian matriks sebagai berikut :
61
Februl Defila
Teorema :
Jika X suatu vektor random yang kontinu dengan PDF bersama:
pada himpunan A dan Y= , merupakan transformasi satu-satu yakni
yi=u(xi), i=1,2,...,k dan jacobian matriks kontinu tidak nol, maka PDF dari y adalah
X= solusi tunggal dari y.
Contoh :
Misalkan x1 & x2 adalah 2 variabel random independen yang masing-masing
berdistribusi eksponensial satu.
x=1 exp(1)
Dengan pdf bersamanya :
= , x1>0, x2>0
Maka tentukan pdf bersama dari y1 & y2 bila diketahui y1= , y2 =
62
Februl Defila
Jawab:
y1=
y2 =
= =1
=
=
x

Jadi G   
1  1
x e 
,   2,   1
   
63
Februl Defila
5.3 Metode MGF
Sebagaimana metode sebelumnya, metode MGF ini juga dapat digunakan dengan mudah
untuk menentukan distribusi variabel random atau jumlah fungsi variabel random.
Jika (x1,x2,...,xk) merupakan n buah variabel random yang saling independen aatau bebas dan
masing-masing punya MGF : maka jumlah n buah variabel random
diatas yakni :
x,y independen
Contoh :
Misalkan variabel random berdistribusi binomial yang saling independen :
dengan
Tentukan distribusi dari
64
Februl Defila
Jawab:
=(
=
BIN (
5.4 Order Statistik (yi)

Konsep order statistik merupakan konsep yang terkait variabel random yang nilai-nilai
observasinya diurutkan sesuai variabel random tersebut.
Contoh :
Misalkan x variabel random yang menentukan lamanya waktu tahan hidup dari 5 macam
bola lampu yang diuji hasilnya.
x1 = 5 bulan y2
x2 = 2 bulan y1
x3 = 6 bulan y3 pengurutan mulai dari yang terkecil
x4 = 10 bulan y5
x5 = 7 bulan y4
Secara umum (misal terdapat n pengamatan)

65
Februl Defila
Teorema :
Jika variabel random dari suatu populasi yang kontunyu, maka PDF
bersamanya dari statistik urut
Misalkan : A1 =
A2 =
A3 =
A4 =
A5 =
A6 =
B =
A1= = , ,
A1= = , ,
Dengan memperhatikan nilai-nilai jacobian diatas dan berdasarkan metode transformasi

sebelumnya, maka PDF bersama dari kasus diatas merupakan perkalian dari faktor-faktor
, sehingga PDF bersamanya dinyatakan :
66
Februl Defila
Contoh :
1. Misalkan menyatakan sampel random dengan PDF
. Tentukan PDF bersama dari statistik bersama dan PDF
marginal!
Jawab :
Penurunan distribusi dari order statistik ke-k dapat juga dilakukan hubungan antara PDF
dan CDF :
2. Misalkan , variabel acak kontinyu dengan PDF :

. Tentukan bentuk dari distribusi marginal
dari (pengamatan yang terkecil)!
Jawab:
67
Februl Defila
; a< <b
Dari contoh diatas maka PDF marginal secara umum dapat ditentukan dengan
menggunakan teorema berikut :
sampel random berorder n dari suatu PDF yang kontinyu dengan >0
68
Februl Defila
Untuk a<x<b, maka PDF order statistik ke-k (marginal) dapat dinyatakan sebagai :
dengan a< <b

Dalam praktek order statistik smallest & biggest atau minimum dan maksimum,
mempunyai peran penting khusunya dalam statistik inferensi.
Oleh karena itu, terkait dengan teorema diatas, maka statistik urut minimum dan maksimum
dapat dirumuskan melalui 2 macam pendekatan :
1. Variabel acak kontinyu
2. Variabel acak diskrit
Untuk variabel acak kontinyu PDF max dan PDF min dinyatakan
sebagai:
= ,
CDF :
5.5 Distribusi Limit

Dalam analisis statistik (inferensi) peran dari distribusi limit merupakan bagian yang penting,
karena terkait dengan model distribusi pendekatan limit dari variabel random. Dalam
distribusi limit ini, akan dibicarakan konsep-konsep yang terkait dengan konvergen
distribusi, konvergen stokastik, konvergen hampir pasti, theorema CLT dari sebuah variabel
atau barisan random.
Jadi barisan adalah suatu fungsi dengan domain bilangan asli.
Definisi :
Jika
69
Februl Defila
Maka dikatakan konvergen dalam distibusi ke dan dinyatakan
Contoh :
Misalkan sampel random dari distribusi eksponensial dan order statistik
terkecil. Maka tentukan CDF !
Jawab :
F(-∞) = 0
F(∞) = 1
Definisi :
Suatu barisan dari variabel random dikatakan konvergen stokastik pada
konstanta c jika barisan tersebut mempunyai distribusi limit pada y=c.
Dari definisi tersebut, maka dapat diturunkan definisi distribusi generate.
5.6 Distribusi Generate

Fungsi G(y) adalah CDF dari distribusi generate pada nilai y=c jika :
Dengan kata lain, G(y) adalah CDF dari distribusi variabel acak diskrit jika probabilitas
bernilai 1 pada titik y=c dan bernilai 0 pada yang lain.
70
Februl Defila
5.7 Distribusi Paretto
Suatu variabel acak kontinu X dikatakan berdistribusi paretto dengan θ>0, ɸ>0
Jika PDF-nya berbentuk :
Contoh :
Misalkan berdistribusi paretto satu-satu dan order statistik terkecil,
maka tentukan CDF dari !
Jawab :
= G(Y)
5.8 Teorema Limit Pusat

Misalkan suatu barisan variabel random dengan CDF masing-masing :
dan MGF masing-masing adalah
Jika M(t) suatu MGF dan CDFnya G(Y) dengan
71
Februl Defila
Maka
Contoh :
Misalkan suatu sampel random dari distribusi bernoulli dengan
Yn =
sedemikian hingga np= maka tentukan distribusi limit dengan
CLT!
Jawab :
M (t)
, maka Yn =
=M(t)
Dari contoh diatas, konsep distribusi limit dan CLT dan keduanya menentukan dengan
pendekatan
Satu hal yang perlu diketahui, apabila bentuk CDF tidak memenuhi sifat-sifat umum, maka
barisan Yn tidak mempunyai distribusi limit pendekatan.
Teorema limit pusat secara khusus :
Jika merupakan sampel random dari sebuah distribusi dengan PDF f(x), dan
mean dan varian berhingga, maka distribusi limit dari :
72
Februl Defila
Dari uraian di atas, dapat disimpulkan bahwa Theorema limit Central dapat dimodifikasi
berdasar konsep-konsep statistik dasar, yaitu :
1.
2. Jika , maka:
5.9 Aplikasi CLT

Untuk menerapkan dalil limit pusat dalam permasalahan sehari-hari maka theorema limit
pusat dapat dimodifikasi sesuai dengan kasus. Terdapat beberapa modifikasi dalam beberapa
hal :
1.
2.
Contoh :
Misalkan adalah mean sampel random berukuran 75 dari distribusi dengan PDF
Tentukan peluang P(0,45< !
Jawab :
73
Februl Defila
5.10 Konvergen Stokastik
Konsep konvergen stokastik banyak digunakan untuk menunjukkan bagaimana sebuah
random variabel dapat digunakan untuk pendekatan asimtotik normal.
Misalkan merupakan distribusi dari variabel random yang distribusinya tergantung
pada bilangan bulat positif n. Jika c merupakan konstanta yang tidak tergantung pada n maka
variabel random dikatakan konvergen stokastik/ probabilistik/ lemah ke-c jika dan hanya
jika untuk setiap berlaku :
Dari konsep diatas, konvergensi stokastik dapat diperluas terhadap barisan variabel random.
Misalkan {Xn} barisan variabel random , n=1,2,.... dan X=variabel random yang terdefinisi
pada ruang parameter (ῼ) maka : konvergensi dari barisan tersebut dapat diuraikan melalui 3
macam konvergen :
1. Konvergen almost sure / konvergen dengan probabiitas 1 / konvergen strong
2. Konvergen stokastik / konvergen probabilistik / konvergen weak
3. Konvergen distribusi / konvergen lengkap
Definisi :
Misalkan Xn barisan variabel random dikatakan konvergen hampir pasti ke-x, jika untuk
setiap ε > 0 berlaku :
Xn dikatakan konvergen lema ke-x jika untuk setiap ε > 0 berlaku :
Xn dikatakan konvergen dalam distribusi ke-x jika :
Untuk menentukan konvergensi sebuah barisan variabel random, dapat digunakan

Chebychev.
74
Februl Defila
Langkah-langkah menentukan konvergensi :
1. Gunakan pertidaksamaan cheybychev
2. Tentukan mean dan variansinya
3. Subtitusikan ke cheybychev
4. Selesaikan
Contoh :
Misalkan merupakan sampel random dari distribusi eksponensial. Buktikan
konvergen stokastik ke !
Jawab :
Buktikan :

lim (1  ) 1
n n 2
75
Februl Defila

Tugasstatmat PDF

Diunggah oleh

Hak Cipta:

Format Tersedia

Anda mungkin juga menyukai

Tugasstatmat PDF

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Tugasstatmat PDF

Diunggah oleh

Hak Cipta:

Format Tersedia

STATISTIKA MATEMATIKA I

PROGRAM STUDI PENDIDIKAN MATEMATIKA

1.1 Ruang Sampel dan Kejadian

Dimana  S  adalah power set atau himpunan bagian.

1.2 Peluang Klasik

Sifat – sifat lain dari peluang, dinyatakan dalam teorema berikut :

1.3 Peluang Bersyarat

Sifat – sifat lain dari peluang bersyarat adalah sebagai berikut :

P As s | AsWH  AsWM  AsWJ 

1.4 Hukum Total Probabilitas

Hukum diatas disebut dengan Hukum Identitas.

Secara umum, jika B1 , B2 ,..., Bk kejadian – kejadian saling asing, maka

A  S  A  B1  B2  ...  Bk   A  B1  A  B2  ...  A  Bk

= PB1 .P A | B1   ...  PBk .P A | Bk 

= PB1   P A | B1   PB2   P A | B2   PB3   P A | B3 

P A  B   P A  PB   Tidak bebas / Saling tergantung

Sehingga : P A | B   P A, jika A, B bebas

: P A | B   PB , jika B, A bebas

B  1,1, 2,2, 3,3, 4,4, 5,5, 6,6

2.1 Variabel Random

itu, karena P X  Y   P X PY   X, Y independent.

2.2 Variabel Acak Diskrit (pdf)

2.3 Fungsi Distributif Kumulatif (CDF)

f x1   F x1  dan  j , j>1 , berlaku f x j  = F x j   F x j 1 

Sedangkan untuk x < x i , maka F(x) = 0

Secara khusus, jika X variabel acak kontinu, maka :

a. Pa  x  b   Pa  x  b   Pa  x  b   Pa  x  b 

a. Px  k   0, dengan k = konstanta

Jika X merupakan variabel acak kontinu dengan pdf f x   

2.5 Nilai Harapan

Sifat – sifat umum nilai harapan

Eux    ux  f x dx , X VAK

Ea.g x   bhx    a.g x   bhx  f x dx

=  a.g x  f x dx   bhx  f x dx

= a  g x  f x dx  b hx  f x dx

Secara khusus, E ax  b   aE x   E b 

E b   bf x dx  E  f x dx  1

2.6 Distribusi Campuran (Mixed Distribution)

bentuk CDF campuran tersebut!

 x2  Ex  Ex2 ,  0, dengan E x   

Atau Var  x    x    f  x  , variabel acak diskrit

Atau Varx    x    f x dx , variabel acak kontinu

Maka,   V x  0,75  0,8661

Jika X, Y independen, maka :

Secara khusus, V ( x)  cov(x, x)

Momen ke k disekitar x =  , didefinisikan :  k  Ex   

Batas – batas probabilitas

2.9 Aproksimasi Mean dan Varian

x ' x

2.10 Momen Generation Function (MGF)

Ekspektasi ini ada nilainya, jika :

X Variabel acak diskrit  M x t   E e tx    e txi f  x1 

Fungsi ini penting terutama dalam mendapatkan mean dan varian.

M ' xt    xietxi f xi 

M " x t    xi e txi f xi 

M x( r ) t    xir etxi f xi 

M x'' 0   xi2 f xi 

M xr f xi    xir f xi 