BAB III PERHITUNGAN PADA VARIABEL ACAK

III.1 Expectation (nilai harapan matematis atau mean)

Notasi Ekspektasi atau Mean untuk variable acak X ialah: E[X] = X
Rumus mean untuk var.acak diskrit: Mean adalah rerata;
N dalam istilah sehari-
E[ X ] = X = ∑ xi P( xi ) …………………….(3.1) hari, kita
i =1 menambahkan
dengan N kemungkinan nilai xi dengan probabilitas P ( xi ) semua nilai dari
sejumlah item
Sedangkan untuk var.acak kontinyu adalah: kemudian membagi
∞
nilai total dengan
E[ X ] = X = ∫ xf X ( x)dx …………………….(3.2) jumlah item tersebut.
−∞
Simbol mean adalah
E (untuk 'expected' )
Contoh:
Mencari mean untuk var.acak kontinyu terdistribusi eksponensial, dengan pdf:
⎧ 1 −( x −a) b
⎪ e x>a
f X ( x) = ⎨ b
⎪⎩ 0 x<a

∞ x −( x − x) b ea b ∞
jadi E[ X ] = ∫ e dx = ∫ xe − x b dx = a + b
a b b a

III.1.1 Ekspektasi dari Fungsi Variabel Acak

N
E[ g ( X )] = ∑ g ( xi ) P( xi ) Æ variable acak diskrit …………………(3.3)
i =1

∞
E[ g ( X )] = ∫ g ( x) f
−∞
X ( x)dx Æ variable acak kontinyu …………………(3.4)

III.1.2 Ekspektasi Bersyarat

Ekspektasi atau mean variable acak bersyarat dinyatakan sebagai berikut:
∞
E[ X | B] = ∫ xf
−∞
X ( x | B)dx ………………………..(3.5a)

dengan :
 Diktat Stokastik 23

B = { X ≤ b} −∞ < b < ∞
⎧ f X ( x)
⎪ b x<b
f X ( x | X ≤ b) = ⎨ ∫ f X ( x)dx
⎪ −∞ 0 x≥b
⎩
sehingga:
b

E[ X | X ≤ b] =
∫ −∞
xf X ( x)dx
………………..(3.5b)
b
∫ −∞
f X ( x)dx

III.2 Moment
III.2.1 Moment Origin
The mean is the
Untuk fungsi g ( X ) = X n , n = 0,1,2,…
first moment; the
second moment is Memberikan moment ke-n:
the variance,
∞
which tells you
mn = E[ X n ] = ∫x
n
f X ( x)dx …………………(3.6)
how much the −∞
random variable
jiggles. It's the sum III.2.2 Moment Central

( )
of the differences n
from the mean Untuk fungsi g ( X ) = X − X , n = 0,1,2,…
(square those
Moment central:
differences so
they're positive). ∞

The square root of μ n = E[( X − X ) ] = ∫ ( x − X ) n f X ( x)dx

n
....(3.7)
−∞
this is the standard
deviation. sehingga μ 0 = 1 dan μ1 = 0

• Moment central kedua, μ 2 disebut Varians:

∞
μ 2 = σ X2 = E[ X − X ) 2 ] = ∫ ( x − X ) 2 f X ( x)dx
−∞

dan σ X =standar deviasi dari X

Varians dapat diperoleh dari Moment ke-1 dan Moment ke-2:
2 2
σ X2 = E[ X 2 − 2 X X + X ] = E[ X 2 ] − 2 X E[ X ] + X
2
= E[ X 2 ] − X = m2 − m1
2
 Diktat Stokastik 24

• Moment central ketiga, μ3 disebut Skew dari fungsi kerapatan, yaitu ukuran

asimetris pdf var.acak X sekitar x = X = m1 .

μ3 = E[( X − X )3 ]

Jika pdf simetris pada x = X , maka Skew = 0.

μ3 ternormalisasi Æ μ3 / σ X3 disebut koefisien Skewness dari fungsi kerapatan.

III.3 Transformasi variable acak

Mengubah atau mentransformasikan suatu variable acak X ke dalam variable acak
baru Y, dengan cara:
Y = T(X )
X = diskrit, kontinyu atau mixed
T = linear, non linear, dll

X Y=T(X) Y

f X ( x) atau FX ( x) diketahui, yang harus dicari adalah fY ( y ) atau FY ( y )

Variabel acak kontinyu Transformasi monotonic

Transformasi non-monotonic

III.3.1 Transformasi Monotonic

Monotonic naik , jika T(x1<x2) untuk semua x1 < x2
Pada Gambar 3.1 , y0 = T ( x0 ) → x0 = T −1 ( y0 )
T-1 = inverse transformation
Sehingga
FY ( y0 ) = P{Y ≤ y0 } = P{ X ≤ x0 }
= FX ( x0 )
y0 x 0 = T −1 ( y 0 )
atau: ∫−∞
fY ( y )dy = ∫
−∞
f X ( x)dx ………………………(3.8a)
 Diktat Stokastik 25

y=T(x)

y0

x0 x

Gambar 3.1 Grafik transformasi monotonic naik

Persamaan (3.8a) diturunkan terhadap y0, dngan aturan Leibniz, diperoleh:

dT −1 ( y0 )
fY ( y0 ) = f X [T −1 ( y0 )] ………………..(3.8b)
dy0
dan persamaan (3.8b) berlaku untuk semua y:

−1 dT −1 ( y ) dx
fY ( y ) = f X [T ( y )] = f X ( x)
dy dy

Pada Gambar 3.2, ilustrasi transformasi monotonic turun , jika T(x1>x2) untuk
semua x1 < x2
y=T(x)

y0

x0 x

Gambar 3.2 Grafik transformasi monotonic turun

FY ( y0 ) = P{Y ≤ y0 } = P{ X ≥ x0 }
= 1 − FX ( x0 )
 Diktat Stokastik 26

Penurunan rumus selanjutnya akan menghasilkan persamaan (3.8b) namun dengan

sisi kanan negatif (slope T-1(y) negatif), maka dapat disimpulkan untuk transformasi
Monotonic:
dT −1 ( y ) dx
fY ( y ) = f X [T −1 ( y )] = f X ( x) ………………...(3.9)
dy dy

III.3.2 Transformasi Non-Monotonic

y=T(x)

y0

x0 x

Gambar 3.3 Transformasi non-monotonic

Fungsi distribusi Y:
FY ( y0 ) = P{Y ≤ y0 }
= P{x |Y ≤ y0 }
= ∫f X
( x |Y ≤ y 0 )
( x)dx

dan fungsi kerapatannya:

f X ( x)
fY ( y ) = ∑
dT ( x)
n
x = xn
dx

dengan n = 1, 2, …
xn = solusi real dari y=T(x)
 Diktat Stokastik 27

III.3.3 Transformasi Variabel acak diskrit

f X ( x) = ∑ P( xn )δ ( x −xn )
n

dan
FX ( x) = ∑ P( xn )u ( x −xn )
n

Jika monotonic, maka koresponden satu-satu antara X dan Y:

yn = T ( xn ) sehingga:

fY ( y ) = ∑ P( yn )δ ( y − yn )
n

dan
FY ( y ) = ∑ P( yn )u ( y − yn )
n

karena P ( yn ) = P( xn )