Tim Matematika
Dalam contoh di bagian ini, kita melihat variabel acak yang mengambil nilai
diskrit adalah himpunan yang terbatas.
Contoh 13.1
Percobaan pelemparan sebuah koin sebanyak tiga kali. Misalkan 𝑋
menjadi variabel acak yang menghitung banyaknya bagian gambar di
setiap hasil percobaan pelemparan yang keluar. Dengan G adalah hasil
percobaan munculnya bagian gambar dan A adalah hasil percobaan
munculnya bagian angka.
Ruang sampel adalah
𝑆 = {𝐺𝐺𝐺, 𝐺𝐺𝐴, 𝐺𝐴𝐺, 𝐴𝐺𝐺, 𝐺𝐴𝐴, 𝐴𝐺𝐴, 𝐴𝐴𝐺, 𝐴𝐴𝐴}
dan variabel acak
𝑋∶ 𝑆→ℝ
dengan mengambil nilai 0 untuk hasil percobaan tidak munculnya
bagian gambar dalam tiga kali pelemparan, nilai 1 untuk hasil
3
percobaan munculnya bagian gambar sebanyak satu kali dalam tiga
kali pelemparan, nilai 2 untuk hasil percobaan munculnya bagian
gambar sebanyak dua kali dalam tiga kali pelemparan, nilai 3 untuk
hasil percobaan munculnya gambar sebanyak tiga kali dalam tiga kali
pelemparan. Misalnya,
𝑋(𝐺𝐺𝐺 ) = 3
𝑋(𝐺𝐴𝐺 ) = 2
𝑋(𝐴𝐴𝐺 ) = 1
𝑋(𝐴𝐴𝐴) = 0
Fungsi kepadatan peluang dan fungsi distribusi adalah cara yang setara
untuk menggambarkan peluang distribusi dari variabel acak diskrit, dan kita
dapat memperoleh satu dari yang lain, seperti yang diilustrasikan dalam
Contoh 13.2 dan Contoh 13.3 berikut.
Contoh 13.2
Misalkan fungsi kepadatan peluang dari variabel acak diskrit 𝑋 diberikan
oleh
Tabel 13.2.
5
Tabel 13.2
𝒙 𝑷(𝑿 = 𝒙)
-1 0.1
0 0.2
1.5 0.05
3 0.15
5 0.5
Pada Gambar 13.1, kita melihat bahwa grafik 𝐹 (𝑥 ) adalah fungsi yang tidak
menurun dan konstan-satu yang mengambil lompatan pada nilai-nilai 𝑥 di
mana 𝑃 (𝑋 = 𝑥 ) > 0. Fungsi 𝐹(𝑥) adalah benar kontinu; yaitu, untuk setiap 𝑐 ∈
ℝ,
lim 𝐹 (𝑥 ) = 𝐹(𝑐)
𝑥→𝑐 +
Misalnya, ketika 𝑐 = 3,
lim 𝐹 (𝑥 ) = 0.35 ≠ 𝐹 (3) = 0.5
𝑥→3−
Kita melihat bahwa fungsi distribusi melompat pada nilai 𝑋 dimana 𝑃 (𝑋 = 𝑥 ) >
0. Tinggi lompatan kemudian sama dengan peluang bahwa 𝑋 mengambil
nilai tersebut.
7
Contoh 13.3
Misalkan fungsi distribusi dari variabel acak diskrit 𝑋 diberikan oleh
0 untuk 𝑥 < −5
0.2 untuk − 5 ≤ 𝑥 < 2
𝐹(𝑥) = 0.6 untuk 2 ≤ 𝑥 < 3
0.7 untuk 3 ≤ 𝑥 < 6.5
{ 1.0 untuk 𝑥 ≥ 6.5
Tentukan fungsi kepadatan peluang yang sesuai.
Jawab.
Kita perlu melihat titik 𝑥 ∈ ℝ di mana 𝐹(𝑥) melompat. Titik-titik di mana
𝑝(𝑥 ) = 𝑃(𝑋 = 𝑥 ) > 0. Tinggi lompatan sama dengan peluang bahwa 𝑋
mengambil nilai tersebut. Diperoleh,
𝑝(−5) = 𝑃(𝑋 = −5) = 𝑃 (𝑋 ≤ −5) − 𝑃 (𝑋 < −5)
= 𝐹 (−5) − lim− 𝐹 (𝑥 ) = 0.2 − 0.0 = 0.2
𝑥→5
𝐸 (𝑋 ) = ∑ 𝑥 𝑃 (𝑋 = 𝑥 )
𝑥
Contoh 13.4
Ukuran sarang burung dapat dianggap sebagai variabel acak. Misalkan
𝑋 menunjukkan banyaknya telur per sarang yang diletakkan oleh spesies
burung tertentu, dan menganggap bahwa distribusi 𝑋 dijelaskan oleh
fungsi kepadatan peluang berikut:
𝒙 𝑷(𝑿 = 𝒙)
1 0.05
2 0.1
3 0.2
4 0.3
5 0.25
6 0.1
9
Nilai rata-rata telur per sarang dihitung sebagai nilai rata-rata jumlah
tertimbang yaitu
Penting untuk dipahami bahwa nilai harapan dari variabel acak bilangan
bulat tidak perlu berupa bilangan bulat. Untuk menekankan hal ini,
pertimbangkan nilai rata-rata harapan kelahiran seumur hidup oleh wanita
berusia 18 hingga 34 tahun pada tahun 1992. (Data yang diambil adalah
data dari Biro Sensus AS, yang diterbitkan pada tahun 1994) Banyaknya
harapan kelahiran seumur hidup oleh seorang wanita yang bukan lulusan
sekolah menengah adalah 2.393, sedangkan angka yang sesuai untuk
wanita dengan gelar sarjana atau profesional adalah 1.990. Jika kita
membulatkan angka-angka ini ke bilangan bulat terdekat, akan sama, yaitu,
2; kita tidak akan lagi melihat perbedaan antara kedua kelompok
perempuan itu.
Contoh 13.6
Hitunglah 𝐸(𝑋 2 ) untuk variabel acak 𝑋 dalam Contoh 13.4.
Jawab
Dengan menggunakan fungsi kepadatan peluang yang diberikan
dalam Contoh 13.4, diperoleh
𝐸 (𝑋 2 ) = ∑ 𝑥 2 𝑃 (𝑋 = 𝑥 )
𝑥
= (1)2 (0.05) + (2)2 (0.1) + (3)2 (0.2) + (4)2 (0.3) + (5)2 (0.25) + (6)2 (0.1)
= 16.9 ∎
11
13.2.1.2. Ragam (Variansi) dari Variabel Acak Terpisah
Kuantitas penting lainnya yang menjadi ciri distribusi variabel acak adalah
ragam (variansi). Variansi tersebut menggambarkan bagaimana
penyebaran rentang variabel acak. Untuk memotivasi definisi, mari kita lihat
dua variabel acak 𝑋 dan 𝑌, dengan fungsi kepadatan peluang berikut:
𝒌 𝑷(𝑿 = 𝒌) 𝑷(𝒀 = 𝒌)
-10 0 0.2
-1 0.2 0
0 0.6 0.6
1 0.2 0
10 0 0.2
Kita gambarkan dua distribusi ini seperti pada Gambar 13.2 berikut:
Kedua variabel acak memiliki rata-rata 0, tetapi rentang 𝑌 jauh lebih tersebar
daripada kisaran 𝑋.
12
Untuk menangkap ide ini dalam kuantitas tunggal, kita akan menghitung
variansi, yang didefinisikan sebagai rata-rata tertimbang dari jarak kuadrat ke
rata-rata:
Untuk setiap variabel acak 𝑋 dengan rata-rata 𝜇, variansi 𝑋 didefinisikan
sebagai
var(𝑋) = 𝐸 [(𝑋 − 𝜇 )2 ]
Jika 𝑋 adalah variabel acak diskrit, maka
Karena variansi adalah nilai rata-rata dari jarak kuadrat, nilainya selalu tidak
negatif. Kita kembali ke variabel acak 𝑋 dan 𝑌. Nilai mean keduanya sama
dengan 0, begitu juga variansinya adalah
var(𝑋) = ∑(𝑘 − 𝜇 )2 𝑃 (𝑋 = 𝑘 )
𝑘
= (−10 − 0)2 (0) + (−1 − 0)2 (0.2) + (0 − 0)2 (0.6) + (1 − 0)2 (0.2) + (10 − 0)2 (0)
= 0.4
var(𝑌) = ∑(𝑘 − 𝜇 )2 𝑃 (𝑌 = 𝑘 )
𝑘
= (−10 − 0)2 (0.2) + (−1 − 0)2 (0) + (0 − 0)2 (0.6) + (1 − 0)2 (0) + (10 − 0)2 (0.2)
= 40
Kita melihat bahwa variansi 𝑌 lebih besar dari variansi 𝑋, mencerminkan fakta
bahwa rentang 𝑌 lebih tersebar daripada rentang 𝑋.
s. d = 𝜎 = √var(𝑋)
Rumus variansi ini sering lebih nyaman digunakan, karena rumus ini
menghasilkan ekspresi yang lebih sederhana secara aljabar. Perhatikan
bahwa 𝐸 (𝑋 2 ) ≠ [𝐸 (𝑋)]2 , kecuali var(𝑋) = 0, dan 𝐸 (𝑋 2 ) ≥ [𝐸 (𝑋)]2 , karena
14
var(𝑋) ≥ 0. Pada Contoh 13.8, diterapkan formula ini ke variabel acak 𝑋
dalam Contoh 13.4.
Contoh 13.8
Gunakanlah variabel acak 𝑋 dalam Contoh 13.4, hasil dari Contoh 13.6,
dan rumus alternatif variansi untuk menghitung variansi 𝑋.
Jawab.
Dalam Contoh 13.4, diperoleh bahwa 𝐸 (𝑋) = 3.9. Dalam Contoh 13.6,
kita hitung 𝐸(𝑋 2 ) dan diperoleh
𝐸(𝑋 2 ) = 16.9
Sehingga,
var(𝑋) = 𝐸 (𝑋 2 ) − [𝐸 (𝑋)]2 = 16.9 − (3.9)2 = 1.69 ∎
𝑆𝑛 = ∑ 𝑋𝑘 (1)
𝑘=1
Contoh 13.9
Pelemparan sebuah koin sebanyak empat kali. Tentukan peluang
bahwa sebenarnya ada tiga bagian gambar yang muncul.
Jawab.
Misalkan 𝑆4 menunjukkan banyaknya bagian gambar yang muncul. Jika
bagian gambar menunjukkan keberhasilan, maka peluang keberhasilan
adalah 𝑝 = 1/2. 𝑆4 adalah distribusi binomial dengan parameter 𝑛 = 4
dan 𝑝 = 1/2. Sehingga,
3
4 1 1 4! 1 4 1 1
( )
𝑃 𝑆4 = 3 = ( ) ( ) (1 − ) = ( ) = 4( ) =
3 2 2 3! 1! 2 16 4
Jika kita hitung menggunakan tabel distribusi binomial pada Lampiran
(hal 22) maka
𝑟=3 𝑟=2
= 1 − ∑ 𝑏(𝑥; 10,0.2)
𝑥=0
= 1 − 0.3758
= 0.6242 ∎
𝐸(𝑆𝑛 ) = 𝐸 (∑ 𝑋𝑘 ) = ∑ 𝑋𝑘 = 𝑛𝑝 (2)
𝑘=1 𝑘=1
= 0.2173 − 0.0052
= 0.2121
b. 𝐸 (𝑆15) = (15)(0.4) = 6
c. 𝑣𝑎𝑟(𝑆15 ) = (15)(0.4)(0.6) = 3.6 ∎
19
RANGKUMAN
Diskrit
Fungsi Kepadatan 𝑝 (𝑥 ) = 𝑃 (𝑋 = 𝑥 )
Peluang Sifat-sifat:
1. 𝑝(𝑥 ) ≥ 0
2. ∑𝑥 𝑝(𝑥 ) = 1, di mana jumlahnya lebih dari
semua nilai 𝑋 dengan 𝑃 (𝑋 = 𝑥 ) > 0
3. 𝑃 (𝑋 = 𝑥 ) = 𝑝(𝑥)
Fungsi Distribusi 𝐹 (𝑥 ) = 𝑃(𝑋 ≤ 𝑥 ) = ∑𝑡≤𝑥 𝑓(𝑡) untuk − ∞ < 𝑥 < ∞.
Nilai Harapan (Mean) 𝐸 (𝑋 ) = ∑ 𝑥 𝑃 (𝑋 = 𝑥 )
dari Variabel Acak 𝑥
𝐸 (𝑋 2 ) = ∑ 𝑥 2 𝑃 (𝑋 = 𝑥 )
𝑥
var(𝑋) = 𝐸 (𝑋 2 ) − [𝐸 (𝑋)]2
2
2
= ∑ 𝑥 𝑃(𝑋 = 𝑥 ) − [∑ 𝑥 𝑃(𝑋 = 𝑥 )]
𝑥 𝑥
Neuhauser, Claudia. Calculus for Biology and Medicine 3rd Ed. Prentince Hall.
2011.
Walpole, Ronald E. Dan Myers, Raymond H. Ilmu Peluang dan Statistika untuk
Insinyur dan Ilmuwan, Edisi 3. Bandung: Penerbit ITB, 1995.