Nama : Simona Lydia

NIM : 1907050020
Kelas : 7A (Siang)
BAB 2

VARIABEL RANDOM DAN DISTRIBUSINYA

1. Pendahuluan

Dalam bab ini akan dibahas tentang variabel random beserta distribusinya. Variabel random
pada hakekatnya adalah fungsi yang terdefinisi dalam ruang sampel, sehingga dari variabel
random tersebut dapat dibentuk distribusinya. Variabel random dibedakan menjadi dua yaitu
variabel random diskrit dan variabel random kontinu. Fungsi yang berkaitan dengan variabel
random disebut probability density function (pdf) atau disebut fungsi pekat peluang.
Berkaitan dengan pdf tersebut dapat dibentuk CDF (Cumulative Distrubution Function),
ekspektasi dan variansi termasuk juga MGF (Moment Generating Function).

2. Pengertian Variabel Random

Definisi 2.1. :
Variabel random, yang dinyatakan dengan X adalah suatu fungsi yang didefinisikan pada
ruang sampel S, yang dikaitkan sebuah bilangan real X(e)=x dengan masing-masing
hasil yang mungkin e dalam S.

Contoh 2.1.1 :

Dadu sisi empat mempunyai nomor 1, 2, 3, atau 4 pada masing–masing sisi yang
berkemungkinan sama.Satu permainan dengan menggulirkan dadu tersebut dua kali dan
skor adalah maksimum dari 2 bilangan yang muncul. Walaupun skor tersebut tidak dapat
diprediksi, kita dapat menentukan himpunan nilai–nilai yang mungkin dari variabel random.
Khususnya jika e = (i, j) dimana i, j ∈ {1, 2, 3, 4}, dan X(e)=max (i, j), maka ruang sample S
dan X digambarkan sebagai berikut.
Dimana kejadian , , dari S berisi pasangan (i , j ) yang memiliki nilai maksimum.
Dengan kata lain, X (variabel random) memiliki nilai x = 1 lebih , x = 2 lebih , x = 3 lebih
, x = 4 lebih .

Contoh 2.1.2:
Kami mendiskusikan beberapa alternatif untuk menghitung probabilitas memperoleh kelereng
dengan “tepat dua hitam”, ketika memilih lima (tanpa pengembalian) dari koleksi 10 berwarna
hitam dan 20 kelereng berwarna putih. Misalkan pada masalah umum untuk mendapatkan x
kelereng berwarna hitam, untuk x sembarang. Kita dapat menyelesaikan dengan mendefinisikan
X adalah variabel random sebagai jumlah kelereng berwarna hitam dalam sampel, and dan untuk
menentukan Probability P [X = x] untuk setiap kemungkinan nilai x. Dapat diselesaikan dengan
pendekatan persamaan (1.6.8) sehingga

( )( )
[ ]
( )

2.2 Variabel Random Diskrit

Definisi 2.2
Jika himpunan semua nilai variabel random X yang mungkin adalah himpunan yang dapat
dihitung (countable) x1 x2 ,...,xn , or x1 x2 ,...,maka X disebut variabel random diskrit (a
discrete random variabel). Fungsi tersebut
f(x) = P[X=x] x = x1 x2 ,...,
disebut fungsi masa peluang diskrit (discrete probability mass function)
Teorema 2.2.1
Fungsi f(x) adalah pdf (discrete probability mass function) diskrit jika dan hanya jika dipenuhi
kedua sifat-sifat berikut untuk paling banyak himpunan bilangan real
x1 x2 ,... tak hingga yang dapat dihitung (at most a countably infnite).
f xi ≥0 untuk semua xi , dan

∑ ( )

Contoh 2.2.1:
Maksimum dari dua guliran dadu sebagai berikut :

X 1 2 3 4

f(X) 1/16 3/16 5/16 7/16

Tentu saja, tentu saja, ini adalah probabilitas, masing-masing, dari peristiwa tersebut kejadian
, , dalam S. Jika dalam grafik presentasi seperti dibawah ini:

Contoh 2.2.1 :

Dalam menggelindingkan sebuah dadu yang memilik mata dadu 12 sebanyak dua kali, dan
masing-masing sisi diberi nomor 1 s.d 12, yang berkemungkinan sama untuk muncul pada
setiap penggelindingan. Jika X menyatakan nilai maksimum dalam dua penggelindingan,
maka pdf dari X akan berbentuk f(x) = c(2x-1) untuk x =1, 2, 3 ,..., 12
dan c dapat dicari dengan menggunakan sifat pmf, yaitu

∑ ( ) ∑ ( ) [ ∑ ]

( )( )
* + ( )

Jadi

CDF (Cumulative Distribution Function)

Definisi 2.3
Fungsi distribusi kumulatif dari suatu variabel random X didefinisikan untuk sebarang bilangan
real x dengan F(x) = P [X ≤x]

Teorema 2.2.2 :
X adalah variabel random diskrit dengan pdf f(x) dan CDF F(x). Jika nilai yang mungkin dari X
diindeks dalam urutan menaik maka
f( ) = F( ) untuk i =1, dan
f( ) = F( ) - F( )
selanjutnya jika ( )

( ) ∑ ( )

Dimana notasi penjumlahannya semuanya diambil i sehingga

Teorema 2.2.3:
Suatu fungsi ( ) adalah suatu CFD untuk beberapa variabel random X jika dan hanya jika
dapat mengikuti syarat :
( )
( )
( ) ( )
( ) ( )
Definisi 2.2.3
Jika X adalah sebuah variabel random diskrit dengan pdf f(x), ketika nilai yang diharapkan
(expected value) dari X didefinisikan dengan

( ) ∑ ( )

Contoh 2.2.2
Sebuah kotak berisi 4 kartu. Dua kartu diberi label dengan nomor 2 ; satu diberi label dengan
nomor 4 dan yang lain dengan nomor 8. Rata-rata bilangan pada keempat kartu adalah
. Percobaan memilih sebuah kartu secara random dan dicatat nomornya dapat

dikaitkan dengan variabel random diskrit X yang mempunyai nilai berbeda x = 2, x = 4, dan x =
8 dengan f(2) = 1/2 ; f(4) = f(8) = 1/4. Jadi, nilai expektasinya adalah E(x) = 2(1/2) + 4(1/4) +
8(1/4) = 4.

2.3 Variabel Random Kontinu

Definisi 2.3.1
Suatu variabel random X disebut variabel random kontinu jika ada fungsi f(x) adalah probability
density function (pdf) dari X. Sehingga CDF dapat disajikan sebagai berikut:

( ) ∫ ( )

Teorema 2.3.1
Suatu fungsi f(x) adalah suatu pdf untuk beberapa variabel random kontinu X jika dan hanya jika
dapat memenuhi :
( )
Untuk semua bilangan real x , dan
∫ ( )

Contoh 2.3.2
Sebuah mesin yang menghasilkan kabel tembaga, dan kadang-kadang ada kerusakan pada suatu
titik sepanjang kabel. Panjang kabel (dlm meter) diproduksi antara sukses rusak adalah variabel
random kontinu X dengan pdf berbentuk

( ) ( )
*
 ∫ ( ) ∫ ( ) ( )

Yang diperoleh setelah substitusi u = 1 + x dan mengaplikasikan aturan integral. Dengan

konstanta c = 2.
CFD untuk variabel random didapat
( ) [ ] ∫ ( )

∫ ∫ ( )
*
∫
( )
*

Probabilitas dari interval , seperti [ ] dapat diekspresikan secara langsung dalam

CFD atau sebagai integral dari pdf. Sebagai contoh, probabilitas bahwa cacat terjadi antara 0,40
dan 0,45 meter sehingga didapat
[ ] ∫ ( ) ( ) ( )

Definisi 2.3.2
Jika X adalah suatu variabel random kontinu dengan pdf f(x), saat nilai ekspektasi dari X
didefinisikan dengan
( ) ∫ ( )
Jika integral pada persamaan (2.3.9) tentu saja konvergen. Kalau tidakdapat kita katakan E(X)
tidak ada.

Definisi 2.3.3
Jika ketika a 100 × pth persentil dari distribusi dari sebuah variabel random kontinu
X adalah sebuah solusi diperoleh persamaan
( )

Definisi 2.3.4 Jika pdf mempunyai maximum tunggal di x = katakan max f(x) = ( ) maka
disebut modus dari X.

Definisi 2.3.5
Distribusi dengan pdf f(x) dikatakan simetrik di sekitar c jika f(c-x) = f(c+x) untuk semua x.

DISTRIBUSI CAMPURAN
Mungkin sekali bahwa variabel random mempunyai distribusi yang tidak diskrit murni atau tidak
kontinu murni. Distribusi untuk variabel random X adalah tipe campuran jika CDF mempunyai
bentuk F(x) = a Fd(x) + (1-a) Fc(x) ; 0<a<1

Keterangan :
Fd(x) : CDF dari distribusi diskrit
Fc(x) : CDF dari distribusi kontinu

Teorema 2.4.1
Jika X variabel random dengan pdf f(x) and u(x) adalah fungsi bernilai real yang
domainnya meliputi nilai-nilai X yang mungkin, maka
[ ( )] ∑ ( ) ( ) jika X diskrit
[ ( )] ∫ ( ) ( ) jika X kontinu

Ini jelas bahwa nilai ekspektasi akan mempunyai sifat linearitas terkait dengan
integral dan penjumlahan.

Teorema 2.4.2
Jika X variabel random dengan pdf f(x), a dan b adalah konstan, serta g(x) dan h(x) adalah
fungsi bernilai real yang domainnya memuat nilai X yang mungkin, maka
E[ag(X)+ bh(X)]= aE[g(X)]+ bE[h(X)]

Bukti:
E[ag(X)+bh(X)]=∫ [ ( ) ( )] ( )

∫ ( ) ( ) ∫ ( ) ( )
aE[g(X)+ bE(h(X)]

Definisi 2.4.1Variansi variabel random X diberikan Var (X) = E[( ) ]

 dimana µ = E(x)

Definisi 2.4.2
Moment ke-k di sekitar pusat variabel random X adalah
𝜇′𝑘 𝐸(𝑋 𝑘 )
𝜇𝑘 𝐸[(𝑋 𝐸(𝑋)′ )]𝑘 𝐸(𝑋 𝜇))𝑘

Teorema 2.4.3
Jika X adalah variabel random, maka
Var X = E (X2 )−µ2

Bukti :
Var(X)= E (X2 − 2Xµ + µ2 )
= E(X2 ) − 2 µ E(X) + µ2
= E(X2 ) − 2µ2 + µ2

Teorema 2.4.4
Jika X adalah variabel random dengan a dan b adalah konstanta, maka
Var (aX+ b) = a2Var(X)

Bukti :
Var(aX+ b) = E[(aX+ b) − (aµ + b)]2
= E[a(X − µ)]2
= a2E[(X−µ)]2
= a2Var(X)

Teorema 2.4.5
Jika distribusi dari X simetrik di sekitar mean µ= E(X), maka moment ketiga di sekitar
µ adalah nol, µ3 = 0 .

Teorema 2.4.6
Jika X adalah variabel random dan µ (X) adalah fungsi bernilai real nonnegative, maka
untuk sebarang konstanta positive c>0,
[ ( )]
[ ( ) ]

Teorema 2.4.7
Jika X adalah variabel random dengan mean µ dan variansiσ2, maka untuk sebarang k>0.
P[X − µ ≥ kσ]≤

Teorema 2.4.8
E(X) dan σ2 = Var(X). Jika σ2 = 0, maka P (X= µ]=1

2.5 Fungsi Pembangkit Momen (FPM)

Definisi 2.5.1
Jika X variabel random, maka nilai harapan
Mx(t) = E(etx)
Disebut moment generating function (MGF) dari X jika nilai harapan
ada untuk semua nilai dari t dalam suatu interval bentuk – h < t < h
untuk suatu h > 0.

1. MGF Variabel Random Diskrit

Contoh 6 :
Asumsikan bahwa X adalah variabel random diskrit bernilai hingga, dengan nilai-nilai
yang mungkin x1, …, xm. FPM nya adalah merupakan fungsi yang dapat didiferensialkan
ke- t, dengan derivative

( ) ∑ ( )

merupakan fungsi yang dapat didiferensialkan ke-t dengan derivatif

( ) ∑ ( )

dan secara umum untuk sembarang bilangan bulat positif r,

 ( ) ∑ ( )

jika kita menghitung M(xr) (t) untuk t=0 diperoleh

( )
( ) ∑ ( ) ( )

Teorema 2.5.1
Jika FPM(X) ada, maka
′ ( )
E( )= ( )
dan

( ′)
( ) ∑

2. FPM Variabel Random Kontinu

Contoh 7:
Pandang variabel random kontinu X dengan pdf f(x) = e-x jika x>0 dan f(x)=0 untuk
 x yang lain. MGF nya adalah

( ) ∫

( )
=∫

=( )

b. Sifat-Sifat Fungsi Pembangkit Momen (FPM)

Teorema 2.5.2.
Jika Y = aX + b, maka MY (t) = ebtMx (at).
Bukti:
Mx(t) = E(etY)
= E(eta(X + b))
= ( )
= ( )
( )

c. FPM Faktorial

Definisi 2.5.2
Moment faktorial ke-r dari X adalah E[X(X-1) …(X-r+1)] dan FPM dari X
adalah Gx(t) = E(tx)
Jika nilai harapan ini ada untuk semua t dalam suatu interval bentuk 1– h < t <
1+h FPMF lebih cocok daripada FPM dalam beberapa masalah. Gx(t) = E(tx) =
E(ex ln t) = Mx(ln t)
Teorema 2.5.4
Jika X mempunyai FMGF, GX (t), maka
′( ) ( )
′′ ( ) [ ( )]
( ) [ ( ) ( )

Catatan :
E(X(X-1)) = E(X2-X) = E(X2) - E(X) sehingga E(X2) = E(X) + E(X(X-1))
LATIHAN
15. Tentukan pdf yang berkaitan terhadapnmasing-masing CDF berikut:
( )
a. ( )

b. ( )

Penyelesaian
( )
a. ( )

′( ( )
PDF= ( ) )

b. ( )

( ) ( )

( ( ) )

( )
34. Pandang bahwa X adalah variable random dengan MGF

( ) ( ) ( ) ( )

a. Bagaimana distribusi dari X?

b. Bagaimana P[X=2]

Penyelesaian

a. ( ) ( ) ( ) ( )

Karena kesamaan ini suatu identitas, yaitu berlaku untuk semua bilangan
real t, maka diperoleh

( ) ( ) ( )

PDF dari X adalah f sehingga

( ) ( )
 ( )

( )

( )

1 2 5

b. P[X=2]

( )

( )