STATISTIKA MATEMATIKA

Dr. Akhmad Jazuli, M.Si.

FAKULTAS KEGURUAN DAN ILMU PENDIDIKAN

(FKIP) UNIVERSITAS MUHAMMADIYAH
PURWOKERTO
2012
 PRAKATA

Segala puji bagi Allah SWT yang telah memberi kekuatan kesehatan,
dan
sehingga buku ajar dengan judul Statistika Matematika ini dapat diselesaikan.
Buku ajar statistika matematika ini digunakan sebagai acuan untuk mata kuliah
statistika matematika yang berbobot 3 sks khususnya pada program studi Pendidikan
Matematika.
Namun demikian buku ajar i juga dapat digunakan sebagai acuan untuk mata kuliah
i
statistika pada program studi di luar program studi Pendidikan Matematika.
Buku ajar ini disusun secara sederhana, diawali dengan memaparkan
pengertian- pengertian dasar yang meliputi definisi dan teorema serta dilengkapi
dengan beberapa contoh penyelesaian. Disajikan seperti ini dengan harapan agar
mudah dipelajari oleh
para mahasiswa,maupun dosen yang mengampu mata kuliah statistika matematika.Soal-
soal latihan disajikan komprehensif dari bentuk yang meningkat
secara sederhana
sampai bentuk-bentuk yang lebih komplek.
Rujukan utama penulisan buku ini adalah buku Introduction to Probability and
Mathematical Statistics karangan Bain Engelhardt. Penulis mengucapkan terima kasih
yang sebesar-besarnya a Universitas Muhammadiyah yang telah
kepa Purwokerto
memberikan kesempatan kepada penulis untuk menyusun buku ajar ini, serta
teman- teman yang telah meluangkan waktu untuk membaca serta memberi
masukan terhadap tulisan ini. Semoga kehadiran buku ajar ini banyak memberi
sumbangan yang berharga kepada berbagai pihak. Tak lupa segala kritik yang
bersifat membangun sangat penulis
harapkan
.
Purwokerto, Maret 2012
Penulis
 DAFTAR ISI

Hal
.

HALAMAN JUDUL……………………………………………………………..

i PRAKATA ……………………………………………………………..............

ii DAFTAR ISI…………………………………………………………….............

iii BAB 1 : PELUANG……………………………………………………………..

BAB 2 : VARIABEL RANDOM DAN DISTRIBUSINYA................................

22

BAB 3 : DISTRIBUSI VARIABEL RANDOM KHUSUS.................................

44

BAB 4 : DISTRIBUSI VARIABEL RANDOM BERSAMA .............................

76

DAFTAR PUSTAKA ...........................................................................................

97
iii
 BAB 1
PELUANG

1. PENDAHULUAN
Dalam kehidupan sehari-hari, banyak dijumpai fenomena yang dapat
dibawa ke dalam model matematika. Secara garis besar dikenal ada dua model
yaitu model deterministik dan model probabilistik. Sebagai contoh model
deterministik adalah kecepatan jatuhnya benda setelah waktu t. Model ini
membawa pengulangan eksperimen terhadap kondisi ideal yang akan
menghasilkan secara esensial kecepatan yang sama pada setiap waktu.
Dalam kasus lain model deterministik mungkin tidak tepat jika pengulangan
eksperimen dibawa ke dalam kondisi ideal, karena kemungkinan adanya
variabel-variabel yang tidak terkontrol atau tidak diketahui. Variabel yang
tidak terkontrol tersebut meliputi temperatur udara; kelembaban; kesalahan
pengukuran; atau faktor lain yang menyebabkan hasil bervariasi atau
berbeda-beda dari sejumlah eksperimen tersebut.
Ada juga tipe fenomena lain yang hasilnya secara natural berbeda karena
suatu perubahan, dan model deterministik tidak akan tepat untuk
memprediksinya. Sebagai contoh: eksperimen tentang banyaknya pertikel yang
dipancarkan oleh sumber radio aktif; waktu sampai gagalnya komponen yang
diproduksi; atau hasil dari suatu permainan. Motivasi mempelajari peluang
adalah untuk mengarah model matematika pada situasi nondeterministik.
Kaitannya dengan model matematika, yaitu dikenal sebagai model
probabilistik.Selanjutnya untuk dapat memahami kasus peluang ini dengan
baik, maka konsep himpunan perlu dikuasai terlebih dahulu.Dalam bab
ini akan dibahas terlebih dahulu konsep-konsep yang berkaitan dengan peluang,
seperti ruang sampel dan peristiwa..

2. RUANG SAMPEL (SAMPLE SPACE) DAN PERISTIWA (EVENT)

1
Definisi 1.1
Himpunan dari semua hasil yang mungkin dari suatu experiment disebut
ruang sampel. Yang dinotasikan dengan S

2
 Contoh 1 :
Sebuah eksperimen pelemparan dua koin, dan diamati muka dari masing-masing
koin yang diharapkan. Himpunan hasil yang mungkin disajikan dalam ruang
sampel S= { AA, AG, GA, GG} ket.: A : angka dan G : gambar

Definisi 1.2.
Jika ruang sampel S berhingga (finite) atau tak berhingga yang dapat dihitung
( countably infinite) maka S disebut ruang sampel diskrit.

S={e1, e2, ..., eN} : ruang sampel berhingga (finite)

S={e1, e2, ...... } : ruang sampel tak berhingga (countably infinite).
Contoh 2:
S = {1,2,3,...} = Himp. Bil Asli : ruang sampel tak berhingga
S = {1, 2, 3, 4, 5, 6} : ruang sampel berhingga

Definisi 1.3
Suatu peristiwa (event) adalah subset dari ruang sampel S.

Contoh 3 :
P merupakan peristiwa muncul paling sedikit 1 angka (A) dalam pelemparan dua koin.
Jadi P = {AA, AG, GA } yang mana S={AA, GA, AG, GG}, sehingga PS.

Definisi 1.4.
Suatu peristiwa disebut elementary event(peristiwa sederhana) jika memuat tepat satu
hasil dari eksperimen tersebut.

Sebagai contoh pada kasus pelemparan sebuah koin, muncul gambar atau angka..

Definisi 1.5.
Dua peristiwa P dan Q disebut mutually exclusive [saling lepas] jikaP Q =
Contoh 4:
Pada kasus pelemparan dua koin,
P : peristiwa munculnya paling sedikit 1 angka dan
Q : peristiwa munculnya 2 gambar.
Karena P Q = jadi, P dan Q dikatakan saling lepas.
Kasus di atas akan berakibat pada definisi berikut :

Definisi 1.6.
Peristiwa-peristiwa A1, A2, A3, . . ., dikatakan saling lepas [mutually exclusive]
jika mereka adalah pasangan saling lepas, yaitu jika Ai Aj = bilamana i j.
Catatan :
Peristiwa-peristiwa yang komplementer adalah saling lepas, dan tak
berlaku sebaliknya.

3. PENGERTIANPELUANG (PROBABILITY)

Definisi 1.7
Suatu eksperimen yang diberikan, S adalah ruang sampel dari A, dan
A1, A2, . . . menyatakan peristiwa-peristiwa yang mungkin. Suatu himpunan
fungsi yang mengkaitkan suatu nilai real P(A) dengan masing-masing peristiwa
A disebut peluang himpunan fungsi, dan P(A) disebut peluang dari A, jika sifat-
sifat berikut dipenuhi :
0 P(A) untuk setiap A
P(S) = 1

P U A i P(A i )
i1 i1

Dimana A1, A2, . . . adalah pasangan peristiwa-peristiwa yang saling lepas.

Pengambilan obyek secara random menjadi syarat perlu dalam statistika

parametrik. Pengertian random mudah dipahami tetapi dalam prakteknya
sering mengalami kesulitan untuk dilaksanakan. Sehingga kasus random dalam
pengambilan sampel
 akan didekati dengan berbagai cara. Kasus pengambilan sampel dibahas
tersendiri dalam teknik pengambilan sampel (teknik sampling)
4. SIFAT-SIFAT PELUANG
Ada beberapa sifat peluang yang perlu diketahui untuk mendukung
pemahaman lebih lanjut.

Teorema 1.1:
Jika A adalah suatu peristiwa dan A’ adalah komplemennya, maka
P(A) = 1 -
P(A’) Bukti :
S= A A’ dan A A’=
1 = P(S) = P(A A’) = P(A)+P(A’) P(A) = 1 – P(A’)

Teorema 1.2. :
Untuk sebarang peristiwa A, P(A)1
Bukti :
P(A) = 1 – P(A’)
Karena P(A’) 0 maka P(A) 1

Teorema 1.3. :
Untuk sebarang dua peristiwa A dan B, P(AB) = P(A) + P(B) - P(AB).
Bukti :
AB = (AB’) B , dimana (AB’) dan B saling lepas.
A = (AB) (AB’), dimana (AB) dan (AB’) saling lepas. P(AB)
= P(AB’) + P(B) dan P(A) = P(AB) + P(AB’) P(AB) =
P(AB’) + P(B)
= P(A) - P(AB) + P(B)
= P(A) + P(B)- P(AB)

Teorema 1.4. :
Untuk sebarang tiga peristiwa A, B, dan C
P(ABC) = P(A) + P(B)+P(C) - P(AB) -P(AC) -P(BC) +P(ABC).
 Bukti :
Untuk latihan.
Teorema 1.5:
Jika A B maka P(A) P(B)
Bukti :
B= A(BA’) dimana A dan (BA’) saling lepas
P(B) = P(A) + P(BA’)
P(B) P(A)

Teorema 1.6 :
Boole’s Inequality (Ketaksamaan Boole)
Jika A1, A2, ... adalah sebuah barisan peristiwa, maka

P U A i P(A i )
i1 i1

Bukti :
Untuk latihan

Teorema 1.7:
Bonferroni’s Inequality (Ketaksamaan
Bonferroni) JikaA1, A2, ... Ak adalah peristiwa-
peristiwa, maka
k k
PI A i
'
1 P(A ) i
i1 i1

Bukti :
Untuk latihan

5. PELUANG BERSYARAT (CONDITIONAL

PROBABILITY) Definisi 1.9.

Peluang bersyarat (The conditional probabillity) dari suatu peristiwa A, dimana
peristiwa B telah terjadi, didefinisikan dengan

P(A B) jika P(B) 0.

P(A | B) P(B)
Teorema 1.8:
Untuk sebarang peristiwa A dan
B, P(AB)=P(B)P(A|B)=P(A)P(B|
A)

Teorema 1.9
: Peluang
Total
Jika B1, B2, B3,...., Bkadalah sebuah kumpulan dari peristiwa-peristiwa yang saling
lepas dan sempurnamaka untuk sembarang peristiwa A,
k
P(A) = P(Bi )P(A | Bi )
i1

Bukti :

B1 B2 Bk

Himpunan A terletak pada himpunan B, yang dipartisi menjadi B1, B2, … Bk

Jadi, himpunan Adapat dinyatakan sebagai berikut
A= (AB1) (AB2) ….. (ABk)
P(A) = P(AB1) + P(AB2)+ ….. +P(ABk)
P(A) = P(B1)P(A|B1) + P(B2)P(A|B2)+ ….. +P(Bk)P(A|Bk)
k
P(A) = P(Bi )P(A | Bi )
i1

Teorema 1.10 :
Bayes’ Rule (Aturan Bayes)
Jika kita mengasumsi bersyarat teorema 1.9 maka untuk masing-masing j=1,2,...,k
P(B j
 P(B j )P(A | B j
)
| A) k
P(Bi )P(A | Bi )
i1
 Bukti :
P(B j | A)P(A) P(B j )P(A | B j )

,P(B j,)P(A | B j,)

P(B j | A)
P(A)
P(B j )P(A | B j )
P(B j | A) k
P(Bi )P(A | Bi )
i1

Contoh 5:
Suatu uji laboratorium untuk penggunaan narkobaoleh atlit
professional, mempunyai deteksi rata-rata sebagai berikut :
PENGGUNAAN HASIL TES
NARKOBA Positif (+) Negatif (-)
Ya (Y) 0.90 0.10
Tidak (T) 0.01 0.99

Jika rata-rata penggunaan narkoba oleh atlit professional adalah 3 diantara 100
atlit, a. Berapa peluang bahwa atlit professional yang dipilih secara random
akan
mempunyai hasil tes negatif untuk penggunaan narkoba?
b. Jika tes atlit positif, berapa peluang bahwa dia benar-benar
menggunakan narkoba?
Penyelesaian :
Ditanya :
a. P(-)
b. P(Y|+)
Jawab:
(+) 0,90
0,03 (Y)
(-) 0,10
Peluang penggunaan
narkoba (+) 0,01
0,97 (T)
(-) 0,99
 a. P() P(Y) P( | Y) P(T) P( | T)
0,03 0,10 0,97 0,99
0,003 0,9603 0,9633
P(Y) P( | Y)
b. P(Y | )
P(Y) P( | Y) P(T) P( | T)
0,030,90 0,027
0,736
0,03 0,90 0,97 0,01 0,0367

6. PERISTIWA-PERISTIWA SALING BEBAS (INDEPENDENT EVENTS)

Definisi 1.10.
Dua peristiwa A dan B disebut independent events [peristiwa-peristiwa
saling bebas] jika
P(A B ) = P(A)P(B)
Selanjutnya jika tidak dipenuhi, maka A dan B disebut dependent events
[peristiwa- peristiwa bergantung].

Teorema 1.11 :
Jika A dan B adalah peristiwa-peristiwa sedemikian hingga P(A)>0 dan
P(B)>0, maka A dan B adalah independen jika dan hanya jika salah satu
berikut dipenuhi.
PA B PA PB A PB

Teorema 1.12 :
Dua peristiwa A dan B adalah independen jika dan hanya jika berikut
pasangan- pasangan peristiwa juga independen:
i. A dan B’.
ii. A’ dan B.
iii. A’ dan
B’.

Definisi 1.11.
Sejumlah k peristiwa A1, A2, . . . , Ak dikatakan independent (bebas) atau
mutually Independent [saling bebas] jika untuk setiap j = 2, 3, . . ., k dan setiap
subset yang berbeda ditunjukkan dengan i1, i2, . . ., ij, maka
P(Ai1 Ai2 . . . Aij) = P(Ai1)P(Ai2) . . .P(Aij)
7. TEKNIK MENGHITUNG/MENCACAH
a.
Pergandaan
Teknik pergandaan ini adalah teknik mencacah menggunakan perkalian. Misal
ada 3 soal tipe B-S, maka kemungkinan jawaban yang diberikan siswa adalah:
BBS, BSB, BBB, SBB, SSB, SBS, BSS, SSS. Jadi, ada 8 macam
kemungkinan jawab.

Teorema 1.13
:
Jika ada N hasil yang mungkin dari masing-masing r trial (percobaan) dari
suatu experimen, maka ada Nr hasil yang mungkin dalam ruang sampel.
Contoh
6:
Berapa banyaknya cara untuk dapat menjawab 5 pertanyaan benar-
salah? Jawab :
N=2 yaitu banyaknya pilihan benar-
salah r=5 yaitu banyaknya pertanyaan.
Sehingga banyaknya hasil yang mungkin adalah 25 [ N=2 dan r=5]=
32

b. Permutasi dan
Kombinasi

Permutasi dan kombinasi, keduanya merupakan teknik dalam pengambilan

sampel. Dalam teknik kombinasi urutan data tidak diperhatikan. Misal
mengambil dua pensil warna merah dan biru. Pengambilan pensil merah
kemudian biru dianggap sama dengan pengambilan pensil biru kemudian
merah. Lain halnya dalam teknik permutasi, pengambilan pensil merah
kemudian biru berbeda dengan pengambilan pensil biru kemudian merah.

Teorema 1.14
:
Banyaknya kombinasi dari n objek yang berbeda, yang dipilih r obyek
adalah:
n n!
C(n,r) =
r
r!(n r)!
Adapun banyaknya permutasi untuk memilih r obyek dari n obyek yang tersedia
adalah:
n n!
P(n,r) = C(n,r).r! = r!=
r (n r)!
Contoh 7:
Banyaknya kombinasi dari 4 huruf, untuk 2 huruf yang diambil adalah
4 4!
= = 6.
2 (4 2)!2!
Jika urutan huruf diperhatikan maka banyaknya hasil menjadi 6.2! = 12.
Penggunaan notasi kombinasi biasa digunakan dalam expansi binomial,
yaitu
n n k nk
(a b) n a b
k0 k

Teorema 1.15 :
Banyaknya permutasi yang dapat dibedakan yang mana r dari jenis pertama dan
(n-r) dari jenis kedua adalah :
n n!

r r!(n r)!

Teorema 1.16 :
Banyaknya permutasi dari n obyek yang mana r1 dari jenis pertama, r2 dari
jenis kedua, …, rk dari jenis ke-k adalah :
n!
r1!r2 !...rk !

Teorema 1.17 :
Banyaknya cara partisi suatu himpunan dari n obyek ke dalam k sel dengan r1
obyek dalam sel pertama dan r2 dalam sel kedua, dan seterusnya, adalah
k
n!
dimana rl n.
r1!r2 !...rk ! l1

Contoh 8:
Sepuluh orang yang terdiri dari 2 orang Indonesia; 3 orang USA dan 5 orang
Arab. Banyaknya posisi duduk, yang mana mereka pada kelompoknya masing-
masing
10
 10!
adalah 2520 posisi
2!3!5!

11
c. Menghitung Peluang Suatu Peristiwa

Probabilitas (peluang ) suatu peristiwa adalah banyaknya cacah peristiwa dibagi

banyaknya cacah dalam semesta. Misal A adalah suatu peristiwa, maka peluang
dari

A ditulis P(A) =

Pada permutasi dan kombinasi hanya berbicara tentang banyaknya cara atau
cacah.. Selanjutnya kasus tersebut akan digunakan dalam menghitung peluang.

Contoh 9:
Sebuah kotak berisi 10 bola hitam dan 20 bola putih, dan 5 bola dipilih
tanpa pengembalian. Disini menggunakan konsep kombinasi, sehingga
peluang diperolehnya tepat 2 bola hitam adalah sebagai berikut:

Karena diambil tepat 2 bola hitam berarti sisanya 3 bola berwarna putih, sehingga

10 20
2 3
P(tepat 2 hitam) 0.360
= 30
5
 SOAL-SOAL LATIHAN BAB 1

1. Sebuah mesin gum-ball mengeluarkan sebuah bola merah, hitam atau

hijau. a. sajikan ruang sampel yang cocok
b. daftarkan seluruh peristiwa yang mungkin
c. Jika R adalah peristiwa “merah” selanjutnya daftarkan hasil di dalam R’
d. Jika G adalah peristiwa “hijau” selanjutnya apakah R G ?
Jwb: a. S={r,g,b} b. {r}, {g}, {b}, {r,g}, {r,b}, {g,b}, S, c. {b,g} d.

2. Dua bola diperoleh dari mesin seperti pada nomor 1 dari dua
percobaan.
Urutan hasil diperhatikan. Diasumsikan bahwa paling sedikit dua bola
dari masing-masing warna ada di dalam mesin.
a. Bagaimana ruang sampel yang cocok.
b. Berapa banyak seluruh peristiwa yang mungkin yang memuat delapan hasil
(outcome).
c. Nyatakan peristiwa-peristiwa berikut sebagai gabungan dari
peristiwa- peristiwa elementer. C1 C2, dan C1’ C1 dimana
C1 : mendapatkan bola merah pada percobaan pertama, dan
C2 : mendapatkan paling sedikit satu bola merah.
Jwb: a. S={(r,r),(r,b),(r,g),(b,r),(b,b),(b,g),(g,r),(g,b),(g,g)}
b. 9 c. C1 C2=C1dan C1’ C1= {(b,r),(g,r)}

3. Ada 4 grup darah yaitu O, A, B, dan AB. Secara umum seseorang dapat
menerima donor darah dari grupnya sendiri. Juga seseorang dapat menerima
donor darah dari grup O, dan 4 grup darah dapat digunakan oleh penerima dari
grup AB. Semua kemungkinan yang lain dianggap tak ada.Suatu experiment
pengambilan darah dan menentukan tipenya untuk masing-masing dua donor
berikut yang masuk bank darah.
a. Daftarkan urutan hasil yang mungkin dari experiment ini.
b. Daftarkan hasil-hasil yang berkaitan terhadap peristiwa bahwa pedonor
kedua dapat menerima darah dari pedonor pertama.
c. Daftarkan hasil-hasil yang berkaitan terhadap peristiwa bahwa masing-
masing pedonor dapat menerima darah dari pedonor yang lain.
4. Suatu experimen pengambilan bola dari mesin gum-ball sampai bola
merah diperoleh. Sajikan ruang sampel untuk experimen ini.
Jwb : S= {r,br,gr,bbr,ggr,bgr,gbr, ...}
{x | x = r atau x = c1c2....ckr, dimana ci= b atau g}

5. Banyaknya partikel alpha yang dipancarkan oleh sampel radioaktif dalam

interval waktu yang tetap adalah terhitung.
a. Berikan ruang sampel untuk experimen ini.
b. Waktu jeda diukur sampai partikel alpha pertama dipancarkan. Berilah
ruang sampel untuk experimen ini.
Jwb : a. S={0,1,2,...} b. S=[0, )

6. Suatu experimen dikendalikan untuk menentukan apakah pecahan dari

bagian logam adalah emas. Berilah ruang sampel untuk experiman ini.
Jwb : S=[0,1]

7. Sebuah mobil baterai dipilih secara random dites dan waktu rusak dicatat.
Berilah ruang sampel yang cocok untuk experimen ini.
Jwb : S=[0, )

8. Kita memperoleh 100 bola dari mesin, dan kita peroleh 20 bola merah, 30
bola hitam dan 50 bola hijau.
a. Dapatkah kita gunakan sebagai model peluang untuk warna sebuah bola
dari mesin tersebut, yang diberikan oleh p1=P(M), p2=P(Ht) dan
p3=P(Hj)
b. Pandang bahwa bola kuning juga di dalam mesin. Dapatkah kita
gunakan sebagai model p1=0.2, p2=0.3, p3=0.5 dan p4=P(K)=0.1

9. pada soal nomor 2, pandang bahwa masing-masing dari 9 kemungkinan hasil

dalam ruang sampel adalah berkemungkinan sama terjadi. Hitung masing-
masing berikut : a. P(keduanya merah)
b. P(C1)
c. P(C2)
 d. P(C1 C2) e.
P(C1’ C2) f.
P(C1 C2)
Jwb : a. 1/9 b. 1/3 c. 5/9 d. 1/3 e. 2/9 f. 5/9

10. Pandang soal nomor 3. Misal 4 tipe darah berkemungkinan sama terjadi.
a. Hitung peluang bahwa pedonor kedua dapat menerima darah dari
pedonor pertama
b. Hitung peluang bahwa masing-masing pedonor dapat menerima darah
dari pedonor yang lain.
c. Hitung peluang bahwa tidak ada yang dapat menerima darah dari pedonor
yang lain.
Jwb : a. 9/16 b. ¼ c. 1/8

11. Buktikan bahwa P( )=0 (Ingat ambil Ai= untuk semua i)

12. Bila suatu eksperimen ditampilkan, satu dan hanya satu dari peristiwa A1, A2,
atau A3 akan terjadi. Tentukan P(A1), P(A2), dan P(A3) terhadap masing-masing
asumsi berikut:
a. P(A1) = P(A2) = P(A3)
b. P(A1) = P(A2) dan P(A3) = ½
c. P(A1) =2P(A2) = 3P(A3)

13. Sebuah koin yang seimbang dilambungkan empat kali. Daftarkan hasil
yang mungkin dan hitung peluang dari masing-masing peristiwa berikut :
a. Tepat tiga gambar.
b. Paling sedikit satu gambar.
c. Banyaknya gambar sama dengan banyaknya
angka. d. Banyaknya gambar melampaui
banyaknya angka. Jwb : a. ¼ b. 15/16 c. 3/8 d.
5/16

14
14. Dua guru disewa oleh Prodi Pendidikan Matematika dan masing-masing
dipilih secara random untuk mengajar satu matakuliah trigonometri, aljabar,
atau kalkulus.

15
 Daftarkan hasilnya dalam ruang sampel. Tentukan peluang bahwa mereka
akan mengajar matakuliah yang berbeda.
Jwb : S= {(t,t),(t,a),(t,c),(a,t),(a,a),(a,c), (c,t),(c,a),(c,c)}
2/3

15. Jika A dan B adalah peristiwa-peristiwa, tunjukkan bahwa :

a. P (A B’) = P (A) – P (A B).
b. P (A B) = 1 – P (A’ B’).

16. Jika P (A) = P (B) = 1/3 dan P (A B) = 1/10. Maka tentukan :

a. P (B’).
b. P (A B’).
c. P (B A’).
d. P (A’ B’).
Jwb : a. 2/3 b. 23/30 c. 7/30 d.
9/10

17. Jika P (A) = ½, P (B) = 1/8, dan P(C) = ¼, dimana A, B, dan C adalah saling
lepas, maka tentukan :
a. P (A B C).
b. P(A’ B’ C’)
Jwb : a. 7/8 b.
1/8

18. Peristiwa bahwa tepat satu dari peristiwa-peristiwa A atau B terjadi dapat
disajikan sebagai (A B’) (A’ B). Tunjukkan bahwa
P [(A B’) (A’ B)] = P (A) + P (B) – 2P(A B)

19. Seorang pelari melakukan pertandingan dua kali pada suatu hari tertentu.
Peluang bahwa dia menang dalam pertandingan pertama adalah 0,7. Peluang
dia menang dalam pertandingan kedua adalah 0,6 dan peluang bahwa dia
menang dalam kedua pertandingan adalah 0,5. Tentukan peluang bahwa :

15
a. Dia menang sekurang-kurangnya satu
pertandingan. b. Dia menang tepat satu
pertandingan.
c. Dia tidak menang
pertandingan. Jwb : a. 0.8 b. 0.3
c. 0.2

16
20. Suatu keluarga mempunyai dua TV, TV berwarna dan TV hitam putih.Misal A
peristiwa TV berwarna hidup dan B peristiwa TV hitam putih hidup. If P(A) =
0.4, P(B) = 0.3, dan P(A B) = 0.5, tentukan peluang masing-masing peristiwa:
a. Keduanya hidup.
b. Hanya TV berwarna yang
hidup. c. Tepat satu TV yang
hidup.
d. Tidak ada TV yang hidup.
Jwb : a. 0.2 b. 0.2 c. 0.3 d. 0.5

21. Pandang P(A1) = 1/ (3 + i) untuk i = 1, 2, 3, 4. Tentukan batas atas untuk

P(A1 A2 A3 A4).
Jwb : 319/420

22. Sebuah kotak berisi 3 kartu baik dan 2 kartu rusak.Pemain A memilih sebuah
kartu dan kemudian pemain B memilih sebuah kartu. Hitung peluang berikut :
a. P(A baik)
b. P(B baik|A baik)
c. P(B baik|A rusak)
d. P(B baik A baik)
e. P(B baik)
f. P(A baik|B baik)
Jwb : a. 3/5 b.½ c. ¾ d. 3/10 e. 3/5 f. ½

23. Sebuah tas berisi 5 bola biru dan 3 bola merah. Seorang anak mengambil
sebuah bola dan selanjutnya mengambil yang lain tanpa pengembalian.
Hitung peluang berikut :
a. P(2 bola biru)
b. P(1 bola biru dan 1 merah)
c. P(sekurang-kurangnya 1 bola biru)
d. P(2 bola
merah) Jwb : 5/14
24. Dalam soal no.23, jika diambil 3 bola tanpa pengembalian. Tentukan :
a. P(tak ada bola merah setelah pengambilan ketiga)
b. P(1 bola merah yang tertinggal)
c. P(bola merah pertama pada pengambilan terakhir)
d. P(bola merah pada pengambilan terakhir)

25. Dua kartu diambil dari deck kartu tanpa pengembalian.

a. Berapa peluang bahwa kartu kedua adalah heart, jika kartu pertama adalah
heart. b. Berapa peluang bahwa kedua kartu adalah heart

26. Sebuah kotak berisi 5 bola hijau, 3 bola hitam, dan 7 bola merah. Dua bola
dipilih secara random tanpa pengembalian. Berapa peluang bahwa :
a. kedua bola adalah merah.
b. kedua bola sama warnanya.

27. Tim softball mempunyai 3 pemukul A, B, dan C dengan persentasi menang

masing- masing 0.4, 0.6 dan 0.8. Pemukul-pemukul ini memukul sebanyak
masing-masing
2, 3, dan 5 setiap 10 permainan. Dengan kata lain, untuk permainan yang
dipilih secara random, P(A)=0.2, P(B)=0.3 dan P(C)=0.5. Tentukan :
a. P(tim memenangkan permainan)= P(W)
b. P(A yang memukul|tim menang)=P(A|W)

28. Satu kartu dipilih dari deck yang terdiri 52 kartu dan ditempatkan di deck kedua.
Sebuah kartu selanjutnya dipilih dari deck
kedua. a. Berapa peluang bahwa kartu kedua
adalah ace.
b. Jika kartu pertama ditempatkan di deck 54 kartu yang memuat 2 joker,
selanjutnya berapa peluang bahwa sebuah kartu yang diambil dari deck
kedua adalah ace.
c. Diberikan ace yang telah diambil dari deck kedua pada pertanyaan (b),
berapa peluang bersyarat bahwa kartu ace telah dipindah.
29. Sebuah kantong memuat 3 koin, satu koin mempunyai muka di dua sisi, dan
dua koin yang lain adalah normal. Sebuah koin dipilih secara random dan
dilempar 3 kali.
a. tentukan peluang diperoleh 3 muka
b. Jika sebuah muka muncul di 3 kali lemparan , berapa peluang bahwa muka
itu berasal dari koin yang bermuka dua.

30. Diketahui P(A)=0.4 dan P(A B)=0.6

a. Tentukan P(B) agar A dan B saling
lepas. b. Tentukan P(B) agar A dan B
saling bebas.

31. A, B, dan C adalah peristiwa-peristiwa sedemikian hingga P(A)= 1/3 ,

P(B)=1/4 dan P(C)= 1/5 Tentukan P(A B C) terhadapmasing-masingasumsi
berikut :
a. jika A, B, C adalah saling lepas
b. jika A, B, C adalah saling bebas

32. Sebuah mangkuk berisi 4 tiket lottre dengan nomor 111, 221, 212, dan 122.
Satu tiket diambil secara random dari mangkuk dan A1 adalah peristiwa “2
di dalam tempat yang ke-i.; i=1,2,3 . Tentukan apakah A1,A2,A3 independen?

33. Kode kata dibentuk dari huruf A s.d.

Z
a. Berapa banyak 26 huruf kata dapat dibentuk tanpa pengulangan
sembarang huruf.
b. Berapa banyak 5 huruf kata dapat dibentuk tanpa pengulangan
c. Berapa banyak 5 huruf kata dapat dibentuk jika huruf-hurufnya dapat diulang.

34. Plat nomor kendaraan terdiri dari 2 huruf dan dilanjutkan 4 digit angka.
Seperti : AB3166.
a. Berapa banyak plat berbeda yang mungkin jika huruf dan digit dapat
berulang?
b. Berapa banyak plat berbeda yang mungkin jika huruf dapat berulang tetapi
digit tidak?
c. Berapa banyak plat berbeda yang mungkin jika huruf dapat berulang dan
nomor digit lebih besar dari 5500?
35. Seorang pelatih sepakbola mempunyai 49 pemain yang dapat dipilih untuk
menjadi duta dalam pertandingan .
a. Jika 11 orang harus dipilih untuk bermain, berapa banyak tim yang mungkin?
b. Jika dari 49 pemain ada 24 penyerang dan 25 penahan, berapa peluang
bahwa tim yang dipilih secara random mempunyai 5 penyerang dan 6
penahan?

36. Berapa banyak cara yang dapat anda bagikan 26 huruf ke dalam 3 kotak
yang memuat 9; 11; dan 6 huruf.

37. Berapa banyak cara siswa menjawab 10 soal pilihan ganda dengan 4 option.

38. Suatu uji laboratorium untuk penggunaan steroid dalam atlit

professional mempunyai deteksi rata-rata sebagai berikut :
PENGGUNAAN HASIL TES
STEROID POSITIF NEGATIF
Yes 0.90 0.10
No 0.01 0.99

Jika rata-rata penggunaan steroid dalam atlit professional adalah 1 diantara 50

atlit, a. berapa peluang bahwa atlit professional yang dipilih secara random
akan
mempunyai hasil tes negative untuk penggunaan
steroid?
b. Jika tes atlit positif, berapa peluang bahwa dia benar-benar
menggunakan steroid?

39. Sebuah kotak berisi empat disket yang mempunyai warna berbeda pada
masing- masing sisinya. Disket 1 adalah merah dan hijau, disket 2 adalah
merah dan putih, disket 3 adalah merah dan hitam, dan disket 4 adalah hijau
dan putih. Satu disket dipilih secara random dari kotak. Definisikan berikut: A =
satu sisi adalah merah,
B = satu sisi adalah hijau, C = satu sisi adalah putih dan D = satu sisi adalah
hitam. a. Apakah A dan B peristiwa bebas? Mengapa atau mengapa tidak ?
b. Apakah B dan C peristiwa bebas? Mengapa atau mengapa tidak ?
c. Apakah sebarang pasangan peristiwasaling lepas? Yang mana?
40. Misalkan sejumlah kelereng berwarna dimasukkan ke dalam tiga kotak yang
tidak
dapat dibedakan sebagai berikut:
Kotak

1 2

Merah 2 4
Putih 3 1
Biru 5 3

Sebuah kotak diambil secara acak dan kemudian dari kotak yang terpilih
tersebut diambil secara acak sebuah kelereng.

a. Hitung peluang terambilnya kelereng merah !

b. Bila diketahui kelerengnya merah, berapa peluang bahwa kotak yang
terambil adalah kotak 3?

41. Seseorang memiliki dua kendaraan, mobil dan motor. Kurang lebih 75%
ia menggunakan mobil untuk pergi bekerja, dan 25% ia menggunakan motor.
Bila menggunakan mobil kemungkinannya 75% ia sampai di rumah pukul
17.30 atau kurang; sedangkan bila menggunakan motor, kemungkinannya
60% ia sampai di rumah pukul 17.30 atau kurang. Bila suatu hari diketahui
ia sampai di rumah pukul 17.30, berapa peluang ia menggunakan mobil.

42. Diberikan ruang sampel S menyatakan orang dewasa yang tamat SMU
di kecamatan Sukamadu. Mereka dikelompokkan menurut jenis kelamin dan
status pekerjaan
Bekerja Tidak bekerja
Laki-laki 460 40
Wanita 40 260

20
 Kecamatan tersebut akan dijadikan daerah Pariwisata dan seseorang akan
dipilih secara acak untuk mempromosikan ke Luar Negeri. Tentukan peluang
yang terpilih adalah laki – laki jika diketahui telah bekerja.

43. Susunan murid di kelas I SD Margobiso adalah sebagai berikut.

Lima anak adalah putra petani; 6 anak adalah putra Guru; 4 anak adalah putra
TNI;
dan 7anak adalah putra
wiraswasta.
Dipilih secara acak 3 murid di kelas tersebut. Berapa peluang bahwa ketiga
murid yang terpilih tersebut, 2 murid diantaranya adalah putra guru.

44. Sebuah dadu tidak seimbang dilempar sekali, muncul sisi mata dadu genap dua
kali lebih sering daripada sisi ganjil. Berapa peluang munculnya sisi mata
dadu yang lebih besar dari 4 ?

45. Dua dadu dilempar. Bila diketahui bahwa satu dadu munculnya 2, berapa
peluang bahwa jumlah keduanya lebih besar dari 6?

46. Tes darah Laboratorium adalah 95% tertedeteksi penyakit tertentu.

Bagaimanapun tes juga dapat memberikan hasil positif yang salah yaitu 1% dari
orang-orang sehat yang dites. Jika 0,5 % populasi benar-benar sakit, berapa
peluang hasil tesnya positif sedangkan orangtersebut benar-benar sakit.
Jwb:
0,0256
 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 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.
 (1,4) (2,4) (3,4) (4,4)
(1,3) (2,3) (3,3) (4,3)
(1,2) (2,2) (3,2) (4,2)
(1,1) (2,1) (3,1) (4,1)

1 2 3 4

Ada dua macam variabel random yaitu variabel random diskrit dan variabel
random kontinu.

b. Variabel Random Diskrit

Definisi 2.2
Jika himpunan semua nilai variabel random X yang mungkin adalah himpunan
yang

dapat dihitung (countable) x1 ,x 2 ,...,x n , or x1 , x 2 ,..., maka X disebut

variabel random diskrit (a discrete random variabel). Fungsi tersebut

f(x) = P[X=x] x = x1 , x 2 ,...,

disebut fungsi masa peluang diskrit (discrete probability mass function).

1) Fungsi Masa Peluang

(pmf) Teorema 2.1
Fungsi f(x) adalah pmf (probability mass function) diskrit jika dan hanya
jika dipenuhi kedua sifat-sifat berikut untuk paling banyak himpunan
bilangan real
x1 ,x 2 ,...: tak hingga yang dapat dihitung (at most a countably infnite).
f xi 0 untuk semua xi , dan
f(xi) = 1
all x i

contoh 2 :
Maksimum dari dua guliran dadu sebagai berikut :
X 1 2 3 4
f(X) 1/16 3/16 5/16 7/16
 f(x)

7/16-
5/16-
3/16-
1/16-
X
1 2 3 4
Contoh 3 :
Dalam menggelindingkan sebuah dadu bermuka 12 sebanyak dua kali, dan
masing- masing muka 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
12 12
1
1 = f (x) c(2x 1) c144 c
x1 x1 144

2) CDF (Cumulative Distribution Function)

Definisi 2.3
The cumulative distribution function (CDF) dari suatu variabel random
Xdidefinisikan untuk sebarang bilangan real x dengan
F(x) = P [X x]

Teorema 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 x1<x2<x3<…,
maka f(x1)=F(x1)untuk i=1, dan
f(xi)=F(xi)-F(xi-1) untuk i>1
Selanjutnya jika x<x1maka F(x)=0 dan
untuk sebarang nilai real x yang lain F(x) = f (x i )
xi x
 dimana penjumlahan tersebut meliputi semua yang ditunjukkan i sedemikian
hingga
xi x
Teorema 2.3 :
Fungsi F(x) adalah CDF untuk suatu variabel random X jika dan hanya
jika memenuhi sifat berikut :
1) lim F(x) = 0
x

2) lim F(x) = 1
x

3) lim F(x + h) = F(x)

h 0

4) a < b implies F(a) F(b)

selanjutnya menjadi penting untuk digunakan
P[a<X<b] = F(b)-F(a)
Berdasarkan contoh 2, diperoleh CDF sebagai berikut:
F(1) = f(1) = , 1 x<2

F(2) = f(2)+F(1) = + = , 2 x<3

, 3 x<4
F(3) = f(3)+F(2) = + =

F(4) = f(4)+F(3) = + = , 4 x

dan grafiknya diperoleh sebagai berikut:

F(x)
1

9/16

4/16
1/16
x
1 2 3 4
3) Ekspektasi (Expectation)

Definisi 2.4
Jika X adalah variabel diskrit dengan pdf f(x), maka nilai ekspektasi dari X
didefinisikan,
E(X) = xf(x)
x

Contoh 4 :
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
2248
kartu adalah 4 . Percobaan memilih sebuah kartu secara random dan
4
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.

c. Variabel Random Kontinu

1) Fungsi peluang (pdf) dan CDF nya

Definisi
2.5
A variabel random X disebut variabel random kontinu jika ada fungsi f(x) adalah
the
probability density function (pdf) of X, sehingga CDF nya dapat disajikan
sebagai
x
F(x) = f(t) dt

Jika pdf f(x) diberikan, maka secara khusus,

d
f(x) = '
F(x ) F (x )
dx

catatan :
 b
P[a≤X≤b] = f (x)dx
a
 Teorema 2.4 :
Fungsif(x) adalah pdf untuk suatu variabel random kontinu X jika dan hanya
jika dipenuhi sifat-sifat :
1) f(x) 0untuksemuax, dan

2) f (x)dx 1

Bukti :
Lihat teorema 2.3

Contoh 5 :
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

c (1 x) 3 x 0
f(x) = 0
x 0

dimana c adalah konstan.

Untuk mencari nilai c ditentukan dari sifat pdf

1= f (x)dx = c(1 x) 3 dx = c(1/2) c 2

0

Contoh 6:
Diketahui
3e 3x x 0x
f(x) =
0 0

CDF F(x)= 3 dt e | 1 , x>0 dan F(x)=0 untuk x0

e
0 untuk x 0
jadi, F(x) =
1 e untuk x % 0

2. Ekspektasi

Definisi 2.6
Jika X adalah variabel random kontinu dengan pdf f(x), maka nilai ekspektasi dari
X
didefinisikan dengan
E(X) =
xf(x) dx
 Jika integral adalah konvergen absolut maka dikatakan E(X) tidak ada.

Contoh 7:
Jika diketahui
3e 3x x 0
f(x) =
0 x 0

maka
diperoleh

E(x) = x3e dx xe | ' dx xe | |

e e

Catatan : Biasanya E(x) dilambangkan dengan µ.

Definisi 2.7
Jika 0 < p < 1, maka percentile ke-100p dari distribusi variabel random kontinu X
adalah penyelesaian xp terhadap persamaan.
F(xp) = p

Median dari distribusi X adalah persentil ke-50 yang dinotasikan dengan X0,5
atau m. Ini adalah kasus dari persentil khusus yang sangat penting,
sehingga nilai setengah dari populasi adalah setengah ke atas atau setengah
ke bawah. Median digunakan dalam beberapa aplikasi sebagai ukuran tengah.

Definisi
2.8
Jika pdf mempunyai maximum tunggal di x = mo, katakan max f(x) = f(mo),
maka mo disebut modus dari X.

Catatan :
Penyelesaian untuk f’(x)=0 adalah maksimum dari f(x) yang tunggal. Secara
umum Mean; Median; dan Modus mungkin semuanya berbeda tetapi ada
kasus-kasus tertentu dimana semuanya itu sama.
Definisi
2.9
Distribusi dengan pdf f(x) dikatakan simetrik di sekitar c jika f(c – x) = f(c
+ x)
untuk semua
x.
d. Variabel 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

e. Beberapa Sifat Ekspektasi

Teorema 2.5
:
Jika X variabel random dengan pdf f(x) and u(x) adalah fungsi bernilai real
yang domainnya meliputi nilai-nilai X yang mungkin, maka
E[u(X)] = u(x)f (x) jika X diskrit
x

E[u(X)] = u(x)f (x) dx jika X kontinu

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

Teorema 2.6 :
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
EagX bhX aEgX bEhX

f. Variansi dan Sifat-Sifatnya

Definisi 2.10
Variansi variabel random X diberikan
Var (X) = E[(X - )2] dimana µ = E(x)
Definisi 2.11
moment ke-k di sekitar pusat variabel random X adalah

k =' E(X )k
 k k
momentke-k di sekitar mean adalah k = E[X – = E(X - )
E(X)]

Teorema 2.7:
Jika X adalah
variabel random,
maka
2 2
VarX EX
Bukti :
2
VarX E(X )
2 2
EX 2X
2 2
E(X ) 2E(X)
2 2 2
E(X ) 2
2 2
EX

Contoh 8:
Jika diketahui f(x)
seperti pada contoh
7
3
x
f(x) = x
3e
0 0

m
a
k
a

d
i
p
e
r
o
l
e
h

E(x) = x
30
 3 xe dx

E(x2) = x ) . 3e dx dx 0' 2 xe
x ) e | ' 2xe dx
2
2
0'
9 9
Jadi, )
)
Var(X)=

Teorema 2.8:
Jika X adalah variabel random dengan a dan b
adalah konstanta, maka
2
VaraX b a VarX
Bukti :
2
VaraX b E[(aX b) (a b)]
2
E[a(X )]

31
 2 2
a E[(X )]
2
a Var(X)

Teorema 2.9.:
Jika distribusi dari X simetrik di sekitar mean EX, maka moment ketiga di
sekitar adalah nol, 3 0.

Teorema 2.10.:
Jika X adalah variabel random dan u(X) adalah fungsi bernilai real
nonnegative, maka untuk sebarang konstanta positive c>0,

Eu X
PuX c
c
Bukti :
Untuk latihan

Teorema 2.11.:
2
Jika X adalah variabel random dengan mean dan variansi , maka untuk
sebarang k>0.
1
PX k 2
k
Bukti :
Untuk latihan

Teorema 2.12.:
2 2
EXdan VarX. Jika 0 , maka PX 1
Bukti :
Untuk latihan

a. Moment Generating Function (MGF)

Definisi 2.12
Jika X variabel random, maka nilai expektasi
 Mx(t) = E(etx)
Disebut moment generating function (MGF) dari X jika nilai expectasi 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 . MGF nya adalah
m
Mx(t) = e tx i
f x (x i )
i1

merupakan fungsi yang dapat didiferensialkan ke- t, dengan derivative

m
M ' x (t) x i e txi f x (x i )
i1

dan secara umum untuk sembarang bilangan bulat positif r,

m
M (r)
x (t) x i e
r txi f x (x i )
i1

(r)
jika kita menghitung Mx (t) untuk t=0 diperoleh
m
M (r)
x
(0) x r f i x (x i ) E(X )
r
i1

Teorema 2.13.:

r (r)
Jika MGF(X) ada, maka E(X ) M (0) untuksemuar = 1,2,…
x
dan
r r
M x (t) 1 E(X )t
r1 r!
Bukti :
Untuk latihan

2) MGF 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
tx x
Mx(t) = e e dx
0

x(1t )
= e dx
0

1 x(1t)
= e 0
(1 t)
1
= , t<1
(1 t)

Contoh 8:
x1
Variabel random diskrit X mempunyai pdf f(x)=2 ( 1 ) jika x=0, 1, 2, … dan f(x)=0
untuk x yang lain. MGF dari X adalah

Mx(t)= e tx ( 12) x 1
x0

1
= (e t / 2) x
2 x0
t
dibuat deret geometri tak hingga dengan s= e /2 diperoleh
2 3 1
=1+s+s +s +…= , -1<s<1
1s

jadidiperolehMx(t) = 1 1 = 1 , t < ln 2
t
2 1 (e t / 2) 2 e
' t t -2 '
Turunan pertamanya adalah M x (t) = e (2 - e ) dan E(X) = M x (0) =1.

b. Sifat-Sifat Moment Generating Function (MGF)

Teorema 2.14.:
bt
Jika Y = aX + b,maka MY t e Mx at.

Bukti :
Untuk latihan
Teorema 2.15.:
 KetunggalanJika X1 dan X 2 mempunyai CDF masing-masing F1 xdan F2 x , dan
mempunyai MGF masing-masing M1 tdan M2 t maka F1x= F2 xuntuk semua
bilangan real x jika dan hanya jika M1 t= M2 t untuk semua t dalam suatu interval
–h<t<huntuk suatu h>0.

c. MGF Faktorial

Definisi 2.13
Moment faktorial ke-r dari X adalah
E[X(X-1) …(X-r+1)]
dan Factorial Moment Generating Function (FMGF) dari Xadalah
x
Gx(t) = E(t )
Jika expectasi ini ada untuk semua t dalam suatu interval bentuk 1– h < t < 1+h

FMGF lebih cocok daripada MGF dalam beberapa masalah.

x x ln t
Gx(t) = E(t ) = E(e ) = Mx(ln t)

Teorema 2.16 :
Jika Xmempunyai FMGF, GX t , maka
'
G 1 EX
x
"
G 1 EXX 1
x
r
G 1 EXX 1...X r 1
x
Bukti :
Untuk latihan.
Catatan :
2 2 2
E(X(X-1)) = E(X -X) = E(X ) - E(X) sehingga E(X ) = E(X) + E(X(X-1))

Contoh 10:
Kita pandang variabel random diskrit X mempunyai pdf
x1
f(x)= ( 21 ) jika x=0, 1, 2, … dan f(x) = 0 untuk x yang lain.
FMGF dari X adalah Gx(t) = Mx(ln t)
 Berdasarkan contoh 9 di atas,
1 1 -1
Mx(ln t) = ln t = = (2 - t) , t<2
2 e 2 t
turunannya diperoleh,
'
G x t (2 - t)-2
'
E(X) G 1x = 1
"
G x t = 2(2 - t)-3
"
EXX 1 G 1= 2
x
2 2
selanjutnya E(X ) = E(X) + 2 = 3 dan Var(X) = 3 – 1 = 2.
 SOAL-SOAL LATIHAN BAB 2

1. Jika e=(i,j)menyajikan sebarang hasil dari menggelindingkan dua dadu bersisi

empat, seperti pada contoh 1, tabulasikan pdf diskrit dan gambar grafik CDF untuk
variabel random berikut:
a. Y(e) = i + j.
b. Z(e) = i – j.
2
c. W(e) = i j .

2. Suatu permainan terdiri dari pertama menggelindingkan sebuah dadu sisi enam
beraturan sekali dan selanjutnya melemparkan sebuah koin tak bias sekali. Skor
adalah menjumlah bilangan yang muncul pada dadu ditambahkan ke bilangan yang
muncul pada koin (0 atau 1), adalah variabel random, katakan X. Sajikan nilai
yang mungkin dari X dan tabulasikan nilai dari:
(a) pdf diskrit.
(b) CDF pada titik-titik diskontinunya.
(c) sket grafik dari CDFnya.
(d) tentukan P[X>3].
(e) tentukan peluang bahwa skor tersebut adalah bilangan ganjil.

3. Sebuah kotak berisi tiga koin, satu yang mempunyai gambar pada kedua sisinya,
sedangkan dua koin yang lain normal. Sebuah koin dipilih secara random dari
kotak dan ditos (dilempar) tiga kali. Banyaknya gambar adalah variabel random
yang dinyatakan dengan X.
(a) Tentukan pdf diskrit dari X. (petunjuk :gunakan the Law of Total Probability

dengan B1 koin normal dan B2 = koin dg dua gambar.)

(b) sket pdf diskrit dan CDF dari X.

4. Sebuah kotak berisi lima bola berwarna, dua hitam dan tiga putih. Bola diambil
tanpa pengembalian. Jika X adalah banyaknya pengambilan bola sampai diperoleh
bola hitam terakhir, tentukan pdf f(x).
5. Variabel random diskrit mempunyai pdf f(x).
x
a. jika f(x) = k1 2 untuk x = 1, 2, 3, dan nol untuk yang lain, tentukan k.
b.apakah bentuk f(x)= k[( 21 ) x 1
2]
untuk x = 0, 1, 2 merupakan pdfuntuk

sebarang k?

6. Notasi [x] adalah bilangan bulat terbesar yang tidak melampaui x. Untuk pdf
1
f(x)= 2 (2x 1) x = 1, 2, …., 12 , tunjukkan bahwa CDF dapat disajikan
12
sebagai F(x)=
[x]
untuk 0<x<13, nol jika X 0, dan satu jika x 13.
2

12

7. Variabel random diskrit X mempunyai pdf yang berbentuk f(x) = c(8-x) untuk
x = 0, 1, 2, 3, 4, 5, dan nol untuk yang lain. Tentukan:
a. konstanta c.
b. CDF, F(x).
c. P[X>2].
d. E(X).

8. Variabel random bulat nonnegative X mempunyai CDF yang berbentuk

x+1
F(x)=1- (1/2) untuk x = 0, 1, 2, … dan nol jika x <0. Tentukan:
a. pdf dari X.
b. P[10<X 20].
c. P[X genap].

9. Sering diinginkan untuk menandai secara numerik nilai kode untuk merespon
eksperimen. Untuk contoh dalam menguji warna pilihan dari subyek eksperimen,
pandang bahwa warna-warna biru, hijau, dan merah yang terjadi dengan peluang
masing-masing ¼, ¼, dan ½ . Nilai bilangan bulat yang berbeda untuk menandai
masing-masing warna, dan hal ini terkait dengan variabel random X yang dapat
mengambil satu dari tiga bilangan bulat tersebut.
x 1 x
a. Dapatkah f(x) = 1 4 1 2 untuk x = -1, 1, 0 digunakan sebagai pdfuntuk
experiment ini?
 b. Dapatkah f(x) = (1/ 2) 2 untuk x = 0, 1, 2 digunakan ?
2
x
c. Dapatkah f(x) = (1-x)/4,untuk x = -1, 0, 2 digunakan ?

10. X adalah variabel random diskrit sedemikian hingga P[X=x]>0 jika x=1,2,3 atau 4
dan P[X=x]=0 untuk yang lainnya. Pandang CDF adalah F(x)= 0,05x(1+x) pada
nilai-nilai x=1,2,3 atau 4.
a. gambar grafik CDF
b. gambar grafik pdf diskrit f(x)
c. tentukan E(x)

11. Seseorang menggelindingkan dadu sisi enam dan menerima sejumlah dolar terkait
dengan banyaknya titik pada muka yang muncul. Berapa banyak yang pemain
harus bayar untuk menggelindingkan sehingga permainan fair.

2
12. Variabel random kontinu X mempunai pdf f(x) = c(1 – x) x jika 0 < x < 1 dan nol
untuk x yang lain.
a. tentukan konstanta c.
b. tentukan E(X).

13. Fungsi (x) mempunyai bentuk berikut :

-(k +1)
f(x) = kx 1 < x < dannol untuk x yang lain.
a. Tentukan nilai k agar f(x) pdf ?
b. Tentukan CDF berdasarkan jawaban (a)
c. Untuk nilai k berapakah agar E(X) ada?
-k
Ans. a. k>0 b. F(x)= -x + 1 c. k>1
14. Tentukan apakah dapat dibentuk fungsi dari masing-masing CDF pada domain
tersebut:
-x
a. F(x) = e ; 0 x <.
x
b. F(x) = e ; - < x ≤ 0.
-x
c. F(x) = 1 – e ; - 1 ≤ x <.
15. Tentukan pdf yang berkaitan terhadap masing-masing CDF berikut:
2
a. F(x) = (x + 2x + 1)/16; - 1 ≤ x ≤ 3.
- x - x
b. F(x) = 1 – e - xe ;0≤ x < ; > 0.

16. Jika fi(x), i = 1, 2, . . . .,n, adalah pdf.Tunjukkan bahwa

n n
pi f i (x) adalah pdfdimana pi≥ 0 dan pi =1
i1 i1

17. Variabel random X mempunyai CDF sedemikian hingga

x
, 0 x 1
F(x) = 2
1 3
x , 1 x
2 2
a. Gambarkan grafik F(x)
b. Gambarkan grafik pdf f(x)
c. Tentukan P[X≤1/2]

d. Tentukan P[X≥1/2]

e. Tentukan P[X≤1,25]

f. Bagaimana P[X=1,25]?

18. Sebuah variabel random kontinu X mempunyai pdf yang berbentuk

2
f(x)= 9 x untuk 0<x<3 dan bernilai nol untuk x yang lainnya. Tentukan :

a. CDF dari X
b. P[X≤2]

c. P[-1<x<1,5]
d. bilangan m sedemikian hingga P[X≤m]=P[X≥m]

e. E(x)

19. Sebuah variabel random X mempunyai pdf

 2 jika 0 x 1
x
f(x) = jika 1 x 2
2/3
0 untuk x yang lain
,
a. tentukan median dari X.
b. gambar grafik CDF dan tunjukkan posisi median pada grafik tersebut.

20. Variabel random kontinu X mempunyai CDF

0 jika x 1
F(x) = 2(x 2 1/ x) jika 1 x 2
1 jika 2 x

a. tentukan 100 x percentile ke-p dari distribusi dengan p = 1/3

b. tentukan pdf dari X.

21. Jelaskan bahwa fungsi berikut mempunyai 4 sifat dari Teorema 2.3 dan tentukan
titik-titik diskontinunya
x
0,25e jika x 0
F(x) = 0,5 jika 0 x1

, 1 ex jika 1 x

22. X adalah variabel random diskrit, mempunyai pdf f(x) = x/8 jika x = 1, 2, 5, dan
nol untuk x yang lain. Tentukan:
a. E(X)
b. Var (X)
c. E(2X + 3)

2
23. Diketahui pdf f(x) =3x jika 0 < x < 1, dan nol untuk x yang lain.Tentukan:
a. E(X)
b. Var (X)
r
c. E(X )
2
d. E(3X – 5X + 1)

2
24. Diketahui X variabel random kontinu dengan pdf f(x) = 1/x jika 1 < x <dan nol

40
untuk x yang lain.
a. apakah E(X) ada ?
b. apakah E(1/X) ada?
k
c. untuk nilai k berapakah E(X ) ada ?

25. Stok komputer mempunyai cadangan tahunan untuk paket copi software yang
merupakan variabel random diskrit X. Pemilik stok memesan empat copi paket
dengan harga Rp 10 ribu per copi dan mejualnya kepada pengguna dengan harga
Rp 35 ribu per copi. Pada akhir tahun copi paketdianggap kadaluarsa dan pemilik
dianggap rugi pada copi yang tak terjual. pdf X disajikan dalam tabel berikut :

X 0 1 2 3 4
f(x) .1 .3 .3 .2 .1

a. tentukan E(X)
b. tentukan Var (X)
c. Sajikan keuntungan bersih pemilik, Y sebagai fungsi linier dari X, serta
tentukan E(Y) dan Var (Y).

26. Jari-jari lingkaran diukur, mempunyai pdf f(r) = 6r(1 – r), 0 < r <1. Tentukan :
a. nilai ekspektasi jari-jari
b. nilai ekspektasi keliling
c. luas yang diharapkan.

27. Pandang variabel random diskrit X dengan pdf yang disajikan dalam tabel berikut:

X -3 -1 0 2
2 2
f(x) ¼ ¼ 1/8
(6-3 2 )/16 3 2 /16

Distribusi X tidak simetri. Mengapa? Tunjukkan bahwa µ3 = 0.

28. X adalah variabel random kontinu nonnegatif dengan CDF F(x) dan E(X) < .
Gunakan integration by parts untuk menunjukkan bahwa

E(X) 1 F(X)dx
o

Catatan: Untuk sebarang variabel kontinu dengan E (| X |) , kembangkan ke

E(X)
0

41
 F(X)dx 1 F(X)dx
o

29. Gunakan Chebychev’s inequality untuk memperoleh batas bawah pada

P[5/8 < X < 7/8] dalam soal 24.
a. Apakah batas ini berguna?
b. kerjakan kembali (a) untuk peluang P[1/2<X<1].
c. bandingkan batas ini terhadap peluang secara exact.

2
30. Pandang E(X) =µdan Var(X) = . Tentukan approximate mean dan variansi
dari:
x
a. e .
b. 1/X (asumsikan µ 0).
c. ln (X) (asumsikan X>0).

31. Pandang bahwa X adalah variabel random dengan MGF

t 2t
M x t 1 8e 1 4e 5 8e 5t . a.

bagaimana distribusi dari X? b.

bagaimana P[X=2]?

32. Asumsikan bahwa X adalah variabel random kontinu dengan pdf

f(x) = exp[-(x+2)] jika -2<x< dan nol untuk yang lain.
a. tentukan MGF dari X.
2
b. gunakan MGF pada (a) untuk menentukan E(X) dan E(X ).

33. Pada soal no. 25, pandang pemilik stok menyediakan c copi (0 c 4). Kemudian
sejumlah copi terjual, katakan S yang kurang dari c atau X.
a. sajikan keuntungan bersih Y sebagai fungsi linier dari S.
b. tentukan E(Y) untuk masing-masing nilai c dan indikasi penyelesaian c yang
memaksimalkan ekspektasi keuntungan.

42
34. Diketahui f(x) = , x= 1, 2, 3, 4, 5 dan fungsi bernilai nol untuk x yang lain.

Tentukan :
a. F(x)
b. P(X=4)
c. P(2<X<5)
d. E(x) dan Var (x)

35. Diketahui
0 1 0
F(x)=01 0212 1
1 13 1
a. Gambarkan grafik CDF nya
b. Tentukan f(x)
c. Gambarkan f(x)
d. Tentukan E(x) dan Var(x)

36. Diketahui

)
, 021 1
, 121 2
f(x) = )
. , 2212
3
- )
,0, untuk x yang lain
tentukan :
a. Sket f(x)
b. F(x)
c. P(1 x 2,5
 BAB 3
DISTRIBUSI VARIABEL RANDOM KHUSUS

1. DISTRIBUSI VARIABEL RANDOM DISKRIT KHUSUS

a. Distribusi Bernoulli

Variabel randomX mempunyai distribusi Bernoulli jika (untuk suatu p, 0≤ p ≤ 1)

x 1x
p (1 p) , bila x 0,1
P[ X = x ] = f(x) =
0, untuk x yang lainnya
0
[Tidak diperlukan tabel karena kesederhanaan f(x). Ingat bahwa p = 1].
Untuk membuktikan bahwa ini suatu fungsi peluang (pdf), kita hanya perlu

menunjukkan bahwa f(xi) ≥ 0(i = 1, 2, . . . .) dan f (x i ) 1 . Dalam distribusi

i1

Bernoulli ini jelas, bahwa variabel randomBernoulli hanya dapat mencapai dua nilai
(0 dan 1) dengan peluang masing – masing 1 – p dan p, dan bahwa 1 – p + p = 1.
(Dalam kasus yang lebih rumit, yang tak Bernoulli, keadaannya sering tidak jelas,
dan buktinya akan sulit.) Perhatikan bahwa nilai 0 dan 1 biasanya dikaitkan dengan
‘gagal’ dan ‘berhasil’ dalam suatu arti.
Contoh 1:
Lampu hijau pada suatu persimpangan nyala selama 15 detik, yang kuning 5 detik,
dan yang merah 55 detik. Misalkan bahwa keadaan lalu lintas mengakibatkan variasi
acak dalam waktu tiba di persimpangan, sehingga ‘mendapat lampu hijau’
merupakan peristiwa yang berpeluang (disebut ‘berhasil’) dan kita tiba pada setiap
saat dalam siklus lampu dengan peluang yang sama, cari distribusi X, banyaknya
yang berhasil dalam suatu usaha perjalanan ke persimpangan itu.
Misalkan H menyataka hijau, K menyatakan kuning, M menyatakan merah; siklus
lampu yang lengkap adalah H, K, M. Total panjang siklus T = 15 + 5 + 55 = 75 detik,
 dan peluang kita tiba pada bagian T yang H ialah 15/75 = 0,2 (karena kita tiba secara
acak dalam T dan 15/75 dari T adalah H). Jadi, P[X = 0] = 0,8, P[X = 1] =
0,2;sehingga X Bernoulli dengan p = 0,2.(Kita selalu dapat menafsirkan sesuatu
variabel random Bernoulli Y sebagai banyaknya yang berhasil dalam suatu usaha
dari suatu percobaan dengan peluang berhasil p)
Variabel random yang berdistribusi Bernoulli dinotasikan sebagai berikut :
X~ Ber(p)
Catatan :
E(X)=p dan Var(X)=p(1-p)=pq , jika p+q=1
Bukti :

E(X)= x f(x) = 1.p + 0.q = p

[bukti yang lain untuk latihan]

b. Distribusi Binomial
Suatu variabel random X mempunyai distribusi binomial jika (untuk suatu bilangan

bulat positif n, dan suatu p dengan 0≤ p ≤ 1).

/ p x (1 p) n x , x 0, 1,L , n
n
P[X = x] = f(x) =
x
.
, 0, untukx yanglainnya
Sering, suatu variabel random binomial (yakni, suatu variabel random dengan
distribusi binomial) muncul dari serangkaian usaha Bernoulli dengan sifat bahwa
(a) Usaha merupakan peristiwa bebas.
(b) Tiap usaha menghasilkan tepat salah satu dari dua hasil yang selalu sama dan
terpisah (saling meniadakan), biasanya disebut berhasil (B) dan gagal (G).
(c) Peluang hasil B tidak berubah dari suatu usaha ke usaha lainnya (dan karena itu
peluang hasil G juga tetap sama dari suatu usaha ke yang lainnya).
Jadi, pada setiap usaha P(B) = p; P(G) = 1 – p dalam persoalan ini. Bila kita
definisikan suatu variabel random X = 0 bila G terjadi dan X = 1 bila B terjadi,
maka
x 1x
, bila x 0,1
f(x) = p (1 p)
0 , untuk yang lainnya
Adalah fungsi peluang suatu variabel random Bernoulli.
Suatu variabel random binomial dapat dipandang sebagai jumlah n variabel
random Bernoulli, yakni, sebagai banyaknya yang berhasil dalam n usaha
Bernoulli. Dalam n usaha Bernoulli, misalkan Xivariabel random
1, bila usaha ke i B(benar)
Xi =
0, bila usaha ke i G(gagal)
dan definisikan X = X1 + X2 + . . . + Xn. Maka X mempunyai kemungkinan
nilai 0, 1, 2, . . . ., n dan mempunyai distribusi binomial dengan
n = banyaknya usaha) dan
p = (peluang B) sepanjang seluruh usaha bebas satu sama lain dengan
peluangberhasiltidak berubah.
Untuk menunjukkan hal ini, perhatikanbahwa untuk setiapx{0, 1, 2,. . ., n},
f(x) = P(x yang berhasil dalam nusaha).
n
Sekarang x yang berhasil dapat terjadi dalam n usaha dalam ’cara’,
x
banyaknyakemungkinan rincian (susunan) mendapat B terjadi sebanyak x kali
dalam n usaha. Salah satu dari cara ini mempunyai x yang berhasil diikuti oleh
n – x yang gagal, dan cara ini mempunyai peluang x suku dan (n – x) suku
x suku
6447448 6447448
n x suku

P(BB . . . BGG . . .G) = P(B)P(B)...P(B)P(G)P(G)...P(G)

= p x p x . . .x p(1 – p)(1 – p) . . .(1 – p)
x n–x
= p (1 – p)
Karena kebebasan dan peluang berhasil yang tidak berubah. Akan tetapi
‘cara’ yang lain (susunan B sebanyak x dan G sebanyak n – x) mempunyai peluang
yang sama (karena kebebasan dan peluang yang berhasil adalah tetap).
Peluangnya adalahperkalian p sebanyak x dan (1 – p) sebanyak (n – x), hanya
susunannya yang berlainandengan persamaan di atas. Jadi
/ px (1 p)n x , bila x 0,1,2,..., n
n
f(x) = x
.
, 0, untuk yanglainnya
adalah fungsi peluangvariabel random binomial .
Perhatikan bahwa bila X berdistribusi binomial dengan n ( banyaknya usaha)
dan p(peluang berhasil) [lambangnya X~ Bin(n,p)] maka Y = n – X juga
berdistribusibinomial dengan n (banyaknya usaha) tetapi peluang berhasil

46
 (1 – p). Dalam lambangyang baru X~ Bin(n,p)(n – X) ~ Bin(n, 1 – p)
Contoh 2 :
Distribusi Xadalah banyaknya berhasil dalam 25 usaha yang saling bebas.
Dengan peluang berhasil 0.2
PX x 0,2x 0,825x
25
, x = 0, 1, ...,25;

x
yakni, X adalah binomial dengan n = 25; p = 0,2.[Umumnya, bila terjadinya
suatu peristiwa E berpeluang, banyaknya E yang terjadi dalam n usaha
bebas merupakanvariabel random X yang diskret dengan kemungkinan nilai
0, 1, ..., n. Bila peluang terjadinya E darisuatu usaha ke usaha lainnya
tidakberubah, yakni suatu nilai p0 p 1, maka X suatu variabel random
binomial.]
Bila mengambil sampel dari populasi yang berhingga, distribusi binomial hanya
muncul jika pensampelan dikerjakan dengan pengembalian (yang menjadi peluang
berhasil tidak berubah dari satu usaha ke usaha lainnya), seperti pada contoh berikut.
Contoh 3 : Main dadu.
Suatu permainan di pasar malam terdiri atas melantun tiga dadu setangkup. Tiap
orang membayar Rp 1000 untuk main, menang Rp 1000 bila tepat satu muncul muka
angka 6, Rp 2000 bila tepat dua muncul muka angka 6, dan Rp 3000 bila ketiganya
muncul muka angka 6. (selanjutnya pemain menang Rp 0.) Cari fungsi peluang dari
variabel random kemenangan bersih pemain.
Misalkan Y menyatakan kemenangan bersih. Kemungkinan nilai Y adalah 0-1, 1-
1,2-1, 3-1; yakni, -1, 0, 1, 2, : Misalkan S menyatakan peristiwa 6 muncul pada suatu
lantunan satu dadu, dan perhatikan bahwa percobaan itu sepadan dengan
pensampelan dengan pengembalian bola tiga kali dari suatu kantong yang berisi 6
bola bernomor 1, 2, 3, 4, 5, 6. Bila X menyatakan jumlah angka 6 yang muncul
dalam lantunan ketiga dadu, maka X ~ Bin(3,p) dengan p = P(B) = 1/6, sehingga
x 3x
3 1 5
, bila x 0,1,2,3
f(x) = x 6 6
0
untuk x yang lainnya

untuk mencari fungsi peluang Y perhatikan bahwa Y=X-1. Jadi

fY 1 fX 125
0
216
f Y 0 fX 75
1
216
f Y 1 fX 15
2
216
fY2 fX 1
3
216

Perhatikan bahwa, bila tadinya pensampelan tanpa pengembalian dari suatu

kantongyang berisi enam bola bernomor masing-masing 1, 2, 3, 4, 5, 6,
X 2 X 2 X X
maka akan diperoleh f 0 ,1 f 1 , 1f 2 f 3 0
karena bola nomor 6 tidak terambil (X = 0) ataupun nomor 6 terambil; dalam
keadaan yang terakhir, karena pensampelan tanpa pengembalian, maka bola nomor
6 tidak lagi dapat diambil pada pengambilan berikutnya ( jadi X = 1). Dengan
demikian kemenangan bersih Y menjadi
1
f 1 ,f 0 1
.
Y 2 Y 2
Melalui FMGF (X) diperoleh E(X)=np dan Var(X)= np(1-p)=npq jika
p+q=1
[buktikan sendiri]

c. Distribusi Hiper Geometrik

Suatu variabel random X berdistribusi hipergeometrik jika (untuk suatu bilangan
bulat n, a, N dengan 1 ≤ n ≤ N dan 0 ≤ a ≤ N)

P[X = x] = f(x)

/ a N a
- xnx , x maks (0, n (N a)),...., min (n, a)
f(x) = N
.
n
-
, 0, untuk x yanglainnya
Perhatikan bahwa batas untuk x dapat ditulis sebagai
Maks (0, n – (N – a)) ≤ x ≤ min (n, a).
Keterangan :
 Misal dalam suatu kotak terdiri dari 10 komponen baik dan 5 komponen rusak.
Jika dari kotak tersebut diambil tiga komponen secara bersama sama maka
peluang terambilnya 2 komponen baik dan 1 komponen rusak adalah sebagai
berikut :
N = 15; n = 3; a = 10;x = 2
1015 10
2 32
f(x)=
15
3

Contoh berikut memberikan bukti yang tidak langsung, dari segi peluang.

Contoh 4:
Suatu populasi dari N benda (N≥ 1) mengandung sebanyak a dari jenis A (0≤a≤ N).
Suatu sampel acak berukuran n(1 ≤ n ≤N) diambil tanpa pengembalian. Misalkan X
banyaknya jenis A dalam sampel, maka X≥0 dan X ≥ n –(N – a) [karena banyaknya
jenis A dalam sampel tidak mungkin negatif, dan karena n – (N – a) merupakan
selisih antara ukuran sampel dengan benda yang bukan sejenis A ];

jadi, X≥maks (0, n(N –a)). Juga X ≤ n (tidak mungkin melebihi ukuran sampel) dan

x ≤ a (tidak mungkin melebihi banyaknya anggota jenis A); jadi, X≤min(n, a).dan
N a N a
terdapat sebanyak kemungkinan sampel, banyaknya pengambilan
n x n x
yang mengandung jenis a sebanyak x. Jadi, X suatu variabel random hipergeometrik
dengan parameter n, a, N.
Model Hipergeometrik digunakan di berbagai bidang, seperti pengendalianmutu,
pensampelan penerimaan (acceptance sampling) dan ekologi (pensampelanbinatang
liar), seperti contoh berikut

Contoh 5 :
 Pensampelan penerimaan dalam pengendalian mutu Sejumlah besar bahan
tiba di suatu pabrik. Untuk menentukan proporsi bahan yang cacat, yang sering
menjadi permasalahan, kita dapat mensampel seluruh pengiriman dan mengujinya
satu per satu. Akan tetapi, proses ini sering terlalu mahal.(Juga, dalam
beberapa hal pengujian justru merusak, misalnya, bahan yang diuji menjadi rusak,
sebagai contoh dalam pengujian umur baterai digunakan terus – menerus sampai
habis, dan menguji seluruh barang justru merusak seluruhnya sehingga yang baik
akan rusak seperti cacat.) Jadi, biasanya penerima barang mengambil suatu sampel
acak (kecil) (tanpa pengembalian) dari seluruh populasi barang kiriman. Seluruh
pengiriman diterima bila dalam sampel tersebut tidak lebih dari sejumlah tertentu
barang yang cacat. Sebagai contoh, misalkan ada 200 barang dalam suatu
pengiriman, dan pembuatnya menyatakan tidak lebih dari 10% cacat. Misalkan
sesudah penerimaan kiriman kita mengambil sampel acak barang sebesar 10 dari
padanya tanpa pengembalian dan menganggap seluruh kiriman baik bila yang
cacat daripadanya tidak lebih dari 2. Berapa peluang kita menerima
(menganggapnya baik) seluruh kiriman? Sudah barang tentu, peluangnya
tergantung pada persentase yang cacat dalam kiriman, jadi misalkan A(p) peluang
menerima seluruhnya dengan jumlah yang cacat 100p%.
Bila 0% yang cacat, maka peluang menerima seluruh kiriman 1,0000, karena hanya
0 yang cacat dalam sampel berukuran 10. Jadi
0 atau1atau 2 yang cacat dalamsampel
A(0,00) = P = 1,0000.
10 dari kirimandengan 0% yang cacat

Bila yang cacat 5% dari seluruhnya, maka 10 yang cacat dan 190 yang baik.
Banyaknya X yang cacat dalam sampel berukuran 10 jadinya berdistribusi
hipergeometrik dengan fungsi peluang
10 190
x 10 x
f(x) =
200
10

Sehingga
A(0,05) = P(menerima pengiriman dengan 5% yang cacat)
= P(X ≤ 2) = f(0) + f(1) + f(2)
10190 10190 10190
0 10 200 1 9 200 2 8 200
= + +
50
 10 10 10

= 0,59145 + 0,32677 + 0,072715

= 0,990935
Bila 10% yang cacat, maka 20 yang cacat dan 180 yang tidak cacat, jadi
20 180
x 10 x
f(x) =
200
10

dan
A(0,10) = P(Menerima pengiriman dengan 10% yang cacat)
= f(0) + f(1) + f(2)
20 180 20 180 20 180
0 10 200 1 9 200 2 8 200
= + +
10 10 10

= 0,33977 + 0,39739 + 0,19754

= 0,9347
Jadi, peluang menerima pengiriman yang 10% cacat lebih kecil dari
Peluangmenerima pengiriman 5% yang cacat. Sebetulnya, hasil yang lebih kuat
dapat diberikan: peluang menerima pengiriman (karena dianggap baik) mengecil
bilapersentase yang cacat membesar, dan besarnya antara 1,0000 dan 0,9347 bila
tidak lebih dari 10% yang cacat.
Jika
a N a
/ xnx
- , x maks(0, n (N a)),....,min (n, a)
f(x) = N
. n
-
, 0, untuk yang lainnya

a a
n( )(1 )(N n)
maka na N N
E(X) dan Var(X)
N N1
catatan :

51
untuk N distribusi hipergeometrik akan menjadi distribusi Binomial.

d. Distribusi Poisson
Suatu variabel random X mempunyai distribusi Poisson
bila (untuk suatu> 0, disebut parameterdistribusi)
ex
, x 0,1,2,....
p[X = x] = f(x) = x
!
0, untuk yanglainnya
Suatu variabel random X mempunyai
distribusi Poisson dinotasikan
X
~
P
O
I
(

C
o
n
t
o
h

6
:
Suatu printer berkecepatan tinggi membuat kesalahan secara
acak pada kertas cetak, rata-rata 2 kesalahan per halaman.
Berapa peluang bahwa dari 10 halaman yang dihasilkan
printer ini paling sedikit 7 halaman yang tidak mempunyai
kerusakan? (anggap kesalahan terjadi secara bebas dari
halaman ke halaman).
Misalkan X menyatakan banyaknya
kesalahan per halaman, maka

e2 2x
f(x) x=0,1,2,3,...
=
x!
Peluang suatu halaman tidak terjadi kesalahan adalah
2 0 52
 e takan sebagai variabel random Binomial dengan n=10 dan
2 -2
p=e .

f(0) = 2 10
e Jadi (e10 2y ) y (1 e 2
y=0,1,2,3,...,10
0,135 fy(y)= )
3353 y
0
!
Sehingga untuk P(y≥7)=fy(7) + fy(8) + fy(9) + fy(10) = 0,00007
Jika
Melalui MGF (X) diperoleh E(X)= dan var(X)=
y
meny Catatan : Distribusi binomial, maka akan menjadi
jika n distribusiPoisson
ataka
n
e. Distribusi Geometri
bany
Suatu variabel random X berdistribusi geometrik bila (untuk
aknya suatu p, 0 p < 1)
hala
man
tanpa
kesal
ahan,
maka
y
dapat
dinya

53
 x1
1 p p, x 1, 2, 3 ...
PX
x untuk yang lainnya.
f x 0
,

[Tidak diperlukan tabel karena kesederhanaan

f(x).]
Misalkan peristiwa E mempunyai
peluangsukses p yang tidak berubah pada
setiap usaha. Usaha-usaha tersebutsaling
bebas satu sama lain. Misalkan X
menyatakan banyaknya usaha yang
diperlukan sampai E sukses. Jadi, X
dikatakan berdistribusi geometrik.
Pdf geometrik dinyatakan:
x1
1 x 1, 2, 3 ...
p p,
f
x untuk yang lainnya.
0,
2
Sehingga E(X) = 1/p dan Var(X)= (1-p)/p
[Bukti untuk latihan]

f. Distribusi Negatif Binomial

Suatu variabel random X berdistribusi
negatif binomial bila (untuk suatu
bilangan bulat r 1, dan suatu p dengan 0
p 1

r
x1
qx r x 0, 1, 2,...
PX xp f ,
x r1
0, untuk yang lainnya.

(Di sini telah digunakan lambang baku q = 1

– p). Suatu peristiwa tertentu terjadi
(berhasil) dengan peluang p (jadi, gagal
terjadi dengan peluang q = 1 – p), dan
usaha yang dikerjakan bebas satu sama lain.
53
Misal D hu c
a
kan i de
t
X s r a
t
banya t de a
knya r sa n
usaha i di :
yang b ahk
diperl u ke
ukan s (y
dikur i da
angi r ka
untuk g ge
mend e trik
apatk o ki
an r m m
berha e nd
sil; t ba
jadi r ny
X=x i usa
berart k ya
i kita di
mem i ka
erluk a un
an x l m
+ r a er
usaha h ke
(x = as
0, 1, k ya
2, ...), a pe
dan s a,
X u se
meny s ka
ataka da
k
n kas
54
 r rq
E(X)= dan 2 [bukti untuk latihan]
p
Var(X)=
p

g. Distribusi Uniform (seragam) Diskrit

Berbagai masalah penting yang melibatkan

kasus peluang klasikal, dapat dibuat model
variabel random diskrit yang mengasumsikan
semua nilainya berpeluang sama. Variabel
random diskrit X mempunyai distribusi
uniform (seragam) diskrit pada bilangan bulat
1,2,3,...N dan mempunyai pdf yang berbentuk
1
f(x)= x= 1,2,3,...N
N
N
o
t
a
s
i

k
h
u
s
u
s

u
n
t
u
k

k
a
s
u
s

i
54
 n X) dicari
i sendiri untuk
X latihan)
~
D
U 2. DISTRIBUSI VARIABEL RANDOM
( KONTINU KHUSUS
N
)
a. Distribusi Uniform(Seragam) Kontinu
N ( Pandang bahwa variabelrandom kontinu X dapat
da N
mengasumsikan nilai hanya dalam interval
1 n
(X Va ,2
2 terbatas, katakan interval buka (a, b), dan
r(X
= )= pandang bahwa pdf adalah konstan, katakan
1
) f(x) = c pada interval tersebut. Berimplikasi c =
B
1 1/(b – a), karena
ti 2
b
1 c dx cb a. Jika didefinisikan f(x) = 0 di luar
E(X)= xf(x)
interval,
a
maka sifat tersebut
= f(x) x
juga dipenuhi.Distribusi khusus ini dikenal
1 sebagai distribusi uniform pada interval
= (1+2+3+...
+N) (a, b). pdf nya adalah
N
1
1 N f (x; a, b) a x b
= (1+N) b a
N 2
dan
N1 fungsi
=
2 bernilai
( nol
S untuk x
e yang
l lain.
a Notasi yang melambangkan bahwa X
n mempunyai pdf dari bentuk tersebut adalah
j
u X
t ~
n U
y N
a I
F
V (
a a
r ,
(
55
b pembentukan bilangan random. Pembentuk
)
bilangan random adalah fungsi dalam bahasa
Distribusi
komputer atau dalam suatu kasus program
uniform kontinu
subrutinyang didesain untuk menghasilkan
ini merupakan
bilangan-bilangan yang tertentu jika mereka
pasangan dari
adalah data dari UNIF(0,1)
distribusi uniform
CDF dari
diskrit.Ini X ~
UNIF(a, b)
memberikan mempunyai
model peluang bentuk

untuk memilih 0 x
xa
Fx;a, b b a
sebuah titik 1
a
secara random
pada interval
a
(a,b).Contoh yang
lebih khusus x
adalah waktu
menunggu bus b
secara random. b x
Sebagaimana yang Bentuk umum grafik f(x; a, b) dan F(x; a, b)
dicatat di awal, dapat dilihat pada gambar, dimana secara
tidak masalah umum titik batas menggunakan a dan b.
apakah akan Jika X ~ UNIF(a, b), maka
EX x dx
melibatkan
b atau 1
tidak, titik batas
a b a
b
a=0 dan b=5
2
Barangkali
aplikasi yang lebih a
2
penting terjadi
2b a
dalam kasus
( b a )( b a )
simulasi komputer. 2(b a)
Yang terkait ab
dalam 2
56
 Contoh, jika =1, e tdt 1 . Fungsi gamma
V(b
Xa) (buktikansendiri) maka 1 mempunyai beberapa
0
2
sifat sebagaimana yang
1
2 dinyatakan dalam
teorema berikut:
Teoremafungsi gamma
memenuhi sifat-sifat
berikut:
11 1
b. Distribusi Gamma
n n n 1, 2, ...
Distribusi 1!
kontinu yang
1
sering terjadi
2
dalam
Variabel random kontinu X dikatakan
aplikasi
berdistribusi gamma dengan parameter > 0 dan >
adalah
0 jika mempunyai pdf yang berbentuk
distribusi
1
Gamma. f x;, x 0
1 x/
Nama xe
(
tersebut )
terkait dan
dengan fungsi fungsi
yang disebut bernilai
fungsi nol
Gamma. untuk
Definisi3.1 sebalik
Fungsi gamma, nya.
dinotasikan dengan
(k) untuk semua > 0, X~GA
dan didefinisikan M(,)
dt 1e t dt CDF dari X~GAM(,) adalah
e
x
n
g 1
a x1 x /
n F(x;, ) t e dt
0

57
 0

(
)
Teorema3.1
jika X~GAM(,n),
dimana n adalah
bulat positif, maka
CDF dapat ditulis

58
 n1 ( x / ),i
F(x; , n) 1 ex /
i! i0

ekspektasinya diperoleh sebagai berikut:

1
E(X) x0 x K1e x / dx
()
1 (1)1 x /
x e dx
() 0
t
(1 ) 1
0 t x (1)1e x / dx
() (1 )
t
(1 )
()
()
()
=
2 2
Dengan cara yang sama, E(X ) = (1+), dan diperoleh
2 2 2
Var(X) = (1+) – () =

c. Distribusi Exponensial
Variabel random kontinu X berdistribusi exponential dengan parameter >0 jika
mempunyai pdf yang berbentuk
1 x/
f(x;)= e x>0

dan fungsi bernilai nol untuk sebaliknya.

CDF dari X adalah
x/
F(x;)= 1- e x>0
Notasi yang menunjukkan bahwa X mempunyai pdf di atas adalah
X~ EXP ()
dan
E(X) =
2
Var(X) =
(Buktikan sendiri untuk latihan)

d. Distribusi Weibull
 Variabel random kontinu X dikatakan mempunyai distribusi Weibull dengan
parameter >0 dan >0 jika mempunyai pdf yang bebentuk
2
f(x,,)= x 1
(x/)
x>0
e

dan nol untuk x ≤0.

Yang dinotasikan dengan

X~WEI(,)
CDF diperoleh dengan mengintegralkan pdf, dan diperoleh
(x / )
F(x;,) = 1-e x>0
Dengan proses integral diperoleh ,
1
E(X)= 1
2 1
2
21 1
Var(X)=

(Buktikan sendiri untuk latihan)

e. Distribusi Pareto
Variabel random X dikatakan berdistribusi Pareto dengan parameter >0 dan >0
jika mempunyai bentuk pdf
( 1)
f(x;,) = x
1 x>0

yang dinotasikan dengan

X~ PAR(,)
CDF distribusi tersebut berbentuk

F(x;,) = 1- 1 x
x>0
<
;
E(X) = dan Var(X) = ) <

f. Distribusi
Normal
Distribusi Normal pertama kali dikenalkan oleh Abraham de Moivre pada tahun
1733.Distribusi tersebut merupakan aproksimasi untuk distribusi variabel random
Binomial. Distribusi ini merupakan distribusi yang sangat penting dalam dunia
 statistika dan peluang.Variabel random X yang berdistribusi Normal dengan
2
parameter dan mempunyai pdf
2
1 1 x
f(x;,) = exp - <x,< dan >0
2 2

Ini dinotasikan dengan

2
X~ N(, )
x
Jika disubstitusikan ke dalam variabel baku z akan diperoleh Normal Baku
yang mempunyai pdf
1 2
(x) exp( 1 x2 )
2
yang dinotasikan dengan Z~N(0,1)
 SOAL-SOAL LATIHAN BAB 3

1. Suatu kantor mempunyai 10 printers. Masing-masing printer membutuhkan ribbon

baru hampir setiap tujuh pekan. Jika stok mendapatkan awal pekan tertentu hanya
ada 5 ribbon, berapa peluang bahwa persediaan akan habis dalam pekan itu.
Jwb: 0,008
2. Dalam 10 soal tes tipe B-S
(a) Berapa peluang diperolehnya semua jawaban benar dengan cara menebak?
(b) Berapa peluang diperolehnya delapan jawaban benar dengan cara menebak?
Jwb.: a. 0,000977 b. 0,0439
3. Seorang pemain basket melakukan shootsebanyak 10 shotdan peluang sukses
masing-masing shot 0.5
(a) Berapa peluang sukses 8 shot?
(b) Berapa peluang sukses 8 shot jika peluang sukses masing-masing shot 0,6?
(c) Berapa nilai ekspektasi dan variansi dari banyaknya shot sukses jika p=0,5?
Jwb.: a. 0,0439 b. 0,1209 c.
4. Empat mesin pesawat dapat terbang jika sekurang-kurangnya dua mesin bekerja.
(a) Jika mesin-mesin bekerja secara independen dan masing-masing mesin
mempunyai kegagalan (malfunctions) dengan peluang q,
Berapa peluang bahwa pesawat itu akan terbang selamat?
(b) Pesawat dengan dua mesin dapat terbang jika sekurang kurangnya satu mesin
bekerja. Jika sebuah mesin mempunyai kegagalan dengan peluang q, berapa
peluang bahwa pesawat akan terbang selamat?
(c) Pesawat manakah yang paling selamat?
3 4 2
Jwb.: a. 1-4q +3q b. 1-q
c. Dua mesin lebih selamat jika q> 1/3; empat mesin lebih selamat
jika q<1/3 dan keselamatan yang sama jika q=1/3.

60
5. Jika peluang menang dalam pacuan adalah 0,2 dan jika X adalah banyaknya
menang dalam 20 pacuan, berapakah:
(a) P[X = 4]
(b) P[X 4]
(c) E(X) dan Var (X)
Jwb.: a. 0,2182 b. 0,6292 c. 4 dan 3,2
6. Jika X~ BIN (n, p), tentukan E(X).

7. Sebuah toples berisi 30 jelly hijau and 20 jelly ungu. Dipilih 10 jelly secara
random dari toples tersebut.
(b) Tentukan peluang diperolehnya tepat lima jelly ungu jika jelly tersebut dipilih
dengan pengembalian.
(c) Tentukan peluang diperolehnya tepat lima jelly ungu jika jelly tersebut dipilih
dengan tanpa pengembalian.
Jwb: a. 0,2007 b. 0,2151
8. Sebuah kantor mempunyai 10 karyawan, 3 laki-laki dan 7 wanita. Manajer memilih
4 karyawan secara random untuk mengikuti short course pada perbaikan kualitas.
(a) Berapa peluang bahwa banyaknya wanita dan laki-laki yang dipilih sama?
(b) Berapa peluang bahwa lebih banyak wanita yang dipilih?
Jwb: a. 0,3 b. 0,667
9. Lima kartu diambil tanpa pengembalian dari tumpukan yang berisi 52 kartu.
Tentukan peluang masing-masing peristiwa berikut:
(a) Tepat dua aces.
(b) Tepat dua kings.
(c) Kurang dari dua aces.
(d) Sekurang-kurangnya dua aces.
Jwb : a. 0,03993 b. 0,03993 c. 0,9583 d. 0,0417
10. Suatu kiriman 50 alat mesin terdiri 42 yang baik dan 8 yang rusak. Seorang
inspektur memilih 5 alat secara random tanpa pengembalian.
(a) Berapa peluang tepat 3 yang baik?
(b) Berapa peluang bahwa paling banyak 3 yang baik?
Jwb: a. 0,1517 b. 0,1759
11. Seseorang membayar Rp 1000,- untuk sekali lemparan boneka yang jika menang
akan mendapatkan Rp 3000,- .Peluang sukses masing-masing lemparan adalah 0,1.
(a) Berapa peluang bahwa dua lemparan bisa menang.?
(b) Berapa peluang bahwa x lemparan akan diperoleh menang?.
(c) Berapa peluang bahwa lebih dari 3 kali lemparan akan diperoleh menang?.
(d) Berapa ekspektasibanyaknya lemparan yang dibutuhkan untuk menang?
Jwb: a. 0,0465 b. 0,0465 c. 0,9494 d. 0,0506
12. Tiga orang bersama sama melemparkan (toss) koin untuk melihat siapakah yang
akan membayar kopi. Jika semua ketiganya muncul muka yang sama, mereka
melempar lagi. Jika ketiganya tidak sama, maka orang yang ganjil (yang beda)
membayar kopi.
(a) Berapa peluang bahwa mereka akan butuh untuk melakukannya lebih dari
sekali?
(b) Berapa peluang pelemparan paling banyak dua kali?
Jwb: a. ¼ b. 15/16
13. Seperti pada soal no.11, seseorang mempunyai tiga anak, dan dia harus menang
boneka untuk masing-masing anak.
(a) Berapa peluang bahwa 10 lemparan akan diperlukan untuk menang tiga
boneka?
(b) Berapa peluang bahwa sekurang kurangnya 4 lemparan yang akan
dibutuhkan untuk menang tiga boneka?
(c) Berapa ekspektasi banyaknya lemparan yang dibutuhkan untuk menang tiga
boneka?
Jwb: a. 0,01722 b. 0,999 c. 30
14. Pandang tujuh seri pertandingan dunia antara team A dan B, yang mana untuk
masing-masing pertandingan, P(A menang) = 0,6.
(a) Tentukan P(A menang series dalam x pertandingan).
(b) Anda memegang tiket untuk pertandingan ketujuh. Berapa peluang bahwa
anda akan menggunakannya?
(c) Jika P(A menang pertandingan) = p, berapa nilai p yang memaksimalkan
kesempatanmu dalam (b)?
(d) Berapa kemungkinan paling banyak pertandingan yang dimainkan dalam seri
untuk p = 0,6?
 4 x-4
Jwb: a. C(x-1,3)(0,6) (0,4) ;x=4,5,6,7 b. 0,2765 c. p= ½ d. x=6
15. Peluang sukses peluru meluncur adalah 0.9. Uji luncur dikendalikan sampai tiga
luncuran sukses. Berapa peluang masing-masing berikut:
(a) Tepat enam luncuran yangakan dibutuhkan
(b) Kurang dari enam luncuran yang akan dibutuhkan.
(c) Sekurang-kurangnya empat luncuran yang akan dibutuhkan.
Jwb: a. 0,00729 b. 0,99144 c. 0,271
16. Diketahui X~GEO(p)
(a ) Jelaskan untuk mendapatkan MGF dari X
(b ) Tentukan FMGF dari X
(c ) Tentukan E(X)
(d ) Tentukan E[X(X-1)]
(e ) Tentukan Var(X)

17. Diketahui X~NB(r,p)

(a) Jelaskan untuk mendapatkan MGF dari X
(b) tentukan E(X)
(c) tentukan Var(X)

18. Pandang dadu sisi enam beraturan digelindingkan berulang-ulang, dan hasilnya 1,
2, 3, 4, 5 atau 6yang dicatat pada setiap gelindingan. .
(a) Berapa peluang bahwa muncul muka enam yang ketiga terjadi pada
penggelindingan yang ketujuh.
(b) Berapa peluang bahwa banyaknya penggelindingan sampai muncul muka
enam yang pertama paling banyak 10?
Jwb: a. 0,0335 b. 0,8385
19. Banyaknya telpon (call) yang datang di switchboard dalam satu jam adalah
berdistribusi Poisson dengan mean = 10. Tentukan peluang peristiwa dalam satu
jam untuk masing-masing peristiwa berikut:
(a) Tepat tujuh calls yang datang
(b) Paling banyak tujuh calls yang datang.
(c) Antara tiga dan tujuh calls (inclusive) yang datang.
Jwb: a. 0,090 b. 0,220 c. 0,217
20. Jika X berdistribusi Poisson dan jika P[X = 0] = 0.2, tentukan P[X > 4]
Jwb: 0,0242
21. Dalam perakitan komponen eleltronik tertentu, kerusakan komponen terjadi secara
independen dengan peluang 0.01. Diperoleh perakitan 500 komponen dalam setiap
jam,
(a) Untuk berapa jam, bahwa peluang banyaknya komponen yang rusak paling
banyak dua?
(b) Gunakan approximation Poisson untuk (a).
Jwb: a. 0,1234 b. 0,1247
22. Peluang bahwa tipe komponen elektronik tertentu akan gagal dalam jam operasi
pertama adalah 0,005. Jika 400 komponen dites secara independen, tentukan
dengan approximation Poisson, peluang bahwa paling banyak dua komponen akan
gagal dalam jam pertama.
Jwb: 0,677
23. Pandang bahwa 3% item yang diproduksi oleh suatu perusahaan adalah rusak.
Seorang inspektur memilih 100 item secara random dari perusahaan tersebut.
Approximate peluang bahwa tepat lima item yang rusak terpilih.
Jwb: 0,1008
24. Banyaknya kendaraan yang sampai pada perempatan tertentu dalam interval waktu
[0,t] adalah proses Poisson X(t) dengan mean E[X(t)] = 3t, dimana satuan waktu
adalah menit.
(a) Tentukan peluang bahwa sekurang kurangnya dua kendaraan akan sampai
dalam waktu satu menit.
(b) Didefinisikan peristiwaA = sekurang kurangnya dua kendaraan sampai dalam
menit pertama dan B = paling banyak dua kendaraan sampai dalam menit
kedua. Tentukan peluang bahwa keduanya A dan B terjadi.
Jwb: a. 0,8009 b. 0,1493
25. Diketahui X~POI()
(a) Tentukan Gx(t)
(b) Gunakan Gx(t) untuk menentukan E(X)
(c) Gunakan Gx(t) untuk menentukan E(X(X-1))

26. Pandang X~POI(10)

 (a) Tentukan P[5<X<15]
(b) Gunakan ketidaksamaan Chebychev untuk menentukan batas bawah
P[5<X<15]
Jwb: a. 3/5 b. 3/5
27. Sebuah dadu bersisi 20 mempunyai masing-masing muka yang ditandai dengan
bilangan bulat yang berbeda dari 1 s.d 20. Diasumsikan bahwa tiap-tiap muka
berkemungkinan sama muncul pada pengguliran tunggal. Hasil tersebut merupakan
variabel random X~DU(20).
(a) Jika dadu digulirkan dua kali, tentukan pdf dari nilai terkecil yang diperoleh,
katakan Y.
(b) Jika dadu digulirkan 3 kali, tentukan peluang bahwa nilai terbesar adalah 3.
(c) Tentukan E(X) dan Var(X)
Jwb.: a. f(y)=(41-2y)/400; y=1,2,...,20 b. 19/8000 c. 21/2 dan 133/4

2s(1 s,N )
N
28. Diketahui X~DU(N). Tentukan MGF dari X (ingatgunakan s+s +…+s =
1s
untuk s 1.

29. Diketahui X~UNIF(a,b). Tentukan MGF dari X.

30. Kekuatan logam tertentu adalah variabel random X. Asumsikan bahwa

X~UNIF(50,75)
(a) Sajikan CDF dari X
(b) Tentukan P[60<X<70]
(c) Tentukan E(X)
(d) Tentukan Var(X)

31. Waktu (dlm menit) sampai pelanggan ketiga pada hari tersebut masuk toko adalah
variabel random X~GAM(1,3). Jika toko buka pada pukul 8 pagi, tentukan peluang
bahwa :
(a) Pelanggan ketiga datang antara 8:05 dan 8:10.
(b) Pelanggan ketiga datang setelah 8:10.
(c) Gambar grafik pdf dari X.
32. Asumsikan bahwa waktu (dlm jam ) sampai transistor gagal adalah variabel
random X~EXP(100)
(a) Tentukan peluang bahwa X>15
(b) Tentukan peluang bahwa X>110
(c) Setelah diobservasi 95 jam bahwa transistor tersebut masih bekerja. Tentukan
peluang bersyarat bahwa X>110. Bagaimana membandingkan ini terhadap
(a)? jelaskan hasil tersebut.
(d) Berapakah var(X)

33. Pandang X~PAR(,)

(a) Dapatkan E(X); >1
2
(b) Dapatkan E(X );>2

34. Jika X~PAR(100,3), tentukan E(X) dan Var(X).

35. Jarak (dlm meter) bahwa bom akan menghancurkan dari daerah pusat ledakan
adalah variabel random X~WEI(10,2)
(a) Tentukan peluang bahwa bom akan menghancurkan sekurang kurangnya 20
meter dari pusat ledakan.
(b) Gambar grafik pdf dari X
(c) Tentukan E(X) dan Var(X)
Catatan tambahan:
MENENTUKAN EKSPEKTASI DAN VARIANSI SUATU DISTRIBUSI
VARIABEL RANDOM DENGAN CARA BIASA

A. Distribusi Bernoulli
Bentuk pdf-nya :
x 1 x
p (1 p) , bila x 0, 1
P [ X = x ] = f(x)
0 , untuk x yang lainnya

1. Mencari ekspektasi
E(X) xf (x)
x

1
x p x (1 p) 1 x
x 0

0 1–0 1 1–1
= 0. p (1 – p) + 1.p (1 – p)
= 0 + 1.p.1
=p
2. mencari variansi
1
2
E(X ) = x 2 p x (1 p) 1 x
x 0

2 0 1–0 2 1 1–1
= 0 .p (1 – p) + 1 .p (1 – p)
= 0 + 1.p.1
=p
2 2
Var(X) = E(X ) – (E(X))
2
= p–p
= p (1 – p)
= pq

B. Distribusi
Binomial
Bentuk pdf-nya :
n p
x P [ X = x ] = f(x) x
 , x 0,1,......, n
n x
(1 p)

0 , untuk x yang lainnya

1. Mencari ekspektasi
n
n x n x
E(X) x p (1 p)
x 0 x
n
n1 x n x
n p q
x 1 x1
n
n1 x ( n 1) ( x 1)
n p q
x1 x 1

Misal x – 1 = k
n 1
n1 k (n 1) k
np p q
k 0 k

n1
np( p q)
n1
np(1)
np
2. Mencari variansi
n
2 n
E(X ) x2 p x (1 p) n x

x 0 x
n
n x n x
x (x 1) x p (1 p)
x 0 x
n
n x n x
x(x 1) p (1 p) E( X )
x 2 x
n
n 2 x n x
n(n 1) p q E( X )
x 2 x 2

Misal x – 2 = k
n 2
2 n 2 k (n 2) k
n(n 1) p p q E( X )
k 0 k
2 n 2
n(n 1) p ( p q) np
2 2
n p npq
2 2
Var(X) = E(X ) – (E(X))
 2 2 2 2
= n p + npq – n p
= npq

C. Distribusi Hipergeometrik
Bentuk pdf-nya :

a N a
xnx
P[X=x]=f(x) , x maks (0, n - (N - a), ...., min(n - a)
N
0 n
, untuk x yang lainnya
1. Mencari ekspektasi
n
E(X) x f (x, N, a, n)
x 0

aN a
nx n x
E(X) x
x 0 N
n

a a1 N a
x.
n x x 1n x
x1
N N1
n n1

a1 N a
a xn 1n x
n.
N x1 N1
n1
Misal : x – 1 = y → x=1, y=0
x=y+1 → x=n, y=n–1

a 1 (N 1) (a 1)
a n 1 y (n 1) y
n.
N y0 N1
n1
a
n.
N
2. Mencari variansi
n
E [x(x – 1)] x (x 1) f (x, N, a, n)
x 0

a N a
n xnx
x (x 1)
x 0 N
n

a (a 1) a 2 N a
x (x 1)
n x ( x 1) x 2 n a
x 2
N (N 1) N 2
n (n 1) n 2

a 2 N a
a (a 1) x 2nn x
n(n 1)
N (N 1) x 2 N 2
n 2

Misal : x – 2 = y → x=2, y=0

x=y+2 → x=n, y=n–2 sehingga
a 2 (N 2) (a 2)
a (a 1) n 2 y (n 2) y
n (n 1)
N (N 1) y 0 N 2
n 2

a (a 1)
n (n 1)
N (N 1)
2
Var(X) = E [x(x -1) + E(X) – (E(X)) ]
a (a 1) a a2
n (n 1) n n2
N (N 1) N N2

a ( n 1) (a 1) a
n 1 n
N N ( N 1) N

a (n 1) (a 1) N ( N 1) N na ( N 1)
n
N N ( N 1)
2
a naN nN aN N N N naN na
n
N N ( N 1)

70
 a N ( N a) n ( N a)
n
N N ( N 1)

a ( N a) ( N n)
n .
N N ( N 1)

a N a N n
n . .
N N N1

D. Distribusi
Geometrik
Bentuk pdf-nya :
x 1
P [ X = x ] = f(x) (1 p) p , x 1,2,3,....
0 , untuk x yang lainnya

1. Mencari ekspektasi
~
E(X) xf (x)
x1
~
xqx1 p dengan q = 1 – p
x1

~
d
p qx
x1 dq
d ~
p qk
dq k 0
d 1
p 1q
dq
2
p1q
1
p
2. Mencari variansi
~
2
E(X ) xf (x)
x1
~
x2 qx1 p dengan q = 1 – p
x1

~
d
xp qx
x1 dq
d ~ x
p xq
dq x 1
 d ~ x1
p xq q
dq x 1
d ~
x1
pq xq
dq x 1
d ~d x
pq q
dq x 1 dq
d d ~
k
pq q
dq dq k 0
d d 1
pq 1q
dq dq
d 2
pq 1q
dq
3
pq 2 1 q
2 pq
3
1q
2 pq
3
p

2q
p2
2 2
Var(X) = E(X ) – (E(X))
2q 1 2q1 12 p
2 2 2 2
p p p p
Ternyata dengan cara biasa nilai variansi tidak mudah dicari, karena hasilnya tidak
sesuai. Sehingga distribusi geometrik lebih mudah dicari dengan MGF.

E. Distribusi Negatif Binomial

Bentuk pdf-nya :
p r
x 1 x r
q , x r, r 1,.......
P [X = x] = f(x)
0 , untuk x yang lainnya
1. Mencari ekspektasi
~
E(X) x f (x)
x r

~
x1 r x r
x p q
x r r1

misal : x – r = i
~
r i1 r i
(r i) p q
i 0 r1

r
~
r i1 i
p ( r i) q
i 0 r1
~
r i1 r i1
pr r qi i qi
i 0 r1 r1
~
r i1 i r ~ r i1
pr r q p i qi
i 0 r1 i 0 r1

r 01 0 r 11 r 21
pr r q q1 q 2 ....
r1 r1 r1
r 11 r 21
pr 0 1 q1 2 q 2 ...............
r1 r1
r r 1! r! r 1! 2
p r 1 q q .........
r 1!1! r 1!1! r 1!2!

pr 0 r! r 1! q2 3 r 2 ! q3
q 2 .......
r 1!1! r 1!2! r 1!3!

Dari sini ternyata penulis mengalami kesulitan karena nilai i terus berjalan,
sehingga nilai ekspektasi dan variansi dari distribusi negatif binomial belum bisa
ditemukan dengan cara biasa. Setelah dikaji lebih lanjut, ternyata distribusi ini dapat
dengan mudah dicari menggunakan MGF.

F. Distribusi
Poisson
Bentuk pdf-nya :
 x
e
, x 0,1,2,......
P [X = x] = f(x) x!
0 , untuk x yang lainnya
1. Mencari ekspektasi
~
x
E(X) x e
x 0
x!
~ x
e
x1 (x 1)!
~ x
e
x1 (x 1)!

ee
=µ
2. Mencari variansi
~ x
2 2
E(X ) x e
x 0 x!
~ x
x (x 1) xe
x 0 x!
~ x
e
x 0 (x 2)!
2

2 2
Var(X) = E(X ) + (E(X))
2 2
=µ +µ-µ
=µ
G. Distribusi Uniform
Diskrit
Bentuk pdf-nya :
1
, x 1,2,3,......, N
P [X = x] = f(x) N
0 , untuk x yang lainnya
1.Mencari ekspektasi
N
1
E(X) x
x1 N
 1 N
x
N x1
1
(1 2 3 ....... N) N
1 N
(1 N)
N 2
N1
2
2. Mencari variansi

2
N
1
E(X ) x2
x1 N

1 N 2
x
N x1
1 2
(1 4 9 ......... N ) N
1 N
N 12N 1
N 6
N 12N 1
6
2 2
Var(X) = E(X ) – (E(X))

(N1)(2N1) N 2 2N1
6 4
8N 2 12 N 4 6N 2 12 N 6
24 24
2 2
8N 12N46N 12N6
24
2
2N 2 2 (N 2 1)
24 2.12
2
(N 1)
12
 BAB 4
DISTRIBUSI BERSAMA BEBERAPA
VARIABEL RANDOM

1. PENDAHULUAN
Dalam berbagai aplikasi, banyak kasus yang menggunakan lebih dari satu
variabel random, katakanlah X1,X2, …, Xk yang dapat dinyatakan dalam sebuah
vektor yang berdimensi k. X=(X1,X2,...,Xk) dapat memenuhi asumsi nilai
x=(x1,x2,...xk) dalam ruang Euclid berdimensi k. Nilai x mungkin merupakan hasil
pengukuran k karakter atau merupakan hasil pengukuran satu karakteristik sebanyak
k kali. Selanjutnya x dapat menyajikan hasil k ulangan percobaan variabel tunggal.
Dalam bab ini akan dikaji distribusi variabel random diskrit bersama, distribusi
variabel random kontinu bersama, dan sampel random.

2. DISTRIBUSI BERSAMA BEBERAPA VARIABEL RANDOM DISKRIT

Dalam subbab ini akan dibahas pdf bersama beberapa variabel random diskrit, pdf
marginal variabel random diskrit, dan CDF bersama beberapa variabel random
diskrit.
a. The Joint Probability Density Function (pdfBersama)
Definisi 4.1 :
Pdf bersama dari variabel random diskrit berdimensi k, X=(X1,X2,….,Xk)
didefinisikan menjadi
f(x1,x2,……xk) = P[X1=x1, X2=x2, ……, Xk=xk]
untuk semua nilai yang mungkin x = (x1,x2,…..xk).

Selanjutnya dapat dikembangkan distribusi bersama dari berbagai distribusi variabel

tunggal, misal
(i) Distribusi
Hipergeometri X= (X1,X2,
….,Xk) X~HYP(n,M1,M2,
….,Mk,N)

M1 M 2 M k M k1
....
x1 x2 x k x k1 N
f(x) =
n
k k
untuk semua 0 ≤xi≤Midimana Mk+1=N- M i dan xk+1= n - xi
i1 i1

(ii) Distribusi Multinomial

X~MULT(n,p1,p2,…,pk)
n! x x x
f(x)= x !x !...x ! p1 p2 ...pk1
1 2 k1

1 2 k1

k k
untuk semua 0≤xi≤n dimana pk+1=1- pi dan xk+1= n - x i
i1 i1

Teorema 4.1:
Fungsi f(x1,x2,……xk) adalah pdf bersama untuk suatu variabel random bernilai
vektorX= (X1,X2,….,Xk) jika dan hanya jika sifat-sifat berikut dipenuhi :

f(x1,x2,……xk)≥0 untuk semua nilai (x1,x2,……xk)dan

... f(x1,x2,……xk)=1
x1 xk

Contoh 1:
Pandang bahwa X1 dan X 2 adalah variabel random diskrit dengan pdf bersama
f(x1, x 2) = c (x1 + x2 ) x1 = 0, 1, 2 ; x2 = 0, 1, 2
dan fungsi bernilai nol untuk yang lain. Tentukan konstanta c.
Jawab :
∑) ∑) c x ' x ) 1 c=1/18.

b. The Marginal Probability Density Function (pdf Marginal)

Definisi 4.2 :
Jika pasangan (X1,X2) dari variabel random diskrit mempunyai pdf bersama f(x1,x2)
maka pdf marginal dari X1 dan X2 adalah
f1(x1)= f (x 1 , x 2 ) dan
x2
f2(x2)= f (x 1 , x 2 )
x1

Contoh 2:
Diketahui X1 dan X2 adalah variabel random diskrit dengan pdf bersama f(x1, x 2)
disajikan oleh tabel berikut :
X2
1 2 3
X1 1 1/12 1/6 0
2 0 1/9 1/5
3 1/18 1/4 2/15

Tentukan pdf marginal dari X1

Jawab:
X1 1 2 3
f(x1) 3/12 14/45 79/180

c. The Joint Cumulative Distribution Function (CDF Bersama)

Definisi 4.3:
Cumulative Distribution Function (CDF) bersama dari k variabel random
X1, X2,…, Xkadalah fungsi yang didefinisikan oleh
F(x1, …, xk) = P[X1x1, …, Xkxk]

Teorema4.2 :
Fungsi F(x1,x2) adalah CDF bivariat jika dan hanya jika
lim F(x 1 , x 2 ) F( , x 2) 0 untuk semua x 2
x1

lim F(x 1 , x 2 ) F(x 1 ,) 0 untuk semua x 1

x2

lim F(x 1 , x 2 ) F(, ) 1

x1
x2
 F(b,d) – F(b,c) – F(a,d) + F(a,c) 0 untuk semua a < b dan c < d
lim F( x h , x 2 ) lim F(x 1 , x 2 h ) F(x 1 , x 2 ) semua x 1 dan x 2
1h 0 h 0
untuk

3. DISTRIBUSI BERSAMA BEBERAPA VARIABEL RANDOM KONTINU

Akan dibahas pdf bersama beberapa variabel random kontinu, pdf marginal variabel
random kontinu, dan CDF bersama beberapa variabel random kontinu.
a. The Joint Probability Density Function (pdf Bersama)
Definisi4.4 :
Sebuah variabel random bernilai vektor berdimensi k, X = (X1, X2, …, Xk) dikatakan
menjadi kontinu jika ada sebuah fungsi f(x1, x2,…,xk), yang disebut the joint
probability density function (pdf bersama), dari X,

Teorema 4.3
Sebarang fungsi f(x1, x2, …, xk) adalah pdf bersama dari variabel random berdimensi
k jika dan hanya jika f(x1, …, xk) 0 untuk semua x1, …,xkdan

... f (x1,...,x k ) dx1...dxk 1

b. The Marginal Probability Density Function (pdf Marginal)

Definisi 4.5
Jika pasangan (X1, X2) dari variabel random kontinu mempunyai pdf bersama
f(x1, x2), maka pdf marginal X1dan X2adalah
f 2 (x 2 ) f (x 1 , x 2 ) dx 1

f 1 (x 1 ) f (x ,1 x 2) dx 2

Contoh 3 :
Diketahui pdf bersama X1 dan X2 adalah sebagai berikut :
f(x1,x2) = 4x1x2 untuk 0<x1<1 dan 0<x2<1 dan f(x1,x2) = 0 untuk nilai x yang lain
tentukan f1(x1) dan f2(x2)
jawab:
 1
f1(x1) = 4x 1 x 2 dx 2
0

1
= 4x1 x 2 dx 2
0

= 2x1 ,0<x1<1
dengan cara yang sama diperoleh
f2(x2)= 2x2

c. The Joint Cumulative Distribution Function (CDF Bersama)

CDF bersamanya dapat ditulis sebagai
xk x1
F(x1 ,...,x k ) ... f (t1 ,...,tk )dt
1 ...dt
k untuksemuax = (x
1 , …, kx ).

pdf bersama dapat diperoleh dari CDF bersama dengan cara diferensial. Dalam
bentuk khusus,
k
f(x1, x2, …, xk) = x x ...x F(x1, x2, …, xk)
1 2 k

Contoh 4:
Diketahui pdf bersama X1 dan X2 adalah sebagai berikut :
f(x1,x2)= 4x1x2 untuk 0<x1<1 dan 0<x2<1 dan f(x1,x2) = 0 untuk nilai x yang lain.
Tentukan CDF dari (x1,x2)
Jawab :
x 2 x1
F(x1,x2) = f (t 1 , t 2 )dt 1dt 2

x 2 x1

= 4t1t 2 dt1dt 2
0 0

= x1 x 2 0<x1<1 dan 0<x2<1

2 2

f1(x1) = f x , x) dx) 4x x) dx) 2x )x) | 2x1

F1(x1)=
A 2t dt x)

analog
f2(x2) = 2x2

80
 F2(x2) = x))

daerahnya dapat digambarkan sebagai berikut

x2

x 12 1

1
x 12 x 22 x 22
x1

0 1

Jadi,
1, jika x % 1 danx) % 1
) )
x x) , jika 0 2 x 2 1, 0 2 x) 2
F x , x) 1
)
x, jika 0 2 x 2 1, x) % 1
)
x) , jika 0 2 x) 2 1, x %
1
, 0, jikax 2 0, x) 2
0

Contoh 5:
Dari contoh 4, kita akan menentukan peluang bahwa untuk kedua percobaan
eksperimen “ konsentrasi rata-rata kurangdari 0.5 “ peristiwa ini dapat disajikan oleh
X1 X 2
0.5 atau lebih umum dengan [(X ,X 1 )A]
2 dimana
2

X1 X 2
A={(X1,X2)| 0.5 }. Selanjutnya
2
X1 X 2
P 0.5 = P[(X1,X2)A]
2
= f (x 1 , x 2 )dx 1dx 2
A
 1 1x2
= 4x 1 x 2 dx1dx 2
0 0

1
= 2x 2 (1 x 2 )dx 2
0

1
=
6
daerah A dapat digambarkan sebagai berikut :

x2

A
x1
0 1

Konsep sederhana yang dapat dikembangkan untuk variabel random kontinu

bersama, dengan pendekatan yang sedikit berbeda. Pandang CDF bersama F(X1,X2)
dari pasangan variabel random (X1,X2). CDF dari X1 adalah :

F1(x1) = P[X1≤x1]

= P[X1≤x1, X2< ]

= F(x1, )
x1
= ( f x1,x2 (t1 , t 2 )dt 2 )dt1

x1
= f1 (t1 )dt1

d
dan pdf yang berkaitan dapat diperoleh f1(x1) = F (x )
dx1 1 1
Definisi 4.6 :
Jika X = (X1, X2, …, Xk) adalah variabel random berdimensi k dengan CDF bersama
F(x1, x2,…,xk) maka CDF marginal dari Xj adalah
Fj(xj) = lim F(x 1 ,..., x j ,..., x k )
x i
all i j
 Contoh 6:
Misal X1, X2 dan X3 kontinu dengan pdf bersama
6 0<x1<x2<x3<1 dan
f(x1,x2,x3) =
0 untuk nilai x yang lain.
x3x2
f3(x3) = 6dx 1dx 2
0 0

x3
= 6 x 2 dx 2
0

= 3 x 32 jika 0<x3<1 dan nol untuk x yang lain.

1
f(x1,x2) = 6 dx 3
x2

= 6(1-x2) jika 0<x1<x2<1 dan nol untuk x yang lain.

)
F(x1,x2)= 6 1 t dt 6(t -) t) | ) 6(x) x)) )
)

4. VARIABEL –VARIABEL RANDOM BEBAS

Pandang X1 dan X2 adalah variabel random diskrit dengan peluang bersama seperti
pada tabel berikut:

X2
f1(x1)
0 1 2
0 0.1 0.2 0.1 0.4
X1 1 0.1 0.2 0.1 0.4
2 0.1 0.1 0 0.2

f2(x2) 0.3 0.5 0.2

f(1,1) = 0.2=f1(1)f2(1)
f(1,2) = 0.1 f1(1)f2(2)
 Jika f(x1,x2) = f(x1)f(x2) untuk semua (x1,x2) yang mungkin, selanjutnya dapat
beralasan untuk mengatakan bahwa variabel random X1 dan X2 adalah bebas
db
P[a≤X1≤b, c≤X2≤d] = f (x 1 , x 2 )dx 1dx 2
ca

db
= f1 (x 1 )f 2 (x 2 )dx 1dx 2
ca

b d
= f1 (x 1 )dx 1 f 2 (x 2 )dx
2
a c

= P[a≤X1≤b] P[c≤X2≤d]

selanjutnya peristiwa A =[a≤X1≤b] dan B = [c≤X2≤d] adalah saling bebas. Konsep

ini berlaku baik dalam variabel random diskrit maupun kontinu.

Definisi 4.6
Variabel-variabel random bebas (Independen)
Variabel-variabel random X1,X2,….,Xk dikatakan independen jika untuk setiap
ai<bi
k
P[a1≤X1≤b1, …, ak≤Xk≤bk] = P[a i X i b i ]
i1

Teorema 4.4
Variabel-variabel random X1,X2,….,Xkadalah independenjika dan hanya jika satu
dari sifat berikut dipenuhi :
F(x1, x2,…,xk) = F1(x1)F2(x2)…Fk(xk)
f(x1, x2,…,xk) = f1(x1)f2(x2)…fk(xk)
dimana Fi(xi) dan fi(xi) masing-masing adalah CDF marginal dan pdf marginal dari
Xi

Teorema 4.5
 Dua variabel random X1dan X2dengan pdf bersama f(x1, x2) adalah independent jika
dan hanya jika :
(a) Himpunan pendukung, {(x1, x2)| f(x1, x2)>0} adalah perkalian Cartesian, A x B,
dan
(b) pdf bersama dapat difaktorkan ke dalam perkalian fungsi x1dan x2 ,
f(x1, x2)= g(x1)h(x2)

Contoh7 :
Pdf bersama dari pasangan X1 dan X2 adalah
8x1x2 untuk 0<x1<x2<1
f(x1,x2) =
0 untuk x1 dan x2 yang lain

karena 8x1x2 dapat difaktorkan sebagai g(x1)h(x2), sehingga X1 dan X2adalah

independen (bebas).

Contoh8 :
Pdf bersama dari pasangan X1 dan X2 adalah
x1+ x2 untuk 0<x1<1 ; 0<x2<1
f(x1,x2) =
0 untuk x1 dan x2 yang lain
karena x1+ x2 tak dapat difaktorkan sebagai g(x1)h(x2), sehingga X1 dan X2adalah
dependen (bergantung)

5. THE CONDITIONAL PROBABILITY DENSITY FUNCTION ( pdf Bersyarat)

Pembicaraan tentang kebebasan juga terkait pada konsep peluang bersyarat, dan
pemikiran ini bahwa definisi peluang bersyarat dari suatu peristiwa dapat
dikembangkan kepada konsep variabel random bersyarat.
Definisi 4.7
Pdf bersyarat. Jika X1 and X2 adalah variabel random diskrit atau kontinu dengan pdf
bersama f(x1,x2)maka the conditional probability density function ( pdf bersyarat)
dari X2diketahui X1=x1didefinisikan

f (x 1 , x 2
f(x2|x1)=
)
f
1

(
x
1

)
untuk nilai x1sedemikian hingga f1(x1)>0 dan nol untuk sebaliknya.

Analog untuk the conditional probability density function (pdf bersyarat) dari
X1diketahui X2 = x2 didefinisikan
f (x 1 , x 2 )
f(x1|x2)=
f 2 (x 2 )
untuk nilai x2sedemikian hingga f2(x2)>0 dan nol untuk sebaliknya.
Selanjutnya peluang bersyarat dari suatu peristiwa [a≤X2≤b] diberikan X1= x1

adalah
b
P[a≤X2≤b|X1= x1] = f (x 2 | x 1 )dx 2
a

b
f (x 1 , x 2 )dx 2
a

f (x 1 , x 2 )dx 2

b
1
f (x 2 | x 1 )dx 2 = f (x 1 , x 2 )dx 2
a
f 1 (x 1 )

1
= f1 (x1 ) 1
f1 (x1 )
Contoh 9 :
mengambil contoh 6, untuk menentukan pdf bersyarat dari x3,
f (x1 , x 2 , x 3 )
f(x3|x1,x2)=
f (x 1 , x 2 )

6
=
6(1 x 2 )

1
= , 0<x1<x2<x3<1
(1 x 2)
dan fungsi bernilai nol untuk x yang lain.
Teorema
4.6:
Jika X1 dan X2 adalah variabel random dengan pdf bersama f(x1, x2 ) dan pdf
marginal f1(x1) dan f2(x2) maka f(x1, x2) = f1(x1)f(x2|x1) = f2(x2)f(x1|x2)
dan jika X1 dan X2 adalah independen makaf(x2|x1) = f2(x2)dan f(x1|x2)= f1(x1)

Contoh 10:
Suatu dataran yang berbentuk segitiga dengan batas tepi selatan 2 mil dan batas
timur 1 mil. Jika daratan tersebut didistribusikan pada permukaan segitiga dengan
sumbu koordinat X dan Y, dan pasangan (X,Y) mempunyai pdf bersama konstan
f(x,y)=1 maka

x
0 2
x/2
f1(x) = dy x 0<x<2
0
2
2
f2(y) = dx 2(1 y) 0<y<1
2y

f (x, 1 2 x / , 0<y< x
f(y|x) =
y) 2 x 2
f1 (x)
dan fungsi bernilai nol untuk x; y yang lain.

berdasarkan gambar di atas pada contoh 10, dapat diperoleh

0.7
P[0.1≤Y≤0.7|X=0.5] = f (y | 0.5) dy
0.1
0.25
2
= dy karena untuk x=0.5 diperoleh harga y=0.25,
0.1 0.5

sehingga batas atas nya berubah menjadi 0.25.

0.25
= 4 dy
 0.1

= 0.6

0.7 2
P[0.1≤Y≤0.7] = f (x, y) dx dy
0.1 2y

0.7
= f 2 (y) dy
0.1

0.7
= 2(1 y) dy
0.1

= 0.72

6. SAMPEL RANDOM

Definisi 4.9
Sampel random adalah himpunan variabel random X1, …Xn dikatakan menjadi
sampel random berukuran n dari populasi dengan fungsi densitas f(x) jika pdf
bersama mempunyai bentuk
f(x1,x2,…,xn) = f(x1)f(x2) …f(xn)

Contoh 11:
waktu hidup lampu diasumsikan mengikuti distribusi exponential dengan pdf
-x
f(x) = e , 0<x<
dimana waktu hidup diukur dalam tahun. Jika sampel random yang berukuran dua
diperoleh dari populasi, maka kita akan mempunyai
-(x1,x2)
f(x1,x2) = e , 0<xi<

Sekarang kita pandang bahwa total waktu hidup dua lampu x1 + x2≤ 0.5 tahun.
0.5 0.5 x 2
P[x1 + x2≤ 0.5] = e (x1 x 2)
dx 1dx 2
0 0

-0.5 -0.5
= 1- 0.5e -e
= 0.09
 SOAL-SOAL LATIHAN BAB 4

1. Lima kartu diambil tanpa pengembalian dari tumpukan 52 kartu. Jika X menyatakan
banyaknya aces, Y banyaknya kings, dan Z banyaknya queens yang diperoleh.
Tentukan peluang masing-masing peristiwa berikut :
a. A = [X = 2]
b. B = [Y = 2]
c. A B
d. A B
e. A jika diketahui B
f. [X = x]
g. [X < 2]
h. [X 2]
i. [X = 2, Y = 2, Z = 1]
j. Tuliskan persamaan pdf bersama dari X, Y, Z.
Jawab: a. 0,0399 b. 0,0399 c. 0,000609 d. 0,0793 e. 0,0153
2. Sebuah dadu sisi enam beraturan digelindingkan 12 kali. Jika X1menyatakan
banyaknya 1’s, X2 menyatakan banyaknya 2’s dan seterusnya, hitung peluang
untuk masing-masing peristiwa berikut :
a. [X1= 2, X2 = 3, X 3 = 1, X4 = 0, X 5 = 4, X 6 = 2]
b. [X1 = X2 = X 3 = X4 = X 5 = X 6]
c. [X1= 1, X2 = 2, X 3 = 3, X4 = 4]
d. Tuliskan persamaan pdf bersama dari X1,X3, dan X 5
Jawab: a. 0,000382 b. 0,00344 c. 0,00153 d. .....
3. Pandang bahwa X1 dan X 2 adalah variabel random diskrit dengan pdf bersama dari
bentuk
f(x1, x 2) = c (x1 + x2 ) x1 = 0, 1, 2 ; x2 = 0, 1, 2
dan fungsi bernilai nol untuk yang lain. Tentukan konstanta c
jawab: 1/18
4. Jika X dan Y adalah variabel random diskrit dengan pdf bersama
2,x y
f (x, y) c x = 0, 1, 2,………..;y = 0, 1, 2, ……..
x!y!
dan nol untuk x,y yang lain.
 a. Tentukan constanta c
b. Tentukan pdf marginal dari X dan Y.
c. Apakah X dan Y independen? Mengapa?
-4
Jawab: a. e b. Keduanya POI(2) c. ya
5. Diketahui X1dan X2 adalah variabel random diskrit dengan pdf bersama f(x1, x 2)
disajikan oleh tabel berikut :
X2
1 2 3
X1 1 1/12 1/6 0
2 0 1/9 1/5
3 1/18 1/4 2/15

a. Tentukan pdf marginal dari X1 dan X2

b. Apakah X1 dan X2 independen ? mengapa?
c. Tentukan P[X1 2]
d. Tentukan P[X1 X2]
e. Tabulasikan pdf bersyarat f x x and f x x .
2 1 1 2

Jawab: a. .... b. Tidak c. 101/180 d. 25/36 e. ....

6. Dua kartu diambil secara random tanpa pengembalian dari tumpukan kartu. Misal X
menyatakan banyaknya heart, dan Y menyatakan banyaknya kartu hitam yang
diperoleh.
a. Tulis persamaan untuk pdf bersama f(x, y)
b. Tabulasikan CDF bersama, F(x,y)
c. Tentukan pdf marginal f1(x)dan f2 (y)
d. Apakah X dan Y independen?

e. Tentukan P Y 1 X 1

f. Tentukan P Y y X 1
g. Tentukan P Y y X x
h. Tabulasikan P X Y z ;z 0,1,2
Jawab: a. ... b. ..... c. ...... d. Tidak e. 0,668 f. ... g. .... h. ....

90
7. Pandang fungsi F (x1, x2)didefinisikan sebagai berikut :
2
0,25(x1 + x2) jika 0 x1 1 dan 0 x2 1
F(x1,x2) = 0 jika x1 < 0 atau x2 < 0
1 yang lainnya
Apakah F (x1, x2) CDF bivariat? Hint : cek sifat-sifat teorema 4.
Jawab; tidak
8. Pandang pdf bersama dari waktu hidup a part and a spare tertentu diberikan oleh
-(x+y)
f(x, y) = e 0 < x < ,0 <y<
dan nol untuk nilai fungsi yang lain. Tentukan masing-masing berikut:
a. Tentukan pdf marginal dari f1 (x) dan f2 (y)
b. CDF bersama, F(x, y)
c. P[X> 2]
d. P[X< Y]
e. P[X + Y > 2]
f. Apakah X dan Y independen.
-x -y -2
Jawab: a. keduanya EXP(1) b. F(x,y)=(1-e )(1-e ) jika x>0; y>0 c. e
-2
d. ½ e. 3e f. ya
9. Pandang X1 dan X2 adalah waktu hidup (dlm hari) dua tikus putih yang dijadikan
subyek untuk tingkat radiasi yang berbeda. Asumsikan bahwa X1 and X2adalah
independen.
X1 PAR(1,1) dan X2 PAR(1,2)
a. Tentukan pdf bersama dari X1 dan X2
b. Tentukan peluang bahwa tikus kedua hidup lebih lama daripada tikus pertama,
P[X 1< X2]
-2 -3
Jawab: a. f(x1,x2)=2(1+x1) (1+x2) jika x1>0; x2>0 b. 1/3
10. Assumsikan bahwa X dan Y adalah independendengan X UNIF(-1,1) dan
Y UNIF (0,1)
Tentukan peluang bahwa akar-akar persamaan h(t) = 0 adalah real, dimana
2
h(t) = t + 2 X t + Y
jawab: 1/3
11. Untuk variabel random X1,X2, dan X 3 pada contoh 4
a. Tentukan pdf marginal f1(x2)
b. Tentukan pdf marginal f2 (x2)
 c. Tentukan pdf bersama dari pasangan (X1 , X2).
2
Jawab: a. f(x1)= 3(1-x1) b. f(x2)=6x2(1-x2) c. f(x1,x2)=6(1-x2)
12. Pandang pasangan variabel random kontinu X dan Y dengan CDF bersama:
0,5 xy x ' y , jika 0 2 1 2 1 EFG 0 2 y 2
1
/
0,5 x x ' 1 , jika 0 2 1 2 1 , 1 y
F(x1,x2) =
. 0,5 y y ' 1 , jika 1 x, 0 2 H 2 1
,1, jika 1 x, 1 y
Dan fungsi bernilai nol untuk lainnya. Tentukan masing-masing berikut:
a. Pdf bersama, f (x,y)
b. P[X 0,5, Y 0,5] c.
P [X < Y]
d. P[X + Y 0,5]
e. P[X + Y 1,5]
f. P[X + Y z] ; 0 < z

13. Diketahui X dan Y variabel random kontinu dengan pdf bersama berbentuk
f(x,y) = k(x + y), 0 x y 1dan nol yang lainnya.
a. Tentukan k sehingga f(x,y) adalah pdf bersama
b. Tentukan pdf marginals, f1(x) dan f2(y)
c. Tentukan CDF bersama, F(x,y)
d. Tentukan pdf bersyarat f(yx)
e. Tentukan pdf bersyarat f(xy)

14. Pandang bahwa X dan Y mempunyai pdf bersama

f(x,y) = 8xy jika 0 x y 1dan nol untuk yang lainnya. Tentukan masing-
masing berikut:
a. CDF bersama F(x,y)
b. f(yx)
c. f(xy)
d. P[ X 0,5Y = 0,75)
e. P[X 0,5 Y 0,75]

15. Pandang bahwa X dan Y mempunyai pdf bersama

 f(x,y) = (2/3)(x + 1) 0 < x < 1, 0 < y < 1
dan nol untuk yang lainnya. Tentukan masing-masing berikut:
a. f1(x)
b. f2 (y)
c. f (y x)
d. P [X + Y 1]
e. P[ X < 2Y < 3X]
f. Apakah X dan Y independen?

16. Diketahui X1 , X2, …………X n , menyatakan sampel random dari populasi dengan
2
pdff(x) = 3 x ; 0 < x < 1 , dan nol untuk yang lainnya.
a. Tulis pdf bersama X1 , X2 , ………Xn
b. Tentukan peluang bahwa pengamatan pertama kurang dari 0,5 , P[X1 < 0,5]
c. Tentukan peluang bahwa semua pengamatan kurang dari 0,5.

17. Kerjakan kembali soal no.20 jika sampel random dari populasi Weibull,
X1 WEI (1,2)

18. Himpunan data berikut terdiri dari pengukuran berat (dlm ons) untuk 60 liga besar
baseball. :
5,09 5,08 5,21 5,17 5,07 5,24 5,12 5,16 5,18 5,19
5,26 5,10 5,28 5,29 5,27 5,09 5,24 5,26 5,17 5,13
5,27 5,26 5,17 5,19 5,28 5,28 5,18 5,27 5,25 5,26
5,26 5,18 5,13 5,08 5,25 5,17 5,09 5,16 5,24 5,23
5,28 5,24 5,23 5,23 5,27 5,22 5,26 5,27 5,24 5,27
5,25 5,28 5,24 5,26 5,24 5,24 5,27 5,26 5,22 5,09
a) Bentuk distribusi frequency, dengan menyortir data ke dalam 5 interval yang
panjangnya 0,05 mulai dari 5,05.
b) Berdasarkan hasil a), grafik histogram frekuensi relatif dimodifikasi.
c) Bentuk tabel yang membandingkan hasil pengamatan dan probabilitas
berdasarkan pada interval tersebut. Buatlah tabel yang membandingkan hasil
observasi dan peluang berdasarkan interval dari a), dan untuk pdf f(x) yang
uniform pada interval [5,05;5,30]
19. Pandang distribusi bersama variabel random X1, X2,dan X3 dari contoh 4.
a. Tentukan pdf bersama dari X1dan X2
b. Tentukan pdf bersama dari X2 and X3
c. Tentukan pdf bersyarat X2 diketahui (X1, X3) = (x1, x2)
d. Tentukan pdf bersyarat X1 diketahui (X2, X3) = (x2, x3)
e. Tentukan pdf bersyarat (X1, X2) diketahui X3 = x3

20. Pandang X1 , X 2adalah sampel random berukuran n = 2 dari distribusin diskrit

dengan pdf f(1) = f(3) = 0,2 dan f(2) = 0,6.
a. Tabulasikan nilai-nilai pdf bersama dari X1dan X 2
b. Tabulasikan nilai-nilai CDF bersama X1 dan X2 , F(x1 ,x2)
c. Tentukan P[X1 + X2 4]

21. Pandang X dan Y adalah variabel random kontinu dengan pdf bersama
f(x,y)= 4(x - y ) jika 0 < x < 1 dan 0 < y < 1 , dan fungsi bernilai nol untuk x, y
yang lain.
a. Apakah X dan Y independen ? mengapa?
b. Tentukan P[X < Y]

22. Pandang X dan Y adalah variabel random kontinu dengan pdf bersama
f(x,y) = 24xy jika 0 < x, 0 < y, x + y < 1 , dan fungsi bernilai nol untuk x, y yang
lain.
a. Apakah X dan Y independen ? mengapa?
b. Tentukan P[Y > 2x]
c. Tentukan pdf marginal X

23. Diketahui X dan Y variabel random kontinu dengan pdf bersama

2
f(x,y) = 60 x y jika 0 < x, 0 < y, x + y < 1, dan fungsi bernilai nol untuk x,y yang
lain.
a) Tentukan pdf marginal X
b) Tentukan pdf bersyarat Y diketahui X = x
c) Tentukan P[Y> 0,1X = 0,5]
24. Diketahui X1dan X2 variabel random kontinu dengan pdf bersama
f(x1, x2 ) = 2(x1 + x2), if 0 < x1< x2 < 1 , dandan fungsi bernilai nol untuk x, y yang
lainnya.
a. Tentukan P[X1> 2X2]
b. Tentukan pdf marginal X2
c. Tentukan pdf bersyarat X1diketahui X2= x2
 BAB 5

SIFAT-SIFAT VARIABEL RANDOM

1. Sifat-sifat Nilai Ekspektasi

2. Korelasi
3. Ekspektasi Bersyarat
4. Soal-soal

BAB 6
FUNGSI VARIABEL RANDOM

1. Teknik CDF
2. Metode transformasi
3. Jumlahan variabel random
4. Metode MGF
5. Soal-soal

BAB 7
STATISTIKA DAN DISTRIBUSI SAMPLING

1. Statistika
2. Distribusi sampling
3. Dstribusi t, F
4. Aproksimasi sampel besar.
5. Soal-soal
Daftar Pustaka
Nasution A.H. dan Rambe A., 1984, Teori Statistika, Bhratara Karya Aksara, Jakarta
Bain A.,1995, Introduction to Probability and Mathematical Statistics , McGraw-Hill,
New York.
Rohatgi V.K.,1976, An Introduction to Probability Theory and Mathematical Statistics,
John Wiley, New York.
-------- , 1980, Statistical Inference, John Wiley,New York
Roussas, 1982, A First Course in Mathematical Statistics, Addison-Wesley, Reading,
Massachusetts
Dudewich, 1995, Statistika Matematika Modern, Penerbit ITB, Bandung
Miller,I., Miller, M.(2003). John E. Freund’s Mathematical Statistics. New Delhi:
Prentice-Hall

BUKTI-BUKTI TEOREMA

Teorema B.1 : Fungsi f(x) disebut pdf diskrit jika dan hanya jika fungsi f(x)
memenuhi keduanya untuk sebagian besar tak berhingga bilangan riil
x1, x2,….:
f(xi) ≥ 0 untuk semua xi dan f (x i ) 1 (Bain, 1983:57).
x

Bukti
f (xi) ≥ 0 terbukti dari kebenaran bahwa nilai dari sebuah pdf diskrit adalah suatu
peluang dan tidak boleh negative. Karena x1, x2,….menggambarkan semua
kemungkinan nilai dari X, peristiwa [ X = x1 ], [ X = x2 ],menyusun suatu
kesempurnaan partisi dari ruang sample sedemikian sehingga
f (x i ) 1 P[ X x] 1
xi xi

konsekuensinya, terdapat pdf yang harus memenuhi f(xi ) ≥ 0 dan f (x i ) 1 dan

x
beberapa fungsi yang memenuhi dua hal tersebut akan menunjuk pada peluang yang
konsisten dengan 0 ≤ P(A) untuk setiap A dimana pada suatu eksperimen, S merupakan
ruang sampel dan A1, A2, A3,……menggambarkan suatu peristiwa. A adalah himpunan
fungsi bernilai riil dengan setiap peristiwa A disebut himpunan fungsi peluang dan P(A)
disebut peluang dari A.

Teorema D.1 : Jika X adalah variabel acak, maka Var (X) = E(X2) -
2
µ
(Bain;1983:74).
Bukti
Berdasarkan definisi variansi dalam buku (Bain;1983:73) bahwa variansi dari variabel
2
random X adalah Var(X) = E[(X - µ) ], maka
2 2
Var(X) = E( X - 2µX + µ )
2 2
= E(X ) - 2µE(X) + µ
2 2 2
= E(X ) - 2µ + µ
2 2
= E(X ) - µ

Teorema F.1: Jika Moment Generating Function Mx(t) dari peubah acak ada
n
untuk suatu T > 0, maka EX ada (n = 1,2,...)
dan
n
n d, M (n)
EX (t )x Mx ( 0)
n t 0
dt
(Dudewicz;1995:300)
Bukti
tx y
Kita tahu bahwa Mx(t) = E(e ), dan untuk fungsi e kita dapat menguraikannya sebagai
2 3
deret e
y y y
1y ............ bila y diganti dengan tx kemudian ambil
2! 3!

ekspektasinya dari kedua ruas, maka kita peroleh (untuk t < T, dan ekspektasinya ada

menurut hipotesis dari teorema).

tx 2 3
Mx(t) = E(e ) = E ( 1 + tx + (tx) /2! + (tx) /3! + ……………)
2 2 3 3
= E ( 1 + xt + x t /2! + x t /3! + ……………)
2 2 n n
= 1 + (EX)t + (EX )t /2! +……….+(EX )t /n! +……
Bila kedua ruas diturunkan terhadap t dan kemudian dimasukan nilai t = 0 maka
 n -1
diperoleh M'x(0) 0 EX (EX 2 )t (EX 3 ) t
(n -1) t 0

= EX
n!
Teorema I.1 : Banyaknya permutasi r dari n objek adalah nPr untuk
(n r)!
r = 0, 1, 2, ......., n
(Miller; 2003 : 6)
Bukti
Rumus nPr = n (n - 1). …. . (n - r + 1)
n!
Untuk r = 0 tidak dapat digunakan, karena nP0 1
(n 0)!
Untuk r = 1, 2, ......,n nPr = n (n - 1) (n - 2). ...... . (n - r + 1)
n (n 1) (n 2)......(n r 1) (n r)!
(n r)!
=
n!
( n r )!
=
Teorema J.1 : Banyaknya kombinasi dari n objek yang berbeda yang dipilih r
kali adalah
n n!
C(n,r) (Bain;1983:35).

r r !(n - r)!
Bukti
n n
r

r r!

n (n -1) (n - 2)............(n- r 1)
r!
n (n -1)(n - 2)............(n- r 1) n - r!
r! n - r!

n!
r!(n-r)!