Nama : Rizqan Karim

NPM : 2004102010075
Kela : 11
Tugas / PR : 2 Ringkasan Statistika ( Propability & Statistika ) BAB 2 : Sub Bab 2.7, sd 2.8 dan BAB 3 Sub Bab 3.1 sd 3.3

BAB 2 PROBABILITY
Sub Bab 2.7 Bayes’ Rule (Aturan bayes )
Statistik Bayesian adalah kumpulan alat yang digunakan dalam bentuk statistik khusus dalam kesimpulan yang berlaku untuk menganalisis
data percobaan di banyak praktek situasi dalam sains dan teknik. Aturan Bayes adalah salah satu yang paling penting aturan dalam teori
peluang.
Peluang Total
Misalkan seorang individu dipilih secara acak dari orang dewasa di kota kecil untuk berkeliling negara dan memmberi tahu keuntungan dari
mendirikan industri baru di kota. Misalkan kita sekarang diberikan informasi tambahan bahwa 36 dari mereka yang bekerja dan 12 dari mereka
pengangguran yang merupakan anggota Rotary Club. Kita ingin mencari peluang dari kejadian A dimana individu yang dipilih adalah anggota Rotary
Club. Merujuk pada Gambar 2.12, kita dapat menulis A sebagai gabungan dari dua kejadian yang saling lepas, maka kita dapat membuat persamaan
seperti berikut ini :

P (A)= P (E∩A) ∪ (𝐸 ′ ∩ A) = P (E ∩ A)+P ( 𝐸 ′ ∩ A)

= P (E)P (A|E ) + P( 𝐸 ′ ) P(A|𝐸 ′ ).

 E E

A
E∩ 𝐴
E∩ 𝐴

Gambar : 2.12 Diagram vent untuk kejadian A, E dan, 𝐸 ′

Dengan persamaan tambahan diatas, untuk himpunan A maka kita dapat mendapatkan nilainya yaitu :
600 2 36 3
P (E) = = , P(A|E) = =
900 3 600 50
dan
1 12 1
P( 𝐸 ′ )= , P(A|𝐸 ′ ) = =
3 300 25

Jika kita menampilkan peluang ini dalam bentuk diagram pohon dari Gambar 2.13, di mana:cabang pertama menghasilkan peluang P (E)P (A|E) dan
cabang kedua menghasilkan Peluang P( 𝐸 ′ ) P(A|𝐸 ′ ), maka :

2 3 1 1 4
P(A) = ( )( ) +( )( ) =
3 50 3 25 75

dari ilustrasi di atas untuk kasus di mana ruang sampeldilambangkan menjadi k sedangkan, himpunan bagian dicakup oleh teorema disebutteorema
peluang total atau aturan eliminasi.
 E P(A|E) = 3/50 A
P(E) P(A|E)

𝐸′ P(A| 𝐸 ′ ) = 1/25 𝐴′ P(𝐸 ′ ) P(A| 𝐸 ′ )

Gambar 2.13 Contoh diagram pohon pada data sebelumnya

Penjelasan 2.13

Jika kejadian 𝐵1 , 𝐵2 ,..., 𝐵𝑘 merupakan partisi dari ruang sampel S, sehingga P(𝐵𝑖 ) ≠ 0 untuk i = 1, 2,……k maka kejadian A untuk S adalah

𝑘 𝑘
P( A ) = 𝑖=1 𝑃 (𝐵𝑖 ∩ 𝐴) = 𝑖=1 𝑃(𝐵𝑖 ) P(A|𝐵𝑖 )
 𝐵3
𝐵1

𝐵4 𝐵5

𝐵2 …..

Gambar 2.4 Mempartisi ruang sampel S

Bukti :
Perhatikan diagram Venn pada Gambar 2.14. Kejadian A dipandang sebagai gabungan dari kejadian yang saling lepas, maka :
𝐵1 ∩ A, 𝐵2 ∩ A, ..., 𝐵𝑘 ∩ A ;
Dengan begitu :
A =(𝐵1 ∩ A) ∪ (𝐵2 ∩ A) ∪···∪ (𝐵𝑘 ∩ A).
Dengan menggunakan persamaan sebelumnya maka kita akan mendapatkan rumus :
P(A) = P[(𝐵1 ∩ A) ∪ (𝐵2 ∩ A) ∪···∪ (𝐵𝑘 ∩ A)].
= P(𝐵1 ∩ A) + (𝐵2 ∩ A) +···+ (𝐵𝑘 ∩ A).
𝑘
= 𝑖=1 𝑃 (𝐵𝑖 ∩ 𝐴)
𝑘
= 𝑖=1 𝑃(𝐵𝑖 ) P(A|𝐵𝑖 )
Contoh 1 :

Di pabrik perakitan tertentu, tiga mesin, 𝐵1 , 𝐵2 , dan 𝐵3 , menghasilkan 30%, 45%, dan 25%, dari masing- masing produk. Diketahui dari kejadian masa lalu
bahwa 2%, 3%, dan 2% dari produk yang dibuat oleh setiap mesin, masing-masing mengalami kerusakan. Misalkan produk jadi dipilih secara acak. Berapa
peluang bahwa terjadinya kerusakan pada produk ?
Solusi :
Dengan mertimbangkan kejadian berikut diamana :
A: produk rusak,
B1: produk dibuat oleh mesin B1
B2: produk dibuat oleh mesin B2,
B3: produk dibuat oleh mesin B3.
Dengan menerapkan aturan eliminasi, kita dapat menentukan hasilnya, yaitu :
P (A)=P (𝐵1 ) P(A|𝐵1 ) + P(𝐵2 ) P(A|𝐵2 ) + P(𝐵3 ) P(A|𝐵3 ).

Pada diagram pohon Gambar 2.15, bahwa tiga cabang memberikan suatu peluang, maka kita dapatkan :
P (𝐵1 )P (A|𝐵1 )=(0.3)(0.02) = 0.006,
P (𝐵2 )P (A|𝐵2 )=(0.45)(0.03) = 0.0135,
P (𝐵3 )P (A|𝐵3 )=(0.25)(0.02) = 0.005,

dengan begitu hasil penjumlahannya adalah :

P (A)=0.006 + 0.0135 + 0.005 = 0.0245.
 𝐵1 P (A|𝐵1 ) = 0,2 A

P (𝐵2)=(0.45) P (A|𝐵2) =0,3 A

𝐵2

P (A|𝐵3 ) = 0.02 A

𝐵3

Gambar 2.15 : Diagram pohon dari conto 1

Penjelas 2.14 :
Aturan Bayes (bayes, rule ) dimana jika kejadian 𝐵1 , 𝐵𝟐 ,…….. 𝐵𝒌 merupakan pendukung elemen dari sampel S maka peluang P (𝐵𝒊 ) ≠ 0 dimana
i = 1, 2,…….k maka untuk semua kejadian A dalam S maka P (A) ≠ 0, dengan demikina rumusnya adalah ∶

P ( 𝐵𝑟 ∩ A ) P ( 𝐵𝑟 ) 𝑃 (A|𝐵𝑟 )
P ( 𝐵𝑖 |A ) = 𝑘 𝑃(𝐵 = 𝑘 𝑃(𝐵 ) P(𝐵 |𝐴) untuk 𝑟 = 1, 2, ….k.
𝑖=1 𝑖 ∩ 𝐴) 𝑖=1 𝑖 𝑖

Pembuktian :
Dengan definisi peluang bersyarat maka :
𝑃 ( 𝐵𝑟 ∩ A)
P ( 𝐵𝑖 |A ) =
𝑃(𝐴)

kemudian menggunakan persamaan penjelasan 2.13 maka :

P ( 𝐵𝑟 ∩ A ) P ( 𝐵𝑟 ) 𝑃 (A|𝐵𝑟 )
P ( 𝐵𝑖 |A ) = 𝑘 𝑃(𝐵 = 𝑘 𝑃(𝐵 ) P(𝐵 |𝐴)
𝑖=1 𝑖 ∩ 𝐴) 𝑖=1 𝑖 𝑖

dan itu terbukti dari penyelesaian diatas.

Contoh 2 :
Pada Contoh 1, jika suatu produk dipilih secara acak dan ditemukan menjadi cacat, berapa peluang bahwa itu dibuat oleh mesin 𝐵3 ? Solusi : Digunakan
aturan Bayes untuk menyelesaikan soal !
Penyelesaian : Denan menggunakan rumus aturan bayes maka :
P (A|𝐵3 )
P ( 𝐵3 |A ) =
𝑃(𝐵1 ) 𝑃(𝐴|𝐵1 )+P (𝐵2 )P(A |𝐵3 ) +P (𝐵3 )P (A |𝐵3 )

Selanjutnya subsitusikan nilai peluang yang telah dicari pada contoh pertama :
P (0.005) 0.005 10
P ( 𝐵3 |A ) = = =
0.006 +0.0135 + 0.005 0.0245 49

Terbukti bahwa hasil ini menunjukkan diaman produk yang dibuat oleh mesin 𝐵3 tidaklah cacat.
Conto 3 :
Sebuah perusahaan manufaktur menggunakan tiga rencana analisis untuk mendesain pengembangan dari produk tertentu. Karena alasan biaya, maka dibagi dalam
tiga waktu. Faktanya, paket 1, 2, dan 3 digunakan untuk 30%, 20%, dan 50% masing-masing produk. Beberapa perbedaan tingaka kecacatan berbeda untuk tiga prosedur
sebagai berikut:

P (D|𝑃1 ) = 0.01, P(D|𝑃2 )=0.03, P(D|𝑃3 )=0.02,

dimana P (D|Pj ) adalah peluang pada produk cacat, sedangkan j merupakan perencanaan . Jika secara acak produk diamati dan ditemukan
cacat, prenecanaan mana yang dapat digunakan ?
Penyelesaian : Dari masalah diatas aka penyelesaiannya adalah :
P (𝑃1 ) = 0.30, P(𝑃2 )=0.20, P(𝑃3 )=0.50,
untuk menentukan nilai P (D|𝑃𝑗 ) dari j = 1, 2, 3 gunakan penyelesaiian aturan bayes, maka :
𝑃 (𝑃1 )𝑃 𝐷 𝑃1 (0.30)(0.01) 0.003
P (D|𝑃1 ) = = = = 0.158
𝑃 (𝑃1 )𝑃 (𝐷 |𝑃1 )+𝑃 (𝑃2 )𝑃 (𝐷 |𝑃2 )+𝑃 (𝑃3 )𝑃 (𝐷 |𝑃3 ) (0.3)(0.01) + (0.20)(0.03)+(0.50)(0.02) 0.019
Dengan begitu
(0.03)(0.20) (0.02)(0.50)
P (D|𝑃2 ) = = 0.316 dan P (𝑃3 |D) = = =0.526.
0.019 0.019

Peluang bersyarat dari cacat yang didapatkan pada rencana 3 adalah yang terbesar dari ketiganya; dengan demikian kecacat untuk produk acak kemungkinan besar
adalah hasil dari penggunaan rencana 3.

Sub Bab. 2.8 :

Potential Misconceptions and Hazards, Relationship to Material in Other Chapters ( Potensial hubungan kesalahpahaman dan tanda bahaya
dengan hubungan material lan.
Bab ini berisi definisi dasar, aturan, dan teorema yangmemberikan landasan yang menjadikan peluang sebagai alat penting untuk
mengevaluasi sistem ilmiah dan rekayasa. Penyelesaiannya seringkali dalam bentuk perhitungan peluang, seperti yang diilustrasikan dalam contoh
dan latihan sebelumnya . Konsep seperti kejadian yang sering muncul, peluang bersyarat, aturan Bayes, dan lainnya cenderung menyatu dengan baik
untuk memecahkan masalah praktis di mana intinya adalah untuk menghasilkan nilai peluang tersebut. Dengan mengilustrasikan bagaimana kinerja
sistem bergantung pada nilai satu atau kemungkinan lebih. Sekali lagi, peluang bersyarat dan kejadian yang sering muncul memainkan peran penting
dalam menyelesaikan masalah. Namun, konsep baru muncul yang memungkinkan lebih banyak struktur berdasarkan gagasan variabel acak dan
distribusi peluang. Ingatlah bahwa gagasan frekuensi. Distribusi probabilitas ditampilkan dalam bentuk persamaan atau grafik informasi total yang
diperlukan untuk menggambarkan suatu struktur peluang. Dengan demikian, distribusi peluang akan mengungkapkan struktur peluang untuk jumlah
item yang cacat dari jumlah yang dipilih dari proses.
BAB 3 : Variabel Acak dan Peluang Distribusi

Sub bab 3.1 : Konsep variabel acak

Statistik berkaitan dengan membuat kesimpulan tentang populasi dan karakteristik populasi . Percobaan dilakukan dengan hasil yang bersifat
kebetulan.Pengujian sejumlah komponen elektronika merupakan salah satu contoh uji statistik eksperimen, istilah yang digunakan untuk menggambarkan setiap
proses dimana beberapa peluang pengamatan dihasilkan untuk mengalokasikan hasil deskripsi numerik. Misalnya, ruang sampel memberikan deskripsi rinci dari
masing-masing kemungkinan hasil ketika tiga komponen elektronik diuji dapat ditulis:
S ={NNN,NND,NDN,DNN,NDD,DND,DDN,DDD},
Dimana N merupakan alat yang tidak rusak dan D menunjukkan alat yang cacat. Seseorang sangat khawatir dengan jumlah cacat yang terjadi.
Dengan demikian, setiap titik dalam ruang sampel akan diberi nilai numerik 0, 1, 2, atau 3. Nilai-nilai ini, tentu saja diacak acak dan ditentukan oleh
hasil percobaan. Mereka dapat dilihat sebagai nilai yang diasumsikan oleh variabel acak dan X merupakan jumlah item yang rusak ketika tiga
komponen elektronik diuji.
Definisi 3.1 :
Variabel acak adalah fungsi yang mengasosiasikan bilangan real dengan setiap elemen dalam ruang sampel.

Dengan menggunakan huruf kapital, misalkan X, untuk menunjukkan variabel acak dan x untuk salah satu nilainya. Dalam komponen elektronik
pengujian ilustrasi di atas, kita melihat bahwa variabel acak X mengasumsikan nilai 2 untuk semua elemen dalam himpunan bagian, maka :

E ={DDN, DND, NDD}

dari ruang sampel S. Artinya, setiap kemungkinan nilai X mewakili suatu kejadian yang merupakan himpunan bagian dari ruang sampel untuk
percobaan yang diberikan.
Contoh 3.1
Dua buah bola diambil secara berturut-turut dari sebuah guci yang berisi 4 bola merah dan 3 bola hitam. Berapakah hasil yang
terambil secara acak dan nilai y dari acak variabel Y , di mana Y adalah jumlah bola merah, maka

Ruang Sampel y

RR 2
RB 1
BR 1
BB 0

Contoh 3.2
Petugas gudang mengembalikan tiga helm pengaman secara acak kepada tiga karyawan pabrik bajayang sebelumnya telah dia
periksa. Jika Smith, Jones, dan Brown telah menerima salah satu dari tiga topi, buatlah daftar titik sampel untuk kemungkinan
petugas gudang memberikan helm, dan temukan nilai m dari variabel acak M yang menunjukkan jumlah kecocokan yang benar.

Penyelesaian :
Jika S, J, dan B masing-masing mewakili helm Smith, Jones, dan Brown, maka kemungkinan pengaturan di mana helm dapat
dikembalikan dan nomornya dari kecocokan yang benar adalah :

Ruang Sampel m
SJB 3
SBJ 1
BJS 1
JSB 1
JBS 0
BSJ 0
 Dalam masing-masing dari dua contoh sebelumnya, ruang sampel berisi sejumlah elemen yang terbatas. Sebaliknya,ketika sebuah dadu dilempar
sampai muncul angka 5, kita peroleh ruang sampel dengan urutan elemen yang tidak ada habisnya,

S = {F, NF, NNF, NNNF,...}

Dimana F dan N masing-masing mewakili kemunculan yang tidak terjadinya adalah a 5.Tetapi dalam percobaan ini, jumlah elemen dapat
disamakan dengan jumlah bilangan bulat sehingga ada unsur pertama, unsur kedua, unsur ketiga, dan seterusnya, didalam pengertian ini maka
dapat dihitung adanya kasus di mana variabel acak bersifat Variabel,sering disebut variabel dummy.

Contoh 3.3
Pertimbangkan kondisi sederhana di mana komponen yang datang dari produksi baris dan ditetapkan untuk menjadi cacat atau tidak cacat.
Tentukan variabel acak X dimana :

1 𝑗𝑖𝑘𝑎 𝑘𝑜𝑚𝑝𝑜𝑛𝑒𝑛 𝑡𝑒𝑟𝑠𝑒𝑏𝑢𝑡 𝑐𝑎𝑐𝑎𝑡

X={
0 𝑗𝑖𝑘𝑎 𝑘𝑜𝑚𝑝𝑜𝑛𝑒𝑛 𝑖𝑡𝑢 𝑡𝑖𝑑𝑎𝑘 𝑐𝑎𝑐𝑎𝑡

Didalam penugasan 1 atau 0 meskipun cukup pas . Ini akan menjadi jelas di bab-bab selanjutnya. Variabel acak yang 0 dan 1 dipilih untuk menggambarkan dua
nilai yang mungkin disebut variabel acak Bernoulli.

Contoh 3.4

Ahli statistik menggunakan rencana pengambilan sampel untuk menerima atau menolak batch atau banyak bahan. Misalkan salah satu dari
rencana pengambilan sampel ini melibatkan pengambilan sampel secara bebas adalah 10 item dari banyak 100 item di mana 12 rusak. Biarkan X
menjadi variabel acak yang didefinisikan sebagai jumlah item yang ditemukan cacat dalam sampel 10. Dalam hal ini, variabel acak untuk pengambil
an nilainya adalah : 0, 1, 2,...,9, 10.
Contoh 3.5
Misalkan rencana pengambilan sampel melibatkan pengambilan sampel item dari suatu proses cacat yang telah diamati. Evaluasi proses akan tergantung pada
berapa banyak berturut-turut item diamati. Dalam hal itu, dimana X menjadi variabel acak yang didefinisikan oleh jumlah item yang diamati sebelum cacat
ditemukan. Dengan N tidak cacat dan D adalah cacat, ruang sampelnya adalah S = { D } diberikan X = 1, S = { ND } diberikan X = 2, S = { DAN } diberikan X
= 3, dan seterusnya.
Contoh 3.6
Minat berpusat pada proporsi orang yang menanggapi email tertentu pada permintaan pesanan.Misalkan X menjadi proporsi itu. X adalah variabel
acak yang mengambilpada semua nilai x yang 0 ≤x≤1.
Contoh 3.7
Biarkan X menjadi variabel acak yang ditentukan oleh waktu yang ditunggu dalam satuan jam, antaraspeeder berturut-turut terlihat oleh unit radar.
Variabel acak X mengambil semuanilai x dimana x ≥ 0.

Defiinisi 3.2
Jika ruang sampel berisi sejumlah kemungkinan yang terbatas atau urutan tak berujung dengan elemen sebanyak bilangan bulat
yang ada,maka itu disebut runag sampel diskrit .

Hasil dari beberapa epercobaan statistik mungkin tidak terbatas atau tidak dapat dihitung. Demikian halnya, misalnya, ketika seseorang melakukan
penyelidikan untuk mengukur jarak yang akan ditempuh oleh mobil merek tertentu selama kursus tes yang ditentukan pada 5 liter bensin. Dengan
asumsi jarak menjadi nilai variabek yang diukur ke tingkat akurasinya, maka jelas kita memiliki jumlah jarak yang mungkin tak terbatas dalam ruang
sampel yang tidak dapat disamakan dengan banyaknya bilangan bulat. Atau, untuk merekam lamanya waktu reaksi kimia berlangsung, sekali lagi
interval waktu yang mungkin membentuk ruang sampel akan menjadi tak terbatas jumlahnya dan tak terhitung. Oleh karena itu bahwa, semua ruang
sampel tidak perlu diskrit.
Definisi 3.3
Jika suatu ruang sampel mengandung sejumlah nilai peluang tak berhingga yang sama dengan bilangan titik-titik tersebut pada suatu ruas garis disebut
ruang sampel kontinu.

Suatu peubahan nilai secara acak disebut peubah acak diskrit jika himpunannya memungkinkan hasil dapat dihitung. Variabel acak dalam Contoh 3.1 hingga
3.5 bersifat diskrit variabel acak. Tetapi variabel acak yang himpunan nilai yang mungkin adalah pada keseluruhaninterval angka tidak diskrit. Ketika variabel
acak dapat mengambil nilai pada skala kontinu, disebut dengan variabel acak kontinu. Dimana seringkali nilai yang mungkin dari variabel acak kontinu
adalah nilai yang persis sama dengan terkandung dalam ruang sampel kontinu dengan jelas merupakan variabel acak dijelaskan dalam Contoh 3.6
dan 3.7 adalah variabel acak kontinu. Dalam sebagian besar masalah praktis, variabel acak kontinu mewakili pengukurandata, seperti semua
kemungkinan ketinggian, berat, suhu, jarak, atau periode hidup, sedangkan variabel acak diskrit mewakili data hitungan, seperti jumlah cacat dalam
sampel k item atau jumlah kematian di jalan raya per tahun dalamsuatu keadaan tertentu. Perhatikan bahwa variabel acak Y dan M dari Contoh 3.1
dan 3.2 keduanya mewakili data hitungan, Y jumlah bola merah dan M jumlah yang benar pada pertandingan topi.

Sub Bab 3.2 Peluang Distribusi Diskrit

Sebuah variabel secara acak diskrit mengasumsikan masing-masing nilainya dengan peluang yang tertentu. Dalam kasus pelemparan sebuah uang logam sebanyak
tiga kali variabel sama dengan X, yang mewakili angka kepala, mengasumsikan nilai 2 dengan peluang 3/8, karena 3 dari 8 kemungkinan yang sama titik sampel
menghasilkan dua kepala dan satu ekor. Jika seseorang mengasumsikan bobot yang sama untuk kejadian sederhana pada Contoh 3.2, peluang bahwa tidak ada
karyawan yang mendapatkan hak kembali helm, yaitu peluang bahwa M mengasumsikan nilai 0, adalah 1/3. Maka dari itu, kemungkinan nilai m dari M dan
probabilitasnya adalah
m 0 1 3
1 1 1
P(M = m)
3 2 6
Perhatikan tabel diatas bahwa, nilai m menghabiskan semua kasus peluang dan karena peluang tambahkan ke 1 maka, lebih mudah untuk mewakili semua peluang
variabel acak X dengan rumus. Rumus seperti itu pasti akan menjadi fungsi numerik nilai x yang akan kita nyatakan dengan f(x), g(x), r(x), dan seterusnya. Oleh
karena itu dapat kita tulis f(x)=P (X = x); maka, f(3) = P (X = 3). Himpunan pasangan yang terurut (x, f(x)) adalah disebut fungsi peluang, fungsi massa
peluang, atau peluang distribusi variabel acak diskrit X.
Definisi 3.4
Himpunan pasangan terurut (x, f(x)) adalah fungsi peluang, massa peluang fungsi,atau distribusi peluang dari variabel acak diskrit X , untuk setiap
kemungkinan hasil x, maka :
1. f(x)≥0,
2. 𝑥 𝑓 𝑥 = 1,
3. P (X = x)=f(x).

Contoh 3.8
Sebuah pengiriman 20 buah laptop yang sama ke outlet ritel berisi 3 yang cacat. Jika sebuah sekolah membeli 2 komputer ini secara acak,
tentukandistribusi peluang untuk jumlah barang cacat.
Solusi :
MisalkanX menjadi variabel acak sedangkan nilainya x adalah kemungkinan jumlah cacatkomputer yang dibeli oleh sekolah. Maka x hanya dapat
mengambil angka 0, 1, maka :
3 17 3 17
0 2 68 1 1 51
f(0) = P (X =0)= 20 = , f(1) = P (X =1)= 20 =
95 190
2 2

3 17
2 0 3
f(2) = P (X =2)= 20 =
190
2
Jadi , distribusi dari peluang X adalah
x 0 1 2
68 51 3
f (x)
95 190 190
Contoh 3.9
Jika sebuah agen mobil menjual 50% dari persediaan mobil asing tertentu yang dilengkapi dengan sisiairbag, tentukan rumus untuk peluang distribusi jumlah
mobil dengan kantong udara samping di antara 4 mobil berikutnya yang dijual oleh agensi.
Solusi : Karena peluang menjual mobil dengan kantong udara samping adalah 0,5 dimana 24 = 16 titik-titik dalam ruang sampel memiliki kemungkinan yang sama
untuk terjadi. Oleh karena itu, penyebutnya untuk semua peluang, dan juga untuk fungsi kita, adalah 16. Untuk mendapatkan jumlah cara menjual 3 mobil dengan
airbag samping, kita perlu mempertimbangkan jumlah cara mempartisi 4 hasil menjadi dua sel, dengan 3 mobil dengan kantong udara samping ditetapkan ke satu
4
sel dan model tanpa airbag samping ditugaskan ke yang lain. Ini bisa jadi diselsesaikan dengan cara 4 . Secara umum, penjualan model x dengan airbag
4 3
samping 4 – x, model air bag disamping dapat terjadi dengan cara maka x bias saja 0, 1, 2, 3, atau 4 Jadi, distribusi peluang f(x)=P (X = x) adalah
𝑥
1 4
f(x) = dimana x = 0, 1, 2, 3, 4
16 𝑥

Ada banyak permasalah di mana, kita mungkin ingin menghitung peluang bahwa nilai yang diamati dari variabel acak X akan kurang dari atau sama dengan
beberapa real nomor x. Penulisan F (x)=P (X ≤ x) untuk setiap bilangan real x, kita definisikan F (x) menjadi menjadi fungsi distribusi kumulatif dari variabel acak X.
Definisi 3.5

Fungsi distribusi kumulatif F (x) dari variabel acak diskrit X dengan distribusi peluang f(x) adalah

F (x)=P (X ≤ x) = 𝑡≤𝑥 𝑓 𝑡 𝑢𝑛𝑡𝑢𝑘 for −∞ <x< ∞

Untuk variabel acak M, jumlah kecocokan yang benar dalam Contoh 3.2, maka :
0 𝑢𝑛𝑡𝑢𝑘 𝑚 < 0,
1
𝑢𝑛𝑡𝑢𝑘 0 ≤ 𝑚 < 1
3
F (m) = 5
𝑢𝑛𝑡𝑢𝑘 1 ≤ 𝑚 < 3,
6
1 𝑢𝑛𝑡𝑢𝑘 𝑚 ≥ 3.
Conto 3.10
Tentukan fungsi distribusi kumulatif dari variabel acak X dalam Contoh 3.9. Menggunakan F (x), verifikasikan bahwa f(2) = 3/8
Solusi : Perhitungan langsung dari peluang distribusi dalam conto 3.9 diaman f(0) = 1/16, f(1) = 1/4, f(2) = 3/8, f(3) =1/4, dan f (4) =1/16, maka :
1
F (0) = f(0) =
16
5
F (1) = f(0) + f(1) =
16
11
F (2) = f(0) + f(1) + f(2) =
16
15
F (2) = f(0) + f(1) + f(2) + f(3) =
16

F (2) = f(0) + f(1) + f(2) + f(3) + f(4) = 1

Dengan demikian
0 𝑢𝑛𝑡𝑢𝑘 𝑥 < 0,
1
𝑢𝑛𝑡𝑢𝑘 0 ≤ 𝑥 < 1,
16
5
𝑢𝑛𝑡𝑢𝑘 1 ≤ 𝑥 < 2,
16
F (x) = 11
𝑢𝑛𝑡𝑢𝑘 2 ≤ 𝑥 < 3,
16
15
𝑢𝑛𝑡𝑢𝑘 3 ≤ 𝑥 < 4,
16
1 𝑢𝑛𝑡𝑢𝑘 𝑥 ≥ 4.

11 5 3
maka f(2) = F (2) F(1) = - =
16 16 8
GAMBAR PLOT DIAGRAM PELUANG PADA CONTOH 3.10

Gambar 3.1 Plot fungsi massa peluang Gambar 3.2 diagram batang peluang

Gambar 3.3: Fungsi distribusi kumulatif diskrit.

3.3 Distribusi Peluang secara berulang (continuos )

Sebuah variabel diacak secara berulang memiliki peluang 0 untuk mengasumsikan dengan tepat dari salah satu nilai-nilai. Akibatnya, peluang distribusi tidak
dapat diberikan dalam bentuk tabel. Misalnya variabel acak yang nilainya adalah ketinggian dari semua orang yang berusia di atas 21 tahun. Di antara dua nilai apa
pun, katakan 163,5 dan 164,5 sentimeter, atau bahkan 163,99 dan 164,01 sentimeter, ada bilangan tak terhingga tertinggal yaitu salah satunya adalah 164
sentimeter. Peluang terpilihnya seseorang secara acak yang tingginya tepat 164 sentimeter dan bukan salah satu yang besar tak terhingga set ketinggian yang
sangat dekat dengan 164 sentimeter sehingga tidak dapat mengukurnya secara manual dan dengan demikian kami menetapkan peluang 0 untuk masalah
tersebut. Ini bukan kasusnya, bagaimanapun, jika kita berbicara tentang kemungkinan memilih orang yang berada di setidaknya 163 sentimeter tetapi tidak lebih
dari 165 sentimeter. Sekarang kita berurusan dengan interval daripada nilai titik dari variabel acak. Dengan menghubungkan peluang komputasi untuk berbagai
interval variabel secara acak berulang-ulang seperti P (a<X<b), P (W ≥ c), dan lain sebagainya dimana,bahwa X merupakan nilai secara berulang, maka :
P (a<X ≤ b)=P (a<X<b)+P (X = b)=P (a<X<b).
Meskipun kita memasukkan titik akhir interval atau tidak itu tidak akan menjadi masalah ketika X adalah diskrit. Meskipun distribusi peluang dari
variabel acak secara berulang tidak dapat disajikan dalam bentuk tabel, dapat dinyatakan sebagai rumus dengan begitu akan tentu menjadi fungsi
dari nilai numerik dari variabel acak berulang dari nilai X dan dengan demikian akan diwakili oleh notasi fungsional f(x). Dalam menghadapi variabel
secara berulang, f(x) biasanya disebut fungsi kepadatan peluang, atau hanya fungsi kepadatanX. Karena X didefinisikan pada sampel ruang secara
berulang, bagi f(x) untuk memiliki sejumlah diskontinuitas yang terbatas. Namun, sebagian besar fungsi kepadatan yang memiliki aplikasi praktis
dalam analisis statistik data kontinu dan grafiknya dapat mengambil salah satu dari beberapa bentuk, beberapa di antaranya ditunjukkan pada
Gambar 3.4. Karena area akan digunakan untuk mewakili peluang dan dimana peluang adalah nilai numerik positif, fungsi kepadatan harus terletak
seluruhnya di atas sumbu x.

Gambar 3. 4 fungsi jenis kepadatan

Fungsi peluang kepadatan dibangun sehingga area di bawah kurvanya dibatasi oleh sumbu x diamana nilainya sama dengan 1 ketika dihitung pada rentang X yang f(x) yang
didefinisikan. Jika rentang X ini merupakan interval terhingga, selalu mungkin untuk memperpanjang interval dan untuk memasukkan seluruh himpunan bilangan real dengan
mendefinisikan f(x) menjadi nol di semua titik dalam bagian interval yang diperpanjang. Pada Gambar 3.5 bahwa peluang X mengasumsikan nilai antara a dan b sama dengan
luas yang diarsirdi bawah fungsi kerapatan antara ordinat di x = a dan x = b, dan dari integral yang diberikan oleh gambar dibawah ini :

Gambar 3.5 P (a<X<b).

Definisi 3.6

Fungsi f(x) adalah fungsi kerapatan peluang (pdf) untuk berulang variabel acak X, didefinisikan di atas himpunan bilangan real, jika
1. f(x) ≥ 0, for all x ∈ R.
∞
2. −∞ 𝑓(𝑥) 𝑑𝑥 = 1.
𝑏
3. P (a < X < b) = 𝑎
𝑓(𝑥) 𝑑𝑥.

Contoh 3.11
Misalkan kesalahan dalam suhu reaksi C, di laboratorium yang terkontrol dimana percobaan variabel acak kontinu adalah X yang memiliki kerapatan peluang fungsi
𝑥2
f(x) = 1 < 𝑥 < 2, a) Tentukan bahwa f(x) merupakan peluang kerapatan
3
0 𝑙𝑎𝑏𝑜𝑟 𝑙𝑎𝑖𝑛
b) Tentukan P (0 <X ≤ 1).
Penyelesaian :

Dari definisi 3.6 kita tahu bahwa :

a. Sangat jelas bahwa f(x) ≥ 0. Untuk menentukan kondisi 2 dalam Definisi 3.6 maka dapat kita tulis :

∞ 2 𝑥2 𝑥2 2 8 1
−∞
𝑓(𝑥) 𝑑𝑥 = −1 3
𝑑𝑥 = | = + =1
9 −1 9 9

Fungsi distribusi kumulatif F (x) dari variabel acak secara berulang adalah X dengan fungsi kerapatan f(x)
maka :
𝑥
F (x) = P (X ≤ x) = −∞ 𝑓(𝑡) 𝑑𝑡. untuk −∞ < x < ∞

Sebagai konsekuensi langsung dari Definisi 3.7, seseorang dapat menulis dua hasil yaitu :

𝑑𝐹 (𝑥)
P (a < X < b)= F(b) - F(a) dan f(x) =
𝑥

Contoh 3.2
Untuk fungsi kerapatan Contoh 3.11, tentukan F (x), dan gunakan untuk mengetahui P (0 <X ≤ 1).

Penyelesaian : untuk 1 <x<2, maka

𝑥 𝑥 𝑡3 𝑡3 𝑥 𝑥 3 +1
F (x) = P (X ≤ x) = 𝑓 𝑡 𝑑𝑡 = 𝑓( ) 𝑑𝑡 = | = oleh karena itu
−∞ −1 3 9 −1 9
Fungsi distribusi kumulatif F(x) dinyatakan pada Gambar 3.6.
P (0 <X ≤ 1) = F (1) F (0) =

Contoh 3.13
Departemen Energi (DOE) mengajukan proyek dalam penawaran dan secara umum memperkirakan tawaranapa yang seharusnya masuk akal .
Perkiraan b. DOE telah menentukan bahwa fungsi kepadatan dari tawaran yang menang (rendah) adalah

2
b ≤ y ≤ 2b,
5

Tentukan F (y) dan gunakan untuk menentukan peluang bahwa tawaran yang menang lebih kecil dari DOE perkiraan awal b.
Penyelesaian : untuk 2b/5 ≤ y ≤ 2b, maka :

Gambar 3.6: Fungsi distribusi kumulatif berkelanjutan.

Maka

Untuk menentukan peluang bahwa tawaran yang menang lebih kecil dari tawaran awal perkirakan b, dengan begitu hasilnya adalah