Variabel Acak Dan Distribusi Probabilitas Print
Variabel Acak Dan Distribusi Probabilitas Print
1. Variabel Acak
Variabel random/acak adalah sebuah fungsi yang mengaitkan sebuah bilangan
real dengan setiap elemen di ruang sampel.
Notasi X: variabel randomnya,
x: salah satu nilai X yang mungkin
Contoh:
Dalam pemeriksaan lampu, ada dua kejadian yg mungkin: Baik (B) dan Mati (M).
Pemeriksaan dilakukan dengan mengambil secara acak 3 buah lampu hasil produksi.
Maka ruang sampelnya adalah:
S = {BBB, BBM, BMB, BMM, MBB, MBM, MMB, MMM}
Definisikan X adalah banyaknya lampu yg rusak dalam pengambilan tersebut, maka X
bisa mengambil nilai : 0,1,2,3.
X adalah contoh Variabel random.
S = {BBB,BBM, BMB,BMM, MBB,MBM, MMB,MMM}
X = {0 ,1 , 1 ,2 ,1 ,2 ,2 ,3}
Terlihat X = 2 untuk kejadian E= {MMB,MBM,BMM}. Tadi tiap nilai X berkenaan
dengan sebuah himpunan bagian dari S.
Contoh:
2 bola diambil berturut-turut tanpa dikembalikan dari kotak yg berisi 4 bola merah (R)
dan 3 bola biru (B). Buatlah semua kemungkinan nilai variabel random Y yang
menggambarkan jumlah bola merah yang terambil.
Jawab:
Ruang sampel y
RR 2
RB 1
BR 1
BB 0
Ruang sampel yang berisi anggota yang seperti elemen bilangan bulat, maka
disebut ruang sampel diskrit/variabel acak diskrit.
Ruang sampel yang berisi anggota yang seperti titik-titik di segmen bilangan real
disebut ruang sampel kontinu/variabel acak kontinu.
Contoh 1
Sebuah pengiriman 8 mikrokomputer yang serupa ke suatu jaringan eceran berisi 3
yang cacat. Bila suatu sekolah melakukan suatu pembelian acak 2 dari komputer ini,
carilah sebaran probabilitas untuk jumlah cacat.
Penyelesaian :
Ambil X sebagai peubah acak yang nilai x-nya adalah jumlah komputer cacat yang
mungkin dibeli oleh sekolah tersebut. Maka x dapat menjadi salah satu dari bilangan
0,1,2. Sekarang
3 ��
�� 5 3 ��
�� 5
�� �� �� ��
0 ��2 10 1 ��1 15
f 0 P X 0 �� , f 1 P X 1 �� ,
8
�� 18 8
�� 18
�� ��
2
�� 2
��
3 ��
�� 5
����
2 ��
0 3
f 2 P X 0 ��
8
�� 18
��
2
��
sehingga sebaran probabilitas dari X adalah
X 0 1 2
f(x) 10
28
15
28
3
28
Contoh 2
Pada sebuah eksperimen probabilitas satu kali melempar dua buah dadu secara
bersamaan, distribusi probabilitas dari jumlah mata dadu yang muncul ditentukan
sebagai berikut:
Ruang sampell eksperimen adalah pasangan mata dadu yang mungkin:
(1,1) (1,2) (1,3) (1,4) (1,5) (1,6)
(2,1) (2,2) (2,3) (2,4) (2,5) (2,6)
(3,1) (3,2) (3,3) (3,4) (3,5) (3,6)
(4,1) (4,2) (4,3) (4,4) (4,5) (4,6)
(5,1) (5,2) (5,3) (5,4) (5,5) (5,6)
(6,1) (6,2) (6,3) (6,4) (6,5) (6,6)
Jika X adalah varibel acak diskrit yang menyatakan jumlah mata dadu yang mungkin
mucul, maka X = {2,3,4,5,6,7,8,9,10,11,12}
Distribusi probabilitas untuk masing-masing nilai variabel X membentuk fungsi
probabilitas sebagai berikut:
• P(X=2) = p(2) = 1/36 P(X=8) = p(8) = 5/36
• P(X=3) = p(3) = 2/36 P(X=9) = p(9) = 4/36
• P(X=4) = p(4) = 3/36 P(X=10) = p(10) = 3/36
• P(X=5) = p(5) = 4/36 P(X=11) = p(11) = 2/36
• P(X=6) = p(6) = 5/36 P(X=12) = p(12) = 1/36
• P(X=7) = p(7) = 6/36
Dari fungsi probabilitas jumlah mata dadu yang muncul pada eksperimen melempar
dua mata dadu dalam Contoh 2 dapat dibentuk fungsi distribusi kumulatif (cdf)
sebagai berikut:
F (2) �p( x ) p(2) 1/ 36
x �2
F (3) �p( x ) p(2) + p(3) 1/ 36 + 2 / 36 3 / 36
x �3
F (4) �p( x ) p(2) + p(3) + p(4) 1/ 36 + 2 / 36 + 3 / 36 6 / 36
x �4
F (5) �p( x ) p(2) + p(3) + ... + p(5) 1/ 36 + 2 / 36 + ... + 4 / 36 10 / 36
x �5
F (6) �p( x ) p(2) + p(3) + ... + p(6) 1 / 36 + 2 / 36 + ... + 5 / 36 15 / 36
x �6
F (7) �p( x ) p(2) + p(3) + ... + p(7) 1/ 36 + 2 / 36 + ... + 6 / 36 21/ 36
x �7
F (8) �p( x ) p(2) + p(3) + ... + p(8) 1/ 36 + 2 / 36 + ... + 5 / 36 26 / 36
x �8
F (9) �p( x ) p(2) + p(3) + ... + p(9) 1/ 36 + 2 / 36 + ... + 4 / 36 30 / 36
x �9
F (10) �p( x ) p(2) + p(3) + ... + p(10) 1/ 36 + 2 / 36 + ... + 3 / 36 33 / 36
x� 10
F (11) �p( x ) p(2) + p(3) + ... + p(11) 1/ 36 + 2 / 36 + ... + 2 / 36 35 / 36
x� 11
F (12) �p( x ) p(2) + p(3) + ... + p(12) 1/ 36 + 2 / 36 + ... + 1/ 36 36 / 36
x�12
3 n 4 3 1 4! 9 1 27
b( x 2; n 4, p ) p x q n x ( ) 2 ( ) 4 2
4 x 2 4 4 2!(4 2)! 16 16 128
f ( X ) dx F { Xe[-, ]} 1
Jika P( x a ) P( x a ) F (a ) f ( x)dx
yang lain
Maka dari (I) fungsi distribusi dari variabel acak uniform pada int(α,β)
dinyatakan :
0 a
a
f x a
1 a
Contoh soal :
Jika x berdistribusi uniform pada (0, 10) carilah peluang 3 < x < 8
Jawab :
1 1
f ( x)
10 0 10
8
1 8 3 5
10dx 10 10 10
2
dimana:
m = rata-rata (mean)
s = simpangan baku (standard deviation)
p = 3.14159
e = 2.71828
Apabila m = 0, σ2 = 1 maka :
1 x2 2
f ( x) e disebut fungsi densitas (kepadatan) normal baku
2p
(Normal Standard). Setiap variabel acak yang berdistribusi normal dengan
nilai mean dan varian sembarang dapat di transformasi menjadi variabel
xm
acak yang berdistribusi normal baku dengan transformasi : z
s
Sifat-sifat distribusi normal :
Bentuk kurva normal seperti bel dan simetris.
Parameter s, menunjukkan lebar dari kurva normal (semakin besar
nilainya, semakin lebar).
Titik tertinggi dari kurva nomal terletak pada nilai rata-
rata=median=modus.
Luas total area di bawah kurva normal adalah 1. (luas bagian di
sebelah kiri µ = sebelah kanan µ).
Probabilitas suatu random variabel normal sama dengan luas di bawah
kurva normal.
Catatan :
P ( a x b) P ( a x b ) P ( a x b ) P ( a x b)
Contoh soal :
Berat bayi yang baru lahir ratarata 3750 gram dengan simpangan baku 325
gram. Jika berat bayi berdistribusi normal, maka tentukan :
a. Berapa % bayi yang beratnya lebih dari 4500 gram.
b. Berapa banyak bayi yang beratnya antara 3500 gram sampai 4500
gram, jika semua ada 10000 bayi.
c. Berapa bayi yang beratnya lebih kecil atau sarna dengan 4.000 gram
jika semuanya ada 10.000 bayi?
d. Berapa bayi yang beratnya 4.250 gram jika semuanya ada 5.000 bayi?
Jawab :
xm
a. z
s
Berat yang lebih dari 4500 gram, pada grafiknya ada di sebelah kanan
z = 2,31
Luas daerah ini = 0,5 - 0,4896 = 0,0104
Jadi ada 1,04 % dari bayi yang lahir beratnya lebih dari 4500 gram
Peluang berat bayi lebih kecil atau sama dengan 4.000 gram adalah
0,5 + 0,2794 = 0,7794
Banyaknya bayi = (07794).(10000) = 7794.
d. Berat 4250 gr, setelah penyesuaian berarti antara 4.249,5 gram dan
4250,5 gram. Jadì untuk X 4,249,5 dan X = 4.250,5 didapat :
x + 0,5 n. p x 0,5 n. p
normal itu menjadi : z n. p.q
atau z n. p.q
Contoh soal :
Suatu pabrik/ perusahaan pembuat CD menghasilkan 10% CD yang cacat/
rusak. Jika 100 CD dipilih secara random, berapa probabilitas terdapat :
a) 8 CD yang rusak
b) Paling sedikit 12 CD yang rusak
c) Paling banyak 5 CD yang rusak
Jawab :
x = banyak CD yang rusak
x ~ Bin(100; 0,1) n = 100, p = 0,1
m = n.p = 100.(0,1) = 10
s 2 = n.p.(1-p) = 100.(0,1).(0,9) = 9 s = 9 = 3
e . x ( t ) x
dan mempunyai distribusi : P( X ) ; x = 0,1,2 ……. (1)
x!
=0 yang lain
P(0) = probabilitas tidak ada kejadian dalam interval [0,t]
P(0) = e . x ini dapat diartikan bahwa peluang waktu kejadian pertama
terjadi lebih besar daripada t. Bila kita pandang waktu sebagai variabel
acak T, maka :
P (0) P (T t ) e . x t0
P(t ) P (T t ) 1 e . x t0
f (t ) F ' (t ) .e . x t 0 …………….. …..(2)
=0
Hubungan antara distribusi eksponensial dan distribusi poisson adalah jika
banyaknya kejadian mempunyai distribusi poisson (persamaan 1) maka
waktu antar kejadian berdistribusi eksponensial (persamaan 2). Distribusi
1
eksponensial mempunyai rata-rata mx , dimana =usia pakai
Contoh soal :
Suatu komponen didalam computer berdistribusi eksponensial dengan
waktu pakai 10000 jam. Berapa persentase komponen tersebut akan rusak
sebelum mencapai waktu 7000 jam?
Jawab:
1
m 10000 t 7000
10000
P (7000) = 1 - e . x
7
= 1 - e 10
1
( n) ( n 1)! ; ( ) p
2
( n) ( n 1) ( n 1) (1) 1
Fungsi densitas Gamma :
f ( x) (x ) r 1 .e . x x0
e( r )
f ( x) 0 yang lain
Jika x1, x2, …, xk adalah saling independen dan xi Gamma (ri, λ) maka :
k
Y xi ~ Gamma (Σri, λ)
i 1
Jika tiap komponen punya usia pakai sesuai dengan distribusi eksponential
dengan 10 5 jam maka usia pakai sistem tersebut berdistribusi
Gamma dengan parameter r = 5. Carilah rata-rata waktu yang diperlukan
sistem menjadi rusak atau tidak berfungsi.
Jawab :
r 5
Rata-rata = 5 5.10 5 jam
10
f ( x) 0 yang lain
merupakan parameter lokasi
0 = skala parameter ; β = parameter bentuk
Distribusi Weibull dapat ditulis : x ~ Weibull (β, γ, δ)
x
Fungsi distribusi kumulatif : F ( x) 1 exp x
Contoh soal :
Jangka waktu kerusakan suatu komponen elektronik adalah distribusi
weibull dengan β=1/2, γ=0, δ=1000 jam. (a) carilah rata-rata waktu yang
diperlukan komponen menjadi rusak! (b) berapa peluang komponen yang
diharapkan berfungsi baik sampai 5000 jam?
Jawab :
1
a. m + 1 +
m 0 + 1000 1 + 2
m 1000 3
m 1000 3 1!
m 1000 2 !
m 2000
x
b. 1 F ( x ) exp
5000 0 1 / 2
1 F (5000) exp
1000
=0,107