METODE STOKASTIK

Fungsi Linier Peubah Acak

Untuk dua peubah acak X dan Y berlaku:

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 )

Jika X dan Y saling bebas, maka: cov( X , Y ) = 0

var( X + Y ) = var( X ) + var(Y )

Fungsi Pembangkit Moment
(Moment Generating Function)

Definisi untuk Y PA Diskrit:

M (t ) = E (ety ) =  ety p ( y )
y

Definisi untuk Y PA Kontinyu:


M (t ) = E (ety ) =  ety f ( y )dy
−
 Sifat khusus fungsi pembangkit moment

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)

 Yang diamati peubah X:

 X=1 untuk sukses dan X=0 untuk gagal.

 Fungsi frekuensi peluang dari X adalah

 P(0) = P(X=0) = 1-p

 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

Adalah n kali dari

E ( X ) = np var( X ) = np (1 − p ) setiap sifat dari
sebaran Bernoulli
Sebaran Geometri
 “pelemparan koin” denga peluang sukses p
 Yang menjadi pengamatan adalah peubah X:
 Jumlah pelemparan sampai diperolehnya sukses yang
pertama
 Dengan fungsi frekuensi peluang:
Pr ( X = x ) = (1 − p )
x −1
p, x = 1,2,...

 Dengan sifat umum:

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 ) = 

 Sebaran diskrit yang istimewa yang menjadi asumsi dari

beberapa model stokastik diskrit
Sebaran Uniform (Seragam)
 Nilai pengamatan X mempunyai kemungkinan yang sama untuk
terjadi pada interval (a,b)


1
,untuk a  x  b
f (x ) =  b − a

0 , selainnya

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 , x0
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
PrX  x + t , X  t
Pr X  x + t X  t  =
PrX  t
PrX  x + t 1 − F (x + t )
= =
PrX  t 1 − F (t )

e −  ( x +t )
= − t
= e − x
= PrX  x
e
Sebaran Gamma
 X adalah peubah acak non negatif yang tergantung pada
dua parameter, α>0, dan λ>0

 Ketika parameter α adalah bilangan integer, maka X adalah

jumlah dari α sebaran eksponensial, masing-masing dengan
parameter λ
X  = Y1 + ... + Y Y1...Y ~ Exp ( )

  
 (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