E ( X + Y ) = E ( X ) + E (Y )
E (aX ) = aE ( X )
var(aX ) = a 2 var( X )
var( X + Y ) = var( X ) + var(Y ) + 2 cov( X , Y )
M (t ) = E (ety ) = ety p ( y )
y
dM (t )
M (0) = = E (Y )
dt t =0
Bukti:
dM (t )
M (t ) = f ( y )dy
d
=
ty
e
dt dt −
d ty
e = yety = f ( y )dy
ty
ye
dt
−
Pada t =0 M (0) = f ( y )dy =
ye 0y
yf ( y )dy
−
−
Definisi nilai harapan M (0) = E (Y )
Secara umum:
M (t )
( )
r
M (0) =
(r ) d
r
= E Y r
dt t =0
Sebaran – sebaran Penting
Diskrit
Bernoulli
Binomial
Geometrik
Poisson
Kontinyu
Uniform
Exponential
Gamma
Normal
Sebaran Bernoulli
“Pelemparan satu koin” atau percobaan dengan hasil hanya yang
bersifat biner (misal: sukses dan gagal)
P(1) = P (X=1) = p
p, untuk x = 1
Yang secara umum: Pr ( X = x ) =
1 − p, untuk x = 0
Sebaran Bernoulli
Sifat-sifat:
E(X ) = p var( X ) = p (1 − p )
Sebaran Binomial
“Pelemparan n kali koin” dengan peluang sukses p
Berupa n kali percobaan Bernoulli
Yang diamati adalah peubah X:
Jumlah kesuksesan
Fungsi frekuensi peluang:
n x
Pr ( X = x ) = p (1 − p ) , x = 0,1,..., n
n− x
x
E(X ) =
1
var( X ) =
(1 − p )
p p2
Sebaran Poisson
“Terjadinya even yang langka” dengan = rata-rata
terjadinya even dalam satu periode (waktu, luas, jarak)
Yang diamati adalah peubah X:
Jumlah kejadian di dalam periode yang bersesuaian
Contoh: jumlah kesalahan ketik pada satu halaman buku
Adalah limit dari sebaran binomial untuk n →∞, p →0
Pada contoh: n adalah jumlah huruf dalam satu buku dan
peluang salah ketik yang cukup kecil
Sebaran Poisson
Fungsi frekuensi peluang:
x e −
Pr ( X = x ) = , x = 0,1,2,...
x!
Dengan sifat-sifat:
E(X ) =
var ( X ) =
0 , untuk x a
x −a
F (x ) = , untuk a x b
b − a a b
1 , untuk x b
Dengan sifat-sifat:
E(X ) =
a+b
var ( X ) =
(b − a )2
2 12
Sebaran Eksponensial
Peubah X yang non-negatif dengan kemungkinan
terbesar terjadi pada nilai yang dekat dengan nol
Biasa digunakan untuk memodelkan fenomena yang
berhubungan dengan waktu
Mis: Laju kerusakan/Reliabilitas
Mempunyai sifat memoryless, sifat istimewa yang
diperlukan dalam beberapa model stokastik
Continuous Time Markov Chain
Sebaran Eksponensial
e − x ,untuk x 0
f (x ) =
0 , selainnya
1 − e − x ,untuk x 0
F (x ) =
0 , x0
f(x)
var ( X ) =
1
E(X ) =
1
2
x
Sifat Tanpa Ingatan (Memoryless Property)
sebaran Eksponensial
Jika digunakan untuk memodelkan umur suatu barang
(lifetime)
Definisi memoryless property:
Peluang produk berfungsi baik untuk x waktu ke depan bagi
produk yang sudah berumur t dan produk baru adalah sama
secara statistik
PrX x + t , X t
Pr X x + t X t =
PrX t
PrX x + t 1 − F (x + t )
= =
PrX t 1 − F (t )
e − ( x +t )
= − t
= e − x
= PrX x
e
Sebaran Gamma
X adalah peubah acak non negatif yang tergantung pada
dua parameter, α>0, dan λ>0
(x ) −1 e −x ,untuk x 0 E(X ) =
f ( x ) = ( )
0 , selainnya
var ( X ) = 2
Sebaran Normal
Sebaran yang paling banyak digunakan sebagai asumsi
X menyebar mengikuti sebaran dengan bentuk seperti
genta
Dari teorema limit pusat (central limit theorem):
Sebaran dari jumlah n peubah yang saling bebas dan menyebar
secara sama (iid) mendekati sebaran normal untuk n →∞
1 E(X ) =
fX ( x) =
−( x − ) 2 2
2
e , − x
2 Var ( X ) = 2