dan Statistika
2021
Pengantar Teori Probabilitas
dan Statistika
2021
Pengantar Teori Probabilitas dan Statistika
Penulis :
Wawan Hafid Syaifudin, M.Si, MAct.Sc, ASAI
Dr. Achmad Choiruddin, S.Si, M.Sc
Desain Cover :
El - Markazi
Ukuran :
viii, 387 hlm, Uk: 18,2 cm x 25,7 cm
ISBN : 978-623-331-037-6
Cetakan Pertama :
Februari 2021
Hak Cipta 2021, Pada Penulis
Isi diluar tanggung jawab percetakan
Copyright © 2021 by Elmarkazi Publisher
All Rights Reserved
PENERBIT ELMARKAZI
Anggota IKAPI
Jl.RE.Martadinata RT.26/05 No.43 Pagar Dewa,
Kota Bengkulu, Provinsi Bengkulu 38211
Website: www.elmarkazi.com dan www.elmarkazistore.com
E-mail: elmarkazipublisher@gmail.com
KATA PENGANTAR
i
oleh penulis agar buku ini dapat lebih baik nantinya. Penulis berharap bahwa
buku ini dapat memberikan manfaat kepada seluruh pembaca, dan khususnya bagi
para calon aktuaris yang sedang berjuang untuk menjadi aktuaris-aktuaris terbaik
Indonesia di masa mendatang.
Penulis
ii
UCAPAN TERIMA KASIH
Penyusunan buku ini telah melalui banyak proses dan dibutuhkan waktu
yang tidak sedikit dalam penyelesaiannya. Pada halaman ini, penulis secara khusus
menyampaikan ucapan terima kasih kepada banyak pihak yang telah membantu
dalam proses penyusunan buku, di antaranya adalah:
• Allah SWT atas segala limpahan rahmat dan karunia-Nya, sehingga penulis
mampu menyelesaikan buku ini
• Kedua orang tua penulis yang selalu ada untuk men-support penulis dalam
belajar, bekerja, dan berbagi sedikit ilmu yang dimiliki kepada sesama
• Adik, saudara sepupu, dan keluarga besar penulis yang senantiasa memberikan
dorongan dan doa
• Venansius Ryan, Marina Nadya, Vira Diana, dan Nurdia yang telah membantu
penulis dalam penyusunan naskah awal buku
• Kolega dan teman-teman penulis, baik itu kolega di dalam internal kampus
maupun kolega di luar kampus
iii
DAFTAR ISI
KATA PENGANTAR . . . . . . . . . . . . . . . . . . . . . . . . . . . . i
DAFTAR ISI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . iv
BAB 1
TEORI HIMPUNAN DAN KALKULUS DASAR . . . . . . . . . . . . . 1
1.1 Teori Himpunan . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Ringkasan Kalkulus Dasar . . . . . . . . . . . . . . . . . . . . . 6
1.2.1 Fungsi . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2.2 Limit dan Kontinuitas . . . . . . . . . . . . . . . . . . . 13
1.2.3 Turunan dari Fungsi . . . . . . . . . . . . . . . . . . . . 15
1.2.4 Integral . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.2.5 Deret Geometri dan Deret Aritmetika . . . . . . . . . . . 23
BAB 2
PROBABILITAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.1 Kejadian dan Ruang Probabilitas . . . . . . . . . . . . . . . . . . 25
2.2 Probabilitas dan Sifat-Sifat Probabilitas . . . . . . . . . . . . . . 33
2.3 Prinsip Kombinatorika . . . . . . . . . . . . . . . . . . . . . . . 44
2.3.1 Notasi Faktorial . . . . . . . . . . . . . . . . . . . . . . . 44
2.3.2 Permutasi . . . . . . . . . . . . . . . . . . . . . . . . . . 44
2.3.3 Kombinasi . . . . . . . . . . . . . . . . . . . . . . . . . 46
2.3.4 Teorema Binomial . . . . . . . . . . . . . . . . . . . . . 50
2.3.5 Teorema Multinomial . . . . . . . . . . . . . . . . . . . . 51
Soal Latihan Bab 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
BAB 3
PROBABILITAS BERSYARAT DAN TEOREMA BAYES . . . . . . . 60
3.1 Probabilitas Bersyarat . . . . . . . . . . . . . . . . . . . . . . . . 61
3.2 Probabilitas Kejadian yang Saling Bebas . . . . . . . . . . . . . . 66
iv
3.3 Aturan Bayes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
3.4 Teorema Bayes . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
Soal Latihan Bab 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
BAB 4
VARIABEL RANDOM DAN DISTRIBUSI PROBABILITAS . . . . . . 85
4.1 Variabel Random . . . . . . . . . . . . . . . . . . . . . . . . . . 85
4.1.1 Variabel Random Diskrit . . . . . . . . . . . . . . . . . . 87
4.1.2 Variabel Random Kontinu . . . . . . . . . . . . . . . . . 88
4.2 Distribusi Probabilitas . . . . . . . . . . . . . . . . . . . . . . . 89
4.2.1 Distribusi Probabilitas Diskrit . . . . . . . . . . . . . . . 89
4.2.2 Distribusi Probabilitas Kontinu . . . . . . . . . . . . . . . 93
4.3 Fungsi Distribusi Kumulatif . . . . . . . . . . . . . . . . . . . . 95
4.3.1 Fungsi Distribusi Kumulatif Diskrit . . . . . . . . . . . . 95
4.3.2 Fungsi Distribusi Kumulatif Kontinu . . . . . . . . . . . . 97
4.3.3 Fungsi Distribusi Kumulatif Campuran . . . . . . . . . . 105
Soal Latihan Bab 4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
BAB 5
MOMEN DAN FUNGSI PEMBANGKIT MOMEN VARIABEL
RANDOM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
5.1 Momen Variabel Random . . . . . . . . . . . . . . . . . . . . . . 113
5.1.1 Nilai Ekspektasi Variabel Random . . . . . . . . . . . . . 113
5.1.2 Varians dan Standar Deviasi Variabel Random . . . . . . . 117
5.1.3 Momen Variabel Random secara Umum . . . . . . . . . . 122
5.2 Fungsi Pembangkit Momen . . . . . . . . . . . . . . . . . . . . . 124
5.3 Persentil, Median, dan Modus Variabel Random . . . . . . . . . . 131
5.4 Pertidaksamaan Chebyshev . . . . . . . . . . . . . . . . . . . . . 133
Soal Latihan Bab 5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136
BAB 6
DISTRIBUSI PROBABILITAS DISKRIT . . . . . . . . . . . . . . . . . 142
6.1 Distribusi Bernoulli . . . . . . . . . . . . . . . . . . . . . . . . . 142
6.2 Distribusi Binomial . . . . . . . . . . . . . . . . . . . . . . . . . 144
6.3 Distribusi Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . 149
6.4 Distribusi Geometrik . . . . . . . . . . . . . . . . . . . . . . . . 153
6.5 Distribusi Negatif Binomial . . . . . . . . . . . . . . . . . . . . . 158
v
6.6 Distribusi Hipergeometrik . . . . . . . . . . . . . . . . . . . . . 161
6.7 Distribusi Multinomial . . . . . . . . . . . . . . . . . . . . . . . 164
Soal Latihan Bab 6 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 166
BAB 7
DISTRIBUSI PROBABILITAS KONTINU . . . . . . . . . . . . . . . . 170
7.1 Distribusi Seragam . . . . . . . . . . . . . . . . . . . . . . . . . 170
7.2 Distribusi Gamma . . . . . . . . . . . . . . . . . . . . . . . . . . 176
7.3 Distribusi Eksponensial . . . . . . . . . . . . . . . . . . . . . . . 180
7.4 Distribusi Chi-Square . . . . . . . . . . . . . . . . . . . . . . . . 183
7.5 Distribusi Weibull . . . . . . . . . . . . . . . . . . . . . . . . . . 185
7.6 Distribusi Normal . . . . . . . . . . . . . . . . . . . . . . . . . . 185
7.7 Distribusi Lognormal . . . . . . . . . . . . . . . . . . . . . . . . 190
7.8 Distribusi Pareto . . . . . . . . . . . . . . . . . . . . . . . . . . 193
7.9 Distribusi Beta . . . . . . . . . . . . . . . . . . . . . . . . . . . 195
Soal Latihan Bab 7 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 198
BAB 8
DISTRIBUSI GABUNGAN, MARGINAL,
DAN BERSYARAT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 203
8.1 Distribusi Gabungan Dari Variabel Random X dan Y . . . . . . . 204
8.2 Kovarians dan Korelasi dari Variabel Random X dan Y . . . . . 208
8.3 Ekspektasi dan Fungsi Pembangkit Momen Gabungan . . . . . . 211
8.4 Distribusi Marginal . . . . . . . . . . . . . . . . . . . . . . . . . 213
8.5 Distribusi Bersyarat . . . . . . . . . . . . . . . . . . . . . . . . . 218
8.6 Distribusi Normal Bivariat . . . . . . . . . . . . . . . . . . . . . 223
8.6.1 Fungsi Kepadatan Probabilitas . . . . . . . . . . . . . . . 223
8.6.2 Fungsi Pembangkit Momen Gabungan . . . . . . . . . . . 227
Soal Latihan Bab 8 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 229
BAB 9
TRANSFORMASI VARIABEL RANDOM . . . . . . . . . . . . . . . . 235
9.1 Teknik Transformasi Variabel Random . . . . . . . . . . . . . . . 235
9.1.1 Transformasi Variabel Random Diskrit Tunggal . . . . . . 235
9.1.2 Transformasi Variabel Random Diskrit Gabungan . . . . . 236
9.1.3 Transformasi Variabel Random Kontinu Tunggal . . . . . 238
9.1.4 Transformasi Variabel Random Kontinu Gabungan . . . . 239
vi
9.2 Teknik Moment Generating Function (MGF) . . . . . . . . . . . 240
9.2.1 Moment Generating Function (MGF) . . . . . . . . . . . 240
9.2.2 Moment Generating Function (MGF) untuk Menentukan
Fungsi Distribusi Variabel Random . . . . . . . . . . . . 241
9.3 Distribusi Jumlahan Variabel Random . . . . . . . . . . . . . . . 245
9.4 Distribusi Maksimum dan Minimum dari Variabel Random yang
Independen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 249
Soal Latihan Bab 9 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 252
BAB 10
APLIKASI PROBABILITAS PADA DISTRIBUSI KERUGIAN
ASURANSI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 255
10.1 Distribusi Kerugian Asuransi . . . . . . . . . . . . . . . . . . . . 256
10.2 Pertanggungan Asuransi secara Parsial . . . . . . . . . . . . . . . 257
10.2.1 Prinsip Deductible . . . . . . . . . . . . . . . . . . . . . 257
10.2.2 Prinsip Policy Limit . . . . . . . . . . . . . . . . . . . . . 260
10.3 Model Risiko Agregat . . . . . . . . . . . . . . . . . . . . . . . . 263
10.3.1 Model Risiko Individual . . . . . . . . . . . . . . . . . . 264
10.3.2 Model Risiko Agregat dengan Menggunakan Aproksimasi
Distribusi Normal . . . . . . . . . . . . . . . . . . . . . . 265
Soal Latihan Bab 10 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 268
BAB 11
DISTRIBUSI SAMPLING . . . . . . . . . . . . . . . . . . . . . . . . . 271
11.1 Distribusi Sampling dari Mean . . . . . . . . . . . . . . . . . . . 277
11.2 Distribusi Chi-Square . . . . . . . . . . . . . . . . . . . . . . . . 285
11.3 Distribusi t . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 289
11.4 Distribusi F . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 293
11.5 Statistik Urutan . . . . . . . . . . . . . . . . . . . . . . . . . . . 296
Soal Latihan Bab 11 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 299
BAB 12
ESTIMASI TITIK . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 301
12.1 Estimator Tak Bias . . . . . . . . . . . . . . . . . . . . . . . . . 303
12.2 Estimator yang Efisien . . . . . . . . . . . . . . . . . . . . . . . 307
12.3 Estimator yang Cukup . . . . . . . . . . . . . . . . . . . . . . . 316
12.4 Estimator yang Konsisten . . . . . . . . . . . . . . . . . . . . . . 322
vii
12.5 Metode Momen . . . . . . . . . . . . . . . . . . . . . . . . . . . 325
12.6 Metode Maximum Likelihood . . . . . . . . . . . . . . . . . . . . 329
Soal Latihan Bab 12 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 335
BAB 13
ESTIMASI INTERVAL . . . . . . . . . . . . . . . . . . . . . . . . . . . 338
13.1 Estimasi Mean . . . . . . . . . . . . . . . . . . . . . . . . . . . 339
13.2 Estimasi Proporsi . . . . . . . . . . . . . . . . . . . . . . . . . . 346
13.3 Estimasi Varians . . . . . . . . . . . . . . . . . . . . . . . . . . . 350
Soal Latihan Bab 13 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 353
BAB 14
PENGUJIAN HIPOTESIS . . . . . . . . . . . . . . . . . . . . . . . . . 356
14.1 Likelihood Ratio Tests (LRT) . . . . . . . . . . . . . . . . . . . . 360
14.2 Prosedur Pengujian Hipotesis . . . . . . . . . . . . . . . . . . . . 364
14.3 Pengujian Mean pada Satu Populasi . . . . . . . . . . . . . . . . 368
14.4 Pengujian Mean pada Dua Populasi . . . . . . . . . . . . . . . . 372
14.5 Pengujian Varians . . . . . . . . . . . . . . . . . . . . . . . . . . 376
14.6 Pengujian Proporsi . . . . . . . . . . . . . . . . . . . . . . . . . 380
Soal Latihan Bab 14 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 383
viii
BAB 1
TEORI HIMPUNAN DAN KALKULUS DASAR
Pada bagian pengantar ini, akan dijelaskan beberapa konsep penting yang
merupakan landasan sebelum memasuki topik mengenai probabilitas. Konsep
yang dijelaskan pada bab ini di antaranya adalah teori himpunan dan ringkasan
kalkulus dasar. Bagi para pembaca dengan latar belakang yang kuat dalam
kalkulus serta akrab dengan konsep himpunan dapat melewati bagian ini.
Dua buah himpunan, yaitu A dan B dapat memiliki gabungan (union) yang
dinotasikan dengan A ∪ B. Hal ini berarti bahwa A ∪ B adalah himpunan yang
terdiri dari semua elemen di dalam A atau B (atau keduanya).
1
2
Contoh 1.1
Jika A adalah himpunan dari semua bilangan bulat genap positif (yaitu
A = {2, 4, 6, 8, 10, 12, · · · }) dan B adalah himpunan semua bilangan bulat positif
yang berkelipatan 3 (yaitu B = {3, 6, 9, 12, · · · }), maka diperoleh gabungan
dari kedua himpunan tersebut adalah A ∪ B = {2, 3, 4, 6, 8, 9, 10, 12, · · · } yang
merupakan himpunan bilangan bulat positif berkelipatan 2 atau kelipatan 3 (atau
keduanya).
Berikutnya, dua buah himpunan, yaitu A dan B dapat memiliki irisan (inter-
section) yang dinotasikan dengan A ∩ B. Hal ini berarti bahwa A ∩ B adalah
himpunan yang terdiri dari semua elemen di dalam A dan B (terdapat pada
masing-masing himpunan). Secara matematis, hal ini dapat kita tuliskan sebagai
A ∩ B = {xx ∈ A dan x ∈ B}.
Contoh 1.2
Jika A adalah himpunan dari semua bilangan bulat genap positif (yaitu A =
{2, 4, 6, 8, 10, 12, · · · }) dan B adalah himpunan semua bilangan bulat positif yang
berkelipatan 3 (yaitu B = {3, 6, 9, 12, · · · }), maka diperoleh irisan dari kedua
himpunan tersebut adalah A ∩ B = {6, 12, 18, · · · } yang merupakan himpunan
bilangan bulat positif berkelipatan 6. Elemen dari A ∩ B haruslah terdapat di
kedua himpunan, yaitu A dan B.
Contoh 1.3
Jika A menyatakan himpunan penuh yaitu himpunan dari semua bilangan bulat
positif (A = {1, 2, 3, 4, 5, 6, · · · }), sedangkan B adalah himpunan semua bilangan
bulat genap positif (B = {2, 4, 6, 8, 10, · · · }), maka komplemen dari B adalah
B 0 = {1, 3, 5, 7, 9, · · · } yang merupakan himpunan bilangan bulat ganjil positif.
Dua buah himpunan, yaitu A dan B dikatakan memiliki beda apabila kita dapat
menyatakan suatu himpunan baru dengan elemen-elemen yang terdapat di salah
satu himpunan, namun tidak terdapat di dalam himpunan lainnya. Sebagai contoh,
beda antara himpunan A dan B, yang disebut sebagai “Himpunan A dikurangi
B”, adalah A − B = {xx ∈ A dan x ∈ / B}, yaitu himpunan yang terdiri dari
semua elemen yang berada di himpunan A namun tidak terdapat di himpunan B.
Catat bahwa A − B = A ∩ B 0 .
4
Selain itu, A − B dapat juga diartikan sebagai himpunan pada saat A ∩ B dihapus
dari A. Diagram Venn di bawah ini menyatakan A − B.
Contoh 1.4
Buktikan hubungan berikut (Hubungan di bawah ini disebut sebagai Hukum
DeMorgan):
(i) (A ∪ B)0 = A0 ∩ B 0 (komplemen dari gabungan A dan B adalah irisan dari
komplemen A dan komplemen B)
(ii) (A ∩ B)0 = A0 ∪ B 0 (komplemen dari irisan A dan B adalah gabungan dari
komplemen A dan komplemen B)
Pembahasan: (i) Karena gabungan dari A dan B terdiri dari semua elemen di
dalam A atau B, elemen yang tidak ada di dalam A ∪ B tidak terdapat juga
di dalam A atau B, dan oleh karena itu, elemen-elemen tersebut harus ada
di dalam kedua komplemen dari A dan komplemen B. Hal ini berarti adalah
irisan dari A0 dan B 0 . Dengan demikian kita peroleh (A ∪ B)0 = A0 ∩ B 0 .
(ii) Karena irisan dari A dan B terdiri dari semua elemen di dalam A dan B,
elemen yang tidak ada di dalam A ∩ B tidak terdapat juga di dalam A dan
B, dan oleh karena itu, elemen-elemen tersebut harus ada di dalam kedua
komplemen dari A atau komplemen B. Hal ini berarti adalah gabungan dari
A0 atau B 0 . Dengan demikian kita peroleh (A ∩ B)0 = A0 ∪ B 0 .
5
Contoh 1.5
Misalkan diberikan “himpunan penuh” S yang terdiri dari seluruh kemungkinan
mata dadu yang muncul pada saat kita melakukan pelemparan sebuah dadu 6 sisi.
Dengan demikian kita peroleh S = {1, 2, 3, 4, 5, 6}. Berikutnya, kita definisikan
himpunan bagian dari S sebagai berikut:
• A = {1, 2, 3} (munculnya mata dadu yang kurang dari 4)
• B = {2, 4, 6} (munculnya mata dadu genap)
• C = {4} (munculnya mata dadu 4)
6
1.2.1 Fungsi
Pengertian fungsi pertama kali digunakan oleh Leibniz untuk menyatakan keter-
gantungan suatu besaran terhadap besaran yang lainnya. Secara umum, apabila
besaran y bergantung pada besaran x sedemikian hingga setiap nilai x menentukan
tepat satu nilai y, maka dapat dikatakan bahwa y adalah fungsi dari x. Sebagai
contoh persamaan y = 2x + 3 yang mendefinisikan y sebagai fungsi dari x, sebab
setiap nilai yang diberikan pada x menentukan tepat satu nilai y (lihat tabel di
bawah ini).
√
Nilai x 0 1 2 -3/2 3
√
Nilai y = 2x + 3 3 5 7 0 2 3+3
Kita dapat menggunakan huruf f untuk menyatakan suatu fungsi. Sebagai contoh,
persamaan y = f (x) (dibaca “y sama dengan f dari x”) menyatakan bahwa y
adalah fungsi dari x.
7
Hal ini mengisyaratkan bahwa pemberian nilai dari x adalah bebas, tetapi untuk
setiap nilai yang diberikan pada x, diperoleh nilai y yang tunggal. Catat bahwa
domain dari fungsi f adalah suatu himpunan dari nilai x dan range dari fungsi
f adalah suatu himpunan dari semua nilai f (x) yang dapat muncul di domain
x. Dalam pembahasan ini, variabel x disebut sebagai variabel bebas, sedangkan
variabel y disebut sebagai variabel terikat/tak bebas.
Contoh 1.6
Persamaan y = x2 mendefinisikan sebuah fungsi karena untuk setiap x terdapat
tepat satu nilai di x2 . Range dari fungsi adalah bilangan riil ≥ 0, karena untuk
setiap bilangan riil, nilai kuadratnya adalah x2 ≥ 0.
Grafik dari persamaan ini dapat dilihat pada gambar berikut ini:
Grafik dari persamaan ini dapat dilihat pada gambar berikut ini:
8
Selanjutnya, apabila sebuah fungsi memiliki lebih dari satu variabel bebas, maka
fungsi tersebut dikenal sebagai fungsi multivariabel.
Contoh 1.7
Biaya perjalanan taksi online pada suatu kota besar di Indonesia adalah 4.000
rupiah untuk jarak sampai dengan 1 km. Setelah 1 km, penumpang diwajibkan
untuk membayar ongkos tambahan sebesar 2.500 rupiah per km. Jika f (x) adalah
ongkos total dalam rupiah untuk jarak x km, maka kita dapat definisikan nilai
f (x) sebagai berikut:
4000 , x<0≤1
f (x) =
4000 + 2500(x − 1) , x > 1
Contoh 1.8
Persamaan z = f (x, y) = e2(x+y) adalah suatu fungsi dengan dua variabel.
Domain dari fungsi tersebut adalah
semua bilangan yang terdapat pada bidang
dua dimensi (himpunan {(x, y)x, y bilangan riil}) dan range dari fungsi tersebut
adalah seluruh bilangan riil positif. Fungsi tersebut dapat pula digambarkan ke
bidang tiga dimensi x − y − z. Sehingga domain dari fungsi tersebut merupakan
bidang horizontal, yaitu garis x − y dan range dari fungsi tersebut adalah bagian
vertikal, yaitu bidang z.
9
Gambar tiga dimensi dari persamaan tersebut dapat dilihat pada grafik berikut ini.
Suatu fungsi f disebut fungsi satu-satu jika fungsi f (x) = y memiliki maksimal
satu solusi x untuk setiap y. Apabila suatu grafik fungsi digambarkan pada bidang
Cartesius, maka garis horizontal akan memotong grafik fungsi tersebut paling
banyak satu titik.
Contoh 1.9
Fungsi f (x) = 4x − 3 adalah fungsi satu-satu karena untuk setiap nilai dari y,
hubungan fungsi y = 4x − 3 hanya memiliki satu solusi x yaitu x = (y + 3)/4.
Berikutnya, fungsi g(x) = x2 dimana x merupakan bilangan riil, bukanlah fungsi
√
satu-satu karena untuk setiap y > 0 terdapat dua solusi x yaitu x = y dan
√
x = − y. Berikut adalah grafik yang menggambarkan kedua persamaan tersebut.
10
Invers
Invers dari fungsi f dinyatakan sebagai f −1 . Fungsi invers ada hanya jika f adalah
fungsi satu-satu yang dapat dinyatakan sebagai f −1 (y) = x. Sebagai contoh untuk
fungsi y = 2x3 = f (x), jika x = 1 maka
y = f (1) = 2(13 ) = 2
1
Sehingga 1 = f −1 (2) = 2
2
3
.
Contoh 1.10
• Fungsi invers dari fungsi y = 5x − 1 = f (x) adalah x = y+1
5 =f
−1 (y)
Contoh 1.11
Persamaan kuadrat x2 − 8x + 4 = 0 memiliki dua solusi akar bilangan riil:
√
x = 4 ± 2 3. Persamaan kuadrat x2 − 4x + 4 = 0 memiliki satu akar bilangan
riil yaitu x = 2. Dan untuk persamaan kuadrat√x2 − x + 4 = 0 memiliki dua
solusi akar bilangan kompleks yaitu x = 0.5 ± i 215 .
11
Berikut ini adalah beberapa sifat yang berkaitan dengan fungsi eksponensial
dan logaritma.
(i) b0 = 1
(ii) domain(f ) = R = range(f −1 )
(iii) range(f ) = (0, +∞) = domain(f −1 )
(iv) bx = ex·ln b
(v) (bx )y = bxy
(vi) bx by = bx+y
x
(vii) bby = bx−y
(viii) logb (1) = 0
(ix) logb (bx ) = x untuk semua x
(x) logb (y) = ln y
ln b
(xi) logb (y k ) = k · logb (y)
(xii) logb (yz) = logb (y) + logb (z)
(xiii) logb yz = logb (y) − logb (z)
12
Diberikan fungsi f dan g, maka formula untuk jumlahan, selisih, hasil kali,
dan hasil bagi dari fungsi masing-masing dapat didefinisikan sebagai berikut:
(i) (f + g)(x) = f (x) + g(x)
(ii) (f − g)(x) = f (x) − g(x)
(iii) (f · g)(x) = f (x) · g(x)
(iv) (f /g)(x) = f (x)/g(x)
Contoh 1.12
Misal diberikan dua buah fungsi sebagai berikut:
√
f (x) = 1 + x − 2 dan g(x) = x − 1
Domain dari fungsi f adalah selang [2, +∞) dan domain dari fungsi g adalah
selang (−∞, +∞). Dengan demikian domain dari fungsi f + g, f − g dan f · g
adalah irisan dari dua selang tersebut, yaitu [2, +∞). Berikutnya, domain dari f /g
pun juga sama, yaitu [2, +∞).
13
Limit dari suatu fungsi, yang dinotasikan dengan lim f (x) = L, menun-
x→c
jukkan bahwa apabila nilai x semakin mendekati nilai c maka nilai f (x) semakin
mendekati nilai L.
(vi) lim x = +∞
x→+∞
Untuk limit yang melibatkan fungsi rasional (pembagian dari dua buah
polinomial), maka kita dapat gunakan formula di atas.
Akan tetapi, apabila hasil limit pada bagian pembilang maupun penyebut
menghasilkan angka 0 untuk x yang mendekati a, maka cara menyelesaikannya
adalah dengan mencari suatu faktor persekutuan x − a di antara pembilang
dan penyebut. Selanjutnya, dengan menyederhanakan fungsi tersebut, kita akan
mendapatkan nilai limit yang dimaksud.
Contoh 1.13
(i) lim (x + 3) = 4
x→1
x2 + 2x − 3 (x + 3)(x − 1)
= = x + 3 jika x 6= 1
x−1 x−1
Dalam penggunaan limit, kita hanya fokus pada nilai x yang mendekati x = 1.
2
Sehingga untuk persamaan x +2x−3x−1 = 00 saat x = 1 bukan berarti limit tidak
terdefinisi. Hal tersebut hanya berarti bahwa limit tersebut tidak terdefinisi untuk
persamaan pada saat x = 1.
Jika satu atau lebih dari syarat-syarat di atas tidak dipenuhi, maka f (x) dikatakan
diskontinu di titik x = c, dan titik x = c disebut sebagai titik diskontinuitas dari
f (x). Jika f kontinu di semua titik pada suatu selang terbuka (a, b) maka dikatakan
bahwa f kontinu pada (a, b). Suatu fungsi yang kontinu pada (−∞, +∞) disebut
sebagai fungsi yang kontinu dimana-mana atau dengan singkat dikatakan bahwa
fungsi tersebut kontinu.
Contoh 1.14
Diberikan fungsi sebagai berikut:
x2 − 4
f (x) =
x−2
dan
x2 −4 , x 6= 2
x−2
g(x) =
3 ,x = 2
Definisi Aljabar
Definisi f 0 (x0 ) secara aljabar adalah
Berikut ini adalah rangkuman dari aturan turunan (diferensiasi) dari fungsi
f (x).
f (x) f 0 (x)
c (konstanta) 0
cxn (n ∈ R) cnxn−1
g(x) + h(x) g 0 (x) + h0 (x)
g(x) · h(x) g 0 (x) · h(x) + g(x) · h0 (x)
u(x)v(x)w(x) u0 vw + uv 0 w + uvw0
g(x) h(x)g 0 (x)−g(x)h0 (x)
h(x) (h(x))2
ax (a > 0) ax ln a
ex ex
1
ln x x
1
logb x x ln b
sin x cos x
cos x − sin x
17
Contoh 1.15
Tentukan turunan dari f (x) = 4x(x2 + 1)3 .
Pembahasan:
Dengan menggunakan f (x) = g(x) · h(x), di mana
maka diperoleh
Aturan
L’Hopital untuk Menghitung Limit:
lim f (x) = lim g(x) = 0, dan
x→c x→c
(i) jika
f 0 (c) ada, dan
g 0 (c) ada dan g 0 (c) 6= 0
f (x) f 0 (c)
maka lim = 0
x→c g(x) g (c)
lim f (x) = lim g(x) = 0, dan
x→c x→c
(ii) jika f dan g terdiferensiasi disekitar c. dan
f 0 (x)
lim 0 ada
x→c g (x)
f (x) f 0 (c)
maka lim = 0
x→c g(x) g (c)
Contoh 1.16
3x/2 − 3
Dapatkan nilai limit dari lim
x→2 3x − 9
Pembahasan:
Pada limit ini, nilai limit pada bagian pembilang dan penyebut sama-sama 0.
Dengan demikian kita dapat menggunakan aturan L’Hopital:
d x d x/2 x 1
(3 − 9) = 3x ln 3, dan (3 − 3) = 3 2 · ln 3
dx dx 2
18
Turunan Parsial
Diberikan fungsi f (x, y), suatu fungsi dengan dua variabel, turunan parsial dari f
terhadap x di titik (x0 , y0 ) diperoleh dari turunan f terhadap x dimana variabel y
konstan. Kemudian substitusikan nilai x = x0 dan y = y0 .
• Turunan parsial f terhadap x dinyatakan sebagai ∂f ∂x
∂2f ∂ ∂f ∂ f ∂ 2
∂f
• Turunan parsial kedua dapat dinyatakan : ∂x2
= ∂x ∂x , ∂y 2 = ∂y ∂y
∂2f ∂ ∂f ∂ ∂f ∂2f
• Turunan parsial kedua (campuran) : ∂x∂y = ∂x ∂y = ∂y ∂x = ∂y∂x
Contoh 1.17
∂f ∂2f
Jika f (x, y) = xy untuk x, y > 0 maka tentukan ∂x 4, 1 dan ∂y 2 4, 1
2 ( 2)
Pembahasan:
∂f 1 1 1
(4)− 2 =
= yxy−1 =
∂x 1
(4, 2 ) 2 4
∂2f
∂f y y 2
1
= x (ln x) dan 2
= x (ln x) = 4 2 (ln 4)2 = 2(ln 4)2
∂y ∂y
(4, 21 )
1.2.4 Integral
Diberikan suatu fungsi f (x) pada interval [a, b], integral tertentu dari f (x) pada
Rb
interval [a, b] dapat dinyatakan sebagai a f (x) dx. Hubungan dasar antara
integral dan turunan adalah sebagai berikut.
(i) Jika F 0 (x) = f (x) untuk a ≤ x ≤ b,
Rb b
maka a f (x) dx = F (x) = F (b) − F (a)
Rx a
(ii) Jika G(x) = a g(t) dt, maka G0 (x) = g(x)
19
Contoh 1.18
Dapatkan integral tertentu dari fungsi f (x) = 2 − x pada interval [−1, 3].
Pembahasan:
Grafik dari persamaan tersebut diberikan di bawah ini. Dapat dilihat bahwa
f (x) > 0 untuk x < 2 dan f (x) < 0 untuk x > 2.
Berikut ini adalah rangkuman dari integral pada beberapa fungsi f (x).
Z
f (x) f (x) dx
R R
g(x) + h(x) g(x) dx + h(x) dx + c
xn+1
xn (n 6= −1) n+1 +c
1
x ln x + c
ex ex + c
ax
ax ln a +c
xeax eax
xeax a − a2
+c
sin x − cos x + c
cos x sin x + c
20
Untuk integral dengan interval tak hingga, maka kita dapat menggunakan limit :
Z ∞ Z b Z b
f (x) dx = lim f (x) dx yang serupa dengan f (x) dx
a b→∞ a −∞
dan Z ∞ Z a
f (x) dx = lim f (x) dx.
−∞ a→+∞ −a
Jika f (x) tidak kontinu di titik x = c pada interval [a, b], maka
Z b Z c Z b
f (x) dx = f (x) dx + f (x) dx.
a a c
Contoh 1.19
Z 1 Z 1
√
1 − 21 1 x=1
(i) √ dx = lim x dx = lim 2x 2 = lim 2 − 2 c = 2
0 x c→0 +
c c→0 + x=c c→0+
Z ∞ Z c
1 1
h 1 x=c i
√
(ii) √ dx = lim x− 2 dx = lim 2x 2 = lim [2 c − 2] = +∞
1 x c→∞ 1 c→∞ x=1 c→∞
Z +∞
1 1 x=c 1
(iii) dx = lim − = lim − − (−1) = 1
1 x2 b→∞ x x=1 b→∞ b
Z b
(iv) Jika G(x) = f (u) du maka G0 (x) = −f [g(x)] · g 0 (x).
g(x)
Z h(x)
(v) Jika G(x) = f (u) du maka G0 (x) = f [h(x)] · h0 (x) − f [g(x)] · g 0 (x).
g(x)
Zb Zd Zd Zb
f (x, y) dy dx = f (x, y) dx dy
a c c a
Metode Substitusi
Pada teknik integrasi, substitusi merupakan teknik dasar yang digunakan untuk
menulis ulang integral ke dalam bentuk standar integral yang biasanya digunakan.
Secara umum, untuk mencari f (x) dapat dibuat suatu substitusi u = g(x)
dan du = g 0 (x).
Contoh 1.20 Z
4
Untuk mendapatkan hasil dari (x3 − 1) 3 x2 dx, kita dapat memisalkan
1
u = x3 − 1 sehingga didapatkan du = 3x2 dx atau sama dengan 3 · du = x2 dx.
7
Sehingga, jika disubstitusikan kembali, hasil dari integral menjadi 17 (x3 − 1) 3
22
Contoh 1.21
R1 √
Tentukan nilai dari 0 x 1 − x2 dx
Pembahasan:
Misalkan u = 1 − x2 , maka du = −2x dx. Sehingga − 12 · du = x dx.
Z
1 1 1 3 1 3
u · −
2 du = − u 2 = − (1 − x2 ) 2
2 3 3
Integral Parsial
Teknik integral parsial didasarkan pada aturan rantai yang dikenal pada teknik
diferensiasi berikut:
d
[f (x) · g(x)] = f (x) · g 0 (x) + f 0 (x) · g(x).
dx
Penulisan lain dari persamaan tersebut adalah
d
f (x) · g 0 (x) = [f (x) · g(x)] − f 0 (x) · g(x),
dx
Dengan demikian, apabila kita integralkan sisi kiri maupun sisi kanan dari
persamaan tersebut, maka diperoleh:
Z Z
f (x) · g (x) dx = f (x) · g(x) − f 0 (x) · g(x) dx
0
Contoh 1.22
Tentukan xeax dx dengan a adalah konstanta.
R
Pembahasan:
eax
Jika dimisalkan f (x) = x dan g(x) = a , maka g 0 (x) = eax .
23
xeax eax
Z
xeax dx = − 2 +c
a a
rn − 1 1 − rn
a + ar + ar2 + · · · + arn−1 = a[1 + r + r2 + · · · + rn−1 ] = a · = a·
r−1 1−r
Jika −1 < r < 1, maka deret dapat dijumlahkan sampai dengan
a
∞, a + ar + ar2 + · · · =
1−r
Deret Aritmetika
a, a + d, a + 2d, a + 3d, · · · ,
Hasil penjumlahan dari deret dengan n suku pada deret Aritmetika adalah
n(n − 1)
na + d ·
2
dengan a adalah suku pertama dari deret aritmetika, dan d adalah beda dari deret
tersebut. Kasus khusus pada saat penjumlahan n bilangan bulat, yaitu
n(n + 1)
1 + 2 + ··· + n =
2
24
Contoh 1.23
Paijo mulai bekerja ketika dia berusia 30 tahun dengan gaji sebesar 50.000.000
rupiah per tahun. Setiap tahun, jumlah gaji tahunan Paijo mengalami kenaikan
sebesar 5% sampai dia pensiun pada usia 65 tahun. Hitunglah total seluruh penda-
patan yang diperoleh Paijo selama ia bekerja.
Pembahasan:
Total, Paijo telah bekerja selama 35 tahun. Dengan demikian, total seluruh penda-
patan yang diterima Paijo adalah
1.0535 − 1
2 34
50.000.000[1 + (1.05) + (1.05) + · · · + (1.05) ] = 50.000.000
1.05 − 1
= 4.516.015.368
BAB 2
PROBABILITAS
• Himpunan dari seluruh hasil yang mungkin muncul dari suatu eksperimen
disebut sebagai ruang sampel (sample space) yang dinotasikan dengan S.
Masing-masing anggota/elemen dari ruang sampel disebut sebagai titik sampel
(sample point). Catat bahwa hanya terdapat satu hasil/satu titik sampel
(dari seluruh kemungkinan hasil) yang muncul pada suatu percobaan dari
eksperimen.
25
26
• Apabila ruang sampel terdiri atas sejumlah titik sampel yang terhitung, maka
ruang sampel tersebut dikatakan sebagai ruang sampel terhitung (countable
sample space). Sebaliknya, apabila ruang sampel terdiri atas sejumlah titik
sampel yang tak terhitung, maka ruang sampel tersebut dikatakan sebagai ruang
sampel kontinu (continuous sample space).
Contoh 2.1
Diketahui suatu eksperimen pelemparan dua buah koin logam, di mana masing-
masing koin memiliki bagian muka (disebut M ) dan bagian belakang (disebut
B). Apabila kita ingin mengetahui seluruh kemungkinan hasil observasi dari
eksperimen tersebut (disebut sebagai ruang sampel), maka kita peroleh:
S = {M M, M B, BM, BB}
• Sebuah kejadian (event) merupakan kumpulan dari satu atau lebih hasil dari
suatu eksperimen. Dapat dikatakan bahwa “kejadian A muncul” apabila hasil
dari percobaan merupakan salah satu titik sampel di A. Dengan demikian jelas
bahwa kejadian A merupakan subset dari ruang sampel S.
Ai .
Contoh 2.2
Soal Ujian PAI Nomor 27 Periode November 2015
Seorang agen asuransi menjual dua jenis asuransi, asuransi jiwa dan asuransi
kendaraan bermotor. Agen ini memiliki 82 nasabah secara keseluruhan. Diketahui
pula 62 dari nasabahnya memiliki asuransi kendaraan bermotor dan 37 dari
nasabahnya memiliki asuransi jiwa. Dari informasi di atas, berapakah nasabah
dari agen tersebut yang hanya memiliki satu jenis asuransi (baik asuransi jiwa saja
ataupun asuransi kendaraan bermotor saja)?
Pembahasan:
Misal A menyatakan nasabah yang memiliki asuransi kendaraan bermotor dan B
menyatakan nasabah yang memiliki asuransi jiwa.
Diketahui bahwa n(A) = 62; n(B) = 37; dan n(A ∪ B) = 82
Dengan demikian kita peroleh:
n(A ∩ B) = 62 + 37 − 82 = 17
• Dua kejadian disebut saling asing (mutually exclusive) apabila dua kejadian
tersebut tidak dapat terjadi pada waktu yang sama. Dengan kata lain, dua
kejadian dikatakan mutually exclusive jika pada kedua kejadian tidak terdapat
titik sampel yang sama atau tidak memiliki irisan.
28
1 , jika x ∈ A
• Fungsi indikator dari kejadian. Fungsi IA (x) = adalah
0 , jika x ∈ /A
fungsi indikator untuk kejadian A, dimana x menyatakan titik sampel. IA (x)
akan bernilai 1 pada saat kejadian A terjadi, dan akan bernilai 0 apabila terjadi
sebaliknya.
Contoh 2.3
Diberikan sebuah eksperimen yang terdiri dari pelemparan sebuah dadu enam
sisi. Hasil dari ruang sampel pada eksperimen tersebut merupakan himpunan
S = {1, 2, 3, 4, 5, 6}. Masing-masing angka adalah titik sampel yang merepresen-
tasikan mata dadu yang muncul ketika dadu tersebut dilemparkan. Catat bahwa
titik sampel 1 dan 2 (atau lebih formal disebut sebagai {1} dan {2}) merupakan
salah satu contoh dari kejadian saling asing, karena kedua titik sampel tersebut
tidak dapat muncul secara bersamaan dalam 1 kali pelemparan dadu. Kumpulan
dari seluruh titik sampel 1 sampai 6 adalah kejadian lengkap untuk percobaan dari
dadu karena dari salah satu titik pasti akan terjadi/muncul.
30
Berikut ini diberikan beberapa aturan yang berkaitan dengan operasi pada
kejadian.
(i) A ∩ (B1 ∪ B2 ∪ · · · ∪ Bn ) = (A ∩ B1 ) ∪ (A ∩ B2 ) ∪ · · · ∪ (A ∩ Bn )
dan
A ∪ (B1 ∩ B2 ∩ · · · ∩ Bn ) = (A ∪ B1 ) ∩ (A ∪ B2 ) ∩ · · · ∩ (A ∪ Bn )
Hal ini berlaku untuk semua kejadian A, B1 , B2 , · · · , Bn di dalam ruang
sampel S.
Contoh 2.4
Soal Ujian PAI Nomor I Periode Maret 2015
Sebuah perusahaan asuransi jiwa yang baru berdiri mempunyai 20.000 pemegang
polis. Setiap pemegang polis, biasanya diklasifikasikan sebagai:
(I). Medical atau non medical
(II). Pria atau Wanita
(III). Anak-anak (Juvenile) atau dewasa
31
Pembahasan:
Diketahui data sebagai berikut:
Jumlah pemegang polis pria = 10.000
Jumlah pemegang polis wanita = 10.000
Jumlah pemegang polis anak-anak = 12.000
Jumlah pemegang polis dewasa = 8.000
Jumlah pemegang polis medical = 5.000
Jumlah pemegang polis non medical = 15.000
Jadi jumlah pemegang polis yang termasuk kategori wanita, dewasa, dan
medical adalah 500
32
Contoh 2.5
Soal Ujian PAI Nomor 1 Periode November 2018
Seorang peneliti yang fokus meneliti penyakit jantung, telah mengumpulkan data
dari 40.000 pasien yang mengalami serangan jantung. Peneliti telah mengidenti-
fikasi bahwa terdapat tiga variabel yang berhubungan erat dengan pasien penyakit
jantung, yaitu perokok, kecanduan alkohol, dan gaya hidup tidak sehat (tidak
berolahraga atau kurang aktivitas fisik).
Pembahasan:
Misal:
P menunjukkan perokok.
K menunjukkan pasien dengan kecanduan alkohol.
G menunjukkan pasien dengan gaya hidup tidak sehat.
Dari data yang ada, maka kita dapat menggambarkan Diagram Venn sebagai
berikut:
33
Dari Diagram Venn di atas, dapat kita lihat bahwa jumlah pasien yang perokok
tetapi tidak kecanduan alkohol adalah 4.000 + 3.000 = 7.000
Salah satu contoh sederhana dari fungsi probabilitas seragam adalah probabilitas
munculnya mata dadu 1 sampai dengan 6 dari sebuah percobaan pelemparan dadu.
Pada percobaan tersebut, probabilitas munculnya masing-masing mata dadu adalah
sama, yaitu 16 .
Probabilitas Kejadian A
Suatu kejadian A di dalam ruang sampel S terdiri atas beberapa titik sampel di
dalam ruang sampel tersebut. Dalam kasus ruang probabilitas diskrit, probabilitas
P
dari kejadian A adalah P[A] = ai ∈A P[ai ] yaitu jumlahan dari P[ai ] pada semua
titik sampel dari kejadian A.
Contoh 2.6
Dalam suatu percobaan pelemparan sebuah dadu, diasumsikan bahwa keenam sisi
dadu memiliki probabilitas untuk muncul yang sama, yaitu 16 . Dengan demikian,
fungsi median probabilitas P[j] = 61 dimana j = 1, 2, 3, 4, 5, 6 merupakan fungsi
probabilitas seragam di dalam ruang sampel S = {1, 2, 3, 4, 5, 6}. Selanjutnya,
kejadian munculnya mata dadu genap adalah A = {2, 4, 6} dan probabilitas dari
kejadian tersebut adalah P[A] = 61 + 16 + 61 = 12
(ii) Apabila ∅ merupakan himpunan kosong (yaitu suatu kejadian yang tidak
mungkin terjadi di dalam ruang sampel S), maka P[∅] = 0.
dan
P[A∪B∪C] = P[A]+P[B]+P[C]−P[A∩B]−P[A∩C]−P[B∩C]+P[A∩B∩C]
(viii) Apabila kejadian A dan B adalah dua median kejadian yang saling bebas
(mutually independent), maka P[A ∩ B] = P[A] · P[B].
(xi) Jika P adalah fungsi probabilitas seragam dengan k titik sampel dan jika
kejadian A terdiri atas m titik sampel, maka P[A] = m
k.
Pn
(xii) Untuk setiap kejadian A1 , A2 , · · · , An , P[∪ni=1 Ai ] ≤ i=1 P[Ai ] jika dan
hanya jika kejadian tersebut saling asing.
36
Contoh 2.7
Soal Ujian PAI Nomor 3 Periode November 2014
Jika ruang sampel ζ = C1 ∪ C2 dan jika P[C1 ] = 0, 7 dan P[C2 ] = 0, 5. Hitunglah
P[C1 ∩ C2 ].
Pembahasan:
Karena ζ = C1 ∪ C2 adalah ruang sampel, maka P[C1 ∪ C2 ] = 1
Contoh 2.8
Soal Ujian PAI Nomor 1 Periode November 2014
Suatu perusahaan asuransi kerugian menganalisis data-data pelanggannya dan
mendapatkan informasi sebagai berikut:
(i) Semua pelanggannya mengasuransikan sedikitnya satu mobil.
(ii) 64% dari pelanggannya mengasuransikan lebih dari satu mobil.
(iii) 20% dari pelanggannya mengasuransikan mobil dengan jenis sport car.
(iv) Dari pelanggannya yang mengasuransikan lebih dari satu mobil, 15% adalah
mobil dengan jenis sport car.
Hitunglah probabilitas bahwa pelanggan yang diseleksi secara acak adalah
pelanggan yang mengasuransikan sedikitnya satu mobil dan mobilnya bukan
berjenis sport car.
Pembahasan:
Misalkan:
A menyatakan pelanggan yang mengasuransikan lebih dari 1 mobil.
B menyatakan pelanggan yang mengasuransikan mobil dengan jenis sport car.
Diketahui bahwa:
P[A] = 0, 64 ⇒ P[A0 ] = 1 − P[A] = 1 − 0, 64 = 0, 36
P[B] = 0, 20 ⇒ P[B 0 ] = 1 − P[B] = 1 − 0, 20 = 0, 80
P[A ∩ B] = 0, 15 · P[A] = (0, 15)(0, 64) = 0, 096
37
Contoh 2.9
Soal Ujian PAI Nomor 2 Periode November 2014
Suatu sistem infrastruktur IT dibangun sehingga jika komponen K1 gagal maka
komponen K2 digunakan. Jika K2 gagal maka K3 digunakan. Probabilitas bahwa
K1 gagal adalah 0,02, K2 gagal adalah 0,04 dan K3 gagal adalah 0,06. Hitunglah
probabilitas sistem tidak gagal.
Pembahasan:
Diketahui:
P[K1 ] = 0, 02 ⇒ P[K10 ] = 0, 98;
P[K2 ] = 0, 04 ⇒ P[K20 ] = 0, 96;
P[K3 ] = 0, 06 ⇒ P[K30 ] = 0, 94;
Contoh 2.10
Soal Ujian PAI Nomor 22 Periode Maret 2015
Diketahui informasi pembayaran klaim rumah sakit dari sebuah asuransi kesehatan
adalah sebagai berikut:
(I) 85% dari total klaim termasuk biaya UGD atau ruangan operasi
(II) 25% dari total klaim tidak termasuk biaya UGD
(III) timbulnya biaya UGD tidak berhubungan dengan timbulnya biaya ruangan
operasi (independent event)
Hitunglah probabilitas dari sebuah klaim pada asuransi ini termasuk biaya ruangan
operasi!
38
Pembahasan:
Misalkan A menyatakan total klaim termasuk biaya UGD dan B menyatakan total
klaim termasuk biaya ruangan operasi.
Diketahui bahwa P[A ∪ B] = 0, 85; P[A0 ] = 0, 25 ⇒ P[A] = 0, 75; dan A
independen terhadap B.
Kita akan menghitung P[B]. Misalkan P[B] = x, maka kita peroleh:
Jadi P[B] = x = 0, 4.
Contoh 2.11
Soal Ujian PAI Nomor 29 Periode Maret 2015
Diketahui A, B dan C adalah kejadian yang saling berdiri sendiri (mutually
independent event) dengan probabilitas sebagai berikut:
• P[A] = 0, 6
• P[B] = 0, 4
• P[C] = 0, 2
Hitunglah P[A0 ∪ B 0 ∪ C].
Pembahasan:
39
Contoh 2.12
Soal Ujian PAI Nomor 14 Periode 2015
Diketahui A, B, dan C adalah kejadian dengan probabilitas sebagai berikut:
1 1 1
P[A] = ; P[B] = ; P[C] =
2 2 3
1 1 1
P[A ∩ C] = ; P[B ∩ C] = ; P[A ∩ B ∩ C] =
6 6 12
3
P[A ∪ B] =
4
Hitunglah probabilitas dari P[A ∪ B ∪ C]!
Pembahasan:
1 1 3 1
P[A ∩ B] = P[A] + P[B] − P[A ∪ B] = + − =
2 2 4 4
P[A ∪ B ∪ C] = P[A] + P[B] + P[C] − P[A ∩ B]
− P[B ∩ C] − P[A ∩ C] + P[A ∩ B ∩ C]
1 1 1 1 1 1 1
= + + − − − +
2 2 3 4 6 6 12
5
=
6
Contoh 2.13
Soal Ujian PAI Nomor 20 Periode Juni 2015
Diketahui informasi pembayaran klaim rumah sakit dari sebuah asuransi kesehatan
adalah sebagai berikut:
(I) 90% dari total klaim termasuk biaya UGD atau ruangan operasi.
(II) 20% dari total klaim tidak termasuk biaya UGD.
(III) timbulnya biaya UGD tidak berhubungan dengan timbulnya biaya ruangan
operasi (independent event).
Hitunglah probabilitas dari sebuah klaim pada asuransi ini termasuk biaya ruangan
operasi!
Pembahasan:
Misalkan A menyatakan total klaim termasuk biaya UGD.
dan B menyatakan total klaim termasuk biaya ruangan operasi.
40
Jadi P[B] = λ = 0, 5
Contoh 2.14
Soal Ujian PAI Nomor 9 Periode November 2015
Diketahui kemungkinan seorang mahasiswa memperoleh nilai A pada pelajaran
matematika adalah 20%, dan kemungkinan untuk memperoleh nilai A pada
pelajaran kimia adalah 75%. Bila kejadian ini saling independen, hitunglah berapa
kemungkinan seorang mahasiswa hanya memperoleh tepat satu nilai A pada salah
satu pelajaran.
Pembahasan:
Misal M menunjukkan mahasiswa memperoleh nilai A pada matematika dan K
menunjukkan mahasiswa memperoleh nilai A pada kimia.
P[M ] · P[K 0 ] + P[M 0 ] · P[K] = (0, 2)(0, 25) + (0, 8)(0, 75) = 0, 65
41
Contoh 2.15
Soal Ujian PAI Nomor 1 Periode Maret 2016
Seorang asisten aktuaris yang sedang mengamati data statistik tentang kecen-
derungan tren pembelian asuransi oleh pemilik mobil mendapati beberapa kesim-
pulan seperti berikut:
(1) Pemilik kendaraan ternyata memiliki kecenderungan untuk membeli asuransi
perlindungan kecelakaan diri dua kali lebih besar daripada perlindungan orang
ketiga.
(2) Kejadian pembelian asuransi kecelakaan diri ini ternyata saling bebas dengan
kejadian pembelian asuransi perlindungan orang ketiga.
(3) Probabilitas bahwa seorang pemilik mobil membeli kedua perlindungan
tersebut pada waktu yang sama ialah 0,15.
Hitung probabilitas bahwa pemilik mobil tidak membeli kedua jenis perlindungan
asuransi kecelakaan diri dan orang ketiga?
Pembahasan:
Misal X menyatakan asuransi perlindungan kecelakaan diri dan Y menyatakan
asuransi perlindungan orang ketiga.
= 0, 32842
≈ 0, 33
Contoh 2.16
Soal Ujian PAI Nomor 3 Periode November 2018
Diberikan bahwa P[A ∪ B] = 0, 7 dan P[A ∪ B 0 ] = 0, 9, tentukan P[A].
Pembahasan:
P[A ∪ B 0 ]0 = 1 − P[A ∪ B 0 ]
P[A0 ∩ B] = 1 − 0, 9
= 0, 1
Contoh 2.17
Soal Ujian PAI Nomor 13 Periode November 2018
Dalam suatu model banyaknya klaim yang diisi oleh individu untuk polis asuransi
kendaraan dalam periode tiga tahun, seorang aktuaris membuat simplifikasi
asumsi bahwa untuk semua bilangan n ≥ 0, pn+1 = 15 pn , dimana pn merupakan
probabilitas bahwa pemegang polis memiliki n klaim selama periode tersebut.
Dalam asumsi ini, berapa probabilitas bahwa seorang pemegang polis memiliki
lebih dari satu klaim selama periode tersebut?
43
Pembahasan:
pn adalah probabilitas bahwa pemegang polis memiliki n klaim.
∞ 2 3 !
X 1 1 1
pn = p0 + p0 + + + ··· = 1
5 5 5
n=0
!
1
5
p0 + p0 =1
1 − 51
" #
( 15 )
p0 + p0 4 = 1
(5)
1
p0 + p0 = 1
4
5
p0 = 1
4
4
p0 =
5
Dengan demikian kita peroleh
1 4 4
p1 = =
5 5 25
Jadi,
P[n > 1] = 1 − P[n ≤ 1]
= 1 − p0 − p1
4 4
=1− −
5 25
1
=
25
= 0, 04
44
n! = n(n − 1)(n − 2) · · · 2 · 1
2.3.2 Permutasi
Jika diberikan n objek yang berbeda, maka banyaknya susunan (permutasi) yang
berbeda dari n objek tersebut adalah n!
Contoh 2.18
Diberikan himpunan tiga huruf yaitu {a, b, c}. Dapatkan banyak cara untuk
menyusun ketiga huruf tersebut.
Pembahasan:
Dari tiga huruf yang ada, berarti n = 3, maka banyak susunan huruf yang mungkin
adalah 3! = (3)(2)(1) = 6 cara. Susunan huruf yang dihasilkan sebagai berikut:
Misalkan dipilih himpunan bagian dengan ukuran k pada suatu pengambilan acak
tanpa pengembalian dari koleksi n buah objek. Jika objek pertama dipilih, maka
objek berikutnya dipilih dari n − 1 yang tersisa, selanjutnya dipilih dari n − 2
yang tersisa dan seterusnya.
n!
P (n, k) = = n · (n − 1) · · · (n − k + 1)
(n − k)!
45
P (n, k) dapat juga dinotasikan sebagai Pn,k atau n Pk . Dengan demikian, P (n, k)
merepresentasikan banyak cara memilih k objek dari total n objek mula-mula.
Contoh 2.19
Diberikan himpunan tiga huruf yaitu {a, b, c}. Dapatkan banyaknya cara untuk
menyusun himpunan yang berukuran dua dari ketiga huruf tersebut.
Pembahasan:
Dari tiga huruf yang ada, berarti n = 3 dan disusun himpunan yang berukuran
k = 2. Banyaknya cara untuk memilih himpunan yang berukuran 2 dari ketiga
huruf tersebut adalah
n! 3! 6
= = = 6 cara.
(n − k)! (3 − 2)! 1
Susunan huruf yang dihasilkan adalah ab, ac, ba, bc, ca, cb.
Contoh 2.20
Diberikan himpunan {a, a, b, b, c}. Dapatkan banyaknya cara untuk menyusun
huruf-huruf dari himpunan tersebut.
Pembahasan:
Banyaknya huruf adalah lima artinya n = 5, banyaknya huruf a adalah dua
artinya n1 = 2 (tipe 1), banyaknya huruf b adalah dua artinya n2 = 2 (tipe 2), dan
banyaknya huruf c adalah satu artinya n3 = 1.
46
n! 5!
= = 30
n1 ! · n2 ! · . . . · nt ! 2! · 2! · 1!
Terdapat 30 cara untuk menyusun huruf-huruf dari himpunan {a, a, b, b, c}, yaitu
aabbc, aabcb, aacbb, abacb, ababc, abbac, abbca, abcab, abcba, acabb, acbab,
acbba, bbaac, bbaca, bbcaa, babac, babca, baabc, baacb, bacba, bacab, bcbaa,
bcaba, bcaab, caabb, cabab, cabba, cbaab, cbaba, cbbaa
Contoh 2.21
Terdapat empat nama yang akan dipilih dari 24 anggota tim direksi suatu
perusahaan untuk menduduki posisi presiden, wakil presiden, bendahara, dan
sekretaris. Berapa banyak cara yang berbeda yang dapat dilakukan untuk memilih
4 posisi tersebut?
Pembahasan:
Banyak anggota tim direksi adalah n = 24 dan banyak posisi yang tersedia adalah
k = 4. Dengan demikian, banyak cara yang berbeda yang dapat dilakukan untuk
memilih keempat posisi tersebut adalah
24! 24!
P (24, 4) = = = 255.024
(24 − 4)! 20!
2.3.3 Kombinasi
Pada pembahasan mengenai permutasi di subbab sebelumnya, urutan adalah
hal yang paling utama untuk dipertimbangkan. Akan tetapi, dalam beberapa
kasus, urutan pemilihan bukanlah menjadi hal yang penting. Apabila urutan
pemilihan bukan menjadi fokus utama dari percobaan, maka hal ini dikenal
sebagai kombinasi.
47
Perhatikan bahwa jika n adalah bilangan bulat dan k adalah bilangan bulat
non-negatif,
maka
n n(n − 1) · · · (n − k + 1)
(I) =
k k!
n n
(II) = =1
0 n
n n
(III) = =n
1 n−1
n n
(IV) =
k n−k
Contoh 2.22
Diberikan himpunan {a, b, c}. Dapatkan banyaknya cara untuk mengambil
himpunan bagian yang berukuran dua tanpa adanya pengembalian.
Pembahasan:
Dari tiga huruf yang ada berarti n = 3. Dari ketiga huruf tersebut diambil dua,
berarti k = 2. Banyaknya cara untuk mengambil himpunan bagian yang berukuran
dua tanpa adanya pengembalian adalah
n 3 3!
= = =3
k 2 2! · (3 − 2)!
Himpunan bagian yang dimaksud adalah {a, b}, {a, c}, {b, c}
48
Contoh 2.23
Soal Ujian PAI Nomor 3 Periode 2015
Di dalam sebuah laci terdapat enam kaos putih dan empat kaos hitam. Bila dua
buah kaos diambil secara acak, berapakah kemungkinan bahwa kaos yang diambil
mempunyai warna yang sama?
Pembahasan:
Misal P menunjukkan terambilnya kaos berwarna putih dan H menunjukkan
terambilnya kaos berwarna hitam.
6 C2 · 4 C0 1
P[P = 2] = =
10 C2 3
6 C0· 4 C2 2
P[H = 2] = =
C
10 2 15
Jadi probabilitas bahwa kaos yang diambil mempunyai warna yang sama adalah
1 2 7 21
P[P = 2] + P[H = 2] = + = =
3 15 15 45
Contoh 2.24
Soal Ujian PAI Nomor 2 Periode 2018
Terdapat 30 barang yang disusun dalam sebuah array dengan enam baris dan lima
kolom, seperti yang terlihat di bawah ini:
49
A1 A2 A3 A4 A5
A6 A7 A8 A9 A10
A11 A12 A13 A14 A15
A16 A17 A18 A19 A20
A21 A22 A23 A24 A25
A26 A27 A28 A29 A30
Hitunglah banyaknya cara untuk membentuk suatu kelompok yang terdiri dari
tiga barang sedemikian hingga tidak ada barang yang berada dalam baris maupun
kolom yang sama.
Pembahasan:
Banyak cara untuk membentuk kelompok yang terdiri dari tiga barang sedemikian
hingga tidak ada barang yang berada dalam baris maupun kolom yang sama adalah
Contoh 2.25
Soal Ujian PAI Nomor 15 Periode April 2019
Dalam sebuah permainan poker, seorang pemain akan menerima lima kartu yang
dibagikan dari sebuah dek kartu standar berisi 52 kartu tanpa joker. Dikatakan
mendapatkan “full house” apabila mengandung tiga kartu dengan angka yang sama
dan sepasang kartu dengan angka yang sama. (Contoh “full house” = 888 dan QQ).
Berapa probabilitas kartu-kartu yang diterima oleh pemain tersebut membentuk
“full house”?
Pembahasan:
Probabilitas kartu-kartu yang diterima oleh pemain membentuk “full house”
adalah:
13 × 4 C3 × 12 × 4 C2
= 0, 00144057623 ≈ 0, 0014
52 C5
50
Bentuk umum dari ekspansi ini ditemukan dalam teorema binomial yang akan
dibahas berikut ini.
∞
X N N (N − 1) 2 N (N − 1)(N − 2) 3
(1 + t)N = · tk = 1 + N t + t + t +···
k 2 6
k=0
Jika N adalah bilangan bulat, maka penjumlahan berhenti pada k = N dan deret
tersebut valid untuk bilangan riil t, tetapi jika N bukan bilangan bulat, maka deret
tersebut valid jika |t| < 1.
Contoh 2.26
Dengan menggunakan teorema binomial tunjukkan bahwa
n
k n
X
(−1) =0
k
k=0
51
Pembahasan:
Dengan menggunakan teorema binomial didapatkan:
n
n
X n k
(1 + x) = x
k
k=0
Contoh 2.27
Dapatkan koefisien xy 2 dari ekspansi (1 + x + y)4 .
Pembahasan:
Koefisien dari xy 2 adalah koefisien dari 11 · x1 · y 2 , dimana N = 4, k1 = 1, k2 =
1, k3 = 2. Dengan menggunakan konsep teorema multinomial didapat
N 4 4!
= = = 12
k1 k2 · · · ks 112 1! · 1! · 2!
Contoh 2.28
Dua buah dadu dilemparkan secara bersamaan secara saling bebas. Dadu I
memiliki sisi dengan titik 1, 2, 3, 4, 5, 6 dan dadu II memiliki sisi dengan titik
2, 3, 4, 6, 7, 9. Jumlah total pada kedua dadu dinotasikan dengan N . Dapatkan
probabilitas bahwa N ≥ 10.
52
Pembahasan:
Diasumsikan bahwa untuk setiap sisi dadu memiliki probabilitas 16 . Karena
1
terdapat 2 dadu berakibat bahwa masing-masing sisi memiliki probabilitas 36 . Jika
jumlah titik yang muncul pada dadu I dan dadu II masing-masing adalah d1 dan
d2 , maka lemparan yang menghasilkan N = d1 + d2 ≥ 10 adalah
(1, 9), (2, 9), (3, 7), (3, 9), (4, 6), (4, 7), (4, 9), (5, 6), (5, 7), (5, 9), (6, 4), (6, 6), (6, 7), (6, 9)
14
Jadi, terdapat 14 kemungkinan, sehingga probabilitasnya adalah 36 .
53
Memiliki
Memiliki Memiliki
Asuransi
Kelompok Asuransi Asuransi Total
Penyakit
Kesehatan Jiwa
Kritis
Usia 26 s/d 35 60 40 50 150
Usia 36 s/d 45 80 50 70 200
Usia 46 s/d 55 40 50 60 150
TOTAL 180 140 180 500
Bila dua orang dipilih bersamaan secara acak, berapakah kemungkinan bahwa
satu orang memiliki asuransi kesehatan dan satu orang lagi pemilik asuransi
jiwa dari kelompok usia 36 s/d 45?
Dari populasi calon pemegang polis asuransi jiwa tersebut, perusahaan asuransi
telah mengidentifikasikan beberapa informasi berikut:
• 40% pendaftar adalah laki-laki
• 40% pendaftar adalah pemilik rumah
• 20% pendaftar adalah pemilik rumah yang berjenis kelamin perempuan
Tentukan persentase calon pemegang polis yang merupakan laki-laki dan tidak
memiliki rumah.
Diketahui 3000 orang tergolong muda; 4600 orang adalah pria; dan 7000
orang telah menikah. Pemegang polis tersebut juga dapat diklasifikasikan
sebagai 1320 pria muda, 3010 pria telah menikah, dan 1400 anak muda dan
telah menikah. Serta 600 orang adalah pria muda yang telah menikah. Berapa
banyak pemegang polis pada perusahaan tersebut yang tergolong muda, wanita,
dan masih lajang?
22. Ryan memiliki 2 guci ajaib. Guci I berisi 7 bola merah dan 3 bola hitam. Guci
II berisi 4 bola merah dan 5 bola hitam. Setelah bola yang dipilih secara acak
dipindahkan dari guci I ke guci II, 2 bola diambil secara acak dari guci II tanpa
pengembalian. Dapatkan probabilitas bahwa kedua bola dari guci II berwarna
merah.
23. Kalkulator memiliki tombol angka acak yang ketika ditekan, menampilkan
angka acak 0, 1, · · · , 9. Tombol akan ditekan sebanyak empat kali. Dengan
asumsi bahwa angka-angka yang dihasilkan tidak bergantung satu sama lain.
Hitunglah probabilitas untuk mendapatkan satu ”0”, satu ”5”, dan dua ”9”
tanpa memperhatikan urutan.
24. Pada lotre 6-49 nasional Inggris, sebuah tiket memiliki 6 angka dari 1 sampai
49, tanpa perulangan. Tentukan probabilitas untuk mencocokkan keenam
angka jika angka-angka tersebut semuanya dipilih secara acak. Harga tiketnya
adalah $2. Jika yang cocok adalah tepat 3 dari 6 angka yang dipilih, maka
pemenang akan mendapatkan $10. Tentukan probabilitas untuk memenangkan
$10.
25. Tiga orang X, Y, dan Z, dalam urutan, mengundi sebuah dadu. Yang pertama
kali mendapatkan angka genap akan dinyatakan sebagai pemenang. Permainan
berlanjut sampai seseorang mendapatkan angka genap. Tentukan berapa proba-
bilitas X menjadi pemenang.
BAB 3
PROBABILITAS BERSYARAT DAN TEOREMA BAYES
Pada bab ini akan dibahas mengenai probabilitas bersyarat dan Teorema Bayes.
Mula-mula, kita akan pelajari terlebih dahulu definisi dari probabilitas bersyarat
(conditional probability).
Dengan diberikan ruang sampel yang baru, yaitu B, akan muncul pertanyaan
“Bagaimana kita dapat mendefinisikan probabilitas dari suatu kejadian A, di mana
A berada di dalam ruang sampel S?”. Secara intuitif, kita dapat mendefin-
isikan probabilitas dari kejadian A yang berkaitan dengan ruang sampel B sebagai
berikut:
banyak anggota/titik sampel di dalam A ∩ B
P[A bersyarat B] =
banyak anggota/titik sampel di dalam B
60
61
P[A ∩ B]
P[A|B] =
P[B]
Catat bahwa kejadian A dan B saling berhubungan sehingga jika kejadian B telah
diketahui, maka probabilitas bersyarat dari kejadian A bila kejadian B diketahui
mungkin tidak sama dengan probabilitas tidak bersyarat dari kejadian A jika tidak
diketahui terjadinya kejadian B.
P[B|B] = 1
Contoh 3.1
Diketahui kejadian berikut ini berasal dari percobaan sebuah dadu enam sisi yang
dilempar secara acak :
(i) A = angka dadu yang keluar adalah genap : {2, 4, 6}
(ii) B = angka dadu yang keluar lebih kecil atau sama dengan 3 : {1, 2, 3}
(iii) Kemungkinan angka yang keluar (ruang sampel) adalah {1, 2, 3, 4, 5, 6}.
Berapakah P[B|A]?
Pembahasan:
Probabilitas bersyarat dari kejadian B bila kejadian A diketahui adalah
P[B ∩ A]
P[B|A] =
P[A]
P[{1, 2, 3} ∩ {2, 4, 6}]
=
P[{2, 4, 6}]
P[{2}]
=
P[{2, 4, 6}]
1/6
=
3/6
1
=
3
Contoh 3.2
Diberikan informasi sebagai berikut:
(i) P[A] = 61
5
(ii) P[B] = 12
7
(iii) P[A|B] + P[B|A] = 10
Tentukan P[A ∩ B].
Pembahasan:
P[A ∩ B] P[A ∩ B]
P[B|A] = = = 6P[A ∩ B]
P[A] 1/6
dan
P[A ∩ B] P[A ∩ B] 12
P|A|B| = = = P[A ∩ B]
P[B] 5/12 5
63
7
P[B|A] + P[A|B] =
10
12 7
6P[A ∩ B] + P[A ∩ B] =
5 10
42 7
P[A ∩ B] =
5 10
1
P[A ∩ B] =
12
Contoh 3.3
Apabila kita memilih secara acak dua buah televisi secara berturut-turut dari
sebuah pengiriman 240 buah televisi dimana diketahui bahwa 15 di antara semua
televisi tersebut rusak. Hitunglah berapa probabilitas bahwa kedua televisi yang
kita pilih tadi, keduanya adalah televisi yang rusak.
Pembahasan:
Misalkan A menyatakan kejadian televisi pertama yang dipilih adalah rusak,
sedangkan B menyatakan kejadian bahwa televisi kedua yang dipilih adalah rusak.
Dengan demikian A ∩ B menyatakan bahwa kedua televisi yang dipilih tadi,
keduanya adalah televisi yang rusak. Dengan menggunakan konsep probabilitas
bersyarat maka diperoleh:
15 14 7
P[A ∩ B] = P[A] · P[B|A] = · =
240 239 1912
Contoh 3.4
Soal Ujian PAI Nomor 13 Periode April 2019
Setibanya di ruang UGD suatu rumah sakit, pasien dikategorikan berdasarkan
kondisi mereka, seperti kritis, serius, atau stabil. Dalam beberapa tahun terakhir,
terdapat:
(i) 10% pasien UGD memiliki kondisi kritis;
(ii) 30% pasien UGD memiliki kondisi serius;
64
Diketahui bahwa:
P[A] = 0, 1; P[B] = 0, 3; P[C] = 0, 6; P[A ∩ M ] = 0, 4 · P[A] = 0, 04
P[B ∩ M ] = 0, 1 · P[B] = 0, 03; P[C ∩ M ] = 0, 01 · P[C] = 0, 006
P[B ∩ H] 0, 27
P[B|H] = = = 0, 2922 ≈ 0, 29
P[H] 0, 924
Contoh 3.5
Guci I berisi dua bola putih dan dua bola hitam. Guci II berisi tiga bola putih dan
dua bola hitam. Sebuah guci dipilih secara acak dan sebuah bola dipilih secara
acak dari guci itu. Hitunglah probabilitas bahwa bola yang dipilih berwarna putih.
Pembahasan:
Misalkan :
(i) A adalah kejadian bahwa guci I yang dipilih
(ii) A0 adalah kejadian bahwa guci II yang dipilih.
(iii) B adalah kejadian bahwa bola yang dipilih berwarna putih
Oleh karena itu, P[A] = 12 dan P[A0 ] = 21 .
Jika kita mengetahui bahwa guci I yang dipilih, maka probabilitas bahwa
bola yang dipilih berwarna putih adalah 24 = 12 (dua bola putih dari empat bola
yang terdapat di guci I, dengan mengasumsikan bahwa setiap bola memiliki proba-
bilitas yang sama untuk dipilih) dan dapat dideskripsikan menjadi P[B|A] = 12 .
Dengan cara yang sama, jika guci II yang dipilih maka P[B|A0 ] = 3
5 (tiga
bola putih dari lima bola).
Jadi,
1 3 11
P[B] = P[B ∩ A] + P[B ∩ A0 ] = + =
4 10 20
66
Contoh 3.6
Soal Ujian PAI Nomor 6 Periode November 2018
Misal A, B, C, dan D memiliki kejadian sebagai berikut:
B = A0 ; C ∩ D = ∅;
1 3
P[A] = ; P[B] = ;
4 4
1 3
P[C|A] = ; P[C|B] = ;
2 4
1 1
P[D|A] = ; P[D|B] =
4 8
Pembahasan:
P[C ∩ A] 1 1 1
P[C|A] = ⇒ P[C ∩ A] = P[C|A] · P[A] = · =
P[A] 2 4 8
P[C ∩ B] 3 3 9
P[C|B] = ⇒ P[C ∩ B] = P[C|B] · P[B] = · =
P[B] 4 4 16
P[D ∩ A] 1 1 1
P[D|A] = ⇒ P[D ∩ A] = P[D|A] · P[A] = · =
P[A] 4 4 16
P[D ∩ B] 1 3 3
P[D|B] = ⇒ P[D ∩ B] = P[D|B] · P[B] = · =
P[B] 8 4 32
1 9 11
P[C] = P[C ∩ A] + P[C ∩ B] = + =
8 16 16
1 3 5
P[D] = P[D ∩ A] + P[D ∩ B] = + =
16 32 32
11 5 27
P[C ∪ D] = P[C] + P[D] = + −0=
16 32 32
Contoh 3.7
Diagram di bawah ini menunjukkan dua kejadian, yaitu A dan B di dalam ruang
sampel S. Apakah kejadian A dan B saling bebas?
Pembahasan:
Di dalam ruang sampel S terdapat 10 buah titik, sedangkan pada kejadian A dan
B masing-masing terdapat 4 dan 5 titik. Dengan demikian diperoleh
4 5
P[A] = dan P[B] =
10 10
Berikutnya, probabilitas A bersyarat B adalah
P[A ∩ B] 2
P[A|B] = =
P[B] 5
Karena P[A|B] = P[A], maka jelas bahwa kejadian A dan B saling bebas.
Contoh 3.8
Dadu merah dan dadu putih dilempar satu kali secara bersamaan. Apabila A
menyatakan kejadian mata dadu merah muncul bilangan ganjil dan B merupakan
kejadian mata dadu putih muncul bilangan prima. Tentukan probabilitas A dan B
(P[A ∩ B]).
Pembahasan:
3 1
P[A] = P[bilangan ganjil : {1, 3, 5}] = =
6 2
3 1
P[B] = P[bilangan prima : {2, 3, 5}] = =
6 2
68
Karena kejadian A tidak dipengaruhi oleh kejadian B dan begitu pun sebaliknya,
1 1 1
berakibat P[A ∩ B] = P[A] · P[B] = · =
2 2 4
1
Jadi, diperoleh bahwa P[A ∩ B] =
4
(vi) Jika A dan B adalah kejadian saling bebas, maka A0 dan B adalah kejadian
saling bebas, A dan B 0 adalah kejadian saling bebas, serta A0 dan B 0 adalah
kejadian saling bebas.
(vii) Oleh karena P[∅] = P[∅ ∩ A] = 0 = P[∅] · P[A] untuk semua kejadian A,
maka himpunan kosong ∅ adalah saling bebas untuk sebarang kejadian A.
69
Contoh 3.9
Soal Ujian PAI Nomor 1 Periode Maret 2016
Seorang asisten aktuaris yang sedang mengamati data statistik tentang kecen-
derungan tren pembelian asuransi oleh pemilik mobil mendapati beberapa kesim-
pulan seperti berikut:
(1) pemilik kendaraan ternyata memiliki kecenderungan untuk membeli asuransi
perlindungan kecelakaan diri dua kali lebih besar daripada perlindungan orang
ketiga
(2) kejadian pembelian asuransi kecelakaan diri ini ternyata saling bebas dengan
kejadian pembelian asuransi perlindungan orang ketiga
(3) probabilitas bahwa seorang pemilik mobil membeli kedua perlindungan
tersebut pada waktu yang sama ialah 0,15
Hitung probabilitas bahwa pemilik mobil tidak membeli kedua jenis perlindungan
asuransi kecelakaan diri dan orang ketiga?
Pembahasan:
Misal X menyatakan asuransi perlindungan kecelakaan diri dan Y menyatakan
asuransi perlindungan orang ketiga.
Diketahui bahwa P[X] = 2P[Y ], X independen terhadap Y , dan P[X ∩ Y ] =
0, 15
Kita akan menghitung P[X ∪ Y ]0 = P[X 0 ∩ Y 0 ]
Dari sini kita dapatkan P[Y ] = 0, 27386 dan P[X] = 2P[Y ] = 0, 54772.
Dengan demikian diperoleh:
70
Contoh 3.10
Soal Ujian PAI Nomor 1 Periode Maret 2016
Misalkan N suatu peubah acak menyatakan banyaknya klaim yang diterima dalam
1
satu minggu mengikuti P[N = n] = 2n+1 , dimana n ≥ 0. Banyaknya klaim yang
diterima dalam satu minggu tersebut saling bebas dengan minggu-minggu yang
lain. Tentukan probabilitas bahwa tujuh klaim akan diterima dalam periode dua
minggu.
Pembahasan:
Misalkan X adalah jumlah banyak klaim dalam periode dua minggu.
X = N1 + N2
N1 , N2 ialah saling bebas
1
P[N = n] = 2n+1
1 1 1
P[N1 = 7] · P[N2 = 0] = = 9
28 2 2
1 1 1
P[N1 = 6] · P[N2 = 1] = 7 2
= 9
2 2 2
1 1 1
P[N1 = 5] · P[N2 = 2] = 6 3
= 9
2 2 2
1 1 1
P[N1 = 4] · P[N2 = 3] = 5 4
= 9
2 2 2
Secara umum, pada beberapa soal latihan, kita akan diberikan nilai dari
P[A], P[B|A] dan P[B|A0 ] (dari P[A] diperoleh P[A0 ] = 1 − P[A]). Berikutnya,
kita diminta untuk mendapatkan P[A|B] (dengan kata lain, kita diminta untuk
menghitung probabilitas dari kejadian yang melibatkan A dan B apabila diberikan
informasi yang sebaliknya).
⇓ ⇓
Langkah 3 : P[B ] = P[B ∩ A] + P[B 0 ∩ A0 ]
0 0
Sebagai catatan, apabila kita telah mendapatkan nilai P[B], maka kita juga bisa
mendapatkan P[B 0 ] dengan menggunakan hubungan P[B 0 ] = 1 − P[B].
Langkah 4 :
Berdasarkan langkah 1 sampai dengan 3 yang telah disebutkan sebelumnya, maka
diperoleh P[A|B] sebagai berikut:
Contoh 3.11
Nadiya memiliki dua guci ajaib. Guci I berisi 1 bola putih dan 2 bola hitam,
sedangkan guci II berisi 3 bola putih dan 2 bola hitam. Satu bola dipilih secara
acak dari guci I dan dipindahkan ke guci II, kemudian sebuah bola dipilih secara
acak dari guci II. Hitunglah probabilitas bahwa bola yang dipindahkan dari guci I
ke guci II berwarna putih.
Pembahasan:
Misalkan:
• A menunjukkan peristiwa bahwa bola yang dipindahkan dari guci I ke guci II
berwarna putih
• A0 menunjukkan peristiwa bahwa bola yang dipindahkan dari guci I ke guci II
berwarna hitam
• B menunjukkan peristiwa bahwa bola yang dipilih dari guci II berwarna putih
Dengan demikian, akan dicari P[A|B], dimana P[A] = 12 (dua dari empat bola di
guci I berwarna putih) dan P[A0 ] = 21 .
Jika bola yang dipindahkan adalah putih, maka guci II berisi 4 bola putih
dan 2 bola hitam, kemungkinan memilih bola putih dari guci II adalah 32 sehingga
P[B|A] = 23 . Jika bola yang dipindahkan adalah hitam, maka guci II berisi 3 bola
putih dan 3 bola hitam, kemungkinan memilih bola putih dari guci II adalah 12
sehingga P[B|A0 ] = 21 .
2 1 1
Langkah 1. P[B ∩ A] = P[B|A] · P[A] = =
3 2 3
1 1 1
Langkah 2. P[B ∩ A0 ] = P[B|A0 ] · P[A0 ] = =
2 2 4
1 1 7
Langkah 3. P[B] = P[B ∩ A] + P[B ∩ A0 ] = + =
3 4 12
P[A ∩ B] 1/3 4
Langkah 4. P[A|B] = = =
P[B] 7/12 7
Jadi, probabilitas bahwa bola yang dipindahkan dari guci I ke guci II berwarna
4
putih adalah .
7
Contoh 3.12
Soal Ujian PAI Nomor 3 Periode Maret 2015
Seorang aktuaris memilih sebuah klaim secara acak dari antara klaim-klaim yang
melebihi batas penggantian sendiri (above deductible). Berapakah kemungkinan
klaim yang dipilih adalah mobil berwarna merah?
Pembahasan:
P[Klaim yang dipilih adalah mobil berwarna merah]
(0, 4)(0, 10)(0, 90)
= 0, 6
(0, 4)(0, 10)(0, 90) + (0, 6)(0, 05)(0, 80)
74
Contoh 3.13
Soal Ujian PAI Nomor 24 Periode Maret 2015
Diasumsikan A adalah seorang pengemudi pada umumnya. Kemungkinan A
adalah pengemudi yang baik adalah 72%, dan A adalah pengemudi yang buruk
adalah 28%. Kemungkinan terjadinya kecelakaan hanya satu kecelakaan per tahun.
Kemungkinan dari seorang pengemudi yang baik mendapatkan kecelakaan adalah
25% dan kemungkinan seorang pengemudi yang buruk mengalami kecelakaan
adalah 50%. Berdasarkan Kredibilitas Bayesian (Bayesian credibility), hitunglah
P[GD|K], bila GD adalah pengemudi yang baik dan K adalah kejadian
kecelakaan.
Pembahasan:
P[K|GD] · P[GD]
P[GD|K] =
P[K|GD] · P[GD] + P[K|GD0 ] · P[GD0 ]
(0, 25)(0, 72)
=
(0, 25)(0, 72) + (0, 50)(0, 28)
= 0, 5625
untuk setiap j = 1, 2, 3, · · · , n
Pada persamaan tersebut, P[Aj ] disebut probabilitas prior sedangkan P[Aj |B]
disebut sebagai probabilitas posterior. Dasar dari Aturan Bayes terjadi dalam
kejadian dimana probabilitas P[Ai ] dan P[B|Aj ] diketahui, sedangkan kita diminta
untuk menghitung nilai dari P[B|Aj ] untuk salah satu j. Rangkaian perhitungan
dapat diringkas dalam tabel seperti pada Aturan Bayes dasar yang telah dijelaskan
pada subbab sebelumnya.
Contoh 3.14
Tiga buah dadu mempunyai probabilitas muncul sisi “6” masing-masing sebesar
p, q, r secara berurutan. Salah satu dadu dipilih dipilih secara acak dan dilempar
(tiap dadu mempunyai probabilitas yang sama untuk dipilih). Hitunglah
probabilitas bahwa dadu pertama yang dipilih menghasilkan sisi “6”.
Pembahasan:
Misalkan B kejadian pelemparan dadu yang menghasilkan sisi “6”
A1 kejadian bahwa dadu pertama dipilih
A2 kejadian bahwa dadu pertama dipilih
A3 kejadian bahwa dadu pertama dipilih
P[B|A1 ] · P[A1 ] p · 13
P[A1 |B] = =
P[B] P[B]
76
dimana
P[B|A1 ] · P[A1 ] p · 13 p
P[A1 |B] = = p+q+r =
P[B] 3
p + q+r
Contoh 3.15
Soal Ujian PAI Nomor 10 Periode Juni 2015
Sepasang suami istri membeli dua polis asuransi dengan premi tunggal 500
untuk setiap polis dan manfaat kematian 12.000 bila meninggal dalam 10 tahun
sejak polis diterbitkan. Pada akhir tahun ke-10, polis akan berakhir. Diketahui
kemungkinan di bawah ini:
• Hanya istri yang hidup paling sedikit dalam 10 tahun masa pertanggungan
adalah 2,5%.
• Hanya suami yang hidup paling sedikit dalam 10 tahun masa pertanggungan
adalah 3,6%.
• Keduanya masih hidup paling sedikit dalam 10 tahun masa pertanggungan
adalah 86,4%.
Berapakah selisih antara premi yang dibayarkan dan kemungkinan klaim (expected
claim) bila diketahui sang suami masih hidup paling sedikit dalam 10 tahun masa
pertanggungan?
Pembahasan:
W menyatakan istri dan H menyatakan suami. Diberikan:
Misal (
1 , jika istri tetap hidup paling sedikit 10 tahun masa pertanggungan
W =
0 , jika istri meninggal dalam kurun waktu 10 tahun masa pertanggungan
(
1 , jika suami tetap hidup paling sedikit 10 tahun masa pertanggungan
H=
0 , jika istri meninggal dalam kurun waktu 10 tahun masa pertanggungan
77
Diketahui:
P[W = 1, H = 0] = 0, 025
P[W = 0, H = 1] = 0, 036
P[W = 1, H = 1] = 0, 864
P[W = 0, H = 0] = 0, 075
Nilai dari kemungkinan klaim (expected claim) jika diketahui suami masih
hidup paling sedikit 10 tahun masa pertanggungan adalah
Total premi yang dibayarkan oleh sepasang suami istri adalah 2(500) = 1000
Dengan demikian didapatkan selisih yang dimaksud adalah 1000 − 480 = 520
Contoh 3.16
Soal Ujian PAI Nomor 20 Periode Juni 2015
Suatu perusahaan asuransi mengasuransi perlindungan kecelakaan diri dan
mendapati statistik portofolio pada tahun 2015 sebagai berikut:
Seorang pemegang polis yang dipilih secara acak ternyata pernah mengalami
sebuah kecelakaan. Hitunglah bahwa pemegang polis tersebut berusia di antara
16 - 20?
78
Pembahasan:
Misal:
X1 adalah pemegang polis antara usia 16 - 20 tahun
X2 adalah pemegang polis antara usia 21 - 30 tahun
X3 adalah pemegang polis antara usia 31 - 65 tahun
X4 adalah pemegang polis antara usia 66 - 90 tahun
K adalah kejadian pemegang polis mengalami kecelakaan
Diketahui:
P[X1 ] = 0, 08, P[K|X1 ] = 0, 06 ⇒ P[K ∩ X1 ] = 0, 0048
P[X2 ] = 0, 15, P[K|X2 ] = 0, 03 ⇒ P[K ∩ X2 ] = 0, 0045
P[X3 ] = 0, 49, P[K|X3 ] = 0, 02 ⇒ P[K ∩ X3 ] = 0, 0098
P[X4 ] = 0, 28, P[K|X4 ] = 0, 04 ⇒ P[K ∩ X4 ] = 0, 0112
79
1
P[N = n] = ,
(n + 1)(n + 2)
Minuman Kesukaan
Air Kelapa Coca-Cola Susu Air Putih Kopi
Murid Wanita 2 3 ? 4 1
Murid Pria ? 1 2 0 4
Terjadi kecelakaan pada mobil dengan tahun model antara 2010, 2011, dan
2012. Tentukan probabilitas tahun model dari mobil yang kecelakaan adalah
2010.
Probabilitas dari
Model Mobil Proporsi dari
Terlibatnya pada
pada Tahun Seluruh Kendaraan
Sebuah Kecelakaan
2007 0,16 0,05
2008 0,18 0,02
2009 0,20 0,03
Lainnya 0,46 0,02
Sebuah mobil dari salah satu model tahun 2007, 2008, dan 2009 terlibat dalam
suatu kecelakaan. Tentukan probabilitas bahwa model dari mobil tersebut
adalah tahun 2007.
Seorang pekerja yang dipilih secara acak pada perusahaan asuransi tersebut
mengalami kecelakaan. Hitunglah probabilitas bahwa umur pekerja tersebut
adalah 16 - 20?
18. Kembar identik memiliki jenis kelamin yang sama dan berasal dari sel telur
yang sama. Kembar fraternal memiliki probabilitas 50-50 untuk berjenis
kelamin sama. Di antara kembar identik dan kembar fraternal, probabilitas
kembar fraternal dimisalkan p dan probabilitas identik dimisalkan q = 1 − p
dan jika pasangan kembar berikutnya berjenis kelamin sama, berapakah proba-
bilitas bahwa terjadi kembar identik?
BAB 4
VARIABEL RANDOM DAN DISTRIBUSI
PROBABILITAS
Dalam kaidah ilmu statistika dikenal sebuah istilah yakni percobaan random,
dimana hasil dari percobaan random tidak dapat diketahui hasilnya sebelum
percobaan itu dilakukan. Akan tetapi, segala kemungkinan hasil percobaan
random yang terjadi dapat diprediksi dan dapat dituliskan ke dalam sebuah set S
atau ruang sampel (sample space). Tentu saja, akan menjadi sebuah permasalahan
ketika elemen-elemen di dalam S bukanlah sebuah bilangan.
85
86
Secara umum, variabel random X dapat diilustrasikan pada gambar di bawah ini.
Contoh 4.1
Bejo melempar dua buah mata uang logam Rp500,00 yang seimbang. Ruang
sampel dari kejadian tersebut adalah S = {AA, AG, GA, GG} dimana A
merupakan kejadian munculnya angka, dan G adalah kejadian munculnya gambar.
Apabila X menunjukkan kejadian banyaknya G yang muncul, maka nilai-nilai
yang mungkin dari X adalah RX = {0, 1, 2}.
87
Berdasarkan Contoh 4.1, terlihat bahwa kejadian D yang berkaitan dengan ruang
sampel S ekuivalen dengan kejadian C yang berkaitan dengan nilai-nilai yang
mungkin pada ruang hasil RX . Akibatnya, probabilitas dari kedua kejadian
tersebut pasti sama, yaitu P[C] = P[D].
Contoh 4.2
Berdasarkan Contoh 4.1, dalam pelemparan dua buah mata uang logam Rp500,00
yang seimbang, diperoleh P[AA] = P[AG] = P[GA] = P[GG] = 41 . Selanjutnya,
hitunglah nilai dari P[X = 0], P[X = 1], dan P[X = 2], dimana X menunjukkan
kejadian banyaknya G yang muncul.
Pembahasan:
1) Karena X = 0 ekuivalen dengan kejadian munculnya AA, maka
P[X = 0] = P[AA] = 14
2) Karena X = 1 ekuivalen dengan kejadian munculnya AG dan GA, maka
P[X = 1] = P[AG] + P(GA) = 21
3) Karena X = 2 ekuivalen dengan kejadian munculnya GG, maka
P[X = 2] = P[GG] = 14
Pada subbab ini, akan dibahas mengenai dua jenis variabel random, yaitu variabel
random diskrit dan variabel random kontinu yang masing-masing dijelaskan pada
subbab 4.1.1 dan subbab 4.1.2.
Contoh 4.3
Berdasarkan Contoh 4.1 diperoleh nilai-nilai yang mungkin adalah RX =
{0, 1, 2}. Karena banyak anggota dari RX berhingga, maka X termasuk ke dalam
variabel random diskrit.
Contoh 4.4
Diberikan X = n, dimana n adalah angka yang menunjukkan jumlah pelemparan
yang dilakukan terhadap satu buah mata uang logam seimbang sampai munculnya
gambar yang pertama. Dengan demikian X memiliki kemungkinan nilai
1, 2, 3, 4, · · · . Ruang hasil yang mungkin dari X adalah RX = {1, 2, 3, 4, · · · }.
Karena banyak anggota dari RX tak berhingga namun dapat dihitung, maka X
termasuk ke dalam variabel random diskrit.
Contoh 4.5
Jumlah mahasiswa di dalam Departemen Aktuaria adalah 200 orang, dimana
masing-masing mahasiswa tersebut memiliki nomor induk mahasiswa mulai dari
001 sampai dengan 200. Selanjutnya, akan dipilih seorang mahasiswa secara acak
untuk diukur berat badannya. Pada kasus ini, ruang sampel dapat didefinisikan
sebagai S = {s : s = 001, 002, 003, · · · , 200}. Ruang sampel tersebut menun-
jukkan nomor induk masing-masing mahasiswa. Misalkan X menunjukkan berat
badan dari mahasiswa yang terpilih, maka ia bisa ditulis sebagai X(s), dengan
s ∈ S.
89
Apabila diasumsikan bahwa tidak ada satu pun mahasiswa di Departemen Aktuaria
yang memiliki berat badan kurang dari 30 kg atau lebih dari 150 kg, maka ruang
hasil RX dapat dituliskan sebagai RX = {X : 30 ≤ X ≤ 150}. Karena RX
merupakan sebuah interval, maka X merupakan variabel random kontinu.
• p(x) ≥ 0
P
• x p(x) = 1
Himpunan pasangan terurut dari {x, p(x)} disebut sebagai distribusi probabilitas
dari X. Fungsi probabilitas dari X untuk variabel random diskrit dikenal pula
sebagai probability mass function (pmf).
Contoh 4.6
Sebuah dadu bermata empat dilempar dua kali, tentukan p(x) dengan x
menyatakan nilai maksimum dari mata dadu yang muncul pada dua kali
pelemparan.
91
Pembahasan:
Misalkan X adalah maksimum dari hasil dua kali lemparan, sehingga dapat
didefinisikan hasil pada percobaan ini adalah:
S0 = {(d1 , d2 ) | d1 = 1, 2, 3, 4; d2 = 1, 2, 3, 4}
Lalu, dapat diasumsikan bahwa setiap pasangan dadu yang muncul memiliki
1
kemungkinan 16 , sehingga:
P[X = 1] = P[(1, 1)]
3
P[X = 2] = P[(1, 2), (2, 1), (2, 2)] = 16
5
P[X = 3] = P[(1, 3), (3, 1), (2, 3), (3, 2), (3, 3)] = 16
7
P[X = 4] = P[(1, 4), (4, 1), (2, 4), (4, 2), (4, 3), (3, 4), (4, 4)] = 16
2x − 1
p(x) = P[X = x] = , x = 1, 2, 3, 4
16
Fungsi di atas akan bernilai nol (p(x) = 0) apabila x ∈
/ S = {1, 2, 3, 4}.
Contoh 4.7
Diberikan fungsi probabilitas dari variabel random X sebagai berikut:
1 (kx + 1)
; x = 0, 1, 2, 3
p(x) = 5
0 ; untuk x yang lainnya
Tentukan nilai k.
Pembahasan:
3
X X 1 6k + 4
p(x) = (kx + 1) = =1
x
5 5
k=0
1
Dengan demikian diperoleh 6k + 4 = 5 → k = 6
Contoh 4.8
Soal Ujian PAI Nomor 9 Periode November 2014
Misalkan X adalah variabel random dengan fungsi probabilitas berikut:
0 , x<0
x
8
, 0≤x<1
p(x) = 1 x
4 + 8 , 1≤x<2
3 x
4 + , 2≤x<3
12
1 , x≥3
Sifat terakhir dari fungsi probabilitas pada variabel random kontinu menunjukkan
penghitungan probabilitas dari variabel random kontinu X yang mempunyai nilai
dari a sampai dengan b.
Grafik dari fungsi kepadatan probabilitas dapat berupa sebuah kurva, sebuah
garis, atau bahkan kombinasi keduanya, dimana ilustrasinya disesuaikan dengan
bentuk fungsi kepadatannya. Pemahaman mengenai penghitungan probabilitas
dari sebuah variabel random kontinu dapat dilihat melalui contoh berikut ini.
94
Contoh 4.9
Pada suatu penelitian dalam bidang kimia, diketahui bahwa sisa suhu reaksi (dalam
Celcius) pada percobaan yang dikontrol merupakan variabel random X yang
memiliki pdf: 2
x , −1 < x ≤ 2,
f (x) = 3
0 , lainnya
R∞
Tunjukkan bahwa −∞ f (x) dx = 1 terpenuhi, kemudian hitung P[1 < x ≤ 2].
Pembahasan:
Z ∞
f (x) dx = 1
−∞
2
x2
Z
dx = 1
−1 3
2
x3
=1
9 x=−1
8 1
− − =1
9 9
Kemudian dihitung
2
x2
Z
P[1 < x ≤ 2] = dx
1 3
3 2
x
=
9 x=1
7
=
9
Contoh 4.10
Misalkan X adalah variabel random kontinu dan diberikan fungsi berikut ini:
kx2 ; 0 < x < 2
f (x) =
0 ; untuk x yang lainnya
95
Pembahasan:
a) Berdasarkan sifat dari fungsi probabilitas pada variabel random kontinu,
diperoleh:
∞ 2
2 !
x3
Z Z
2 3
f (x) dx = 1 ↔ kx dx = 1 ↔ k =1↔k=
−∞ 0 3 0 8
b)
2
2 !
x3
Z
3 2 7
P[1 < X < 2] = x dx = =
1 8 8 1 8
Misalkan X adalah variabel random diskrit, maka fungsi distribusi kumulatif dari
X didefinisikan sebagai
X
F (x) = P[X ≤ x] = p(t)
t≤X
dimana p(t) adalah fungsi kepadatan probabilitas dari variabel random diskrit X
pada titik t.
F (x) = 0 ; x < x1
= p(x1 ) ; x1 ≤ x < x2
= p(x1 ) + p(x2 ) ; x2 ≤ x < x3
= p(x1 ) + p(x2 ) + p(x3 ) ; x3 ≤ x < x4
= p(x1 ) + p(x2 ) + p(x3 ) + · · · + p(xn ) = 1 ; xn ≤ x
Contoh 4.11
Apabila kita mengundi dua mata uang logam Rp100,00 yang seimbang secara
sekaligus, maka distribusi probabilitasnya adalah : p(0) = 14 , p(1) = 12 , dan
p(2) = 14 dengan X menunjukkan banyak gambar bagian muka yang muncul.
Tentukan fungsi distribusi kumulatif dari X.
Pembahasan:
a. Untuk x < 0 → F (x) = 0
P
b. Untuk 0 ≤ x < 1 → F (0) = t≤0 p(t) = p(0)
1
F (0) =
4
P 1 1
c. Untuk 1 ≤ x < 2 → F (1) = t≤1 p(t) = p(0) + p(1) = +
4 2
3
F (1) =
4
P 1 1 1
d. Untuk 2 ≤ x → F (2) = t≤2 p(t) = p(0) + p(1) + p(2) = + +
4 2 4
F (2) = 1
97
dimana f (t) adalah fungsi kepadatan probabilitas (fungsi densitas) dari variabel
random kontinu X.
dengan a dan b adalah dua bilangan riil serta a < b. Selain itu, penghi-
tungan probabilitas dari variabel random yang bernilai di suatu titik tertentu dapat
diperoleh dengan menggunakan formula
P[X = b] = F (b) − F (b−)
Jika fungsi probabilitas atau fungsi kepadatan probabilitas dari sebuah variabel
random diketahui, maka kita dapat menentukan fungsi distribusi kumulatifnya.
Sebaliknya, kita bisa menentukan fungsi probabilitas atau fungsi kepadatan proba-
bilitas dari sebuah variabel random jika fungsi distribusi kumulatifnya diketahui.
98
Berikut ini kita akan membahas mengenai penentuan fungsi probabilitas maupun
fungsi kepadatan probabilitas untuk variabel random diskrit dan kontinu jika
fungsi distribusi kumulatifnya diketahui.
= Fx (b) − lim Fx (b − h)
h→∞
= Fx (b) − Fx (b−)
Berikut ini adalah beberapa formula penting yang berkaitan dengan distribusi
kumulatif kontinu.
a. P[a < X < b] = P[a ≤ X < b] = P[a < X ≤ b] = P[a ≤ X ≤ b] =
Rb
a fX (x) dx
f (x)
; apabila x adalah outcome dari kejadian A
fX|A (x|A) = P[A]
0
; apabila x bukan merupakan outcome dari kejadian A
Contoh 4.12
Misalkan fungsi kepadatan probabilitas dari variabel random X adalah sebagai
berikut:
3 x2 ; 0 < x < 2
f (x) = 8
0 ; x lainnya
x < 0 → F (x) = 0
Z 0 Z x
0 ≤ x < 2 → F (x) = f (t) dt +
f (t) dt
−∞ 0
Z 0 Z x
3 2
= 0 dt + t dt
−∞ 0 8
x
1 3
=0+ (t )
8 t=0
1
= (x3 )
8
Z 0 Z 2 Z x
2 ≤ x → F (x) = f (t) dt +
f (t) dt + f (t) dt
−∞ 0 2
Z 0 Z 2 Z x
3 2
= 0 dt + t dt + 0 dt
−∞ 0 8 2
=1
100
Contoh 4.13
Pada suatu percobaan laboratorium, terdapat kesalahan pada suhu reaksi (dalam
Celcius) yang merupakan variabel random kontinu X dengan fungsi kepadatan
probabilitasnya adalah sebagai berikut:
2
x , jika −1 < x < 2,
f (x) = 3
0 , lainnya
Dapatkan F (x) dan gunakan hasil F (x) untuk mendapatkan P[0 < X ≤ 1].
Pembahasan:
Untuk −1 < x < 2, Z x
F (x) = f (t) dt
−∞
Z x 2
t
= dt
−1 3
x
t3
=
9 −1
x3 + 1
=
9
Maka,
0 , jika x < −1,
3
x +1
F (x) = , jika −1 ≤ x < 2,
9
1 , jika x ≥ 2,
Contoh 4.14
Misalkan X menyatakan banyaknya percobaan yang dilakukan pada pelemparan
sebuah mata uang logam seimbang sampai munculnya gambar yang pertama.
Catat bahwa antara satu pelemparan dengan pelemparan yang lain adalah
independen. Dengan demikian, ruang hasil RX dapat bernilai sebarang bilangan
bulat yang lebih besar atau sama dengan 1, dimana fungsi probabilitas dari X
1
adalah p(x) = x .
2
102
Contoh 4.15
Soal Ujian PAI Nomor 11 Periode November 2016
Sebuah studi dilakukan terhadap kesehatan dari dua kelompok saling bebas berisi
10 pemegang polis yang mana dimonitor selama satu tahun. Probabilitas partisipan
(individu) dalam studi mengundurkan diri sebelum akhir studi ialah 0,2 (saling
bebas dengan partisipan yang lain). Berapa probabilitas paling sedikit 9 partisipan
menyelesaikan studi dalam salah satu kelompok, bukan dalam kedua kelompok?
Pembahasan:
Diketahui bahwa:
Probabilitas mengundurkan diri ialah 0,2.
Partisipan saling bebas.
Misalkan:
X adalah jumlah partisipan yang menyelesaikan studi.
103
Contoh 4.16
Misalkan variabel random kontinu X dengan fungsi distribusi kumulatif F (x) =
1
untuk −∞ < x < ∞. Carilah fungsi kepadatan probabilitas dari X.
1 + e−x
Pembahasan:
Fungsi kepadatan dari suatu variabel random kontinu adalah turunan pertama
dari fungsi distribusi kumulatifnya. Fungsi kepadatan probabilitas dari X adalah
e−x
f (x) = F 0 (x) = .
(1 + e−x )2
Contoh 4.17
Sebuah variabel random kontinu X memiliki fungsi kepadatan probabilitas
1
2x , 0<x<
2
f (x) = 4 − 2x
1
, ≤x<2
3 2
0 , x lainnya
Contoh 4.18
Sebuah sampel acak terdiri dari empat variabel random saling bebas
X1 , X2 , X3 , X4 . Setiap Xi memiliki fungsi kepadatan probabilitas dalam bentuk
2x , untuk 0 < x < 1
f (x) =
0 , x lainnya
Pembahasan:
Untuk Y , akan dicari terlebih dahulu fungsi distribusi kumulatifnya.
P[Y ≤ y] = P[max{X1 , X2 , X3 , X4 } ≤ y]
= P[(X1 ≤ y) ∩ (X2 ≤ y) ∩ (X3 ≤ y) ∩ (X4 ≤ y)]
= P[X1 ≤ y] · P[X2 ≤ y] · P[X3 ≤ y] · P[X4 ≤ y]
= (y 2 )(y 2 )(y 2 )(y 2 )
= y 8 , 0 < y < 1.
Jadi,
FY (y) = P[Y ≤ y]
= y8
→ f y(y) = FY0 (y) = 8y 7 , 0 < y < 1.
105
Diperoleh
FZ (z) = P[Z ≤ z]
= 1 − P[Z > z]
= 1 − (1 − z 2 )4 , 0 < z < 1
dan
f z(z) = FZ0 (z)
= 4(1 − z 2 )3 (2z)
= 8z(1 − z 2 )3 , 0 < z < 1.
Y dan Z adalah contoh dari order statistik dari kumpulan variabel random yang
saling bebas. Nantinya akan dibahas lebih lanjut mengenai order statistik pada bab
berikutnya.
Dengan demikian terlihat bahwa F (x) tidak selalu merupakan fungsi kontinu,
maupun fungsi diskrit. Dalam contoh tersebut, F (x) merupakan campuran
dari variabel random diskrit dan kontinu. Suatu distribusi probabilitas untuk
variabel random X disebut distribusi probabilitas campuran apabila CDF-nya
dapat dinyatakan sebagai
Contoh 4.19
Misalkan X adalah variabel random yang menyatakan waktu tunggu sebuah proses
dengan CDF F (x) = 0, 4 · Fd (x) + 0, 6 · Fc (x), dengan Fd (x) = 1 dan Fc (x) =
1 − e−x , untuk x > 0. Tentukan bentuk CDF campuran tersebut.
Pembahasan:
P[X ≤ x] = F (x)
P[X > x] = 1 − F (x)
x = 0 → P[x = 0] = 0.4
x ≤ 5 → 0.4 + 0.6(1 − e−x ) = 0.636
maka:
P[X ≥ 0] dan P[X ≤ x]
P[X ≤ x|X ≥ 0] =
P[X ≥ 0]
P[0 ≤ X ≤ x]
=
P[X ≥ 0]
107
F (x) − F (0)
=
1 − F (x = 0)
0.4 + 0.6(1 − e−x )
=
1 − 0.4
= (1 − e−x )
d d
f (x) = F (x) = (1 − e−x ) = e−x
dx dx
Contoh 4.20
Perusahaan reasuransi menaruh perhatian pada kerugian besar karena mereka
setuju untuk menutup kerugian yang disebabkan bencana alam (angin), yaitu 2
juta dolar dan 10 juta dolar.
X dinyatakan sebagai ukuran kerugian dalam jutaan dolar, dan misalnya X
memiliki fungsi distribusi kumulatif sebagai berikut:
0
; −∞<x<0
F (x) = 3
10
1 −
; 0≤x<∞
10 + x
Jika kerugiannya di antara 10 juta dolar dilaporkan hanya sebagai 10, maka fungsi
distribusi dari distribusi censor ini adalah:
0 ; −∞<x<0
3
10
F (x) = 1 − ; 0 ≤ x < 10
10 + x
; 10 ≤ x < ∞
1
3
10 1
yang mempunyai lompatan = di x = 10
10 + 10 8
108
a 17 18 19 20 21 22
F (U = a) 0 0,23 0,40 0,90 0,96 1,00
1
P[0] = P[1] dan P[k + 1] = P[k], untuk k = 1, 2, 3, · · ·
k
Hitunglah P[0].
1 (30 − x) , untuk 0 ≤ x ≤ 30
f (x) = 900
0 , untuk x lainnya
Diberikan bahwa kerugian akibat kebakaran adalah lebih dari 10, berapakah
probabilitas bahwa kerugian lebih dari 20.
a) Hitunglah nilai k.
b) Gambarkan grafik dari g(x).
112
20000
19. Diberikan X yang memiliki fungsi kepadatan probabilitas f (x) = ,
(100 + x)3
untuk x > 0.
a) Tunjukkan bahwa f (x) memenuhi syarat sebagai fungsi kepadatan proba-
bilitas.
b) Dapatkan P[X > t), apabila t > 0.
c) Dapatkan P[X > t + y|X > t), apabila t > 0.
BAB 5
MOMEN DAN FUNGSI PEMBANGKIT MOMEN
VARIABEL RANDOM
Pada subbab 5.1 akan dibahas mengenai ekspektasi dari suatu variabel random,
kemudian akan dijelaskan pula mengenai varians dan standar deviasi dari variabel
random. Selanjutnya, pada subbab 5.2 akan dikenalkan pada konsep mengenai
fungsi pembangkit momen dari variabel random. Penjelasan mengenai persentil,
median, dan modus akan dibahas pada subbab 5.3, serta diakhiri dengan pertidak-
samaan Chebyshev pada subbab 5.4.
113
114
Apabila X adalah suatu variabel random dengan distribusi probabilitas f (x), nilai
ekspektasi dari variabel random g(X) adalah
X
µg(x) = E[g(x)] = g(x)f (x) ; bila X diskrit
Zx ∞
µg(x) = E[g(x)] = g(x)f (x) dx ; bila X kontinu
−∞
Untuk sembarang konstanta a1 , a2 , dan b serta fungsi dari variabel random h1 (X)
dan h2 (X), maka berlaku:
a) E[a1 X + b] = a1 E[X] + b
b) E[a1 h1 (X) + a2 h2 (X) + b] = a1 E[h1 (X)] + a2 E[h2 (X)] + b
Contoh 5.1
Soal Ujian PAI Nomor 16 Periode November 2014
Jika X adalah variabel random kontinu dengan fungsi densitas berikut:
|x|
; untuk − 2 < x < 4
f (x) = 10
0 ; x lainnya
Pembahasan:
0 4
−x
Z Z x
E[X] = x dx + x dx
−2 10 0 10
0 4
−x2 2
Z Z
x
= dx + dx
−2 10 0 10
115
" # " #
−1 3 0 1 3 4 −8 64
= x + x = +
30 −2 30 0 30 30
56
=
30
28
=
15
Contoh 5.2
Soal Ujian PAI Nomor 21 Periode Maret 2015
Jumlah klaim bulanan dari sebuah perusahaan asuransi dimodelkan dengan
variabel random kontinu positif dari X, dimana fungsi kepadatan probabilitasnya
adalah proporsional terhadap (1 + x)−4 dengan 0 < x < ∞. Tentukanlah
ekspektasi klaim bulanan dari perusahaan asuransi ini.
Pembahasan:
Misal PDF dari X adalah f (x) = k(1 + x)−4 dengan 0 < x < ∞. Kita akan
mencari nilai konstanta k terlebih dahulu, yaitu:
Z ∞
k
dx = 1
0 (1 + x)4
∞
k
− (1 + x)−3 = 1
3
0
k
0+ =1
3
k=3
Dengan demikian kita dapatkan PDF dari X adalah f (x) = 3(1 + x)4 , dengan
0 < x < ∞.
Misalkan u = 1 + x ⇒ du = dx
116
Batas integrasi:
x=0⇒u=1
x = ∞ ⇒ u = ∞ Kita bisa tuliskan kembali E[X] sebagai:
1 −2 1 −3 ∞
Z ∞ Z ∞
3(u − 1) −3 −4
E[X] = du = 3 u − u du = 3 − u + u
1 u4 1 2 3 0
1 1
=3 −
2 3
1
=3
6
= 0, 5
Contoh 5.3
Soal Ujian PAI Nomor 6 Periode November 2015
Diketahui distribusi kumulatif sebagai berikut:
X -2 0 1 3 5 6
F (x) 0,12 0,23 0,48 0,76 0,94 1
Hitunglah E[X].
Pembahasan:
Dari data pada tabel diketahui bahwa:
f (−2) = 0, 12
f (0) = 0, 23 − 0, 12 = 0, 11
f (1) = 0, 48 − 0, 23 = 0, 25
f (3) = 0, 76 − 0, 48 = 0, 28
f (5) = 0, 94 − 0, 76 = 0, 18
f (6) = 1 − 0, 94 = 0, 06
117
Contoh 5.4
Soal Ujian PAI Nomor 14 Periode April 2019
Keuntungan seorang kontraktor dalam suatu pekerjaan konstruksi dapat dilihat
sebagai suatu variabel random kontinu dengan fungsi kepadatan probabilitas
sebagai berikut:
1 (x + 1) ; untuk − 1 ≤ x ≤ 5
f (x) = 18
0 ; untuk x lainnya
Pembahasan:
Z 5
E[X] = x · f (x) dx
−1
Z 5
1
= x· (x + 1) dx
−1 18
Z 5
1
= x2 + x dx
18
"−1 #
1 1 3 1 2 5
= x + x
18 3 2 −1
1 125 25 1 1
= + + −
18 3 2 3 2
=3
Jika X adalah variabel random dengan mean finite dan E[(X − µ)2 ] finite maka
varians dari X didefinisikan sebagai E[(X −µ)2 ]. Nilai ini biasanya dilambangkan
dengan σ 2 atau V ar(X).
118
σ merupakan akar dari varians, biasa disebut standar deviasi dari X atau standar
deviasi dan distribusi diinterpretasikan sebagai suatu ukuran penyebaran dari
nilai-nilai variabel random X terhadap mean µ.
Misalkan X adalah variabel random dengan mean finite dan varians σ 2 maka untuk
semua nilai konstanta a dan b berlaku:
V ar(aX + b) = a2 V ar(X)
Bukti:
Karena E[aX + b) = aE[X) + b = aµ + b maka:
Contoh 5.5
Hitung varians dari g(X) = 2X + 3 dimana X adalah variabel random dengan
distribusi probabilitas sebagai berikut:
x 0 1 2 3
1 1 1 1
f (x) 4 8 2 8
Pembahasan:
µ2X+3 = E[2X + 3]
3
X
= (2x + 3)f (x)
x=0
=6
2
σ2X+3 = E[((2X + 3) − µ2X+3 )2 ]
= E[((2X + 3) − 6)2 ]
3
X
= ((2X + 3) − 6)2 f (x)
x=0
=4
Contoh 5.6
Soal Ujian PAI Nomor 1 Periode November 2015
X adalah sebuah variabel random diskrit dengan distribusi probabilitas (proba-
bility distribution) sebagai berikut:
X 0 1 2 3
P[X = x] 0,45 0,25 0,20 0,10
Hitunglah varians dari Y dimana Y = 2X + 10.
Pembahasan:
Contoh 5.7
Soal Ujian PAI Nomor 18 Periode November 2015
Keuntungan dari sebuah produk yang baru diluncurkan adalah Z = 3X − Y − 5.
X dan Y adalah variabel random yang saling berdiri sendiri (independent random
variable) dimana V ar[X] = 1 dan V ar[Y ] = 2. Hitunglah berapa varians dari Z.
Pembahasan:
Contoh 5.8
Soal Ujian PAI Nomor 8 Periode November 2016
Suatu penelitian menunjukkan bahwa biaya tahunan untuk memelihara dan
memperbaiki suatu mobil mewah di Jakarta sebesar 200 juta rupiah dengan varians
260 juta rupiah. Jika dikenakan pajak sebesar 20% untuk seluruh barang yang
berhubungan dengan pemeliharaan dan perbaikan mobil, berapa varians dari biaya
tahunan atas pemeliharaan dan perbaikan mobil?
Pembahasan:
X adalah biaya tahunan untuk memelihara dan memperbaiki mobil.
X = 200 juta rupiah
X dikenakan pajak sebesar 20%.
(1 + 20%)X = (1 + 20%)200 juta rupiah
1, 2X = (1, 2)200 juta rupiah
V ar[1, 2X] = (1, 2)2 V ar[X]
= (1, 2)2 260 juta rupiah
= 374, 4 juta rupiah
= 374 juta rupiah
121
Contoh 5.9
Soal Ujian PAI Nomor 8 Periode November 2015
Sepasang dadu (dice) dilemparkan secara acak. X adalah jumlah dari angka yang
ditunjukkan oleh kedua dadu tersebut. Berapakah koefisien variasi (coefficient of
variation) dari X?
Pembahasan:
Misalkan X menunjukkan jumlah angka pada pelemparan kedua dadu, maka kita
dapatkan PDF dari X adalah
1 2 3 4 5 6
f (2) = ; f (3) = ; f (4) = ; f (5) = ; f (6) = ; f (7) = ;
36 36 36 36 36 36
5 4 3 2 1
f (8) = ; f (9) = ; f (10) = ; f (11) = ; f (12) = ;
36 36 36 36 36
1 2 3 4 5 6 5
E[X] = 2 +3 +4 +5 +6 +7 +8
36 36 36 36 36 36 36
4 3 2 1
+9 + 10 + 11 + 12
36 36 36 36
252
=
36
=7
2 1 2 2 2 3 2 4 2 5 2 6 2 5
E[X ] = 2 +3 +4 +5 +6 +7 +8
36 36 36 36 36 36 36
4 3 2 1
+ 92 + 102 + 112 + 122
36 36 36 36
1992
=
36
166
=
3
122
Secara umum, jika X adalah suatu variabel random dengan distribusi probabilitas
f (x), maka momen ke-n (dinotasikan dengan E[X n ]) dari variabel random
tersebut dapat dinyatakan sebagai
X
xn · f (x) ; bila X diskrit
x
E[X n ] = Z∞
xn · f (x) dx ; bila X kontinu
−∞
Contoh 5.10
Soal Ujian PAI Nomor 15 Periode Maret 2015
Diketahui X adalah variabel random. Hitunglah E[X 2 ] bila diketahui informasi di
bawah ini:
X P[X = x]
1 0,10
2 0,15
6 0,20
7 0,25
10 0,30
Pembahasan:
E[X 2 ] = 12 (0, 10) + 22 (0, 15) + 62 (0, 20) + 72 (0, 25) + 102 (0, 30)
= 0, 1 + 0, 6 + 7, 2 + 12, 25 + 30
= 50, 15
Contoh 5.11
Soal Ujian PAI Nomor 17 Periode April 2019
Diketahui distribusi probabilitas dari X adalah sebagai berikut:
1 3
; untuk x = 0, 1, 2, 3
f (x) = 8 x
0
; untuk x lainnya
124
at t
iii) M(X+a)/b (t) = e b MX
b
Bukti:
125
dM (t) X
= M 0 (t) = x(etX f (x)) ; bila X diskrit
dt x
Z∞
dM (t)
= M 0 (t) = xetX f (x) dx ; bila X kontinu
dt
−∞
2. Turunan ke-2
Apabila MX (t) diturunkan terhadap t sebanyak dua kali maka diperoleh:
dM 00 (t) 00
X
= M (t) = x2 (etX )f (x) ; bila X diskrit
dt00 x
Z∞
dM 00 (t)
= M 00 (t) = x2 e(etX )f (x) dx ; bila X kontinu
dt00
−∞
Secara umum, momen ke-n dari variabel random X dapat diperoleh dari turunan
ke-n dari fungsi pembangkit momen terhadap t serta substitusikan nilai t = 0.
126
dn
n (n)
E[X ] = MX (0) = n MX (t)
dt t=0
Sebagai tambahan, catat bahwa selalu berlaku MX (0) = 1, baik pada variabel
random kontinu maupun diskrit.
Contoh 5.12
Diberikan suatu fungsi variabel random sebagai berikut:
x
1
f (x) = ; x = 1, 2, 3, ...
2
Tentukan MGF dari X serta ekspektasi dan varians dari X dengan MGF!
Pembahasan:
Akan ditentukan MGF dari variabel random X sebagai berikut:
MX (t) = E[etX )
X
= etX f (x)
x
∞ x
X
tx1
= e
2
x=1
1 t 1 2t 1 3t
= e + e + e + ···
2 4 8
1
(deret geometri tak hingga dengan r = et )
2
et
=
2 − et
et
Sehingga diperoleh MGF dari variabel random X adalah
2 − et
dM (t)
M 0 (t) =
dt
et (2 − et ) − et (−et )
=
(2 − et )2
127
2e0
M 0 (0) =
(2 − e0 )2
=2
Sehingga diperoleh ekspektasinya adalah 2.
Kemudian akan dicari variansnya dari turunan kedua MGF, sebagai berikut:
d2 M (t)2
M 00 (t) =
dt
2et (2 − et )2 + 4e2t (2 − et )
=
(2 − et )4
2e (2 − e0 )2 + 4e0 (2 − e0 )
0
M 00 (0) =
(2 − e0 )4
=6
Contoh 5.13
Soal Ujian PAI Nomor 24 Periode November 2014
Seorang aktuaris menentukan ukuran klaim untuk kelas kecelakaan tertentu
(certain class of accidents) adalah variabel random X, dengan moment generating
function (MGF) berikut:
1
Mx (t) =
(1 − 2500t)4
Tentukan standar deviasi dari ukuran klaim untuk kelas kecelakaan tersebut.
128
Pembahasan:
d
E[X] = Mx (t)
dt t=0
d −4
= [(1 − 2500t) ]
dt t=0
= 10.000(1 − 2500t)−5 t=0
= 10.000
2 d 0
E[X ] = Mx (t)
dt t=0
d −5
= [10.000(1 − 2500t) ]
dt t=0
= 10.000(12.500)(1 − 2500t)−5 t=0
= 125.000.000
p
σx = V ar(X)
√
= 25.000.000
= 5000
Contoh 5.14
Soal Ujian PAI Nomor 8 Periode Mei 2018
Misal X adalah sebuah variabel random dengan ”moment generating function”
9
2 + et
M (t) =
3
Pembahasan:
dM (t)
E[X] =
dt t=0
9
d 2 + et
=
dt 3
t=0
t
t
8
9e 2 + e
=
3 3
t=0
9
=
3
=3
dM 0 (t)
2
E[X ] =
dt t=0
" 8 #
d 9et 2 + et
=
dt 3 3
t=0
" 8 7 #
t
t
t 2+e t e 2 + et
= 3e + 3e (8)
3 3 3
t=0
8
=3+3·
3
=3+8
= 11
Contoh 5.15
−x
Misalkan f (x) = 21 e 2 untuk x > 0 dan f (x) = 0 untuk variabel x yang lain
merupakan fungsi densitas dan variabel random X. Tentukan fungsi pembangkit
momen (MGF) serta ekspektasi dan varians dari X!
130
Pembahasan:
dM (t)
M 0 (t) =
dt
2
=
(1 − 2t)2
2
M 0 (0) =
(1 − 2(0))2
=2
Kemudian, akan dicari variansnya dari turunan kedua MGF sebagai berikut:
d2 M (t)2
M 00 (t) =
dt
8(1 − 2t)
=
(1 − 2t)4
8
M 00 (0) =
(1 − 2(0))3
=8
131
Persentil
Untuk 0 < p < 1, maka persentil ke-100p dari suatu distribusi variabel random X
merupakan bilangan cp yang memenuhi pertidaksamaan berikut:
Median
Median dari suatu distribusi variabel random X merupakan persentil ke-50.
Dengan kata lain, apabila kita mengambil nilai p = 0, 5, maka kita akan menda-
patkan median dari distribusi tersebut. Misalkan M menyatakan median dari
distribusi variabel random X, maka berlaku
P[X ≤ M ] = 0, 5
Dengan demikian, jelas bahwa 50% dari seluruh distribusi probabilitas X berada
di sebelah kiri titik M , sedangkan 50% sisanya berada di sebelah kanan titik M.
Apabila X merupakan distribusi yang simetris terhadap titik x = c, maka mean
dan median dari X adalah c.
Modus
Modus dari distribusi variabel random X merupakan sebarang titik m dimana
probabilitas atau fungsi kepadatan probabilitas f (x) memiliki nilai maksimal.
132
Untuk distribusi probabilitas diskrit, cukup dilihat pada titik mana pada grafik
distribusi probabilitas yang memiliki nilai terbesar, sedangkan untuk distribusi
probabilitas kontinu, kita dapat menggunakan teorema yang terdapat pada ilmu
kalkulus, yaitu dengan mengambil turunan pertama dari f (x) terhadap x dan
menyamadengankan nilainya dengan 0.
Contoh 5.16
Soal Ujian PAI Nomor 28 Periode Maret 2015
Diketahui ada 15 siswa di suatu taman kanak-kanak. Tinggi siswa dan siswi
tersebut (dalam cm) adalah 90, 92, 94, 97 ,98, 99, 100, 101, 102, 104, 105, 107,
108, 110, 112. Hitunglah persentil ke-90 dari data di atas.
Pembahasan:
Diketahui jumlah data adalah n = 15.
Persentil ke-90 adalah data ke 0, 9 × (n + 1) = 0, 9 × 16 = 14, 4.
Nilai dari data ke 14,4 adalah U14 + 0, 4(U15 − U14 )
dimana U14 adalah data ke-14 dan U15 adalah data ke-15.
Contoh 5.17
Soal Ujian PAI Nomor 10 Periode Maret 2016
Sebuah nilai kerugian X untuk sebuah asuransi malapraktik kesehatan mempunyai
distribusi kumulatif:
0 , x<0
3
1 x
F (x) = 2x3 − , 0≤x≤3
9 3
1
, x>3
Pembahasan:
d
f (x) = (F (x))
dx
x3
d 1 2
= 2x −
dx 9 3
1
= (4x − x2 ) , 0 ≤ x ≤ 3
9
E[u(X)]
P[u(X) ≥ e] ≤
e
Bukti diberikan ketika variabel random X adalah tipe kontinu, tetapi bukti dapat
disesuaikan dengan kasus diskrit jika kita mengganti integral dengan jumlahan.
Misalkan A = x; u(x) ≥ e dan misalkan f (x) menandakan PDF dari X. Maka:
Z ∞ Z Z
E[u(X)] = u(x)f (x) dx = u(x)f (x) dx + u(x)f (x) dx
−∞ A A∗
Karena setiap integral di anggota ekstrem ruas kanan dari persamaan sebelumnya
adalah non negatif, anggota ruas kiri lebih besar dari atau sama dengan salah satu
dari mereka.
Secara khusus, Z
E[u(X)] ≥ u(x)f (x) dx
A
134
Namun, jika x ∈ A dan u(x) ≥ c, maka anggota ruas kanan dari pertidaksamaan
sebelumnya tidak meningkat jika kita mengganti u(x) dengan c. Sehingga
Z
E[u(X)] ≥ e f (x) dx
A
dari Z
f (x) dx = P[X ∈ A] = P[u(X) ≥ e]
A
ini mengikuti
E[u(X)] ≥ P[u(X) ≥ e]
Contoh 5.18
Misalkan X variabel random dengan mean dan misalkan E[(X − µ)2 k] ada.
E[(X − µ)2k ]
Tunjukkan, dengan d > 0, bahwa P[|X − µ| ≥ d] ≤ .
d2k
Pembahasan:
Dengan menggunakan bukti teorema
E[(X − µ)2 ] σ2
P[(X − µ)2 ≥ k 2 σ 2 ] ≤ 2 2
= 2 2
k σ k σ
Ambil
P[|X − µ| ≥ d] = P[|X − µ|2k ≥ d2k ]
Contoh 5.19
Soal Ujian PAI Nomor 19 Periode November 2018
X adalah suatu variabel random dengan rataan 0 dan varians 4. Hitunglah nilai
terbesar yang mungkin dari P[|X| ≥ 8], sesuai dengan Chebyshevs inequality.
Pembahasan:
Diketahui µx = 0 ; σx2 = 4.
Kita akan menghitung P[|X| ≥ 8] dengan menggunakan Chebyshevs inequality.
1
P[|X − µz | ≥ k · σz ] ≥ 2
k
Berdasarkan rumus tersebut maka kita peroleh
P[|X| ≥ 8] = P[|X − µz | ≥ k · σz ]
= P[|X − 0| ≥ 4, 2]
Tentukanlah persentase dari klaim yang terletak dalam rentang nilai satu
standar deviasi dari median ukuran klaim.
t
f (t) = , 0 < t < 100
5000
Pada waktu yang sama dari kelahiran bayi , sebuah produk asuransi dirancang
untuk memiliki nilai kompensasi setara dengan (1, 1)t pada waktu t jika terjadi
kematian pada bayi. Hitung ekspektasi nilai pembayaran klaim pada produk
asuransi ini (cari nilai dengan pembulatan ratusan terdekat)!
P (X = k) = 15
0 , k lainnya
Berapa ekspektasi pembayaran manfaat rawat inap untuk polis asuransi ini
(ribu rupiah)?
dengan c adalah konstanta. Hitung nilai median dari manfaat pada polis
tersebut?
x(4 − x) , 0 < x < 3, x dalam rupiah
f (x) =
0 , x lainnya
Hitung besar total pembayaran untuk polis tersebut (dalam miliar rupiah) yang
diharapkan perusahaan asuransi.
f (x) = 10
0 , x lainnya
2
, x=0
3
p(x) = 1 , x=1
3
0 , x lainnya
x P[X = x]
0 0,3
50 0,1
200 0,1
500 0,2
1000 0,2
10000 0,1
Hitunglah selisih antara persentil ke-70 dengan persentil ke-30 dari X. (pembu-
latan terdekat)
BAB 6
DISTRIBUSI PROBABILITAS DISKRIT
Apabila diberikan suatu eksperimen acak, maka kita dapat memperoleh himpunan
dari semua hasil yang mungkin muncul dimana himpunan tersebut dikenal sebagai
ruang sampel. Catat bahwa objek-objek yang berada di dalam ruang sampel tidak
selalu berupa angka. Dengan demikian, kita perlu menggunakan ide dari variabel
random untuk menguantifikasi seluruh elemen-elemen kualitatif di dalam ruang
sampel.
f (0) = P[X = 0] = 1 − θ
f (1) = P[X = 1] = θ
142
143
X ∼ BER(θ)
Berikut ini adalah pembuktian dari sifat-sifat pada distribusi Bernoulli di atas.
E[X] = 1x=0 xf (x) = 1x=0 xθx (1 − θ)1−x = θ
P P
i
P1
iii MX (t) = E[etX ) = tX x
x=0 e θ (1 − θ)1−x = (1 − θ) + θet
Contoh 6.1
Hitunglah probabilitas dari munculnya mata dadu yang lebih besar atau sama
dengan 5 dalam sebuah percobaan pelemparan sebuah dadu 6 sisi.
Pembahasan:
Pada sebuah percobaan pelemparan dadu 6 sisi, diketahui bahwa ruang sampel
adalah {1, 2, 3, 4, 5, 6}. Pada kasus ini, kita akan kelompokkan elemen-elemen
dari ruang sampel ke dalam dua grup, yaitu {1, 2, 3, 4} dan {5, 6}. Apabila
mata dadu yang keluar berasal dari kelompok {1, 2, 3, 4}, maka dikatakan bahwa
kejadian tersebut adalah gagal, sedangkan apabila mata dadu yang keluar berasal
dari kelompok {5, 6}, maka dikatakan bahwa kejadian tersebut adalah berhasil.
Jadi, jelas bahwa percobaan ini termasuk ke dalam percobaan Bernoulli dengan
4 2
P[X = 0] = P[gagal] = dan P[X = 1] = P[berhasil] =
6 6
144
Dengan demikian, probabilitas dari munculnya mata dadu yang lebih besar atau
sama dengan 5 adalah 26 .
Contoh 6.2
Soal Ujian PAI Nomor 3 Periode Juni 2016
Sebuah studi selama periode satu tahun dilakukan untuk menginvestigasi kondisi
kesehatan dari dua grup yang saling bebas yang mana dalam tiap grup terdapat
10 pemegang polis. Probabilitas bahwa partisipan individual dalam suatu grup
mengundurkan diri sebelum berakhirnya studi ialah sebesar 0,2 (saling bebas
terhadap peserta lainnya). Berapa probabilitas bahwa terdapat sedikitnya 9
partisipan yang berhasil menyelesaikan studi ini di salah satu grup, tetapi tidak di
kedua grup?
Pembahasan:
Diketahui:
• X1 ialah anggota grup 1
• X2 ialah anggota grup 2
• P[X1 ≥ 9, X2 < 9] = P[X1 ≥ 9] · P[X2 < 9]
145
Contoh 6.3
Soal Ujian PAI Nomor 15 Periode Juni 2016
Sebuah pesawat kecil memiliki 30 tempat duduk. Probabilitas bahwa seorang
penumpang tidak datang pada suatu penerbangan adalah 0,1, yang mana diketahui
saling bebas. Perusahaan menerapkan kebijakan untuk menjual 32 tiket. Berapa
probabilitas bahwa akan datang lebih banyak penumpang daripada kursi pener-
bangan yang tersedia?
Pembahasan:
X ialah jumlah penumpang yang datang pada suatu penerbangan.
146
X ∼ BIN (n = 32, θ = 0, 1)
32
P[X = 31] = (1 − 0, 1)31 (0, 1)1
21
= 32(0, 9)31 (0, 1)
= 0, 1220865
∼
= 0, 1221
32
P[X = 32] = (1 − 0, 1)32 (0, 1)0
32
= 32(0, 9)32
= 0, 0343368
∼
= 0, 0343
Contoh 6.4
Soal Ujian PAI Nomor 12 Periode April 2019
Seorang insinyur mobil menyatakan bahwa 1 dari 10 kecelakaan mobil disebabkan
oleh faktor kelelahan si pengemudi. Dengan menggunakan distribusi Binomal
dan dengan pendekatan 4 desimal, berapa probabilitas bahwa setidaknya 3 dari
5 kecelakaan mobil disebabkan oleh pengemudi yang lelah?
Pembahasan:
Misal X menyatakan kecelakaan mobil yang disebabkan oleh faktor kelelahan si
pengemudi. Diketahui bahwa X ∼ BIN (n = 5, θ = 0, 1)
5
P[X = 4] = (0, 1)4 (0, 9)1 = 0, 00045
4
5
P[X = 5] = (0, 1)5 = 0, 00001
5
Dengan demikian kita peroleh:
Berikut ini adalah pembuktian dari sifat-sifat pada distribusi Binomial di atas.
Pertama, kita akan menentukan fungsi pembangkit momen dari distribusi
Binomial, yaitu: MX (t) = E[etX ]
n
X n x
= etx
θ (1 − θ)n−x
x
x=0
n
X n
= (θet )x (1 − θ)n−x
x
x=0
= [(1 − θ) + θet ]n
dan
00
E[X 2 ] = MX (0) = n(n − 1)θ2 + nθ
Contoh 6.5
Jika X adalah banyaknya angka “6” yang muncul pada pelemparan sebuah dadu 6
sisi sebanyak 72 kali, maka dapatkan ekspektasi dari X 2 !
Pembahasan:
X memiliki distribusi Binomial dengan n = 72, dan θ = 16 . Artinya, E[X] =
nθ = 12 dan V ar(X) = nθ(1 − θ) = 10. Dengan demikian diperoleh E[X 2 ] =
V ar(X) + E[X]2 = 10 + 122 = 154.
Contoh 6.6
Soal Ujian PAI Nomor 6 Periode November 2014
Misalkan seorang peserta pertandingan memanah mempunyai kemampuan tepat
mengenai sasaran adalah 65% dan mengambil n = 5 percobaan memanah sasaran.
Misalkan X menunjukkan banyaknya percobaan tepat memanah sasaran dimana
X mempunyai distribusi Binomial. Hitunglah P[X > E[X]].
Pembahasan:
Diketahui X ∼ BIN (n = 5, θ = 0, 65)
Contoh 6.7
Soal Ujian PAI Nomor 10 Periode Maret 2015
Diketahui X memiliki distribusi Binomial dengan E[X] = 8 dan standar deviasi
√
σx = 4, 8. Hitunglah P[X = 10]!
149
Pembahasan:
Jika X berdistribusi Binomial dengan parameter n dan θ, maka kita peroleh:
E[X] = nθ = 8
V ar[X] = nθ(1 − θ) = 4, 8
4,8
Dari sini kita peroleh (1 − θ) = 8 = 0, 6 ⇒ θ = 0, 4
Pembahasan:
Kita akan menunjukkan bahwa ∞
P
x=0 f (x) = 1, yaitu
∞ ∞ −λ x ∞
X X e λ −λ
X λx
f (x) = =e = e−λ eλ = 1
x! x!
x=0 x=0 x=0
Berikut ini adalah pembuktian dari sifat-sifat pada distribusi Poisson di atas.
Pertama, kita akan menentukan fungsi pembangkit momen dari distribusi Poisson,
yaitu: MX (t) = E[etX ]
∞
X e−λ λx
= etx
x!
x=0
∞
X λx
= e−λ etx
x!
x=0
∞
X (et λ)x
= e−λ
x!
x=0
−λ λet
=e e
λ(et −1)
=e
0 (t) = λet eλ(e t −1) 0 (0) = λ
Dengan demikian diperoleh MX , dan E[X] = MX
00 t −1) t −1)
MX (t) = λet eλ(e + (λet )2 eλ(e
dan
00
E[X 2 ] = MX (0) = λ2 + λ
Contoh 6.9
Asumsikan bahwa jumlah pukulan sukses, X, dalam suatu permainan baseball
1
berdistribusi Poisson. Jika probabilitas tidak terjadi pukulan sukses adalah 10.000 ,
dapatkan probabilitas terjadinya 4 atau lebih pukulan sukses.
Pembahasan:
e−λ λ0 1
P[X = 0] = = e−λ = → λ = ln 10.000.
0! 10.000
P[X ≥ 4] = 1 − (P[X = 0] + P[X = 1] + P[X = 2] + P[X = 3])
−λ 0
e−λ λ1 e−λ λ2 e−λ λ3
e λ
=1− + + +
0! 1! 2! 3!
ln 10.000 (ln 10.000)2 (ln 10.000)3
1
=1− + + +
10.000 10.000 2(10.000) 6(10.000)
= 0.9817
Contoh 6.10
Soal Ujian PAI Nomor 25 Periode Maret 2015
Sebuah perusahaan membeli polis untuk mengasuransikan pendapatan mereka bila
ada kejadian yang tidak diinginkan, seperti banjir, yang menyebabkan mereka
harus menutup bisnisnya di hari tersebut. Polis ini tidak membayarkan klaim pada
kejadian pertama, tetapi akan membayarkan sebanyak USD 10.000 pada setiap
kejadian untuk kejadian kedua dan selanjutnya sampai akhir tahun. Banyaknya
kejadian banjir yang menyebabkan mereka harus menutup bisnisnya selama
setahun memiliki distribusi Poisson dengan rata-rata 1,5. Berapakah ekspektasi
jumlah klaim yang dibayarkan kepada perusahaan ini dalam kurun waktu 1 tahun?
Pembahasan:
Misalkan X menyatakan jumlah klaim yang akan dibayarkan kepada perusahaan
dalam kurun waktu 1 tahun, maka ekspektasi dari X adalah
∞
X e−1,5 (1, 5)x
E[X] = 10.000 (x − 1)
x!
x=2
∞ ∞
" #
X xe−1,5 (1, 5)x X e−1,5 (1, 5)x
= 10.000 −
x! x!
x=2 x=2
152
(1, 5)e−1,5
−1,5
= 10.000 1, 5 − − (1 − e (1 + 1, 5))
1
= 7231, 301601
≈ 7231
Contoh 6.11
Soal Ujian PAI Nomor 2 Periode Juni 2015
Manakah dari pilihan di bawah ini yang benar menurut distribusi Poisson:
(a) Fungsi probabilitasnya adalah
λk
P[Z = k] = e−λ untuk k = 0, 1, 2, 3, · · · dan λ≥0
k!
Z adalah variabel random dengan parameter λ.
(b) Varians sama dengan rata-rata (mean).
(c) Jika tingkat rata-rata dari satu tahun adalah λ = 0, 5, maka tingkat rata-rata
dari dua tahun adalah: λ(2) = 2
A. Semua benar
B. I dan II
C. II dan III
D. I dan III
E. Hanya pernyataan II
Pembahasan:
I. Jika diketahui suatu distribusi Poisson, maka fungsi probabilitasnya adalah
λk
P[Z = k] = e−λ , dengan k = 0, 1, 2, · · · dan λ > 0. Jadi pernyataan I
k!
salah
II. Ekspektasi Z, yaitu E[Z] = λ, dan untuk varians dari Z adalah V ar(Z) =
λ. Jadi, jika Z mengikuti distribusi Poisson, maka variansnya sama dengan
rata-rata. Dengan demikian pernyataan II. benar.
III. Jika tingkat rata-rata satu tahun adalah λ = 0, 5, maka tingkat rata-rata dari
2 tahun adalah 2(0, 5) = 1. Jadi pernyataan III. salah.
Jawab E.
153
Contoh 6.12
Soal Ujian PAI Nomor 12 Periode Maret 2016
Seorang aktuaris menemukan bahwa probabilitas pemegang polis untuk menga-
jukan dua klaim asuransi adalah tiga kali dari probabilitas untuk mengajukan
empat klaim asuransi. Jika banyaknya klaim tersebut berdistribusi Poisson, berapa
varians dari banyaknya klaim yang diajukan?
Pembahasan:
Misal X menyatakan banyak klaim asuransi.
Diketahui X ∼ P OI(λ) dan P[X = 2] = 3P[X = 4].
Untuk X ∼ P OI(λ), diberikan PDF-nya adalah:
e−λ λx
P[X = x] =
x!
Dengan demikian diperoleh persamaan:
P[X = 2] = 3P[X = 4]
e−λ λ2 e−λ λ4
=
2! 4!
4! λ4
= 2
2!(3) λ
4 = λ2
Diperoleh λ = 2
Untuk X ∼ P OI(λ), nilai variansnya adalah V ar[X] = λ = 2
f (x) = (1 − p)x−1 p
Oleh karena itu, fungsi kepadatan probabilitas dari X pada percobaan ini adalah
f (x) = (1 − p)x−1 p
Contoh 6.13
Tunjukkan bahwa fungsi yang didefinisikan sebagai f (x) = (1 − p)x−1 p, untuk
x = 1, 2, · · · , dan p adalah parameter merupakan sebuah fungsi kepadatan
probabilitas (probability density function).
Pembahasan:
∞
X
Kita akan menunjukkan bahwa f (x) = 1.
x=1
155
Berikut ini adalah pembuktian dari sifat-sifat pada distribusi Geometrik di atas.
Pertama, kita akan menentukan fungsi pembangkit momen dari distribusi
Geometrik, yaitu :MX (t) = E[etX ]
X∞
= etx (1 − p)x−1 p
x=1
X∞
=p et(y+1) (1 − p)y , di mana y = x − 1
y=0
∞
t
X y
= pe et (1 − p)
y=0
pet
= , apabila t < − ln(1 − p)
1 − (1 − p)et
dan
0 1
E[X] = MX (0) =
p
dan
00 p3 + 2p2 (1 − p) 2−p
E[X 2 ] = MX (0) = =
p4 p2
2−p 1 1−p
V ar[X] = E[X 2 ] − (E[X])2 = − 2 =
p2 p p2
156
Contoh 6.14
Dalam pelemparan dadu enam sisi yang seimbang, hitunglah probabilitas
munculnya mata dadu “1” untuk pertama kali ketika telah dilakukan percobaan
pelemparan dadu sebanyak “t” kali.
Pembahasan:
Probabilitas muncul mata dadu “1” pada pelemparan pertama adalah 16 . Proba-
bilitas muncul mata dadu “1” pada pelemparan kedua adalah 56 · 16 . Artinya,
probabilitas muncul mata dadu “1” pertama kali setelah pelemparan ke “t” adalah
5 t−1 1
6 6 .
Contoh 6.15
Probabilitas bahwa sebuah mesin memproduksi barang cacat adalah 0,02. Setiap
barang yang diproduksi akan melalui proses cek. Asumsikan bahwa proses
produksi tiap-tiap barang merupakan percobaan yang independen. Hitunglah
probabilitas bahwa paling sedikit 100 barang harus dicek agar mendapatkan barang
cacat untuk pertama kalinya.
Pembahasan:
Misalkan X menyatakan jumlah percobaan yang dilakukan sampai ditemukan
barang cacat untuk pertama kalinya. Catat bahwa dalam kasus ini, parameter yang
digunakan adalah p = 0, 02. Dengan demikian kita akan mencari P[X ≥ 100],
yaitu:
X∞
P[X ≥ 100] = f (x)
x=100
∞
X
= (1 − p)x−1 p
x=100
157
∞
X
99
= (1 − p) (1 − p)y p
x=100
99
= (1 − p)
= (0, 98)99
= 0, 1353
Jadi, probabilitas bahwa paling sedikit 100 barang harus dicek agar mendapatkan
barang cacat untuk pertama kalinya adalah 0.1353.
Contoh 6.16
Soal Ujian PAI Nomor 15 Periode Maret 2016
Sebagai bagian dari proses underwriting asuransi kesehatan, setiap pemegang
polis diharuskan menjalani pemeriksaan hipertensi. Misalkan X, ialah variabel
random banyaknya tes yang harus dijalani sampai ditemukan satu orang penderita
hipertensi. Diketahui rata-rata dari X adalah 12,5. Berapa probabilitas bahwa
orang keenam yang akan dites ialah orang pertama yang menderita hipertensi?
Pembahasan:
Misal X adalah variabel random yang menunjukkan banyak tes yang harus dijalani
sampai ditemukan satu orang penderita hipertensi.
Diketahui X ∼ GEO(k = 6, p) dan E[X] = 12, 5
Untuk X yang mengikuti distribusi geometrik diperoleh:
1
E[X] = = 12, 5
p
1
Dari sini kita peroleh p = = 0, 08
12, 5
Kita akan menghitung P[X = 6]
158
Contoh 6.17
x−1 r
Tunjukkan bahwa fungsi yang didefinisikan sebagai f (x) = p (1 −
r−1
p)x−r , untuk x = r, r + 1, r + 2, · · · dan p adalah parameter merupakan sebuah
fungsi kepadatan probabilitas (probability density function).
Pembahasan:
Kita akan menunjukkan bahwa ∞
P
x=1 f (x) = 1. Dengan demikian diperoleh:
∞ ∞
X X x−1 r
f (x) = p (1 − p)x−r
x=r x=r
r − 1
∞
r
X x−1
=p (1 − p)x−r
x=r
r − 1
= pr (1 − (1 − p))−r
= pr p−r
=1
159
Berikut ini adalah pembuktian dari sifat-sifat pada distribusi Negatif Binomial di
atas.
Pertama, kita akan menentukan fungsi pembangkit momen dari distribusi Negatif
Binomial, yaitu:
∞
X
M (t) = etx f (x)
x=r
∞
X x−1 r
tx
= e p (1 − p)x−r
x=r
r − 1
∞
t(x−r) tr x − 1
X
r
=p e e (1 − p)x−r
x=r
r − 1
∞
r tr
X x − 1 t(x−r)
=p e e (1 − p)x−r
x=r
r − 1
∞
r tr
X x−1 t x−r
=p e e (1 − p)
x=r
r−1
= pr etr [1 − (1 − p)et ]−r
r
pet
= , jika t < − ln(1 − p).
1 − (1 − p)et
Untuk pembuktian mean dan varians dari distribusi Negatif Binomial, kita dapat
gunakan cara yang sama seperti yang telah dijelaskan pada distribusi-distribusi
sebelumnya. Oleh karena itu, penulis meninggalkan pembuktian tersebut kepada
pembaca sebagai bahan latihan.
Contoh 6.18
Dalam sebuah percobaan pelemparan sebuah dadu 6 sisi seimbang, dapatkan
probabilitas munculnya mata dadu “1” yang ke-3 dalam “X” kali percobaan
pelemparan dadu.
160
Pembahasan:
Soal ini merupakan suatu persoalan yang dapat diselesaikan dengan menggunakan
distribusi Negatif Binomial dengan parameter r = 3 dan p = 16 , dimana dalam hal
ini kita mencari jumlah percobaan hingga diperoleh keberhasilan yang ketiga. Jika
X adalah jumlah percobaan yang terjadi hingga diperoleh kesuksesan yang ketiga,
maka X memiliki distribusi Negatif Binomial dengan r = 3 dan p = 16 . Dengan
demikian, probabilitas dari X = x adalah
x−1 r
P[X = x] = p (1 − p)x−r
r−1
x − 1 13 1 x−3
= 1−
3−1 6 6
3 x−3
x−1 1 5
=
2 6 6
Contoh 6.19
Pada percobaan pelemparan sebuah koin, ada dua kemungkinan hasil, yaitu
munculnya bagian muka (dinotasikan dengan M ) dan bagian belakang
(dinotasikan dengan B). Hitunglah probabilitas bahwa bagian muka telah
muncul tepat sebanyak lima kali pada percobaan ke-10 dari pelemparan koin
tersebut. (Catat bahwa antara pelemparan koin yang satu dengan yang lain saling
bebas/independen)
Pembahasan:
Misalkan X menyatakan jumlah percobaan yang dibutuhkan untuk mendapatkan
kemunculan bagian muka ke-5. Dengan demikian X mengikuti distribusi negatif
Binomial dengan r = 5 dan p = 12 . Dengan demikian kita peroleh
10 − 3 5
P[X = 10] = p (1 − p)10−5
5−1
5 5
9 1 1
=
4 2 2
10
9 1
=
4 2
63
=
512
161
Pada kasus ini, kita ingin mendapatkan probabilitas bahwa tepat x buah
objek terambil dari kelompok I. Dengan demikian, apabila x dari r objek terambil
dari kelompok I, maka r − x objek haruslah terambil dari kelompok II. Oleh
karena itu, terdapat nx1 cara untuk memilih x objek dari kelompok I, dan r−xn2
dimana x ≤ r1 , x ≤ n1 , dan r − x ≤ n2 .
X ∼ HY P (n1 , n2 , r)
r−1 n1 −1
n2
X y r−1−y
n1 +n2 −1
= 1.
y=0 r−1
Contoh 6.20
Suatu keranjang terdiri dari kelereng berwarna biru sebanyak 6 dan kelereng
merah sebanyak 4. Akan diambil 6 kelereng secara acak tanpa pengembalian dari
keranjang tersebut. Jika X adalah banyaknya kelereng merah yang terambil, maka
dapatkan standar deviasi dari X!
Pembahasan:
Soal ini merupakan permasalahan hipergeometrik dengan n1 = 6, n2 = 4, dan
r = 6. Probabilitas dari X adalah
6
4
x 6−x
f (x) = 10
, dengan x = 0, 1, 2, 3, 4, 5, 6.
6
n1 n2 n1 + n2 − r 6 4 4
V ar(X) = r =6 = 0, 64.
n1 + n2 n1 + n2 n1 + n2√− 1 10 10 9
Dengan demikian, standar deviasinya adalah 0, 64 = 0, 8.
Contoh 6.21
Sebuah sampel acak dengan jumlah 5 orang diambil dari total populasi 300 orang
tanpa pengembalian. Setiap orang yang diambil secara acak tersebut akan ditanya
apakah ia merokok atau tidak. Misalkan diketahui jika 50% dari orang-orang
sebenarnya adalah perokok, sedangkan sisanya tidak pernah merokok sama sekali.
Hitunglah probabilitas bahwa 2 dari 5 orang yang dipilih secara acak tersebut
adalah perokok.
Pembahasan:
Misalkan X menyatakan jumlah orang dalam sampel dan mereka adalah perokok.
Dengan demikian, probabilitas bahwa 2 dari 5 orang yang dipilih secara acak
tersebut adalah perokok adalah
150 150
2
P[X = 2] = 300
3 = 0, 3146
5
164
Contoh 6.22
Sebuah pabrik yang memproduksi radio memiliki kapasitas produksi sebesar 200
buah radio setiap harinya. Apabila diketahui, pada suatu hari produksi, jumlah
radio yang mengalami cacat produksi adalah 3 buah, sedangkan 197 di antaranya
normal. Pada hari tersebut, tim kontrol kualitas produksi mencoba untuk memilih
4 radio secara acak untuk dilakukan proses cek. Hitunglah probabilitas bahwa
terdapat 2 buah radio cacat produksi yang terambil dari total 4 sampel radio yang
dipilih secara acak tersebut.
Pembahasan:
Probabilitas bahwa terdapat 2 buah radio cacat produksi yang terambil dari total 4
sampel radio yang dipilih secara acak adalah
3 197
2 2
P[X = 2] = 200
= 0, 000895
4
Contoh 6.23
Sebuah percobaan pelemparan sebuah dadu 6 sisi yang seimbang memiliki
kemungkinan hasil sebanyak k = 6, dengan probabilitas muncul setiap mata dadu
adalah pi = 16 , untuk i = 1, 2, 3, 4, 5, 6. Apabila percobaan tersebut diulang
sebanyak n kali, di mana Xi menunjukkan jumlah pelemparan yang dilakukan
untuk menghasilkan mata dadu ke-i, maka distribusi dari X1 , X2 , · · · , X6
mengikuti distribusi Multinomial. Sebagai contoh, apabila diberikan n = 10,
maka probabilitas munculnya mata dadu 1 sebanyak 2 kali, mata dadu 2 sebanyak
1 kali, mata dadu 3 sebanyak 0 kali, mata dadu 4 sebanyak 3 kali, mata dadu 5
sebanyak 1 kali, dan mata dadu 6 sebanyak 3 kali adalah
2 1 0 3 1 3
10! 1 1 1 1 1 1
p(2, 1, 0, 3, 1, 3) =
2!1!0!3!1!3! 6 6 6 6 6 6
166
dari polis dengan risiko rendah berdistribusi Poisson dengan rata-rata 0,2,
dan banyaknya klaim per tahun yang terjadi pada polis dengan risiko tinggi
berdistribusi Poisson dengan rata-rata 1,5. Sebuah polis dipilih secara acak
dari portofolio. Berapa probabilitas terjadinya tepat satu klaim pada portofolio
ini pada suatu tahun?
yang mendengarkan isu tersebut adalah orang ke-10 yang akan mempercayai
isu itu.
x−1 k
b(x; k, θ) = θ (1 − θ)x−k untuk x = k, k + 1, k + 2
k−1
13. Diketahui probabilitas bahwa sebuah mesin dalam pabrik akan mengalami
kerusakan pada suatu hari tertentu adalah 0,20. Catat bahwa kerusakan
mesin pada satu hari independen terhadap kerusakan mesin pada hari lainnya.
Hitunglah probabilitas bahwa mesin tersebut akan mengalami kerusakan
sebanyak dua kali atau lebih dalam 10 hari.
15. Sebuah dadu dilempar terus-menerus hingga mata dadu 2 muncul. Apabila
X adalah jumlah percobaan yang diperlukan untuk mendapatkan mata dadu 2
untuk pertama kalinya, dapatkan nilai terkecil dari x sedemikian hingga P[X ≤
x] ≥ 12 .
169
16. Sebuah kotak berisi 10 kelereng berwarna putih dan 15 kelereng berwarna
hitam. Misalkan X menyatakan banyaknya kelereng putih yang terambil
dari pengambilan acak sejumlah 10 kelereng tanpa pengembalian. Hitunglah
V ar[X]
E[X] .
17. Sebuah ujian berjenis pilihan ganda memiliki total 10 pertanyaan, dimana
setiap pertanyaan terdiri atas 5 pilihan jawaban (dengan tepat satu jawaban
yang benar untuk masing-masing pertanyaan). Seorang siswa mengambil
ujian tersebut dan diminta untuk menjawab seluruh pertanyaan di dalamnya.
Dapatkan probabilitas bahwa siswa tersebut mendapatkan sedikitnya jumlah
jawaban yang benar sama seperti yang dia harapkan apabila ia menjawab
seluruh pertanyaan secara acak.
18. Seorang analis kecelakaan kendaraan bermotor menunjukkan bahwa satu dari
empat kecelakaan akan berakibat pada terjadinya klaim asuransi kendaraan
bermotor. Pada serangkaian kecelakaan kendaraan bermotor yang saling bebas,
dapatkan probabilitas bahwa sedikitnya satu kecelakaan yang mengakibatkan
terjadinya klaim asuransi merupakan salah satu dari tiga kecelakaan pertama.
BAB 7
DISTRIBUSI PROBABILITAS KONTINU
Pada bab 6, kita telah mempelajari mengenai distribusi probabilitas diskrit. Saat
ini, di bab 7, kita akan membahas mengenai beberapa distribusi probabilitas
kontinu. Penjelasan mengenai distribusi probabilitas kontinu ini sangat penting
karena distribusi ini sering diaplikasikan pada beberapa kasus matematika.
x−a
F (x) = P[X ≤ x] =
b−a
Untuk mendapatkan fungsi kepadatan probabilitas dari CDF yang telah didefin-
isikan di atas, maka kita gunakan turunan pertama dari CDF. Oleh karena itu,
diperoleh
1
f (x) = F 0 (x) =
b−a
untuk a ≤ x ≤ b.
170
171
Sehingga didapatkan
0 , x<a
x − a
F (x) = , a≤x≤b
x − b
1 , x>b
Berikut ini adalah pembuktian dari sifat-sifat pada poin a, b, dan c dari distribusi
seragam di atas.
Z b
E[X] = xf (x) dx
a
Z b
1
= x
dx
a b − a
2 b
1 x
=
b−a 2 a
1
= (b + a)
2
Z b
2
E[X ] = x2 f (x) dx
a
Z b
1
= x2
dx
a b−a
3 b
1 x
=
b−a 3 a
1 b3 − a3
=
b−a 3
1 (b − a)(b2 + ba + a2 )
=
(b − a) 3
1 2
= (b + ba + a2 ).
3
Oleh karena itu, diperoleh varians pada distribusi seragam sebagai berikut:
1
= [4b2 + 4ba + 4a2 − 3a2 − 3b2 − 6ba]
12
1
= [b2 − 2ba + a2 ]
12
1
= (b − a)2 .
12
Contoh 7.1
Misalkan X memiliki distribusi seragam pada interval (0, a), dengan a > 0.
Dapatkan P[X > X 2 ]!
Pembahasan:
Jika a ≤ 1, maka X > X 2 akan selalu benar untuk 0 < X < a, sehingga,
P[X > X 2 ] = 1.
174
Jika a > 1, maka X > X 2 hanya jika X < 1, yang mana memiliki probabilitas
Z 1 Z 1
1 1
P[X < 1] = f (x) dx = dx = .
0 0 a a
Contoh 7.2
1 2
Misalkan Y memiliki distribusi seragam pada interval (0, 1) dan Y = 4X .
Dapatkan fungsi kepadatan probabilitas dari variabel random X.
Pembahasan:
Kita akan mendapatkan fungsi kepadatan probabilitas dari X dengan menggu-
nakan CDF dari Y . Mula-mula, kita akan mencari terlebih dahulu CDF dari X,
yaitu
1 2 1 2
2 1 2
2
F (x) = P[X ≤ x] = P[X ≤ x ] = P X ≤ x = P Y ≤ x
4 4 4
1 2 1 2
Z4 x Z4 x
1
= f (y) dy = dy = x2
4
0 0
Contoh 7.3
Misalkan X adalah variabel random yangberdistribusi
seragam pada suatu interval
10
antara 0 sampai dengan 10. Dapatkan P X + ≥7 .
X
175
Pembahasan:
10
P X+ ≥ 7 = P[X 2 + 10 ≥ 7X]
X
= P[X 2 − 7X + 10 ≥]
= P[(X − 5)(X − 2) ≥ 0]
= P[X ≤ 2 atau X ≥ 5]
= 1 − P[2 ≤ X ≤ 5]
Z5
=1− f (x) dx
2
Z5
1
=1− dx
10
2
3
=1−
10
7
=
10
Contoh 7.4
Soal Ujian PAI Nomor 23 Periode November 2014
Misalkan X adalah variabel acak berdistribusi seragam pada interval (1, a) dimana
a > 1. Jika E[X] = 3V ar[X] maka nilai a adalah:
Pembahasan:
1
Diketahui f (x) = , dengan a > 1
a−1
a+1
E[X] =
2
dan
(a − 1)2 a2 − 2a + 1
V ar[X] = =
12 12
176
E[X] = 3V ar[X]
2
a+1 a − 2a + 1
=3
2 12
2(a + 1) = a2 − 2a + 1
2a + 2 = a2 − 2a + 1
a2 − 4a − 1 = 0
√
Nilai a yang memenuhi persamaan tersebut adalah a = 2 ± 5. Karena
√
disyaratkan a > 1, maka didapatkan a = 2 + 5
Apabila X adalah suatu variabel random kontinu dengan CDF F (X) yang selalu
naik, maka apabila kita definisikan suatu variabel random baru, yaitu Y = F (X),
maka variabel random akan memiliki distribusi seragam pada interval [0, 1].
Berikut ini adalah pembuktiannya.
Karena F (x) adalah fungsi yang selalu naik, maka invers dari fungsi tersebut
yaitu F −1 (x) ada. Kita akan menunjukkan bahwa fungsi kepadatan probabilitas
dari Y , yaitu g(y) akan bernilai 1. Pertama-tama, kita akan mencari CDF dari Y ,
yaitu G(y), sebagai berikut
g(y) = G0 (y) = 1
dimana z > 0. Berikut ini adalah beberapa sifat dari fungsi Gamma.
• Γ(1) = 1
√
• Γ 21 = π
• Γ(z) = (z − 1)Γ(z − 1), untuk sebarang bilangan riil z > 1
√
• Γ − 21 = 2 π
• Γ(n + 1) = nΓ(n) = n!
Contoh 7.5
5
Dapatkan nilai dari Γ .
2
Pembahasan:
3√
5 3 1 1
Γ = · ·Γ = π
2 2 2 2 4
Berikut ini adalah pembuktian dari sifat-sifat pada distribusi Gamma di atas.
M (t) = E[etX ]
Z ∞
1 x
= α
xα−1 e− α etx dx
Γ(α)θ
Z0 ∞
1 1
= α
xα−1 e− θ (1−θt)x dx
Γ(α)θ
Z0 ∞
1 θα 1
= α α
y α−1 e−y dy, dimana y = (1 − θ)x
0 Γ(α)θ (1 − θt) θ
Z ∞
1 1 α−1 −y
= y e dy
(1 − θt)α 0 Γ(α)
1
= , karena integrannya merupakan GAM (1, α).
(1 − θt)α
E[X] = M 0 (0) = θα
Dengan cara yang sama, turunan kedua dari fungsi pembangkit momen adalah
d
M 00 (t) = αθ(1 − θt)−(θ+1)
dt
= αθ(α + 1)θ(1 − θt)−(θ+2)
= α(α + 1)θ2 (1 − θt)−(θ+2) .
Contoh 7.6
Apabila diberikan X ∼ GAM (θ = 1, α = 1), dapatkan probabilitas bahwa X
berada di antara mean dan mediannya.
179
Pembahasan:
Karena X ∼ GAM (θ = 1, α = 1), maka fungsi kepadatan probabilitas dari X
adalah
e−x , apabila x > 0
f (x) =
0 , untuk x lainnya
E[X] = θα = 1
Z1
1 e−2
P[ln 2 ≤ X ≤ 1] = e−x dx = e− ln 2 − =
e 2e
ln 2
Contoh 7.7
Soal Ujian PAI Nomor 18 Periode November 2017
Seorang aktuaris menentukan besar klaim untuk kelas kejadian tertentu sebagai
suatu variabel random, X, dengan fungsi pembangkit momen sebagai berikut:
1
Mz (t) =
(1 − 2500t)4
Tentukan standar deviasi atas besar klaim untuk kelas kejadian ini.
Pembahasan:
Cara I:
X ∼ GAM (α = 4, θ = 2500)
V ar(X) = αθ2 = 4(2500)2 = 25.000.000
p
σx = V ar(X) = 5000
180
Cara II:
d 1
Mx0 (0)
E[X] = = 4
(1 − 2500t) t=0
dt
= (−4)(−2500)(1 − 2500t)−5
t=0
−5
= 10.000(1 − 2500t)
= 10.000
d
E[X 2 ] = (10.000(1 − 2500t)−5 )
dt t=0
= 10.000(−5)(−2500)(1 − 2500t)−6
t=0
= 10.000(12.500)(1 − 2500(0))−6
= 125.000.000
1 e− xθ
, x>0
f (x) = θ
0 , untuk x lainnya
181
Berdasarkan fungsi kepadatan probabilitas yang tertera pada definisi di atas, dapat
diperoleh fungsi distribusi kumulatif (CDF) dari distribusi eksponensial adalah
x
F (x) = 1 − e− θ untuk x ≤ 0
Adapun grafik dari fungsi kepadatan probabilitas dan fungsi distribusi kumulatif
dari distribusi eksponensial adalah sebagai berikut:
Contoh 7.8
Variabel random T memiliki distribusi eksponensial sedemikian hingga
P[T ≤ 2] = 2P[T > 4]. Dapatkan V ar(T )!
Pembahasan:
Misalkan T memiliki mean λ1 , maka P[T ≤ 2] = 1 − e−2λ = 2P[T > 4] =
2e−4λ ⇒ 2x2 + x − 1 = 0, dimana x = e−2λ . Apabila dilakukan penyelesaian
pada persamaan kuadrat tersebut, maka diperoleh x = 12 atau x = −1. Dengan
mengabaikan akar negatifnya, diperoleh e−2λ = 12 . Artinya, λ = 12 ln 2.Sehingga,
diperoleh V ar(T ) = λ12 = (ln42)2 .
182
Contoh 7.9
Soal Ujian PAI Nomor 6 Periode Juni 2016
Lama waktu untuk sebuah komponen elektronik rusak mempunyai distribusi
eksponensial dengan median waktu 4 jam. Berapa probabilitas bahwa sebuah
komponen akan bekerja dan tidak rusak untuk setidaknya 5 jam?
Pembahasan:
X adalah waktu komponen elektronik rusak.
X ∼ EXP
xmed = 4
z
FX (x) = 1 − e− θ
zmed
FX (xmed ) = 1 − e− θ = 0, 5
− θ4
FX (4) = 1 − e = 0, 5
−4
θ=
ln 0, 5
θ = 5, 77078
∼
= 5, 77
SX (5) = 1 − FX (5)
− 5
= 1 − 1 − e 5,77
5
− 5,77
=e
= 0, 420399
∼ 0, 42
=
Contoh 7.10
Soal Ujian PAI Nomor 13 Periode November 2016
Lamanya waktu penggunaan suatu printer dengan biaya 200 ribu rupiah memiliki
distribusi eksponensial dengan rata-rata sebesar 2 tahun. Pemilik pabrik setuju
untuk membayar ganti rugi penuh jika sebuah printer rusak dalam satu tahun
pertama sejak masa pembelian, dan membayar ganti rugi setengahnya jika printer
rusak di tahun kedua. Jika pengusaha berhasil menjual 100 printer, berapa
ekspektasi pengusaha membayar ganti rugi?
183
Pembahasan:
X adalah waktu penggunaan sebuah printer hingga rusak.
X ∼ EXP (θ = 2)
Z 1 Z 2
1 −z 1 −z
E[X] = 200 e 2 dx + 100 e 2 dx
0 2 1 2
Z 1 Z 2
1 −z 1 −z
= 200 e 2 dx + 100 e 2 dx
2 1 2
0
1
1
= 200 1 − e− 2 + 100 e− 2 − e−1
1
= 200 − 100e− 2 − 100e−1
= 102, 5589899
E[100X] = 100E[X]
= 100(102, 589899)
= 10.255, 89899
= 10.256
1
r−2 x
r
( r ) x 2 e− 2 , x > 0
f (x) = Γ 2 2 2
0 , untuk x lainnya
dengan r > 0. Kita dapat tuliskan variabel random pada distribusi Chi-Square
sebagai X ∼ χ2 (r). Catat bahwa distribusi Chi-Square merupakan kasus khusus
dari distribusi Gamma, dengan α = 2r dan θ = 2. Sebagai tambahan, apabila
r → ∞, maka distribusi Chi-Square akan mendekati distribusi normal.
184
Contoh 7.11
Diberikan X ∼ GAM (1, 1), dapatkan fungsi kepadatan probabilitas dari variabel
random 2X.
Pembahasan:
Untuk mendapatkan fungsi kepadatan probabilitas dari variabel random 2X, kita
akan menggunakan metode pada fungsi pembangkit momen. Jika X berdistribusi
Gamma, maka fungsi pembangkit momennya adalah
α
1 1
MX (t) = dengan t <
1 − θt θ
Karena X ∼ GAM (1, 1), maka fungsi pembangkit momen dari X adalah
1
MX (t) =
1−t
Catat bahwa fungsi pembangkit momen (MGF) tersebut adalah MGF dari
distribusi Chi-Square dengan derajat kebebasan r = 2.
Contoh 7.12
Apabila X ∼ χ2 (5), dapatkan probabilitas bahwa X berada di antara 1.145 dan
12.83.
185
Pembahasan:
P[1.145 ≤ X ≤ 12.83]
= P[X ≤ 12.83] − P[X ≤ 1.145]
Z 12.83 Z 1.145
= f (x) dx − f (x) dx
0 0
Z 12.83 Z 1.145
1 5
−1 z2 1 5
−1 z
= 5x 2 e dx − 5 x 2 e 2 dx
5 5
0 Γ 2 22 0 Γ 2 22
= 0.9|75 − 0.050 (dari tabel χ2 )
= 0.925.
f (x) = θ
0 , untuk x yang lainnya
Buku pertamanya mengenai anuitas jiwa yang merupakan cikal bakal ilmu
aktuaria, serta buku kedua (Doctrine of Chances) yang merupakan buku awal
tentang teori probabilitas. Berikutnya, Pierre-Simon Laplace (1749-1827) mener-
apkan distribusi normal ke astronomi, serta Carl Friedrich Gauss (1777-1855)
menggunakan distribusi normal dalam studinya tentang masalah dalam fisika dan
astronomi.
Salah satu poin penting pada distribusi normal adalah teorema limit pusat
(central limit theorem / CLT) yang menyatakan bahwa mean dari sampel memiliki
distribusi normal apabila ukuran sampel menjadi sangat besar.
Pembuktian dari fungsi pembangkit momen distribusi normal dapat dilihat pada
bagian di bawah ini.
M (t) = E[etX )
Z ∞
= etx f (x) dx
Z−∞
∞
1 1 x−µ 2
= etx √ e− 2 ( σ ) dx
σ 2π
Z−∞
∞
1 1 2 2
= etx √ e− 2σ2 (x −2µx+µ ) dx
σ 2π
Z−∞
∞
1 1 2 2 2
= √ e− 2σ2 (x −2µx+µ −2σ tx) dx
σ 2π
Z−∞
∞
1 1 2 2
√ e− 2σ2 (x−µ−σ t) eµt+ 2 σ t dx
1 2 2
=
−∞ σ 2π
Z ∞
1 1 2 2
=e µt+ 12 σ 2 t2
√ e− 2σ2 (x−µ−σ t) dx
−∞ σ 2π
1 2 t2
= eµt+ 2 σ .
Untuk pembuktian dari mean, varians, median, serta modus distribusi normal,
kami tinggalkan kepada pembaca sebagai latihan.
Notasi dari variabel random normal standar X adalah X ∼ N (0, 1). Oleh
karena itu, fungsi kepadatan probabilitas dari distribusi normal standar adalah
1
f (x) = √ x2
2πe− 2
Contoh 7.13
Apabila X ∼ N (0, 1), dapatkan nilai konstanta c sedemikian hingga
P[|X| ≤ c] = 0, 95.
188
Pembahasan:
P[X ≤ c] = 0.975
Contoh 7.14
Misalkan X memiliki distribusi normal dengan rata-rata 1 dan varians 4, dapatkan
P[X ≤ 2.5].
Pembahasan:
x−1 2.5 − 1
P[X ≤ 2.5] = P √ ≤ √ = P[Z ≤ 0.75] = ∅(0.75) = 0.7734.
4 4
F (z) = P[Z ≤ z]
X −µ
=P ≤z
σ
= P[X ≤ σz + µ]
Z σz+µ
1 1 z−µ 2
= √ e− 2 ( σ ) dx
σ 2π
Z−∞
σ
1 1 2 x−µ
= √ σe− 2 w dw, dimana w = .
−∞ σ 2π σ
189
1 1 2
f (z) = F 0 (z) = √ e− 2 z .
2π
X−µ
Berikutnya, apabila X ∼ N (µ, σ 2 ), maka kemudian variabel random σ ∼
χ2 (1). Pembuktian dari teorema kami serahkan kepada pembaca sebagai latihan.
Contoh 7.15
Apabila X ∼ N (3, 16), dapatkan nilai probabilitas P[4 ≤ X ≤ 8].
Pembahasan:
4−3 X −3 8−3
P[4 ≤ X ≤ 8] = P ≤ ≤
4 4 4
= P[0.25 ≤ Z ≤ 1.25]
= P[Z ≤ 1.25) − P[Z ≤ 0.25]
= 0.8944 − 0.5987
= 0.2957
Contoh 7.16
Soal Ujian PAI Nomor 14 Periode November 2017
Misalkan X suatu variabel random kontinu dengan fungsi kepadatan probabilitas
sebagai berikut:
1 2
f (x) = √ e−x /2 , − ∞ < x < ∞
2π
Hitung E[X|X ≥ 0]!
Pembahasan: R∞
0 xf (x) dx
E[X|X ≥ 0] =
P[X ≥ 0]
P[X ≥ 0] = 0, 5
190
x2
Misal y = , maka dy = x dx.
2
(ln(x) − µ)2
1
√ exp ,x > 0
f (x) = xσ 2π 2σ 2
0, x ≤ 0
Contoh 7.17
Soal Ujian PAI Nomor 17 Periode November 2014
Andaikan X ∼ N (µ = −3, σ 2 = 4). Jika variabel random Y = eX , tentukan
standar deviasi untuk variabel random Y .
Pembahasan:
Jika X ∼ N (µ, σ 2 ), maka Y = ex ∼ LN (µ, σ 2 )
h 2
ih 2
i
V ar(Y ) = eσ −1 e 2µ+σ = [e4 − 1][e−6+4 ] = e2 − e−2 = 7, 2537
p √
σY = V ar(Y ) = 7, 2537
192
Contoh 7.18
Suatu variabel random X berdistribusi lognormal dan diketahui bahwa presentil
ke-33 nya adalah 4,759 serta persentil ke-67 nya adalah 11,473. Dapatkan varians
dari X!
1 2
Catatan: E[X] = eµ+ 2 σ dan E[X 2 ] = e2µ+2σ .
Pembahasan:
Berdasarkan catatan yang diberikan, kita harus mendapatkan µ dan σ 2
terlebih dahulu. Catat
bahwa CDF dari distribusi lognormal adalah
ln x−µ
FX (x) = Φ σ , dimana Φ adalah fungsi distribusi normal standar.
Dari tabel distribusi normal standar, dapat diketahui bahwa Φ(0, 44) = 0, 6700,
sehingga 0,44 adalah presentil ke-67 dari distribusi normal standar. Oleh
karena itu, Φ(−0, 44) = 1 − Φ(0, 44) = 1 − 0, 6700 = 0, 3300,
sehingga -0,44 adalah presentil ke-33 dari distribusi normal standar. Pada
soal, telah diberikan bahwa 11,473 adalah presentil ke-67 dari X, dan
ln 11,473−µ ln 11,473−µ
FX (11, 473) = Φ σ = 0, 67, yang mana σ = 0, 44.
Sehingga
ln 4, 759 − µ
= −0, 44
σ
= 255
193
Distribusi Pareto sering disebut dengan distribusi Pareto dua parameter. Distribusi
ini memiliki parameter α > 0 dan θ > 0. Berdasarkan fungsi kepadatan
probabilitasnya, dapat diperoleh fungsi distribusi kumulatif yakni
α
θ
FX (x) = 1 −
x+θ
Contoh 7.19
Perusahaan asuransi akan membayar uang kompensasi sebesar 80% dari total
kerugian sebesar X. Variabel random X tersebut memiliki fungsi kepadatan
probabilitas f (x) = 3.000.000
x4
untuk x > 100, dan f (x) = 0 untuk x ≤ 100.
Dapatkan standar deviasi dari jumlah yang dibayarkan oleh perusahaan asuransi
tersebut. Asumsikan bahwa variabel random X berdistribusi Pareto.
Pembahasan:
Jika Y adalah jumlah yang dibayar oleh perusahaan asuransi, maka Y = 0.8X.
Sehingga, V ar(Y ) = (0.8)2 V ar(X),
p p
dan (V ar(Y ) = (0.8) (V ar(X) · V ar(X) = E[X 2 ] − (E[X])2 ,
R∞
dimana E[X] = 100 x 3.000.000
x4
dx = 150,
2
R ∞ 2 3.000.000
dan E[X ] = 100 x x4
dx = 30.000.
194
Contoh 7.20
Soal Ujian PAI Nomor 17 Periode Maret 2016
Sebuah distribusi Pareto mempunyai parameter α dan θ diketahui memiliki fungsi
αθα
kepadatan peluang f (x) = , x > 0. Misalkan α = 3 dan θ = 200, Y
(x + θ)α+1
diketahui adalah distribusi kondisional dari X − 100 diberikan X > 100. Berapa
nilai dari masing-masing parameter dari distribusi Pareto Y ?
Pembahasan:
Untuk distribusi Pareto dengan parameter α = 3 dan θ = 200 diperoleh
3(200)3
f (x) =
(x + 200)4
3
200
F (x) = 1 −
x + 200
S(x) = 1 − F (x)
3
200
=
x + 200
Misal Y = X − 100, kita akan menghitung P[Y > y|X > 100]
P[Y > y|X > 100] = P[X > y + 100|X > 100]
P[X > y + 100]
=
P[X > 100]
Sz (y + 100)
=
Sz (100)
3
200
y+100+200
= 3
200
100+200
3
300
=
y + 300
Dengan demikian, kita bisa lihat bahwa nilai dari masing-masing distribusi Pareto
Y adalah α = 3 dan θ = 300.
195
Sebagai catatan, kita dapat menghubungkan fungsi Beta dengan fungsi Gamma
melalui persamaan berikut.
Γ(α)Γ(β)
B(α, β) =
Γ(α + β)
Selain itu, hal penting lainnya yang perlu dicatat adalah, bahwa untuk sebarang
bilangan riil positif α dan β, fungsi Beta adalah simetris. Dengan kata lain
B(α, β) = B(β, α).
Berikut ini adalah pembuktian dari sifat-sifat pada distribusi Beta di atas.
Z 1
E[X] = xf (x) dx
0
Z 1
1
= xα (1 − x)β−1 dx
B(α, β) 0
B(α + 1, β)
=
B(α, β)
Γ(α + 1)Γ(β) Γ(α + β)
=
Γ(α + β + 1) Γ(α)Γ(β)
αΓ(α)Γ(β) Γ(α + β)
=
(α + β)Γ(α + β) Γ(α)Γ(β)
α
= .
α+β
α(α + 1)
Dengan cara yang sama, kita peroleh E[X 2 ] =
(α + β + 1)(α + β)
α +β
dan V ar(X) = E[X 2 ] − (E[X])2 =
(α + β)2 (α + β + 1)
Contoh 7.21
Diberikan fungsi kepadatan probabilitas dari variabel random X pada distribusi
Beta sebagai berikut
60x3 (1 − x)2 , 0 < x < 1
f (x) =
0 , untuk x lainnya
Pembahasan:
Z1
P[X ≥ 0.25] = 60x3 (1 − x)2 dx
0.25
Z1
= 60 x3 − 2x4 + x5 dx
0.25
657
= 60
40960
= 0.9624
197
Contoh 7.22
Proporsi waktu per hari dari semua konter checkout di suatu toko mengikuti
distribusi Beta dengan fungsi kepadatan probabilitas sebagai berikut:
kx2 (1 − x)9 , 0 < x < 1
f (x) =
0 , untuk x lainnya
Pembahasan:
Dengan menggunakan definisi fungsi Beta, kita dapatkan
Z1
x2 (1 − x)9 dx = B(3, 10)
0
198
Γ(a + b) a−1
f (x) = x (1 − x)b−1 , 0 < x < 1, dan a > 0 & b > 0
Γ(a)Γ(b)
αθα
f (x) = ,x > 0
(x + θ)α+1
2θ2
f2 (x) = ,x > 0
(x + θ)3
Suatu variabel random X memiliki nilai yang merupakan hasil pemetaan dari
suatu eksperimen acak terhadap bilangan riil, seperti misalnya munculnya mata
dadu dari eksperimen pelemparan sebuah dadu. Catat bahwa suatu eksperimen
juga dapat memiliki dua hasil (outcome) atau lebih. Sebagai contoh, misalkan X
dan Y masing-masing menyatakan mata dadu yang muncul dari pelemparan dadu
1 dan dadu 2. Pada eksperimen tersebut, dalam sekali pelemparan, kita dapat
memperoleh dua hasil sekaligus. Sebagai catatan, nilai X dan Y mungkin saling
bebas atau saling bergantung antara satu dengan yang lainnya.
Untuk memahami suatu eksperimen yang menghasilkan dua atau lebih outcome,
maka kita perlu melakukan analisis yang lebih mendalam mengenai distribusi
dua atau lebih variabel random yang nantinya disebut sebagai distribusi
gabungan/distribusi bersama (joint distribution). Pada kasus satu variabel
random, distribusi dari X dapat kita tuliskan sebagai f (x) = P[X = x].
Berikutnya, pada kasus distribusi dengan dua variabel random diskrit, distribusi
gabungan antara X dan Y dapat ditulis sebagai f (x, y) = P[(X = x) ∩ (Y = y)]
untuk setiap pasangan (x, y) dari semua kemungkinan hasil yang dapat muncul.
Untuk distribusi gabungan pada variabel random kontinu, pasangan (x, y) akan
membentuk suatu daerah dua dimensi pada bidang datar.
Fungsi distribusi gabungan dari dua variabel random dapat dinotasikan sebagai
f (x, y) maupun fX,Y (x, y). Fungsi ini terdefinisi pada area dua dimensi (suatu
bidang). Untuk distribusi gabungan yang kontinu, bentuk dari ruang sampel
biasanya adalah suatu persegi panjang atau segitiga dalam bidang Cartesius.
203
204
Contoh 8.1
Pada eksperimen pelemparan dua buah dadu yang saling bebas satu sama lain,
didapatkan fungsi distribusi gabungan sebagai berikut
1 1 1
f (x, y) = [(X = x) ∩ (Y = y)] = P[X = x] × P[Y = y] = × =
6 6 36
untuk setiap pasang (x, y) di mana x = 1, 2, 3, 4, 5, 6 dan y = 1, 2, 3, 4, 5, 6.
Contoh 8.2
Diberikan X dan Y adalah variabel random diskrit dengan fungsi distribusi
gabungan f (x, y) diberikan sesuai dengan tabel berikut ini.
* X
* -1 0 1
1 1/18 1/9 1/6
Y
0 1/9 0 1/6
-1 1/6 1/9 1/9
Contoh 8.3
Soal Ujian PAI Nomor 19 Periode Maret 2016
Fungsi kepadatan probabilitas untuk dua variabel random kerugian X, Y ialah:
x + y , 0 < x, y < 1
f (x, y) =
0 , selain di atas
Hitung probabilitas bahwa besar kerugian X akan kurang dari dua kali kerugian
Y.
Pembahasan:
Z 1Z 1
P[X < 2Y ] = f (x, y) dy dx
0 0,5x
Z 1Z 1
= (x + y) dy dx
0 0,5x
Z 1
1
= xy + y 2 |10,5x dy dx
0 2
206
Z 1
1 1 2 1 2
= − x − x dx
x+
0 2 2 8
Z 1
1 5
= x + − x2 dx
0 2 8
5 3 1
1 2 1
= x + x− x
2 2 24 0
1 1 5
= + −
2 2 24
5
=1−
24
19
=
24
Contoh 8.4
Soal Ujian PAI Nomor 18 Periode Maret 2016
Misalkan X dan Y adalah variabel random dengan probabilitas gabungan:
y
, x = 1, 2, 4; x ≤ y
f (x, y) = 24x
0 , selain di atas
7
=1−
24
17
=
24
Contoh 8.5
Dua buah variabel random X dan Y adalah variabel random yang saling bebas
dan merupakan variabel random kontinu dengan distribusi fX (x) = 1 untuk
0 < x < 1 dan fY (y) = 2y untuk 0 < y < 1. Dapatkan P[Y < X].
Pembahasan:
Karena X dan Y adalah variabel random yang saling bebas, maka
untuk 0 < x < 1 dan 0 < y < 1. Berikutnya, apabila kita mengiriskan daerah
integrasi dengan Y < X, maka diperoleh
Z 1Z x Z 1Z x
1
P[Y < X] = f (x, y) dy dx = 2y dy dx =
0 0 0 0 3
Contoh 8.6
Soal Ujian PAI Nomor 11 Periode November 2015
Sepasang dadu dilemparkan dalam sebuah permainan. Diberikan bahwa X
melambangkan hasil dari dadu pertama dan Y melambangkan hasil dari dadu
kedua. Bila diketahui X dan Y saling independen, hitunglah V ar[X + Y ]
208
Pembahasan:
1
E[X] = (1 + 2 + 3 + 4 + 5 + 6) = 3, 5
6
1 2 91
E[X ] = (1 + 22 + 32 + 42 + 52 + 62 ) =
2
6 6
91 35
V ar[X] = E[X 2 ] − (E[X])2 = − (3, 5)2 =
6 12
Karena X dan Y sama-sama menyatakan dadu 6 sisi, maka V ar[X] = V ar[Y ]
Karena X dan Y saling independen, maka kita peroleh:
35 35 35 5
V ar[X + Y ] = V ar[X] + V ar[Y ] = + = =5
12 12 6 6
Catat bahwa semakin positif nilai kovarians, maka hal ini mengindikasikan bahwa
apabila nilai X semakin besar, maka semakin besar pula nilai Y . Sebaliknya,
kovarians yang bernilai negatif menunjukkan adanya relasi yang berkebalikan.
Kovarians yang semakin mendekati 0 mengindikasikan bahwa nilai X akan
semakin tidak berkaitan dengan nilai Y . Catat bahwa Cov(X, X) = V ar[X].
Salah satu peran penting dari kovarians adalah untuk mendapatkan varians dari
kombinasi linier variabel random. Salah satu contoh adalah:
Contoh 8.7
Diberikan koefisien korelasi dari variabel random X dan Y adalah 31 . Lalu,
diketahui pula varians dari X dan Y masing-masing adalah a dan 4a. Jika variabel
random Z didefinisikan sebagai Z = 3X − 4Y , diperoleh varians dari Z adalah
114. Dapatkan nilai a.
Pembahasan:
Berdasarkan informasi pada soal, didapatkan
σZ2 = σ3X−4Y
2 2
= 9σX +16σY2 +2(3)(−4)Cov(X, Y ) = 9σX
2
+16σY2 −24ρ(X, Y )σX σY
Jadi, nilai a = 2.
Contoh 8.8
Soal Ujian PAI Nomor 28 Periode November 2014
Misal X merupakan biaya klaim bedah dan Y merupakan biaya klaim rawat inap.
Seorang aktuaris menggunakan suatu model dimana
Jika C1 = X + Y merupakan kombinasi dari biaya klaim bedah dan biaya rawat
inap, dan C2 merupakan kombinasi dari biaya klaim bedah dan biaya rawat inap
yang sudah dilakukan penambahan biaya 20%. Catat bahwa 20% penambahan
biaya hanya berlaku untuk rawat inap. Hitunglah Cov(C1 , C2 ).
Pembahasan:
Diketahui C1 = X + Y dan C2 = X + 1, 2Y
Contoh 8.9
Soal Ujian PAI Nomor 4 Periode November 2017
Perhatikan tabel berikut. Cari nilai k sehingga nilai koefisien korelasi linear r tepat
nol!
x 2 4 7
y 3 5 K
Pembahasan:
Dari tabel diketahui, jumlah data adalah n = 3.
Kita akan mencari nilai k sedemikian hingga rx,y bernilai nol.
Pn
Xi Yi − ni=1 Xi ni=1 Yi
P P
ni=1
rx,y = q P q P
n ni=1 Xi2 − ( ni=1 Xi )2 n ni=1 Yi2 − ( ni=1 Yi )2
P P
P3 P3
Xi 3i=1 Yi
P
3 i=1 Xi Yi
i=1 −
0= q P q P
3 3i=1 Xi2 − ( 3i=1 Xi )2 3 3i=1 Yi2 − ( 3i=1 Yi )2
P P
211
3
X 3
X 3
X
3 Xi Yi − Xi Yi = 0
i=1 i=1 i=1
26
k=
8
= 3, 25
Contoh 8.10
Diberikan X dan Y adalah variabel random diskrit dimana f (x, y) didefinisikan
berdasarkan tabel berikut ini.
* X
* -1 0 1
1 1/18 1/9 1/6
Y
0 1/9 0 1/6
-1 1/6 1/9 1/9
Pembahasan:
XX
E[XY ] = xy · f (x, y)
x y
1 1 1 1
= (−1)(1) + (−1)(0) + (−1)(−1) + (0)(1) +
18 9 6 9
1 1 1 1
(0)(0)(0) + (0)(−1) + (1)(1) + (1)(0) + (1)(−1)
9 6 6 9
1
=
6
Contoh 8.11
Misalkan f (x, y) = 23 (x2 + y 2 ) adalah fungsi distribusi gabungan dari variabel
random kontinu X dan Y yang terdefinisi pada 0 ≤ x ≤ 1 dan 0 ≤ y ≤ 1.
Dapatkan E[X 2 + Y 2 ].
Pembahasan:
Z ∞ Z ∞
E[X 2 + Y 2 ] = h(x, y) · f (x, y) dy dx
−∞ −∞
Z 1Z 1
3
= 2
(x + y 2 ) · (x2 + y 2 ) dy dx
0 0 2
14
=
15
Apabila diberikan distribusi gabungan dari variabel random X dan Y yaitu f (x, y),
maka fungsi pembangkit momen gabungannya adalah
Definisi ini bisa diperumum untuk kasus yang terdiri atas banyak variabel random
(lebih dari dua). Berikutnya, dapat dilihat bahwa E[X n Y m ] bernilai multi-parsial
derivatif pada saat titik 0, dimana
∂ n+m
n m
E[X Y ] = n m MX,Y (t1 , t2 )
∂ t1 ∂ t2 t1 =t2 =0
213
Contoh 8.12
Misalkan X dan Y merupakan variabel random yang memiliki fungsi pembangkit
momen gabungan sebagai berikut:
1 t1 3 t2 3 10
M (t1 , t2 ) = e + e +
4 8 8
Pembahasan:
Cov(X, Y ) = E[XY ] − E[X] · E[Y ]
Dengan demikian, kita perlu mencari nilai E[XY ], E[X], dan E[Y ], yaitu
∂2 1 t1 3 t2 3 10
135
E[XY ] = e + e + =
∂t1 ∂t2 4 8 8 16
t1 =t2 =0
10
∂ 1 t1 3 t2 3 5
E[X] = e + e + =
∂t1 4 8 8 2
t1 =t2 =0
1 t1 3 t2 3 10
∂ 15
E[Y ] = e + e + =
∂t2 4 8 8 4
t1 =t2 =0
Oleh karena itu, diperoleh
135 5 15 15
Cov(X, Y ) = − =−
16 2 4 16
Selanjutnya, jika fungsi distribusi kumulatif dari distribusi gabungan antara X dan
Y adalah F (x, y), maka fungsi distribusi marginal dari X dan Y masing-masing
adalah FX (x) = lim F (x, y) dan FY (y) = lim F (x, y).
y→∞ x→∞
214
Contoh 8.13
Diberikan X dan Y adalah variabel random diskrit di mana f (x, y) adalah fungsi
distribusi gabungan yang didefinisikan sesuai dengan tabel berikut ini.
* X
* -1 0 1
1 1/18 1/9 1/6
Y
0 1/9 0 1/6
-1 1/6 1/9 1/9
Pembahasan:
Distribusi marginal dari X adalah
X 1
fX (−1) = f (−1, y) = f (−1, −1) + f (−1, 0) + f (−1, 1) =
y
3
X 2
fX (0) = f (0, y) = f (0, −1) + f (0, 0) + f (0, 1) =
y
9
X 4
fX (1) = f (1, y) = f (1, −1) + f (1, 0) + f (1, 1) =
y
9
Berdasarkan hasil di atas, disimpulkan bahwa jawaban akhir harus dalam bentuk
fungsi sepotong-sepotong (piecewise function).
215
Contoh 8.14
Soal Ujian PAI Nomor 10 Periode Mei 2018
X dan Y merupakan continuous random variable dengan joint density function
15y , untuk x2 ≤ y ≤ x
f (x, y) =
0 , y lainnya
2
15y , untuk x2 < y < x
B. g(y) = 2
0 , y lainnya
2
15y , untuk 0 < y < 1
C. g(y) = 2
0 , y lainnya
15y 3/2 (1 − y 1/2 ) , untuk x2 < y < x
D. g(y) =
0 , y lainnya
15y 3/2 (1 − y 1/2 ) , untuk 0 < y < 1
E. g(y) =
0 , y lainnya
Pembahasan:
216
√
Z y
g(y) = f (x, y) dx
y
√
Z y
= 15y dx
y
√
= 15xy |y y
√
= 15(y y − y 2 )
= 15y 3/2 (1 − y 1/2 )
Jadi
15y 3/2 (1 − y 1/2 ) , untuk 0 < y < 1
g(y) =
0 , y lainnya
Contoh 8.15
Soal Ujian PAI Nomor 20 Periode Maret 2016
Misalkan X adalah umur suatu kendaraan mobil yang diasuransikan yang
terlibat pada suatu kecelakaan. Misalkan Y menyatakan lamanya waktu pemilik
kendaraan telah mengasuransikan mobilnya sampai waktu terjadinya kejadian
kecelakaan, X dan Y diketahui mempunyai fungsi kepadatan probabilitas
gabungan:
1 (10 − xy 2 )
, 2 ≤ x ≤ 10, 0 ≤ y ≤ 1
f (x, y) = 64
0 , selain di atas
Hitung rata-rata umur kendaraan dari suatu mobil yang diasuransikan mengalami
suatu kecelakaan!
Pembahasan:
Misal X menyatakan umur suatu kendaraan dan Y menyatakan lama waktu
kendaraan diasuransikan.
1 1
1 3 1
Z Z
1 1 1 1
f (x) = f (x, y) dy = (10−xy 2 ) dy = 10y − xy = 10 − x
0 0 64 64 3 0 64 3
217
Contoh 8.16
Diberikan variabel random kontinu X dan Y yang memiliki fungsi distribusi
gabungan
3(2 − 2x − y)
fX,Y (x, y) =
2
yang terdefinisi pada daerah yang dibatasi oleh x = 0, y = 0, dan y = 2 − 2x.
Carilah:
a) Fungsi distribusi marginal X untuk 0 < x < 1
b) P X > 21
c) P[X > Y ]
218
Pembahasan:
Z 2−2x Z 2−2x
3(2 − 2x − y)
a) fX (x) = f (x, y) dy = dy = 3(1 − x)2
0 Z 1 0 2
1 1
b) P X > = fX (x) dx =
2 1 8
2
c) Untuk kasus ini, perlu ditinjau kembali bentuk dari daerah integrasi yang
terbentuk dengan cara mengiriskan domain dengan daerah X > Y , sehingga
didapatkan
Z 2/3 Z x Z 1 Z 2−2x
8 1 1
P[X > Y ] = f (x, y) dy dx+ f (x, y) dy dx = + =
0 0 2/3 0 27 27 3
P[A ∩ B]
P[A|B] =
P[B]
dan Z ∞
fX|Y (x|y) dx = 1
−∞
Sifat di atas juga berlaku untuk fungsi kepadatan probabilitas diskrit. Selain itu,
dengan menggunakan fungsi distribusi bersyarat, maka kita bisa mendapatkan
distribusi gabungan, yaitu
atau
f (x, y) = fX|Y (x|Y = y) · fY (y)
Contoh 8.17
Variabel random kontinu X dan Y memiliki fungsi distribusi gabungan
π π −x
f (x, y) = sin y e untuk 0 < x < ∞ dan 0 < y < 1. Dapatkan
2 2
P X > 1|Y = 12 .
Pembahasan:
P[(X > 1) ∩ (Y = 12 )]
1
P X > 1 Y = =
2 fY ( 12 )
R∞
f x, 12 dx
1
= R∞ 1
0 f x, 2 dx
R ∞ π −x
1 2e sin π4 dx
= ∞ π −x
sin π4 dx
R
0 2e
= e−1
220
Contoh 8.18
Soal Ujian PAI Nomor 6 Periode Maret 2015
Sebuah perusahaan menawarkan asuransi jiwa dasar dan tambahan kepada
karyawannya, dimana untuk membeli asuransi jiwa tambahan, mereka harus
terlebih dulu membeli asuransi dasar. Diketahui X adalah proporsi dari karyawan
yang membeli asuransi dasar dan Y adalah proporsi dari karyawan yang membeli
asuransi tambahan. X dan Y mempunyai fungsi densitas bersama (joint density
function) f (x, y) = 2(x + y) dimana area densitas positif. Bila diketahui 10%
dari karyawan membeli asuransi dasar, berapa kemungkinan karyawan membeli
asuransi tambahan kurang dari 5%?
Pembahasan: 1
R1
PDF marginal dari X adalah f (x) = 0 2x + 2y dy = 2xy + y 2 = 2x + 1
0
f (x, y) 2x + 2y
PDF bersyarat dari X|Y adalah f (y|x) = =
f (x) 2x + 1
Selain itu, kita dapat pula mendefinisikan varians bersyarat dari X apabila
diberikan Y = y sebagai berikut:
Contoh 8.19
Soal Ujian PAI Nomor 2 Periode Maret 2015
Diketahui X dan Y adalah variabel random diskrit dengan joint probability
distribution sebagai berikut:
Y
0 1 6
2 0,10 0,05 0,15
X
4 0,05 0,20 0,25
5 0,05 0,05 0,15
Pembahasan:
Diketahui:
0, 15 3
f (x = 2|y = 6) = =
0, 55 11
0, 25 5
f (x = 4|y = 6) = =
0, 55 11
0, 15 3
f (x = 5|y = 6) = =
0, 55 11
222
Contoh 8.20
Soal Ujian PAI Nomor 21 Periode November 2014
Sebuah uji diagnostik mengenai ada atau tidaknya suatu penyakit mempunyai
dua hasil yang mungkin: 1 untuk ada penyakit dan 0 untuk tidak ada penyakit.
Misalkan X menunjukkan adanya atau tidaknya penyakit berdasarkan pernyataan
pasien, dan Y menunjukkan hasil dari uji diagnostik.
Pembahasan:
Dari fungsi probabilitas tersebut, kita dapatkan:
2
5 5 5 25
V ar(Y |X = 1) = − = −
7 7 7 49
10
=
49
= 0, 20408
≈ 0, 20
dengan " #
(x − µ1 )2 2ρ(x − µ1 )(y − µ2 ) (y − µ2 )2
Q= − +
σ12 σ1 σ2 σ22
untuk −∞ < x < ∞ dan −∞ < y < ∞, dengan parameter −∞ < µ1 <
∞, − ∞ < µ2 < ∞, σ1 > 0, σ2 > 0, dan −1 < ρ < 1.
224
untuk −∞ < x < ∞, − ∞ < µ1 < ∞, dan σ1 > 0 dan distribusi marginal
dari Y adalah distribusi normal umum dengan rata-rata µ2 dan varians σ22 .
Z ∞
f (y) = f (x, y) dx
−∞
( 2 )
1 1 y − µ2
=p exp −
2πσ22 2 σ2
untuk −∞ < x < ∞ dan −∞ < y < ∞, − ∞ < µ1 < ∞, − ∞ < µ2 <
∞, σ1 > 0, σ2 > 0, dan −1 < ρ < 1 dan distribusi bersyarat dari Y diberikan
X = x adalah distribusi normal umum dengan rata-rata µ2 + ρ σσ21 (x − µ1 ) dan
varians σ22 (1 − ρ2 ).
( 2 )
1 −1 σ2
f (y|x) = √ exp y − µ2 + ρ (x − µ1 )
2σ22 (1 − ρ2 )
p
2πσ2 1 − ρ2 σ1
untuk −∞ < x < ∞ dan −∞ < y < ∞, − ∞ < µ1 < ∞, − ∞ < µ2 <
∞, σ1 > 0, σ2 > 0, dan −1 < ρ < 1
225
4. ρ adalah korelasi antara X dan Y yang bernilai antara -1 hingga 1. Jika X dan
Y berdistribusi normal bivariat dengan ρ = 0 maka X dan Y independen.
Dalam kondisi khusus, distribusi normal bivariat dengan µ1 = 0, µ2 =
0, σ1 = 1, σ2 = 1, dan ρ = 0 memiliki bentuk sebagai berikut:
1 1 2 2
f (x, y) = exp − x + y
2π 2
Contoh 8.21
Jika X dan Y adalah dua variabel random yang berdistribusi normal bivariat,
maka tentukan E[X|y] dan V ar(X|y)!
Pembahasan:
Kita akan menentukan dahulu distribusi bersyarat dari X diberikan Y = y.
Berdasarkan definisi fungsi densitas bersyarat, maka:
f (x, y)
u(x|y) =
h(y)
Z ∞
h(y) = f (x, y) dx
−∞
( "
∞
x − µ1 2
−1 x − µ1
Z
1
= exp − 2ρ
2(1 − ρ2 )
p
−∞ 2πσ1 σ2 1 − ρ2 σ1 σ1
#)
y − µ2 2
y − µ2
+ dx
σ2 σ2
(x − µ1 ) 1
• Misalkan: u = maka du = dx
σ1 σ1
Z ∞ ( " 2 #)
1 −1 y − µ 2 y − µ 2
h(y) = exp u2 − 2ρu + σ1
2(1 − ρ2 )
p
−∞ 2πσ1 σ2 1 − ρ2 σ2 σ2
Z ∞ ( " 2
1 −1 2 y − µ2 2 y − µ2
= exp u − 2ρu +ρ
2(1 − ρ2 )
p
2πσ2 1 − ρ2 −∞ σ2 σ2
2 2 #)
y − µ2 y − µ2
−ρ2 + du
σ2 σ2
226
2
−1 y−µ2
exp ( )
2 σ2 inf ty
y − µ2 2
−1
Z
= exp u−ρ
2(1 − ρ2 )
p
2πσ2 1 − ρ2 −∞ σ2
u − ρ y−µ
σ2
2
du
• Misalkan w = p maka dw = p
1−ρ 2 1 − ρ2
2
−1 y−µ2
exp Z inf ty
2 σ2
1 −1 2 p
h(y) = √ p √ exp w 1 − ρ2 dw
σ2 2π 1 − ρ2 −∞ 2π 2
2
−1 y−µ2
exp 2 σ2
Z inf ty
1 −1 2
= √ √ exp w dw
σ2 2π −∞ 2π 2
" #
−1 y − µ2 2
1
= √ exp
σ2 2π 2 σ2
x−µ1 y−µ2
untuk memudahkan penggunaan notasi, misalkan: c = σ1 dan d = σ2
h i
1√ −1
exp 2(1−ρ2 )
(c2 − 2ρcd + d2 )
2πσ1 σ2 1−ρ2
u(x|y) = 1
√
σ2 2π exp( −1
2
d2 )
1 −1 2 2 2 2
=√ exp (c − 2ρcd + d − (1 − ρ )d )
2(1 − ρ2 )
p
2πσ1 1 − ρ2
1 −1 2 2 2
=√ exp (c − 2ρcd + ρ d )
2(1 − ρ2 )
p
2πσ1 1 − ρ2
!2
1 −1 c − ρd
=√ p exp p
2πσ1 1 − ρ2 2 1 − ρ2
227
σ1
X|y ∼ N (µ1 + ρ (y − µ2 ), σ12 (1 − ρ2 ))
σ2
σ1
E[X|y] = µ1 + ρ (y − µ2 )
σ2
V ar(X|y) = σ12 (1 − ρ2 )
M (t1 , t2 ) = E [exp(t1 X, t2 Y )]
Z ∞Z ∞
= exp(t1 x + t2 y)f (x, y) dx dy
−∞ −∞
sehingga didapat
1 2 2 2 2
M (t1 , t2 ) = exp µ1 t1 + µ2 t2 + (σ1 t1 + 2ρσ1 σ2 t1 t2 + σ2 t2 )
2
228
Contoh 8.22
Jika X dan Y adalah dua variabel random yang berdistribusi normal bivariat
dengan rata-rata µ1 dan µ2 , varians σ1 dan σ2 , serta korelasi ρ, tentukan kovarians
X dan Y .
Pembahasan:
229
V ar[X] = 2
V ar[Y ] = 3
Cov[X, Y ] = −1
U = 2X − Y
V = −X + 3Y
Berapakah Cov[U, V ]?
Berapa probabilitas bahwa sebuah mesin baru masih bekerja hingga 6 bulan
setelah mesin tersebut mulai beroperasi?
231
1
3
, x=0
p(x) = 2
3 , x=1
0 , x lainnya
E[X] = 50
E[Y ] = 20
V ar(X) = 50
V ar(Y ) = 30
Cov(X, Y ) = 10
Dari 100 orang dipilih secara acak dan diamati selama tiga bulan. Misalkan T
menyatakan total lamanya waktu (dalam jam) seratus orang tersebut menonton
film atau pertandingan olahraga selama tiga bulan. Berapa nilai P[T < 7100]?
233
Hitung V ar[X]!
Y
0 1 4
1 0,10 0,05 0,15
X 3 0,05 0,20 0,25
5 0,15 0,00 0,05
235
236
Contoh 9.1
Diketahui X adalah variabel random berdistribusi geometrik dengan fungsi proba-
bilitas:
3 1 x−1
f (x) = , dengan x = 1, 2, 3, · · ·
4 4
Tentukan distribusi probabilitas variabel random Y = X 2 .
Pembahasan:
Dari soal diketahui bahwa nilai x semuanya positif. Transformasi antara nilai x
dan y tersebut adalah tunggal.
√
y = x2 maka x = y
Jadi, √y−1
√ 3 1
, untuk y = 1, 2, 3, · · ·
g(y) = f ( y) = 4 4
0 , untuk y lainnya
Contoh 9.2
Diketahui X1 dan X2 adalah dua variabel random yang berdistribusi Poisson
yang saling independen, masing-masing mempunyai parameter µ1 dan µ2 . Jika
ditentukan suatu variabel random baru Y1 = X1 + X2 dan Y2 = X2 , maka
buktikan bahwa variabel random Y1 tersebut juga berdistribusi Poisson.
Pembahasan:
Karena X1 dan X2 adalah dua variabel random yang berdistribusi Poisson, maka:
dengan x1 = 0, 1, 2, · · · ; x2 = 0, 1, 2, · · ·
Selanjutnya, dibuat fungsi invers, yaitu x1 = y1 − y2 dan x2 = y2 .
n (y −y )
X µ1 1 2 µy22
= e−(µ1 +µ2 )
(y1 − y2 )!y2 !
y2 =0
n (y −y )
−(µ1 +µ2 )
X y1 ! µ1 1 2 µy22
=e
(y1 − y2 )!y2 ! y1 !
y2 =0
n
e−(µ1 +µ2 ) X y1 (y1 −y2 ) y2
= µ µ2
y1 ! y2 1
y2 =0
n
X y1 (y1 −y2 ) y2
Karena µ µ2 = (µ1 + µ2 )y1 maka diperoleh:
y2 1
y2 =0
g(y) = f [w(y)]|J|
Contoh 9.3
Diketahui X adalah variabel random kontinu dengan PDF sebagai berikut:
f (x) = 12
0 , untuk x lainnya.
Pembahasan:
(y + 3) dx 1
Fungsi invers dari y = 2x − 3 adalah x = , sehingga diperoleh = ,
2 dy 2
nilai tersebut menyatakan J (transformasi Jacobian).
∂x1 ∂x1
∂y1 ∂y2
J = ∂x
2 ∂x2
∂y1 ∂y2
∂x1
dimana adalah turunan x1 = w1 (y1 , y2 ) terhadap y1 dengan y2 tetap (turunan
∂y1
parsial x1 terhadap y1 ).Turunan parsial lainnya didefinisikan dengan cara yang
sama.
240
Contoh 9.4
Misalkan X1 dan X2 adalah dua variabel random kontinu dengan PDF gabungan
sebagai berikut:
4x x , 0 < x < 1 ; 0 < x < 1
1 2 1 2
f (x1 , x2 ) =
0 , untuk x lainnya
Pembahasan:
√ y2
Invers dari y1 = x21 dan y2 = x1 x2 adalah x1 = y1 dan x2 = √ sehingga
y1
diperoleh:
1
√ 0
2 y1 1
J = y2 1 = 2y
− 3/2 √ 1
2y y1
1
Transformasi ini masing-masing memetakan titik {(x1 , x2 )|0 < x1 < 1 ; 0 <
x2 < 2} ke himpunan {(y1 , y2 )|0 < y1 < 1 ; 0 < y2 < 1}. Dengan menggu-
nakan transformasi di atas, diperoleh distribusi gabungan yang dinyatakan sebagai
berikut: 2y
2 , 0 < y1 < 1 ; 0 < y2 < 1
g(y1 , y2 ) = y1
0 , untuk y lainnya
Jika X adalah variabel random, baik diskrit maupun kontinu, maka MGF
dari X dinotasikan dengan MX (t) dapat didefinisikan sebagai berikut:
MX (t) = E[etX ]
MGF dari variabel random diskrit ditentukan berdasarkan definisi berikut ini. Jika
X adalah variabel random diskrit dan p(x) adalah nilai fungsi probabilitas dari X
di x, maka MGF dari X didefinisikan sebagai
X
MX (t) = etx · p(x)
x
Jika X adalah variabel random kontinu dan f (x) adalah nilai fungsi kepadatan
probabilitas dari X di x, maka MGF dari X didefinisikan sebagai:
Z ∞
MX (t) = etx · f (x) dx
−∞
Apabila MX (t) diturunkan terhadap t sebanyak r kali, kemudian diambil nilai dari
t sama dengan nol, maka akan diperoleh:
r
MX (0) = E[er ] = µ0r
Jika X adalah variabel random sedangkan a dan b adalah dua buah konstanta,
maka:
at t
M (X+a) (t) = e b MX
b b
σ 2 (ki t)2
tki Xi
E[e ] = exp µi (ki t) + i
2
Contoh 9.5
Misalkan X1 dan X2 adalah dua variabel random yang saling bebas dan keduanya
berdistribusi normal masing-masing N (1; 7) dan N (3; 9). Jika Y = X1 + X2 ,
maka hitunglah P[Y > 1].
Pembahasan:
X1 ∼ N (µ1 , σ12 ), µ1 = 1 dan σ12 = 7
X2 ∼ N (µ2 , σ22 ), µ2 = 3 dan σ22 = 9
Pertama, kita tentukan dahulu distribusi dari Y . Berdasarkan Teorema yang telah
disebutkan sebelumnya, maka diperoleh
X2 2
X
Y ∼ N( ki µi , ki σi2 )
i=1 i=1
dan 2
X
σy2 = ki σi2 = 16
i=1
Jadi,
Y − µy 1−4
P[Y > 1] = P q > √
σy2 16
Jika X1, X2, · · · , Xn adalah variabel random yang saling bebas dengan MGF
Mi (t), i = 1, 2, 3, · · · , n maka MGF dari Y = ni=1 ai Xi dimana a1 , a2 , · · · , ak
P
MY (t) = E[etY ]
= E[et(a1 X1 +a2 X2 +···+an Xn ) ]
= E[ea1 tX1 ea2 tX2 · · · ean tXn ]
= E[ea1 tX1 ]E[ea2 tX2 ] · · · E[ean tXn ]
Contoh 9.6
Misalkan Xi adalah variabel random berdistribusi binomial yang saling
independen: Xi ∼ BIN (n, p) dengan f (x, n, p) = nx px q n−x , x = 0, 1
n
X
Tentukan distribusi dari Y = xi .
i=1
Pembahasan:
MX (t) = E[etX ]
X
= etx f (x)
X n
= etx px q n−x
x
X n
= (pet )x q n−x
x
= (pet + q)n
245
Jadi didapatkan MGF dari Y adalah MGF dari distribusi binomial. Sehingga
P
disimpulkan Y ∼ BIN ( ni , p)
Akan tetapi, apabila X1 dan X2 adalah variabel random kontinu yang saling
independen dengan fungsi probabilitas masing-masing adalah f1 (x1 ) dan f2 (x2 ),
maka didapatkan
Z∞
fY (y) = f (x1 , y − x1 ) dx1
−∞
Z∞
fY (y) = f1 (x1 )f2 (y − x1 ) dx1
−∞
246
Zy
fY (y) = f (x1 , y − x1 ) dx1
0
Pada bagian selanjutnya di subbab ini akan dibahas mengenai distribusi jumlahan
lebih dari dua variabel random. Apabila diketahui bahwa X1 , X2 , X3 , · · · , Xn
adalah variabel random, dan didefinisikan Y = X1 + X2 + X3 + · · · + Xn =
Pn
i=1 Xi , maka diperoleh
n
X n
X n X
X n
E[Y ] = E[Xi ] dan V ar[Y ] = V ar[Xi ] + 2 Cov[Xi , Xj ]
i=1 i=1 i=1 j=i+1
dan
n
Y
MY (t) = MX1 (t) = MX1 (t) · MX2 (t) · MX3 (t) · · · · MXn (t)
i=1
Teorema ini sangat berguna untuk mengamati kejadian yang melibatkan jumlahan
dari variabel random. Perlu dicatat bahwa Teorema Limit Pusat dapat digunakan
pada sebarang distribusi.
Distribusi Xi Distribusi Y
Bernoulli Ber(1, p) Binomial Bin(n, p)
P
Binomial Bin(ni , p) Binominal Bin( ni , p)
P
Poisson P oi(λi ) Poisson P oi( λi )
Geometrik Geo(p) Negatif Binomial N B(n, p)
P
Negatif Binomial N B(ri , p) Negatif Binominal N B( ri , p)
Normal N (µi , σi2 ) Normal N ( µi , σi2 )
P P
Contoh 9.7
X1 dan X2 adalah variabel random eksponensial yang saling bebas, masing-
masing dengan mean 1. Hitunglah P[X1 + X2 < 1].
Pembahasan:
Dengan menggunakan metode konvolusi, fungsi probabilitas dari Y = X1 + X2
adalah
Z y Z y
fY = fX1 (t) · fX2 (y − t) dt = e−t · e−(y−t) dt = ye−y
0 0
sehingga
P[X1 + X2 < 1] = P[Y < 1]
Z 1
= ye−y dy
0
= [−ye−y − e−y ] |y=1
y=0
= 1 − 2e−1
248
Contoh 9.8
Diberikan n buah variabel random bebas, X1 , X2 , · · · , Xn dengan varians yang
sama yaitu σ 2 , serta didefinisikan U = 2X1 + X2 + · · · + Xn−1 dan V = X2 +
X3 + · · · + 2Xn . Hitunglah koefisien korelasi antara U dan V .
Pembahasan:
Cov[U, V ]
ρU V = ; σU2 = (4 + 1 + 1 + · · · + 1)σ 2 = (n + 2)σ 2 = σV2
σU σW
Karena X saling bebas, jika i 6= j maka Cov(Xi , Xj ) = 0. Mengingat
Cov(W, W ) = V ar(W ), diperoleh
Sehingga
(n − 2)σ 2
ρU V =
(n + 2)σ 2
n−2
=
n+2
Contoh 9.9
Diberikan massa dari bayi laki-laki yang baru saja lahir berdistribusi Normal
dengan mean 3.05 kg dan standar deviasi 0.5 kg. Untuk bayi perempuan memiliki
distribusi yang sama dengan mean 3.6 kg dan standar deviasi 0.6 kg. Bila ada
dua bayi yang baru saja lahir (1 laki-laki dan 1 perempuan), dapatkan probabilitas
bahwa bayi laki-laki lebih berat dari bayi perempuan.
Pembahasan:
Misalkan X dan Y adalah variabel random yang menyatakan massa bayi laki-laki
dan perempuan secara berurutan. Lalu ditanyakan bahwa P[X > Y ] = P[X−Y >
0]. Pada contoh ini, kita dapat definisikan variabel random W = X − Y , sehingga
diperoleh
µW = µX−Y = µX − µY = 3.05 − 3.6 = −0.55
249
dan
2 2 2
σW = σX−Y = σX + σY2 = 0.252 + 0.362 = 0.1921 → σW = 0.4383
Contoh 9.10
Jika diketahui eror dari penulisan per halaman yang dilakukan oleh seorang penulis
berdistribusi Poisson dengan mean ln 3, maka dapatkan probabilitas bahwa orang
tersebut memiliki eror penulisan pada 10 lembar halaman acak adalah sebanyak
10.
Pembahasan:
Sepuluh lembar memiliki distribusi yang sama dan saling independen antara satu
dengan yang lain. Jumlahan dari 10 variabel random dengan parameter λi = ln 3
adalah λ = 10 ln 3. Artinya, 10 lembar acak memiliki distribusi P OI(10 ln 3).
Jadi probabilitas terjadinya 10 kesalahan penulisan adalah
maka distribusi dari U dan V dapat diperoleh dengan menggunakan teknik trans-
formasi CDF sebagai berikut:
250
• Distribusi dari U
FU (u) = P[U ≤ u]
= P[max{X1 , X2 } ≤ u]
= P[(X1 ≤ u) ∩ (X2 ≤ u)]
= P[X1 ≤ u] · P [X2 ≤ u]
= F1 (u) · F2 (u)
• Distribusi dari V
FV (v) = P[V ≤ v]
= 1 − P[V > v]
= 1 − P[min{X1 , X2 } > v]
= 1 − P[(X1 > v) ∩ (X2 > v)]
= 1 − P[X1 > v] · P [X2 > v]
= 1 − [1 − F1 (v)][1 − F2 (v)]
Contoh 9.11
Soal Ujian PAI Nomor 16 Periode November 2019
X1 dan X2 adalah variabel random saling bebas, tetapi mereka memiliki fungsi
densitas yang sama, yaitu
2x , untuk 0 < x < 1
f (x) =
0 , untuk x lainnya
Tentukan probabilitas bahwa nilai maksimal dari X1 dan X2 adalah paling sedikit
0, 5. (Carilah jawaban terdekat, pembulatan 2 desimal)
Pembahasan:
X = X1 = X2
Rx Rx
FX (x) = 0 f (t) dt = 0 2t dt = x2 , untuk 0 < x < 2
Y = max{x1 , x2 }
Contoh 9.12
Soal Ujian PAI Nomor 24 Periode Maret 2016
Misalkan Yn adalah statistik terurut yang menyatakan order ke-n dari suatu sampel
acak berukuran n pada suatu distribusi kontinu. Carilah nilai terkecil n yang mana
memenuhi ketidaksamaan P[ξ0,9 < Yn ] ≥ 0, 75!
Pembahasan:
P[ξ0,9 < Yn ] ≥ 0, 75
Rumus yang akan kita gunakan adalah P(X < ξ0,9 ) = 0, 9 = FX (ξ0,9 ).
Kita akan mencari nilai n terkecil yang memenuhi pertidaksamaan di atas
P[ξ0,9 < yn ] = 1 − P[yn > ξ0,9 ]
= 1 − FYn (ξ0,9 ) ≥ 0, 75
252
f (x) = 8
0 , lainnya
√
Hitunglah nilai ekspektasi g(X) = X 3 + X + 2.
fx (x) = 3x2 ; 0 ≤ x ≤ 1
Dengan F (x) adalah fungsi distribusi kumulatifnya. Cari jarak antara dua
distribusi berikut:
i. Seragam pada interval [0, 1].
1
ii. PDF: f (x) = , 0 < x < ∞.
(x + 1)2
3
, x>1
f (x) = x4
0 , x lainnya
dimana x adalah besar klaim dalam ribuan. Perusahaan asuransi menduga
akan terjadi klaim sebanyak 3 kali. Berapa nilai ekspektasi terbesar atas klaim
tersebut?
Apabila seorang individu memiliki suatu risiko yang akan berdampak pada
kerugian finansial (financial loss) pada dirinya, maka umumnya kerugian
tersebut dapat dimodelkan dengan menggunakan variabel random atau kombinasi
dari beberapa variabel random. Kerugian finansial tersebut biasanya terjadi dalam
interval waktu tertentu (bulanan, tahunan, ataupun satuan waktu lainnya).
255
256
Klaim asuransi merupakan bagian dari risiko finansial yang muncul, sehingga pada
bab ini kita akan membahas mengenai distribusi kerugian (loss distribution) yang
berkaitan dengan klaim asuransi.
Pada subbab ini, kita akan mengasumsikan bahwa besar klaim yang dibayarkan
kepada pemegang polis sama seperti jumlah kerugian yang sebenarnya terjadi.
Variabel random X mengindikasikan kerugian yang terjadi, dan nilai ekspektasi
dari kerugian E[X] dikenal sebagai premi murni (pure premium) untuk polis
asuransi. Dalam hal ini, E[X] juga dapat dipandang sebagai ekspektasi klaim
(expected claim) bagi pihak perusahaan asuransi. Catat bahwa, secara umum, X
dapat bernilai 0, yang menunjukkan bahwa tidak terjadi kerugian (tidak terdapat
klaim asuransi sama sekali). Untuk variabel random X, ukuran dari risiko
(measure of risk) adalah σ 2 = V ar[X], sedangkan koefisien
√ varians (coefficient
(V ar[X])
of variation) dari variabel random X didefinisikan sebagai E[X] = σµ .
Contoh 10.1
Sebuah polis asuransi membayarkan klaim kepada pihak tertanggung sebesar
1.000.000 per hari selama 3 hari untuk biaya rumah sakit, dan 250.000 per
hari untuk biaya rumah sakit pada hari-hari setelahnya. Jumlah hari perawatan
pihak tertanggung di rumah sakit dinyatakan dengan variabel random X yang
merupakan variabel random diskrit dengan fungsi probabilitas sebagai berikut:
257
6 − k
, k = 1, 2, 3, 4, 5
P[X = k] = 15
0 , untuk nilai k yang lainnya
Hitunglah ekspektasi pembayaran biaya rumah sakit pada kontrak asuransi
tersebut.
Pembahasan:
Fungsi probabilitas dari variabel random X dapat dilihat pada tabel di bawah ini.
x 1 2 3 4 5
5 4 3 2 1
P[X = x]
15 15 15 15 15
Jumlah klaim yang dibayarkan
1 2 3 3,25 3,5
(dalam juta)
Dengan demikian, ekspektasi pembayaran biaya rumah sakit pada kontrak asuransi
tersebut adalah
5 4 3 2 1
E[X] = 1.000.000 (1) + (2) + (3) + (3, 25) + (3, 5)
15 15 15 15 15
= 2.133.333, 33
Secara matematis, besar klaim yang dibayarkan oleh perusahaan asuransi dapat
dinyatakan sebagai variabel random Y sebagai berikut:
0 , apabila X ≤ d
Y = = max{X − d, 0} = (X − d)+
X − d , apabila X > d
Nilai ekspektasi dari besar klaim yang dibayarkan oleh perusahaan asuransi ketika
kerugian terjadi dapat dituliskan sebagai berikut:
Z ∞
E[Y ] = (x − d)fX (x) dx
d
Catat bahwa nilai ekspektasi di atas dikenal sebagai expected cost per loss.
Dengan menggunakan teknik integral parsial, maka kita dapat tunjukkan bahwa
R∞
E[Y ] = d [1 − F (x)] dx. Polis asuransi yang demikian dikenal sebagai asuransi
deductible biasa (ordinary deductible insurance).
Contoh 10.2
Diketahui bahwa variabel random kerugian X berdistribusi eksponensial
dengan mean 1000. Diberikan pula informasi bahwa besar batas penggantian
sendiri (deductible) adalah d = 200 yang diaplikasikan sebelum pembayaran
klaim dilakukan. Hitunglah ekspektasi dari besar klaim yang dibayarkan oleh
perusahaan asuransi ketika kerugian terjadi.
259
Pembahasan:
Ekspektasi dari besar klaim yang dibayarkan oleh perusahaan asuransi adalah
Contoh 10.3
Soal Ujian PAI Nomor 22 Periode Mei 2018
James membeli sebuah asuransi mobil yang memiliki deductible sebesar 250.
Dalam suatu kejadian apabila mobil mengalami kerusakan, biaya perbaikan
mobil dapat dimodelkan dengan sebuah variabel random uniform dengan interval
(0, 1.500). Hitunglah standar deviasi dari pembayaran asuransi pada saat mobil
mengalami kerusakan.
Pembahasan:
Z 1500
E[X − 250] = (x − 250)f (x) dx
250
Z 1500
1
= (x − 250) dx
250 1.500
1500
1 1 2
= x − 250x
1.500 2 250
2 2502
1 1500
= − 250(1500) − + (250)2
1.500 2 2
= 520, 83333
260
Z 1500
1
E[(X − 250)2 ] = (x − 250)2
dx
250 1500
Z 1500 2
x − 500x + (250)2
= dx
250 1500
1500
1 1 3 2 2
= x − 250x + (250) x
1500 3 250
1 (1500)2 1
= − 250(1500)2 + (250)(1500) − (250)3
1500 3 3
i
+ (250)3 − (250)3
= 434027, 7778
p p
σx (X − 250) = V ar(X − 250) = 162760, 4514 = 403, 436 ≈ 403
Nilai ekspektasi dari besar klaim yang dibayarkan oleh perusahaan asuransi ketika
kerugian terjadi dapat dituliskan sebagai berikut:
Z u
E[Y ] = xfX (x) dx + u[1 − FX (u)]
0
Dengan menggunakan teknik integral parsial, maka kita dapat tunjukkan bahwa
Ru
E[Y ] = 0 [1 − FX (x)] dx.
Berikutnya, polis asuransi yang membayarkan klaim asuransi sampai dengan batas
maksimum (policy limit) sebesar c dinyatakan sebagai
X, apabila X ≤ c
Y2 =
c, apabila X > c
Kombinasi dari kedua polis asuransi kerugian tersebut dapat dinyatakan sebagai
X , apabila X ≤ c
Y = Y1 + Y2 = =X
X − c + c , apabila X > c
Oleh karena itu, apabila suatu polis asuransi dengan deductible sebesar c dibeli,
maka bagian dari kerugian yang tidak dibayarkan oleh perusahaan asuransi (secara
aljabar) akan sama dengan jumlah yang dibayarkan pada polis asuransi dengan
policy limit sebesar c. Hal ini juga berlaku sebaliknya.
Contoh 10.4
Diketahui bahwa variabel random kerugian berdistribusi seragam antara 0 sampai
dengan 1000. Sebuah polis asuransi membayarkan kerugian sampai dengan batas
maksimal (policy limit) sebesar 200. Hitunglah ekspektasi dari besar klaim yang
dibayarkan oleh perusahaan asuransi ketika kerugian terjadi.
262
Pembahasan:
EkspektasiZdari besar klaim yang dibayarkan oleh perusahaan asuransi adalah
200
1
E[Y ] = x dx + 200[1 − FX (200)] = 20 + 200(1 − 0, 2) = 180
0 1000
Dalam kasus ini, apabila besar kerugian melebihi melebihi policy limit sebesar
u, maka pembayaran maksimal yang dibayarkan oleh perusahaan asuransi adalah
u − d. Nilai ekspektasi dari besar klaim yang dibayarkan oleh perusahaan asuransi
ketika kerugian terjadi dapat dituliskan sebagai berikut:
Z u
E[Y ] = (x − d) · fX (x) dx + (u − d) · [1 − FX (u)]
d
Dengan menggunakan teknik integral parsial, maka kita dapat tunjukkan bahwa
Ru
E[Y ] = d [1 − FX (x)] dx.
Contoh 10.5
Diketahui bahwa variabel random kerugian berdistribusi seragam antara 0 sampai
dengan 1000.
a Dapatkan mean dan varians dari pembayaran klaim asuransi apabila diketahui
deductible sebesar d = 250 diterapkan.
b Dapatkan mean dan varians dari pembayaran klaim asuransi apabila diketahui
policy limit sebesar u = 500 diterapkan.
c Dapatkan mean dan varians dari pembayaran klaim asuransi apabila diketahui
deductible sebesar d = 250 dan policy limit sebesar u = 500 diterapkan.
263
Pembahasan:
1000
1000
(x − 250)2
Z
1
E[Y ] = (x − 250) dx = = 281, 25
250 1000 2(1000) x=250
Z 1000 1000
(x − 250)3
2 2 1
E[Y ] = (x − 250) dx = = 140.625
250 1000 3(1000) x=250
V ar[Y ] = E[Y 2 ] − (E[Y ])2 = 140.625 − (281, 25)2 = 61.523
Apabila
E[Xi ] = µ dan V ar[Xi ] = σ 2
Contoh 10.6
Sebuah perusahaan asuransi memiliki portofolio asuransi jiwa dengan jangka
waktu satu tahun, diterbitkan pada 1000 individu yang berbeda (individu saling
independen). Setiap polis asuransi tersebut akan membayarkan klaim sebesar
$1000 apabila pemegang polis meninggal dalam kurun waktu 1 tahun. Untuk 500
polis, probabilitas bahwa individu meninggal adalah 0,01 per polis, sedangkan
untuk 500 polis lainnya probabilitas bahwa individu meninggal adalah 0,02 per
polis. Dapatkan nilai ekspektasi dan standar deviasi dari klaim agregat yang akan
dibayarkan oleh perusahaan asuransi.
Pembahasan:
P1000
Variabel random dari klaim agregat adalah S = i=1 Xi , dimana Xi
adalah besar klaim untuk polis individu ke-i. Berikutnya, karena klaim
antara satu individu dengan individu lainnya saling independen, maka E[S] =
P1000 P1000
i=1 E[Xi ] dan V ar[S] = i=1 V ar[Xi ]
265
Apabila, Y1 adalah variabel random yang menyatakan besar klaim untuk 500
individu
pertama, maka diperoleh
0 , dengan probabilitas sebesar 0, 99
Y1 =
1000 , dengan probabilitas sebesar 0, 01
E[Y1 ] = 1000(0, 01) = 10
V ar[Y1 ] = E[Y12 ] − (E[Y1 ])2 = 9900
q − E[S] p
p = 1, 645 → q = E[S] + 1, 645 Var[S]
Var[S]
Contoh 10.7
Misalkan diketahui bahwa ujian dengan format pilihan ganda memiliki total
40 pertanyaan, dengan masing-masing pertanyaan memiliki 5 pilihan jawaban.
Seorang siswa memiliki probabilitas untuk menjawab benar pada masing-masing
soal sebesar 0,5. Catat bahwa kejadian siswa tersebut dalam menjawab suatu
pertanyaan independen terhadap kejadian menjawab pertanyaan lainnya. Gunakan
aproksimasi distribusi normal terhadap X, yaitu jumlah jawaban yang benar dari
total 40 pertanyaan untuk menentukan probabilitas mendapatkan setidaknya 25
jawaban benar.
Pembahasan:
Jumlah pertanyaan yang dapat dijawab dengan benar, dinyatakan dengan
X, memiliki distribusi binomial dengan mean 40(0,5)=20 dan varians
40(0,5)(0,5)=10. Dengan menggunakan aproksimasi distribusi normal terhadap
X, maka diperoleh probabilitas mendapatkan setidaknya 25 jawaban benar adalah
X − 20 25 − 20
P[X ≥ 25] = P √ ≥ √
10 10
= P[Z ≥ 1, 58]
= 1 − Φ(1, 58)
= 0, 057
267
Contoh 10.8
Sebuah perusahaan memiliki asuransi akan membayarkan klaim asuransi apabila
besar kerugian lebih dari deductible sebesar 100 untuk masing-masing polis
individual. Dalam produk asuransi tersebut, jumlah pemegang polisnya adalah 50
orang. Distribusi kerugian X untuk masing-masing individu dinyatakan sebagai
0 dengan probabilitas 0, 1
100 dengan probabilitas 0, 2
X= 200 dengan probabilitas 0, 4
500 dengan probabilitas 0, 2
1000 dengan probabilitas 0, 1
Persentil ke-95 dari distribusi klaim agregat tahunan untuk perusahaan asuransi
tersebut adalah q, dimana" #
S − E[S] q − E[S]
P p ≤p = 0, 95
Var[S] Var[S]
Seorang aktuaris memilih sebuah klaim secara acak dari antara klaim-klaim
yang melebihi batas penggantian sendiri (above deductible). Berapakah
kemungkinan klaim yang dipilih adalah mobil berwarna merah?
269
Hitunglah nilai ekspektasi dari besar pembayaran klaim yang dibayarkan oleh
perusahaan asuransi apabila kerugian terjadi.
9. Garansi dari sebuah mesin menyatakan bahwa mesin tersebut akan diganti
dengan mesin baru ketika terjadi kerusakan atau ketika mesin tersebut telah
berusia 4 tahun (yang mana pun terjadi terlebih dahulu). Variabel random
yang menyatakan usia ketika mesin mengalami kerusakan, X, mengikuti suatu
distribusi dengan fungsi kepadatan probabilitas yang didefinisikan sebagai
berikut:
1 , untuk 0 < x < 5
f (x) = 5
0 , untuk nilai x yang lainnya
10. Sebuah polis asuransi dijual untuk menutupi kerugian X, dimana X memiliki
distribusi seragam pada interval [0, 1000]. Pada nilai berapakah deductible
harus diterapkan sedemikian hingga ekspektasi besar pembayaran klaim yang
dilakukan oleh perusahaan asuransi menjadi 25% jika dibandingkan dengan
besar pembayaran klaim tanpa adanya deductible.
BAB 11
DISTRIBUSI SAMPLING
Oleh karena itu, penggunaan sampel dari suatu populasi untuk melakukan
pendugaan/prediksi pada suatu populasi merupakan hal yang lebih masuk akal
untuk dilakukan. Dengan menggunakan sampel tersebut, maka kita bisa menduga
distribusi dari suatu populasi, mean, varians, serta sifat-sifat lain dari distribusi
populasi tersebut. Untuk melakukan pendugaan tersebut, pertama-tama kita
memerlukan distribusi dari fungsi variabel random yang nilainya membentuk
sampel, dimana hal tersebut dikenal sebagai statistik (statistics). Salah satu
contoh dari statistik adalah mean sampel (sample mean).
271
272
Dalam statistik, kita lebih memfokuskan terhadap data berat badan dari 5 orang
mahasiswa yang dijadikan sampel, dimana 5 orang tersebut diambil dari populasi
yang berjumlah 40. Berikutnya, dengan melihat beberapa karakteristik dari data
5 orang mahasiswa tersebut, kita bisa melakukan pendugaan terhadap berat badan
mahasiswa di kelas tersebut.
Catat bahwa definisi yang disebutkan di atas juga berlaku pada sampling dengan
pengembalian pada populasi yang berhingga, sedangkan sampling tanpa pengem-
balian pada populasi berhingga akan dibahas pada bagian berikutnya. Inferensi
statistik didasarkan pada statistik. Contoh dari statistik adalah mean sampel dan
varians sampel. Berikut ini akan dibahas mengenai definisi dari mean sampel dan
varians sampel.
Pada praktiknya, istilah sampel acak, statistik, mean sampel, varians sampel
digunakan untuk menyebut nilai dari variabel random, dibandingkan variabel
random itu sendiri. Dengan demikian, kita dapat mendefinisikan
Pn Pn
i=1 Xi 2 (Xi − X̄)2
X̄ = dan s = i=1
n n−1
untuk menghitung mean dan varians dari sampel suatu data, dimana nilai tersebut
merujuk kepada mean sampel dan varians sampel. Dengan demikian, xi ,X̄, dan
s2 adalah nilai yang bersesuaian dengan variabel random Xi , X̄, dan S 2 . Catat
bahwa formula untuk X̄ dan s2 digunakan bahkan untuk sebarang jenis data,
tidak harus berupa sampel data, dimana X̄ dan s2 juga biasa disebut sebagai
mean dan varians. Statistik dari sampel seperti mean sampel dan varians sampel
memainkan peranan penting dalam estimasi parameter dari suatu populasi yang
berkaitan dengan sampel acak dimana mereka diambil.
Contoh 11.1
Misalkan X1 dan X2 adalah sampel acak berukuran 2 yang diambil dari distribusi
dengan fungsi kepadatan probabilitas
6x(1 − x) , untuk 0 < x < 1
f (x) =
0 , untuk nilai x lainnya
Pembahasan:
Mean dari populasi adalah
Z 1
µX = E[X] = x · 6x(1 − x) dx
0
Z 1
=6 x2 (1 − x) dx
0
= 6B(3, 2)
Γ(3)Γ(2)
=6
Γ(5)
1
=6
12
1
=
2
Catat bahwa B menyatakan fungsi Beta. Karena X1 dan X2 memiliki distribusi
yang sama, maka diperoleh µX1 = 21 = µX2 . Dengan demikian mean dari Y
adalah
1 1
E[Y ] = E[X1 + X2 ] = E[X1 ] + E[X2 ] = + = 1
2 2
Berikutnya, kita akan menghitung varians dari X, yaitu
1
V ar(X1 ) = = V ar(X2 )
20
275
V ar(Y ) = V ar(X1 + X2 )
= V ar(X1 ) + V ar(X2 ) + 2Cov(X1 , X2 )
= V ar(X1 ) + V ar(X2 )
1 1
= +
20 20
1
=
10
Berikut ini adalah dua teorema penting yang berkaitan dengan sampel acak.
Misalkan diberikan X1 , X2 , X3 , · · · , Xn adalah variabel random yang independen
dan memiliki distribusi yang identik (independent and identically distributed)
dengan fungsi kepadatan probabilitas masing-masing adalah f (x1 ), f (x2 ), f (x3 ),
dan f (xn ), serta E[ui (Xi )] ada untuk i = 1, 2, 3, · · · n. Dengan demikian, didap-
atkan " n n
#
Y Y
E ui (Xi ) = E[ui (Xi )]
i=1 i=1
Contoh 11.2
Misalkan diketahui variabel random X1 dan X2 yang saling bebas masing-masing
memiliki mean µ1 = −4 dan µ2 = 3, serta varians σ12 = 4 dan σ22 = 9. Dapatkan
mean dan varians dari Y = 3X1 − 2X2 .
276
Pembahasan:
Mean dari Y adalah
konstanta riil, adalah variabel random dari distribusi normal dengan mean dan
varians
Xn Xn
µY = ai µi untuk σY2 = a2i σi2
i=1 i=1
Pn Pn 2 2
Dengan demikian, Y ∼ N ( i=1 ai µi , i=1 ai σi )
277
i=1 i=1
Contoh 11.3
Misalkan X1 , X2 , · · · , X64 adalah sampel acak berukuran 64 yang diambil dari
populasi dengan distribusi normal dimana mean dan variansnya masing-masing
adalah µ = 50 dan σ 2 = 16. Hitunglah P[49 < X8 < 51] dan P[49 < X̄ < 51].
Pembahasan:
Karena X8 ∼ N (50, 16), maka diperoleh
Pada umumnya, E[X̄] dapat dituliskan sebagai µX̄ dan V ar(X̄) dapat dinotasikan
sebagai σX̄2 . Berikutnya, notasi σ
X̄ merujuk kepada eror standar dari mean
(standard error of the mean). Formula eror standar dari mean adalah σX̄ = √σn ,
dimana hal tersebut menunjukkan standar deviasi dari distribusi X̄ yang nilainya
akan menurun ketika ukuran sampel (sample size) n semakin besar. Hal ini
berarti bahwa apabila nilai n semakin besar, maka kita akan semakin memiliki
sedikit informasi, sehingga sebagai hasilnya kita dapat melihat bahwa nilai dari X̄
akan semakin dekat dengan µ.
Berikut ini kita akan membahas mengenai Hukum Bilangan Besar (law of
Large number), dimana hukum tersebut sangat bermanfaat dalam penentuan
ukuran sampel minimal yang diperlukan dalam melakukan suatu percobaan.
Teorema lain yang tidak kalah penting dalam statistik adalah Teorema Limit
Pusat (central limit theorem), dimana teorema tersebut membahas mengenai
limiting distribution dari mean yang terstandar (standardized mean) dari n
variabel random ketika n → ∞. Pembuktian dari teorema ini hanya untuk kasus
dimana n variabel random merupakan sampel acak dari populasi yang memiliki
fungsi pembangkit momen.
1 x−µ 2
f (x) = √ e−1/2( σ )
σ 2π
σ2
maka X̄ ∼ N µ, n .
X̄ − µ
Zn =
√σ
n
Contoh 11.4
Misalkan Y = X1 + X2 + · · · + X15 menyatakan jumlahan dari sampel acak
berukuran 15 dari populasi dengan fungsi kepadatan probabilitas sebagai berikut:
f (x) = 2
0 untuk nilai x yang lainnya
Pembahasan:
Pertama, kita akan mencari nilai dari mean µ dan varians σ 2 untuk fungsi
kepadatan probabilitas f (x).
281
Contoh 11.5
Misalkan X1 , X2 , · · · , Xn adalah sampel acak berukuran n = 25 yang diambil
dari populasi dengan mean µ = 71.43 dan varians σ 2 = 56.25. Misalkan X̄
menyatakan mean sampel. Dapatkan probabilitas bahwa mean sampel berada di
antara nilai 68.91 dan 71.97.
Pembahasan:
Mean dari X̄ adalah E[X̄] = 71.43. Sedangkan varians dari X̄adalah
σ2 56.25
V ar(X̄) = = = 2.25.
n 25
Untuk mendapatkan probabilitas bahwa mean sampel berada di antara nilai 68.91
and 71.97, kita memerlukan distribusi dari populasi. Akan tetapi, distribusi
populasi tidak diketahui secara pasti. Oleh karena itu, kita akan menggunakan
Teorema Limit Pusat.
282
X̄ − µ
Teorema Limit Pusat menyatakan bahwa ∼ N (0, 1) ketika n menuju tak
√σ
n
hingga. Dengan demikian, diperoleh
68.91 − 71.43 X̄ − 71.43 71.97 − 71.43
P[68.91 ≤ X̄ ≤ 71.97] = P √ ≤ √ ≤ √
2.25 2.25 2.25
= P[−0.68 ≤ Z ≤ 0.36]
= P[Z ≤ 0.36] + P[Z ≤ 0.68] − 1
= 0.5941.
Contoh 11.6
Sebuah mesin penjual minuman otomatis diatur sedemikian rupa sehingga jumlah
minuman (dalam mililiter) yang dikeluarkan dari mesin tersebut adalah sebuah
variabel random dengan mean 200 ml dan standar deviasi 15 ml. Hitunglah proba-
bilitas bahwa rata-rata (mean) jumlah minuman yang dikeluarkan dari sampel acak
berukuran 36 minimal adalah 204 ml.
Pembahasan:
Dalam contoh ini, diketahui bahwa mean populasi adalah µ = 200 dan standar
deviasi dari populasi adalah σ = 15. Berdasarkan pembahasan pada teorema-
teorema sebelumnya, distribusi dari mean sampel X̄ memiliki rata-rata (mean)
µX̄ = µ = 200 dan standar deviasi σX̄ = √σn = √1536 = 2, 5. Dengan menggu-
nakan Teorema Limit Pusat, distribusi dari sampel acak diproksimasi sebagai
distribusi normal standar.
Jadi, probabilitas bahwa rata-rata (mean) jumlah minuman yang dikeluarkan dari
sampel acak berukuran 36 minimal 204 ml adalah 0,0548.
283
Apabila X1 adalah nilai sampel pertama yang terambil dari suatu populasi
yang berukuran N , X2 adalah nilai sampel kedua yang terambil, X3 adalah nilai
sampel ketiga yang terambil, · · · , Xn adalah nilai sampel ke-n yang terambil,
dan distribusi probabilitas bersama dari n variabel random tersebut didefinisikan
sebagai berikut:
1
f (x1 , x2 , x3 , · · · , xn ) =
N (N − 1)(N − 2) · · · (N − n + 1)
Berdasarkan definisi dari sampel acak dari populasi berhingga di atas, maka
probabilitas untuk setiap subset berukuran n yang diambil dari populasi berhingga
berukuran N adalah
n! 1
= N
N (N − 1)(N − 2). . . (N − n + 1) n
1
f (xr ) = , untuk xr = c1 , c2 , c3 , · · · , cN dan r = 1, 2, 3, · · · , n
N
284
Untuk dua buah variabel random Xr dan Xs yang menyatakan variabel random
ke-r dan ke-s dari sampel acak berukuran n yang diambil dari populasi berhingga
berukuran N , maka diperoleh beberapa sifat berikut ini:
1
(i) Distribusi probabilitas gabungan : g(xr , xs ) =
N (N − 1)
σ2
(ii) Kovarians : cov(Xr , Xs ) = −
N −1
Apabila X̄ menyatakan mean sampel, yaitu mean dari sampel acak berukuran n
yang diambil secara acak tanpa pengembalian dari populasi berhingga berukuran
N , dengan mean dan varians populasi masing-masing adalah µ dan σ 2 , maka
diperoleh
n n
1 X 1 X
E[X̄] E[Xi ] = µ=µ
N N
i=1 i=1
dan
n
1 2 2 X X 1 2 σ2
X
V ar(X̄) = σ +2 −
N N N −1
i=1 i<j
σ2 σ2
n(n − 1) 1
= +2· · 2 −
n 2 n N −1
2
σ N −n
= ·
n N −1
Contoh 11.7
Apabila sampel acak berukuran n dipilih secara acak tanpa pengembalian
dari suatu populasi berhingga yang terdiri dari bilangan bulat 1, 2, 3, · · · , N .
Tunjukkan bahwa:
N +1
a) Mean dari X̄ adalah .
2
(N + 1)(N − n)
b) Varians dari X̄ adalah .
12n
285
Pembahasan:
dengan v > 0. Kita dapat tuliskan variabel random pada distribusi Chi-Square
sebagai X ∼ χ2 (v). Catat bahwa distribusi Chi-Square merupakan kasus khusus
dari distribusi Gamma, dengan α = v2 dan θ = 2.
286
Mean dan varians dari distribusi Chi-Square dengan derajat kebebasan (degree
of freedom) v masing-masing adalah v dan 2v, sedangkan fungsi pembangkit
v
1 2
momennya adalah MX (t) = 1−2t .
Berikut ini adalah beberapa teorema yang berkaitan dengan distribusi Chi-
Square.
i. Apabila X berdistribusi normal standar, maka X 2 berdistribusi Chi-Square
dengan derajat kebebasan v = 1.
n 1 n
Y 1 2 1 2
MY (t) = =
1 − 2t 1 − 2t
i=1
iv. Apabila X1 dan X2 adalah variabel random yang saling bebas, X1 berdis-
tribusi Chi-Square dengan derajat kebebasan v1 , dan X1 + X2 berdistribusi
Chi-Square dengan derajat kebebasan v > v1 , maka X2 berdistribusi Chi-
Square dengan derajat kebebasan v − v1
287
v. Apabila X̄ dan S 2 adalah mean dan varians dari sampel acak berukuran n
dari populasi yang berdistribusi normal dengan mean µ dan standar deviasi σ,
2
maka X̄ dan S 2 saling independen, dan variabel random (n−1)S
σ2
berdistribusi
Chi-Square dengan derajat kebebasan n − 1.
Karena distribusi Chi-Square muncul dalam banyak aplikasi, nilai integral dari
fungsi kepadatan probabilitasnya telah dihitung dalam bentuk tabel. Tabel ini
dikenal sebagai tabel distribusi Chi-Square. Nilai-nilai yang terdapat pada tabel
tersebut meliputi nilai dari χ2α,v untuk α = 0.995, 0.99, 0.975, 0.95, 0.05, 0.025
, 0.01, 0.005 dan v = 1, 2, 3, · · · , 30.
P[X ≥ χ2α,v ] = α
Contoh 11.8
Misal diberikan X ∼ GAM (1, 1), dapatkan fungsi kepadatan probabilitas dari
variabel random 2X.
Pembahasan:
Kita akan menggunakan metode fungsi pembangkit momen untuk mendapatkan
distribusi dari 2X. Fungsi pembangkit momen dari variabel random Gamma
diberikan sebagai berikut:
1
M (t) = (1 − θt)−σ , apabila t < ,
θ
Karena X ∼ GAM (1, 1), fungsi pembangkit momen dari X adalah
1
MX (t) = , t < 1.
1−t
288
Contoh 11.9
Apabila X ∼ χ2 (5), dapatkan probabilitas bahwa X berada di antara nilai 1.145
dan 12.83.
Pembahasan:
Probabilitas bahwa X berada di antara nilai 1.145 dan 12.83 diberikan sebagai
berikut:
P[1.145 ≤ X ≤ 12.83] = P[X ≤ 12.83] − P[X ≤ 1.145]
Z 12.83 Z 1.145
= f (x) dx − f (x) dx
0 0
Z 12.83 Z 1.145
1 5
−1 − x2 1 5
−1 − x
= 5x 2 e dx − 5 x 2 e 2 dx
5 5
0 Γ 2 22 0 Γ 2 22
= 0.975 − 0.050 (dari tabel χ2 )
= 0.925
Contoh 11.10
Sebuah komponen baru berada dalam servis dan terdapat n buah spare part yang
tersedia. Apabila waktu kerusakan dari spare part (dalam hari) merupakan variabel
random yang saling bebas dan berdistribusi eksponensial, yaitu Xi ∼ EXP (100),
berapa jumlah minimal spare part yang dibutuhkan untuk 95% yakin bahwa
komponen tersebut dapat beroperasi dengan baik selama 2 tahun?
289
Pembahasan:
Karena Xi ∼ EXP (100), maka
n
X
Xi ∼ GAM (100, n)
i=1
11.3 Distribusi t
Pada subbab 11.1, kita telah membahas bahwa apabila sampel acak yang diambil
dari suatu populasi yang berdistribusi normal dengan mean µ dan varians σ 2 ,
maka variabel random X̄ akan berdistribusi normal dengan mean µ dan varians
σ2
n . Dengan kata lain,
X̄ − µ
σ /√
n
Akan tetapi, pada praktiknya, standar deviasi dari populasi σ tidak diketahui
nilainya. Oleh karena itu, kita perlu mengganti σ dengan suatu nilai yang
diestimasi. Nilai tersebut umumnya adalah standar deviasi dari sampel, yaitu S.
X̄ − µ
Dengan demikian, hal ini mengarahkan kita pada distribusi dari s √ untuk
/ n
sampel acak yang berasal dari populasi normal. Untuk mendapatkan distribusi
sampling yang dimaksud, pertama kita akan bahas definisi dari distribusi t terlebih
dahulu.
Karena distribusi t juga sering muncul dalam banyak aplikasi, nilai integral
dari fungsi kepadatan probabilitasnya telah dihitung dalam bentuk tabel. Tabel
ini dikenal sebagai tabel distribusi t. Nilai-nilai yang terdapat pada tabel
tersebut meliputi nilai dari tα,v untuk α = 0.10, 0.05, 0.025, 0.01, 0.005 dan
v = 1, 2, 3, · · · , 29. Catat bahwa tα,v menunjukkan luasan/area yang berada di
sebelah kanan dari kurva distribusi t dengan derajat kebebasan v memiliki nilai
sebesar α. Secara matematis, hal ini dapat dituliskan sebagai
P[T ≥ tα,v ] = α
291
Sebagai tambahan, tabel distribusi t tidak memiliki nilai dari tα,v untuk α > 0.50,
karena nilainya simetris untuk t = 0. Dengan demikian t1−α,v = −tα,v . Ketika
nilai dari derajat kebebasan v lebih dari 30, maka probabilitas dari distribusi t
dapat diaproksimasi dengan menggunakan distribusi normal.
Apabila X̄ dan S 2 adalah mean dan varians dari sampel acak berukuran n
dari populasi yang berdistribusi normal dengan mean µ dan standar deviasi σ,
maka variabel random
X̄ − µ
T = √
S/ n
Berdistribusi t dengan derajat kebebasan n − 1.
Contoh 11.11
Apabila T ∼ t(10), dapatkan probabilitas bahwa T minimal 2.228.
Pembahasan:
probabilitas bahwa T minimal 2.228 adalah
P[T ≥ 2.228] = 1 − P[T < 2.228] = 1 − 0.975 = 0.025
Catat bahwa kita memerlukan tabel distribusi t untuk mendapatkan nilai di atas.
Contoh 11.12
Apabila T ∼ t(19), dapatkan nilai dari konstanta c sedemikian hingga P[|T | ≤
c] = 0.95.
Pembahasan:
0.95 = P[|T | ≤ c] = P[−c ≤ T ≤ c] = P[T ≤ c]−1+P[T ≤ c] = 2P[T ≤ c]−1
292
P[T ≤ c] = 0.975
Dari tabel distribusi t untuk derajat kebebasan 19, kita dapatkan nilai c yang
memenuhi adalah c = 2.093
Contoh 11.13
Misalkan X1 , X2 , X3 , X4 adalah sampel acak berukuran 4 yang diambil dari
populasi dengan distribusi normal standar. Apabila diberikan statistik W sebagai
berikut:
X1 − X2 + X3
W =p 2 ,
X1 + X22 + X32 + X42
Dapatkan nilai ekspektasi dari W .
Pembahasan:
Karena Xi ∼ N (0, 1), maka kita peroleh
X1 − X2 + X3 ∼ N (0, 3)
dan
X1 − X2 + X3
√ ∼ N (0, 1)
3
Xi2 ∼ χ2 (1)
Sehingga
X12 + X22 + X32 + X42 ∼ χ2 (4)
Jadi,
X1 − X2 + X3
√
3 2
r = √ W ∼ t(4).
X12 + X22 + X32 + X42 3
4
293
11.4 Distribusi F
Distribusi lain yang memainkan peran penting dalam kaitannya dengan pengam-
bilan sampel dari populasi yang berdistribusi normal adalah distribusi F . Nama
distribusi ini diambil dari nama salah satu ahli statistik Sir Ronald A. Fisher.
Awalnya, distribusi ini dipelajari sebagai distribusi sampling dari rasio dua
variabel random yang independen dengan distribusi Chi-Square, dan dibagi
dengan derajat kebebasan masing-masing.
F = .v1
V
v2
adalah variabel random yang memiliki distribusi F , yaitu variabel random yang
memiliki fungsi kepadatan probabilitas sebagai berikut:
v1 1
v1 +v2
v1 − 2 (v1 +v2 )
Γ v1 2 v1
−1
g(f ) = v1
2 v2
·f 2 1+ f
Γ 2 Γ 2
v2 v2
Nilai integral dari fungsi kepadatan probabilitas distribusi F telah dihitung dalam
bentuk tabel. Tabel ini dikenal sebagai tabel distribusi F . Nilai-nilai yang terdapat
pada tabel tersebut meliputi nilai dari fα,v1 ,v2 untuk α = 0.05, 0.01 dan berbagai
macam nilai v1 dan v2 . Catat bahwa fα,v1 ,v2 menunjukkan luasan/area yang berada
di sebelah kanan dari kurva distribusi F dengan derajat kebebasan v1 dan v2
memiliki nilai sebesar α. Secara matematis, hal ini dapat dituliskan sebagai
Apabila S12 dan S22 adalah varians dari sampel acak yang saling bebas dengan
ukuran sampel masing-masing adalah n1 dan n2 , dan sampel tersebut diambil dari
populasi yang berdistribusi normal dengan varians masing-masing adalah σ12 dan
σ22 , maka 2
.
S1
σ12 σ22 S12
F = =
σ12 S22
.
S22
σ22
Contoh 11.14
Apabila X ∼ F (9, 10), berapakah nilai dari P[X ≥ 3.02]? Berikutnya, dapatkan
mean dan varians dari X.
Pembahasan:
Berikutnya, kita akan menghitung mean dan varians dari X sebagai berikut:
v2
E[X] =
v2 − 2
10
=
10 − 2
10
=
8
= 1.25
2v22 (v1 + v2 − 2)
V ar(X) =
v1 (v2 − 2)2 (v2 − 4)
2(10)2 (19 − 2)
=
9(8)2 (6)
(25)(17)
=
(27)(16)
425
=
432
= 0.9838
Contoh 11.15
Apabila X ∼ F (6, 9), berapakah probabilitas bahwa X akan kurang dari atau
sama dengan 0.2439 ?
Pembahasan:
1 1
P[X ≤ 0.2439] = P ≥
X 0.2439
1
= P F (9, 6) ≥
0.2439
1
= 1 − P F (9, 6) ≤
0.2439
= 1 − P[F (9, 6) ≤ 4.10]
= 1 − 0.95
= 0.05.
296
Dalam upaya untuk mengatasi masalah sampel yang berukuran kecil dalam
kasus dimana tidak memungkinkan untuk mengasumsikan populasi berdistribusi
normal, para ahli statistik telah mengembangkan model statistika nonparametrik,
yang distribusi sampelnya tidak bergantung pada asumsi tentang populasi dari
mana sampel diambil. Inferensi statistik yang didasarkan pada statistik semacam
itu disebut sebagai inferensi nonparametrik. Pada bagian ini, kita akan membahas
mengenai kelas dari statistika nonparametrik yang disebut sebagai statistik
urutan (order statistics).
Range dari sampel (sample range), R, adalah selisih antara hasil observasi
terbesar dan hasil observasi terkecil dari sampel acak berukuran n, yaitu
R = X(n) − X(1)
Distribusi dari statistik urutan menjadi sangat penting ketika seseorang menggu-
nakannya dalam pengamatan dan eksperimen statistik. Teorema berikut ini
menyatakan distribusi dari statistik urutan. Misalkan X1 , X2 , X3 , · · · , Xn adalah
hasil observasi dari sampel acak berukuran n dari distribusi dengan fungsi
kepadatan probabilitas f (x).
297
Fungsi kepadatan probabilitas dari statistik urutan ke-r, X(r) , dinyatakan sebagai
n!
g(x) = [F (x)]r−1 f (x)[1 − F (x)]n−r
(r − 1)!(n − r)!
Contoh 11.16
Misalkan X1 , X2 adalah sampel acak yang diambil dari distribusi dengan fungsi
kepadatan probabilitas sebagai berikut:
e−x , untuk 0 ≤ x < ∞
f (x) =
0 , untuk nilai x lainnya
Pembahasan:
CDF dari f (x) adalah
Z x
F (x) = e−t dt = 1 − e−x
0
Contoh 11.17
Misalkan Y1 < Y2 < · · · < Y6 adalah statistik urutan dari sampel acak berukuran 6
yang diambil dari distribusi dengan fungsi kepadatan probabilitas sebagai berikut:
2x , untuk 0 < x < 1
f (x) =
0 , untuk nilai x lainnya
Pembahasan:
Z x
f (x) = 2x → F (x) = 2t dt = x2
0
Fungsi kepadatan probabilitas dari Y6 adalah
6!
(y) = [F (y)]5 f (y) = 6(y 2 )5 2y = 12y 11
5!0!
Dengan demikian, nilai ekspektasi dari Y6 adalah
Z 1 Z 1
12 13 1 12
E[Y6 ] = y · g(y) dy = y12y 11 dy = [y ]0 =
0 0 13 13
299
4. Beberapa bola lampu dipasang secara berurutan pada suatu stop kontak.
Apabila diasumsikan bahwa masing-masing bola lampu memiliki rataan usia
hidup 2 bulan dan standar deviasi adalah 0.25 bulan, dapatkan probabilitas
bahwa 40 bola lampu yang terpasang secara berturut-turut dalam stop kontak
tersebut memiliki total usia hidup minimal 7 tahun.
5. Beberapa bola lampu dipasang secara berurutan pada suatu stop kontak.
Apabila diasumsikan bahwa masing-masing bola lampu memiliki rataan usia
hidup 2 bulan dan standar deviasi adalah 0.25 bulan, berapa banyak bola lampu
n yang harus dibeli sedemikian hingga 95% yakin bahwa total usia hidup
minimal dari n bola lampu yang terpasang secara berturut-turut dalam stop
kontak tersebut adalah 5 tahun.
300
Fungsi distribusi dari suatu populasi, pada umumnya, dapat dinyatakan dengan
variabel random X dan fungsi kepadatan probabilitasnya dapat dituliskan sebagai
f (x; θ). Selanjutnya, suatu sampel merupakan bagian dari populasi yang dipilih
dengan menggunakan metode sampling acak (random sampling) dan dinyatakan
sebagai himpunan dari variabel random X1 , X2 , · · · , Xn dengan fungsi kepadatan
probabilitas yang sama seperti populasi yaitu f (x; θ).
X1 = x1 , X2 = x2 , · · · , Xn = xn
301
302
Dalam estimasi titik, kita ingin mendapatkan nilai estimasi dari parameter θ
pada suatu distribusi populasi dengan fungsi kepadatan probabilitas f (x; θ)
berdasarkan informasi dari sampel. Oleh karena itu, di dalam estimasi titik
parametrik diasumsikan bahwa fungsi kepadatan probabilitas dari populasi
f (x; θ) telah diketahui, dan hanya parameter θ dari populasi yang tidak diketahui.
Dengan demikian, kita ingin mendapatkan estimasi dari θ berdasarkan informasi
yang diketahui dari sampel. Berikut ini adalah definisi dari estimasi titik.
Karena estimator titik merupakan variabel random, maka salah satu permasalahan
utama dari estimasi titik adalah mengetahui distribusi samplingnya. Sebagai
contoh, ketika kita ingin mengestimasi varians dari suatu populasi berdasarkan
informasi pada sampel acak, maka kita akan berharap bahwa nilai dari S 2 akan
tepat sama seperti σ 2 . Akan tetapi, pada kenyataannya, bisa jadi nilai S 2 tidak
akan tepat sama seperti σ 2 . Namun, setidaknya kita berharap bahwa kedua nilai
tersebut akan sangat dekat.
Pada subbab 12.1 sampai dengan 12.4 akan dibahas mengenai sifat-sifat dari
estimator yang telah disebutkan di atas. Berikutnya, pada subbab 12.5 dan 12.6
akan dipelajari mengenai metode yang umumnya digunakan untuk mendapatkan
estimator titik, yaitu metode momen dan metode maximum likelihood.
E[θ̂] = θ
Contoh 12.1
Apabila X menyatakan variabel random yang berdistribusi binomial dengan
parameter n dan θ, tunjukkan bahwa proporsi sampel X
n merupakan estimator tak
bias dari θ.
Pembahasan:
Apabila X berdistribusi binomial, maka diperoleh E[X] = nθ. Dengan demikian,
didapatkan
X 1
E = · E[X]
n n
1
= · nθ
n
=θ
X
Jadi, jelas bahwa n merupakan estimator tak bias dari θ.
304
Contoh 12.2
Apabila X1 , X2 , · · · , Xn menyatakan sampel acak berukuran n yang diambil dari
suatu populasi yang memiliki fungsi kepadatan probabilitas sebagai berikut:
e−(x−θ) , untuk x > θ
f (x) =
0 , untuk x lainnya
Pembahasan:
Berdasarkan fungsi kepadatan probabilitas yang didefinisikan pada soal, maka
didapatkan Z ∞
E[X] = µ = x · e−(x−θ) dx = 1 + θ
θ
E[X̄] = 1 + θ 6= θ
Pada Contoh 12.2, didapatkan nilai bias 1 + θ − θ = 1. Pada kasus ini, apabila kita
melakukan sedikit modifikasi pada estimator tersebut, yaitu dengan mengambil
X̄ − 1 sebagai estimator dari θ, maka didapatkan E[X̄ − 1] = θ. Dengan demikian
jelas bahwa X̄ − 1 merupakan estimator tak bias untuk θ pada kasus tersebut.
Contoh 12.3
Misalkan diberikan X1 , , X2 , · · · , Xn adalah sampel acak yang diambil dari
populasi yang berdistribusi normal dengan mean µ dan varians σ 2 > 0. Apakah
mean sampel X̄ merupakan estimator tak bias dari parameter µ?
305
Pembahasan:
Karena untuk setiap Xi ∼ N (µ, σ 2 ), maka diperoleh
σ2
X̄ ∼ N µ,
n
Dengan demikian, mean sampel juga berdistribusi normal dengan mean µ dan
2
varians σn . Jadi E[X̄] = µ.
Pada Contoh 12.4 berikut ini akan ditunjukkan bahwa varians sampel S 2 yang
diberikan oleh persamaan berikut
n
1 X
S2 = (Xi − X̄)2
n−1
i=1
merupakan estimator tak bias dari parameter varians populasi σ 2 terlepas dari apa
pun jenis distribusi populasinya.
Contoh 12.4
Misalkan diberikan X1 , X2 , · · · , Xn adalah sampel acak yang diambil dari
populasi dengan mean µ dan varians σ 2 > 0. Tentukan apakah varians sampel S 2
merupakan estimator tak bias dari parameter varians populasi σ 2 ?
Pembahasan:
Dalam contoh ini, jenis distribusi dari populasi tidak diketahui. Akan tetapi,
diberikan informasi bahwa E[Xi ] = µ dan E[(Xi − µ)2 ] = σ 2 . Untuk menda-
patkan E[S 2 ], kita perlu mencari E[X̄] dan E[X̄ 2 ].
X1 + X2 + · · · + Xn
E[X̄] = E
n
n
1X
= E[Xi ]
n
i=1
n
1X
= µ
n
i=1
=µ
306
σ2
E[X̄ 2 ] = V ar(X̄) + E[X̄]2 = + µ2
n
Selanjutnya,
n
" #
1 X
E[S 2 ] = E (Xi − X̄)2
n−1
i=1
" n #
1 X
2 2
= E (Xi − 2X̄Xi + X̄ )
n−1
i=1
" n #
1 X
2 2
= E Xi − nX̄
n−1
i=1
( n )
1 X
= E[Xi2 ] − E[nX̄ 2 ]
n−1
i=1
σ2
1
= n(σ 2 + µ2 ) − n µ2 +
n−1 n
1
= [(n − 1)σ 2 ]
n−1
= σ2
Dengan demikian, varians sampel S 2 terbukti sebagai estimator tak bias terhadap
parameter varians populasi σ 2 .
307
lim bn (θ) = 0
n→∞
Contoh 12.5
Misalkan diberikan bahwa X1 , X2 , · · · , Xn adalah sampel acak berukuran n yang
diambil dari suatu populasi dengan mean −∞ < µ < ∞ dan varians σ 2 > 0.
X1 + 2X2 + · · · + nXn
Tunjukkan bahwa statistik X̄ dan Y = keduanya
n(n + 1)/2
merupakan estimator tak bias dari µ. Berikutnya, tunjukkan pula bahwa
V ar(X̄) < V ar(Y ).
Pembahasan:
Pertama akan ditunjukkan bahwa X̄ adalah estimator tak bias dari µ, yaitu
X1 + X2 + · · · + Xn
E[X̄] = E
n
n
1X
= E[Xi ]
n
i=1
n
1X
= µ
n
i=1
=µ
Karena E[X̄] = µ, maka terbukti bahwa mean sampel X̄ adalah estimator tak bias
dari mean populasi µ terlepas dari apa pun jenis distribusi populasinya.
308
Berikutnya, akan ditunjukkan bahwa Y adalah estimator tak bias dari µ, yaitu
" #
X1 + 2X2 + · · · + nXn
E[Y ] = E n(n+1)
2
n
2 X
= iE[Xi ]
n(n + 1)
i=1
n
2 X
= iµ
n(n + 1)
i=1
2 n(n + 1)
= µ
n(n + 1) 2
=µ
Karena E[Y ] = µ, maka terbukti bahwa Y adalah estimator tak bias dari mean
populasi µ. Selanjutnya kita akan menghitung varians dari X̄ dan Y , yaitu
X1 + X2 + · · · + Xn
V ar[X̄] = V ar
n
1
= 2 V ar[X1 + X2 + · · · + Xn ]
n
n
1 X
= 2 V ar[Xi ]
n
i=1
σ2
=
n
" #
X1 + 2X2 + · · · + nXn
V ar[Y ] = V ar n(n+1)
2
4
= V ar[1X1 + 2X2 + · · · + nXn ]
n2 (n
+ 1)2
n
4 X
= 2 V ar[iXi ]
n (n + 1)2
i=1
n
4 X
= i2 V ar[Xi ]
n2 (n + 1)2
i=1
n
4 2
X
= σ i2
n2 (n + 1)2
i=1
4 n(n + 1)(2n + 1)
= σ2
n2 (n + 1)2 6
309
2 2n + 1 σ 2
=
3 (n + 1) n
2 2n + 1
= V ar[X̄]
3 (n + 1)
2 (2n + 1)
Karena > 1 untuk n ≥ 2, maka terlihat bahwa V ar(X̄) < V ar(Y ).
3 (n + 1)
Hal ini menunjukkan bahwa meskipun X̄ dan Y keduanya adalah estimator tak
bias dari µ, akan tetapi varians dari mean sampel X̄ lebih kecil dibandingkan
varians dari Y .
X1 + X2 + · · · + Xn
X̄ =
n
dan statistiknya adalah
X1 + 2X2 + · · · + nXn
Y =
1 + 2 + 3 + ··· + n
keduanya merupakan estimator tak bias dari mean populasi. Akan tetapi, catat
bahwa V ar(X̄) < V ar(Y ). Apabila suatu estimator tak bias memiliki varians
yang lebih kecil, maka estimator tersebut memiliki probabilitas yang lebih besar
untuk lebih mendekati nilai dari parameter sebenarnya θ. Oleh karena itu, ketika
terdapat dua estimator tak bias dari θ, maka kita akan memilih estimator dengan
variansi terkecil.
Misalkan θ̂1 dan θ̂2 masing-masing merupakan estimator tak bias dari θ,
maka estimator θ̂1 dikatakan lebih efisien dibandingkan θ̂2 apabila
V ar(θ̂2 )
η(θ̂1 , θ̂2 ) =
V ar(θ̂1 )
Contoh 12.6
Misalkan X1 , X2 , X3 menyatakan sampel acak berukuran tiga yang diambil dari
suatu populasi dengan mean µ dan varians σ 2 > 0. Apabila diberikan statistik X̄
dan Y yang didefinisikan sebagai
X1 + 2X2 + 3X3
Y =
6
dimana keduanya adalah estimator tak bias dari mean populasi µ, manakah di
antara kedua estimator tersebut yang lebih efisien?
Pembahasan:
Karena E[X1 ] = µ dan V ar(X1 ) = σ 2 , maka diperoleh
X1 + X2 + X3
E[X̄] = E
3
1
= (E[X1 ] + E[X2 ] + E[X3 ])
3
1
= 3µ
3
=µ
X1 + 2X2 + 3X3
E[Y ] = E
6
1
= (E[X1 ] + 2E[X2 ] + 3E[X3 ])
6
1
= 6µ
6
=µ
Oleh karena itu, terlihat X̄ dan Y keduanya adalah estimator tak bias. Berikutnya
kita akan menentukan varians dari kedua estimator, yaitu
X1 + X2 + X3
V ar(X̄) = V ar
3
1
= [V ar(X1 ) + V ar(X2 ) + V ar(X3 )]
9
1
= 3σ 2
9
12
= σ2
36
311
dan
X1 + 2X2 + 3X3
V ar(Y ) = V ar
6
1
= [V ar(X1 ) + 4V ar(X2 ) + 9V ar(X3 )]
36
1
= 14σ 2
36
14
= σ2
36
12 2 14
σ = V ar(X̄) < V ar(Y ) = σ 2
36 36
14 7
η(X̄, Y ) = =
12 6
Contoh 12.7
Misalkan diberikan X1 , X2 , · · · , Xn adalah sampel acak berukuran n yang
diambil dari suatu populasi dengan fungsi kepadatan probabilitas sebagai berikut:
1 e− xθ
, untuk 0 ≤ x < ∞
f (x) = θ
0 , untuk x lainnya
Pembahasan:
Karena populasi X berdistribusi eksponensial dengan parameter θ, maka X ∼
EXP (θ) dengan mean dan varians diberikan sebagai berikut:
Selain itu, mean sampel juga merupakan estimator tak bias dari θ karena
n
1X
E[X̄] = E[Xi ]
n
i=1
1
= nθ
n
=θ
Selanjutnya, kita akan menghitung varians dari kedua estimator X1 dan X̄, yaitu
V ar(X1 ) = θ2
dan
X1 + X2 + · · · + Xn
V ar(X̄) = V ar
n
n
1 X
= 2 V ar(Xi )
n
i=1
1
= 2 nθ2
n
θ2
=
n
Jadi,
θ2
= V ar(X̄) < V ar(X1 )
n
= θ2
Oleh karena itu, dapat dilihat bahwa X̄ lebih efisien dibandingkan X1 , dan efisiensi
relatif dari X̄ terhadap X1 adalah
θ2
η(X̄, X1 ) = θ2
=n
n
313
Oleh karena itu, suatu estimator tak bias θ̂ dari parameter θ dikatakan sebagai
estimator tak bias dengan varians minimum (minimum variance unbiased
estimator) dari θ jika dan hanya jika V ar(θ̂) ≥ V ar(T̂ ) untuk sebarang estimator
tak bias T̂ dari θ.
Apabila sebuah estimator θ̂ merupakan estimator tak bias, maka mean dari
estimator tersebut akan sama dengan θ, yaitu E[θ̂] = θ dan variansnya adalah
Varians tersebut, apabila ada, merupakan fungsi dari estimator tak bias θ̂ dan
memiliki nilai terkecil di antara seluruh estimator tak bias untuk θ. Oleh karena
itu, kita dapat menyatakan bahwa estimator tak bias θ̂ dari parameter θ dikatakan
sebagai estimator tak bias dengan varians minimum (minimum variance unbiased
estimator) dari θ apabila estimator tersebut meminimalkan varians E[(θ̂ − θ)2 ].
Contoh 12.8
Misalkan θb1 dan θb2 adalah estimator tak bias dari θ. Berikutnya, misalkan
1
V ar(θb1 ) = 1, V ar(θb2 ) = 2, dan Cov(θb1 θb2 ) = . Berapakah nilai c1 dan c2
2
sedemikian hingga c1 θb1 + c2 θb2 adalah estimator tak bias dari θ dengan varians
terkecil dibandingkan seluruh estimator tak bias dengan tipe tersebut?
Pembahasan:
Kita ingin c1 θb1 + c2 θb2 menjadi estimator tak bias dari θ dengan varians terkecil,
yaitu h i
E c1 θb1 + c2 θb2 = θ
⇒ c1 E[θb1 ] + c2 E[θb2 ] = θ
⇒ c1 θ + c2 θ = θ
⇒ c1 + c2 = 1
⇒ c2 = 1 − c1
314
Dengan demikian,
V ar[c1 θb1 + c2 θb2 ] = c21 V ar[θb1 ] + c22 V ar[θb2 ] + 2c1 c2 Cov (θ1 , θ1 )
= c21 + 2c22 + c1 c2
= c21 + 2(1 − c1 )2 + c1 (1 − c1 )
= 2(1 − c1 )2 + c1
= 2 + 2c21 − 3c1
Jadi, varians V ar[c1 θb1 + c2 θb2 ] adalah fungsi dari c1 . Selanjutnya, kita tuliskan
fungsi tersebut sebagai φ(c1 ), yaitu:
φ(c1 ) := V ar[c1 θb1 + c2 θb2 ] = 2 + 2c21 − 3c1
Apabila θ̂ merupakan estimator tak bias dari θ, maka dapat ditunjukkan bahwa
pada kondisi yang paling umum, varians dari θ̂ harus memenuhi pertidaksamaan
1
V ar(θ̂) ≥ " #
∂ ln f (X) 2
n·E
∂θ
dengan f (x) menyatakan nilai dari kepadatan populasi pada x dan n merupakan
ukuran dari sampel acak. Pertidaksamaan tersebut dikenal sebagai pertidaksamaan
Cramer-Rao. Sebagai hasilnya, pertidaksamaan tersebut mengarahkan kita kepada
teorema berikut ini.
315
maka θ̂ adalah estimator tak bias dengan varians minimum dari parameter θ. Catat
bahwa kebalikan dari teorema ini belum tentu benar.
Contoh 12.9
Tunjukkan bahwa X̄ adalah estimator tak bias dengan varians minimum terhadap
parameter µ dari suatu populasi yang berdistribusi normal.
Pembahasan:
Apabila X merupakan variabel random yang berdistribusi normal dengan
parameter µ dan σ 2 , maka fungsi kepadatan probabilitasnya dapat dinyatakan
sebagai
1 1 x−µ 2
f (x) = √ e− 2 ( σ )
σ 2π
untuk −∞ < x < ∞.
Dengan demikian, dapat kita tuliskan kembali bentuk fungsi tersebut sebagai
berikut:
√ 1 x−µ 2
ln f (x) = − ln σ 2π −
2 σ
316
1 1 σ2
" 2 # = 1
=
n
∂ ln f (X) n·
n·E σ2
∂θ
σ2
Karena X̄ adalah estimator tak bias dari µ, dan V ar(X̄) = , maka dikatakan
n
bahwa X̄ adalah estimator tak bias dengan varians minimum terhadap parameter
µ.
mengenai estimator yang cukup dapat dilihat pada bagian berikut ini.
Contoh 12.10
Apabila diberikan X1 , X2 , · · · , Xn merupakan sampel acak berukuran n yang
diambil dari suatu populasi yang berdistribusi Bernoulli, tunjukkan bahwa
X1 + X2 + · · · + Xn
θ̂ =
n
merupakan estimator yang cukup untuk parameter θ.
Pembahasan:
Jika X ∼ BER(θ), maka f (xi ; θ) = θxi (1 − θ)1−xi untuk xi = 0, 1.
= θx (1 − θ)n−x
= θnθ̂ (1 − θ)n−nθ̂
1
untuk θ̂ = 0, , · · · , 1.
n
untuk xi = 0, 1 dan i = 1, 2, · · · , n.
Oleh karena itu, terlihat bahwa f (x1 , x2 , · · · , xn |θ̂) tidak bergantung kepada θ.
X
Jadi, θ̂ = merupakan estimator yang cukup untuk parameter θ.
n
Contoh 12.11
Misalkan X1 , X2 , · · · , Xn adalah sampel acak yang diambil dari populasi dengan
fungsi kepadatan probabilitas sebagai berikut:
θx (1 − θ)1−x , untuk x = 0, 1
f (xi , θ) =
0 , untuk x yang lainnya
Pn
dengan 0 < θ < 1. Tunjukkan bahwa Y = i=1 Xi adalah statistik yang cukup
untuk θ.
Pembahasan:
Pertama, kita akan mencari distribusi dari sampel yang diberikan sebagai berikut:
n
Y
f (x1 , x2 , · · · , xn ) = θxi (1 − θ)1−xi = θy (1 − θ)n−y
i=1
319
Berikutnya, kita akan mencari fungsi kepadatan probabilitas bersyarat dari sampel
dengan syarat estimator Y , yaitu
f (x1 , x2 , · · · , xn , y)
f (x1 , x2 , · · · , xn |Y = y) =
g(y)
f (x1 , x2 , · · · , xn )
=
g(y)
θ (1 − θ)n−y
y
= n y n−y
y θ (1 − θ)
1
= n
y
Jadi, fungsi kepadatan probabilitas bersyarat dari sampel dengan syarat statistik
Y independen terhadap parameter θ. Oleh karena itu, dapat dinyatakan bahwa Y
adalah statistik yang cukup untuk θ.
Contoh 12.12
Tunjukkan bahwa Y = 61 (X1 + 2X2 + 3X3 ) bukan merupakan estimator yang
cukup dari parameter Bernoulli θ.
Pembahasan:
Pada kasus ini, kita diminta untuk menunjukkan bahwa
f (x1 , x2 , x3 , y)
f (x1 , x2 , x3 |y) =
g(y)
1 P[X1 = 1, X2 = 1, X3 = 0, Y = 21 ] f (1, 1, 0)
f (1, 1, 0|Y = ) = 1 =
2 P[Y = 2 ] f (1, 1, 0) + f (0, 0, 1)
dimana
f (x1 , x2 , x3 ) = θx1 +x2 +x3 (1 − θ)3−(x1 +x2 +x3 )
untuk xi = 0, 1 dan i = 1, 2, 3.
θ2 (1 − θ)
1
f 1, 1, 0 Y = = 2 =θ
2 θ (1 − θ) + θ(1 − θ)2
Pada bagian sebelumnya, telah dibahas bahwa untuk menentukan apakah suatu
estimator dikatakan sebagai estimator yang cukup atau tidak adalah dengan
melihat probabilitas bersyarat dari sampel dengan syarat estimator tersebut. Untuk
menentukan probabilitas bersyarat tersebut, maka kita harus mengetahui fungsi
kepadatan probabilitas dari estimator.
Contoh 12.13
Tunjukkan bahwa X̄ adalah estimator yang cukup untuk mean populasi µ yang
berdistribusi normal dengan varians yang diketahui sebesar σ 2 .
Pembahasan:
Dengan menggunakan fakta bahwa
n Pn xi −µ 2
1 − 12 ·
f (x1 , x2 , · · · , xn ; µ) = √ ·e i=1 σ
σ 2π
dan
n
X n
X
2
(xi − µ) = [(xi − x̄) − (µ − x̄)]2
i=1 i=1
n
X n
X
2
= (xi − x̄) + (x̄ − µ)2
i=1 i=1
n
X
= (xi − x̄)2 + n(x̄ − µ)2
i=1
maka diperoleh
√ 2
n x−µ
− 12 σ/√
f (x1 , x2 , · · · , xn ; µ) = √ ·e n
σ 2π
( n−1 )
xi −x̄ 2
1 1 − 12 · n
P
× √ √ ·e i=1 σ
n σ 2π
dimana faktor pertama pada bagian sisi kanan persamaan bergantung hanya
pada x̄ dan mean populasi µ, sedangkan faktor kedua tidak bergantung (tidak
mengandung) µ.
322
lim P (|θˆn − θ| ≥ ε) = 0
n→∞
Apabila varians dari θˆn ada untuk setiap n dan nilainya berhingga serta
Contoh 12.14
Tunjukkan bahwa untuk suatu sampel acak yang diambil dari populasi yang berdis-
tribusi normal, varians sampel S 2 adalah estimator yang konsisten terhadap σ 2 .
Pembahasan:
V ar(S 2 ) → 0 ketika n → ∞. Berdasarkan teorema yang menyatakan “variabel
(n − 1)S 2
random berdistribusi Chi-Square dengan derajat kebebasan n − 1”,
σ2
maka untuk sampel acak yang diambil dari populasi yang berdistribusi normal
2σ 4
diperoleh V ar(S 2 ) = .
n−1
Contoh 12.15
Misalkan X1 , X2 , · · · , Xn adalah sampel acak yang diambil dari populasi X yang
berdistribusi normal dengan mean µ dan varians σ 2 > 0. Apakah estimator yang
didefinisikan sebagai berikut:
n
c2 = 1
X
σ (Xi − X̄)2
n
i=1
Pembahasan:
Karena σ c2 bergantung kepada ukuran sampel n, maka kita notasikan σ
c2 sebagai
c2 n , sehingga
σ
n
c2 n = 1
X
σ (Xi − X̄)2
n
i=1
σ4 (n − 1)S 2
= 2 V ar
n σ2
σ4
= 2 V ar(χ2 (n − 1))
n
2(n − 1)σ 4
= 2
n
1 1
= − 2 2σ 4
n n
1 1
Jadi, didapatkan lim V ar(θn ) = lim
b − 2 2σ 4 = 0.
n→∞ n→∞ n n
B(θbn , θ) = E[θbn ] − σ 2
" n #
1X
=E (Xi − X̄)2 − σ 2
n
i=1
2
1 2 (n − 1)S
= E σ − σ2
n σ2
σ2
= E[χ2 (n − 1)] − σ 2
n
(n − 1)σ 2
= − σ2
n
σ2
=−
n
σ2
Jadi lim B(θbn θ) = − lim = 0.
n→∞ n→∞ n
1 Pn
Dengan demikian (Xi − X̄)2 adalah estimator yang konsisten untuk σ 2 .
n i=1
Contoh 12.16
Apabila diberikan suatu variabel random X ∼ EXP (θ), maka tentukan ruang
parameter dari θ?
Pembahasan:
Karena X ∼ EXP (θ), maka fungsi kepadatan probabilitas dari X dapat
dituliskan sebagai
1 x
f (x; θ) = e− θ
θ
Apabila θ bernilai nol atau negatif, maka f (x; θ) bukan merupakan fungsi
kepadatan probabilitas. Jadi, nilai θ yang dapat diterima adalah nilai θ yang positif.
Dengan demikian, ruang parameter dari θ adalah
Salah satu permasalahan mendasar dalam estimasi titik adalah bagaimana menda-
patkan estimator dari parameter populasi θ. Terdapat beberapa metode yang
dapat digunakan untuk mendapatkan estimator dari θ, di antaranya adalah metode
momen (moment method), metode maximum likelihood (maximum likelihood
method), metode Bayes (bayes method), dan metode least squares (least squares
method). Pada bab ini kita akan berfokus pada dua metode pertama yaitu metode
momen dan metode maximum likelihood.
Berikutnya, misalkan
Z ∞
E[X k ] = xk f (x; θ1 , θ2 , · · · , θm ) dx
−∞
E[X 2 ] = M2
E[X 3 ] = M3
..
.
E[X m ] = Mm
Contoh 12.17
Diberikan suatu sampel acak berukuran n yang diambil dari suatu populasi yang
berdistribusi seragam yaitu X ∼ U (α, β), dengan nilai β = 1. Gunakan metode
momen untuk mendapatkan estimator dari parameter α.
Pembahasan:
Persamaan yang akan digunakan dalam menyelesaikan soal ini adalah
E[X] = M1
α+β α+1
dengan E[X] = µ = = , dan M1 = X̄.
2 2
α+1
Dengan demikian, diperoleh X̄ =
2
Contoh 12.18
Misalkan diberikan suatu variabel random X ∼ N (µ, σ 2 ) dan X1 , X2 , · · · , Xn ,
adalah sampel acak berukuran n yang diambil dari populasi X. Tentukan estimator
untuk parameter populasi, yaitu µ dan σ 2 , apabila kita menggunakan metode
momen.
Pembahasan:
Karena populasi X ∼ N (µ, σ 2 ), maka diperoleh
sehingga
µ = E[X]
= M1
n
1X
= Xi
n
i=1
= X̄
Catat bahwa
σ 2 = σ 2 + µ2 − µ2
= E[X 2 ] − µ2
= M2 − µ 2
n
1X 2
= Xi − X̄ 2
n
i=1
n
1X
= (Xi − X̄)2
n
i=1
Baris terakhir dari persamaan tersebut dapat dituliskan kembali menjadi bentuk
berikut ini:
n n
1X 1X
(Xi − X̄)2 = Xi2 − 2Xi X̄ + X̄ 2
n n
i=1 i=1
n n n
1X 2 1X 1X 2
= Xi − 2Xi X̄ + X̄
n n n
i=1 i=1 i=1
328
n n
1X 2 1X
= Xi − 2X̄ Xi + X̄ 2
n n
i=1 i=1
n
1X 2
= Xi − 2X̄ X̄ + X̄ 2
n
i=1
n
1X 2
= Xi − X̄ 2
n
i=1
yaitu n
c2 = 1
X
σ (Xi − X̄)2
n
i=1
Contoh 12.19
Misalkan X1 , X2 , · · · , X7 adalah sampel acak yang diambil dari populasi X
dengan fungsi kepadatan probabilitas yang didefinisikan sebagai berikut:
x
6 −
x e β , untuk 0 < x < ∞
f (x; β) = Γ(7)β 7
0 , untuk x lainnya
Pembahasan:
Karena parameter yang dimiliki oleh X hanya satu, yaitu β, maka kita hanya perlu
mendapatkan momen pertama dari X. Dengan demikian, diperoleh
Z ∞
E[X] = xf (x; β) dx
0
∞ −x
x6 e β
Z
= x dx
0 Γ(7)β 7
Z ∞ 7
1 x −x
= e β dx
Γ(7) 0 β
329
Z ∞
1
=β y 7 e−y dy
Γ(7) 0
1
=β Γ(8)
Γ(7)
= 7β
dengan Ω adalah ruang parameter dari θ sedemikian hingga L(θ) adalah fungsi
kepadatan probabilitas bersama dari sampel.
330
Contoh 12.20
Misalkan X1 , X2 , · · · , Xn adalah sampel acak yang diambil dari populasi yang
berdistribusi normal dengan mean µ dan varians σ 2 > 0. Dapatkan estimator
maximum likelihood dari µ?
Pembahasan:
Fungsi kepadatan probabilitas dari populasi adalah
1 1 2
f (x; µ) = √ e− 2σ2 (x−µ)
2πσ 2
331
Contoh 12.21
Diberikan bahwa x menyatakan banyak sukses dari suatu percobaan dalam n kali
percobaan (trial). Dapatkan estimator maximum likelihood dari parameter θ yang
berkaitan dengan distribusi binomial.
Pembahasan:
Apabila x menyatakan banyak sukses dari suatu percobaan dalam n kali percobaan
(trial), maka variabel random X mengikuti distribusi binomial dengan parameter
n dan θ. Untuk mendapatkan nilai dari θ yang memaksimumkan
n x
L(θ) = θ (1 − θ)n−x ,
x
maka hal ini sama seperti ketika kita memaksimumkan ln L(θ), yaitu
n
ln L(θ) = ln + x · ln θ + (n − x) ln(1 − θ)
x
Contoh 12.22
Diberikan x1 , x2 , · · · , xn adalah nilai dari sampel acak yang diambil dari suatu
populasi yang berdistribusi eksponensial dengan parameter θ. Dapatkan estimator
maximum likelihood dari parameter θ tersebut.
Pembahasan:
Fungsi likelihood diberikan oleh persamaan berikut
n n
Y 1 1 Pn
L(θ) = f (xi ; θ) = · e− θ ( i=1 xi )
θ
i=1
332
Untuk mendapatkan nilai dari θ yang memaksimumkan L(θ), maka hal ini sama
seperti ketika kita memaksimumkan ln L(θ), yaitu
n
!
1 1 X
ln L(θ) = n ln − xi
θ θ
i=1
n
!
d[ln L(θ)] n 1 X
Dengan demikian, diperoleh =− + 2 xi
dθ θ θ
i=1
Contoh 12.23
Misalkan X1 , X2 , · · · , Xn adalah sampel acak yang diambil dari populasi X
dengan fungsi kepadatan probabilitas yang didefinisikan sebagai berikut:
(1 = θ)x−θ , untuk 0 < x < 1
f (x; θ) =
0 , untuk x lainnya
n
X
= ln[(1 − θ)x−θ
i ]
i=1
n
X
= n ln(1 − θ) − θ ln xi
dan
n
1 1X
=− ln xi
1−θ n
i=1
atau
n
1 1X
=− ln xi = −ln x
1−θ n
i=1
1
Jadi, didapatkan θ sebagai berikut: θ = 1 +
ln x
Oleh karena itu, estimator dari θ dengan menggunakan metode maximum
1
likelihood adalah θ̂ = 1 +
ln x
Contoh 12.24
Misalkan X1 , X2 , · · · , Xn adalah sampel acak yang diambil dari populasi X
dengan fungsi kepadatan probabilitas yang didefinisikan sebagai berikut:
x
6 =
x e β , untuk 0 < x < ∞
f (x; β) = Γ(7)β 7
0 , untuk x lainnya
Pembahasan:
n
Y
Fungsi likelihood dari sample diberikan sebagai berikut: L(β) = f (xi ; β)
i=1
n
d 1 X 7n
dan didapatkan ln L(β) = 2 xi − Dengan mengambil nilai turunan
dβ β β
i=1
d ln L(β)
pertama menjadi 0, maka diperoleh
dβ
n
1 X 7n
2
xi − =0
β β
i=1
n
1 X
dan menghasilkan β = xi .
7n
i=1
f (x; θ) = θ
0 , untuk x lainnya
1
, untuk 0 < x < θ
f (x; θ) = θ
0 , untuk x lainnya
1
, untuk 0 < x < θ
f (x; θ) = θ
0 , untuk x lainnya
Pada estimasi titik, kita ingin mendapatkan estimasi dari parameter θ pada suatu
distribusi populasi dengan fungsi kepadatan probabilitas f (x; θ) berdasarkan
informasi dari sampel. Akan tetapi, hal ini masih menyisakan beberapa
pertanyaan, sebagai contoh seberapa besar eror yang mungkin muncul pada hasil
estimasi tersebut. Oleh karena itu, kita perlu melengkapi θ̂ (yang merupakan
estimator dari θ) dengan ukuran sampel dan nilai dari V ar(θ̂) atau informasi lain
yang berkaitan dengan distribusi sampling.
Apabila θ̂1 dan θ̂2 menyatakan nilai dari variabel random Θ̂1 dan Θ̂2 , maka
untuk suatu probabilitas tertentu sebesar 1 − α. Interval θ̂1 < θ < θ̂2 merupakan
selang kepercayaan sebesar (1 − α)100% untuk θ. Sedangkan, 1 − α disebut
sebagai tingkat kepercayaan (degree of confidence) , serta θ̂1 dan θ̂2 masing-
masing disebut sebagai batas bawah dan batas atas dari selang kepercayaan.
(Sebagai contoh : apabila diberikan α = 0, 05, maka tingkat kepercayaan adalah
0,95 dan kita akan mendapatkan selang kepercayaan sebesar 95%).
338
339
Akan tetapi dalam kenyataannya, kedua hal ini saling bertentangan. Semakin
tinggi tingkat kepercayaan dalam pengestimasian, maka semakin lebar pula
interval estimasinya.
Contoh 13.1
Pada suatu penelitian mengenai usia mahasiswa di Departemen Aktuaria,
diketahui bahwa dengan selang kepercayaan sebesar 95% usia mahasiswa di
Departemen Aktuaria berada pada interval [20, 5 ; 22, 7]. Hal ini memiliki
makna bahwa pada pengambilan sampel mahasiswa di Departemen Aktuaria
(dengan ukuran sampel tertentu sebesar n), diperoleh selang kepercayaan yang
disebut dengan CI1 . Berikutnya, dilakukan pengambilan sampel dengan ukuran
yang sama dan formula selang kepercayaan yang sama, maka diperoleh selang
kepercayaan yang disebut dengan CI2 . Pada pengambilan sampel ketiga, dan
dengan langkah-langkah yang sama, diperoleh selang kepercayaan CI3 , begitu
seterusnya. Setelah semua kemungkinan sampel terambil maka nilai µ, yang
menyatakan rata-rata usia dari seluruh mahasiswa di Departemen Aktuaria (mean
dari populasi), akan tercakup dalam 95% di antara seluruh selang kepercayaan
tersebut. Angka 95% selanjutnya disebut sebagai tingkat kepercayaan dari
pengestimasian.
dimana
X̄ − µ
z= √
σ/ n
dan zα/2 merupakan suatu nilai sedemikian hingga hasil integrasi dari fungsi
kepadatan probabilitas pada distribusi normal standar dari zα/2 sampai dengan ∞
adalah α/2. Lebih lanjut, kita dapat tuliskan
σ
P |X̄ − µ| < zα/2 · √ =1−α
n
Dengan kata lain, kita dapat tuliskan pernyataan di atas sebagai teorema berikut
ini.
Apabila X̄, yang menyatakan mean dari sampel acak berukuran n yang
diambil dari suatu populasi yang berdistribusi normal dengan mean µ dan varians
sebesar σ 2 , digunakan sebagai estimator pada mean populasi, maka 1 − α
menyatakan probabilitas bahwa eror dari pengestimasian tersebut akan kurang
σ
dari zα/2 · √ .
n
Contoh 13.2
Sekelompok peneliti melakukan sebuah penelitian pada suatu pabrik untuk
mengamati apakah panjang pipa yang diproduksi oleh pabrik tersebut sesuai
dengan desain produksi awal atau tidak. Pada penelitian tersebut, peneliti
mengambil sampel secara acak dengan ukuran n = 150. Berdasarkan data-data
yang telah dikumpulkan sebelumnya, diperoleh informasi bahwa standar deviasi
dari populasi panjang pipa yang diproduksi pabrik adalah σ = 6, 2 cm. Para
peneliti ingin mengetahui apakah mean dari sampel acak tersebut sama seperti
mean populasi atau tidak. Apa yang dapat peneliti tersebut nyatakan dengan
probabilitas sebesar 0,99 tentang kesalahan maksimum dari hasil perkiraan mean
sampel mereka?
Pembahasan:
Pada contoh tersebut, diberikan informasi bahwa n = 150, dan σ = 6, 2. Lebih
lanjut, berdasarkan tabel distribusi normal standar diperoleh bahwa z0.005 =
2, 575. Dengan demikian, kita dapatkan nilai eror maksimum dari pengestimasian
adalah
σ 6, 2
zα/2 · √ = 2, 575 √ = 1, 30
n 150
341
Oleh karena itu, peneliti dapat menyatakan bahwa dengan probabilitas sebesar
99%, eror dari hasil perkiraan mean sampel mereka akan kurang dari 1,30 cm.
Untuk mengonstruksi formula selang kepercayaan untuk mean dari populasi yang
berdistrubusi normal dengan varians yang diketahui sebesar σ 2 , maka kita akan
gunakan kembali
σ
P |X̄ − µ| < zα/2 · √ =1−α
n
Dengan demikian, kita dapat tuliskan kembali bentuk di atas sebagai berikut:
σ σ
P X̄ − zα/2 · √ < µ < X̄ + zα/2 · √ =1−α
n n
Jadi, apabila x̄ menyatakan nilai dari mean pada sampel acak berukuran n
yang diambil dari suatu populasi yang berdistribusi normal dengan varians yang
diketahui sebesar σ 2 , maka
σ σ
x̄ − zα/2 · √ < µ < x̄ + zα/2 · √
n n
Contoh 13.3
Apabila diberikan suatu sampel acak berukuran n = 25 yang diambil dari
suatu populasi yang berdistrubusi normal dengan varians yang diketahui sebesar
σ 2 = 625 memiliki mean sampel sebesar x̄ = 65, 7. Dapatkan selang kepercayaan
sebesar 95% untuk mean populasi µ.
Pembahasan:
Berdasarkan informasi pada contoh soal, diketahui bahwa n = 25, σ 2 = 625,
dan x̄ = 65, 7. Lebih lanjut, berdasarkan tabel distribusi normal standar diperoleh
bahwa z0.025 = 1, 96.
342
Dengan demikian, selang kepercayaan sebesar 95% untuk mean populasi µ adalah
25 25
65, 7 − (1, 96) · √ < µ < 65, 7 + (1, 96) · √
25 25
55, 9 < µ < 75, 5
Pada bagian awal bab ini telah disebutkan bahwa estimasi interval untuk suatu
parameter tidaklah tunggal. Dengan demikian, formula untuk selang kepercayaan
pun juga tidak tunggal. Sebagai contoh, pada bagian sebelumnya telah dinyatakan
bahwa selang kepercayaan untuk µ pada suatu populasi yang berdistribusi normal
dengan varians yang diketahui sebesar σ 2 adalah
σ σ
x̄ − zα/2 · √ < µ < x̄ + zα/2 · √
n n
Atau misalkan, kita ingin mendapatkan selang kepercayaan satu sisi (one-sided
confidence interval) sebesar (1 − α)100% untuk mean populasi µ, yaitu
σ
µ < x̄ + zα · √
n
Contoh 13.4
Seorang peneliti ingin mengetahui rata-rata waktu tunggu pelayanan (dalam
menit) dari tiap-tiap pengunjung di Bank Lancar Jaya. Peneliti tersebut
mengambil sampel secara acak dari 36 orang pengunjung di bank tersebut dan
diperoleh data waktu tunggu pelayanan dari masing-masing individu sebagai
berikut:
15 21 28 16 22 29 21 17 19 18 13 17
11 28 24 12 22 30 14 19 22 20 10 16
26 23 24 20 8 17 17 21 32 18 25 22
Dengan menggunakan sampel acak di atas, dapatkan selang kepercayaan sebesar
95% untuk mean populasi µ.
343
Pembahasan:
Berdasarkan data sampel acak pada soal, didapatkan n = 36, dan x̄ = 19, 92.
Lebih lanjut, berdasarkan tabel distribusi normal standar diperoleh bahwa z0.025 =
1, 96. Berikutnya, kita dapat gunakan standar deviasi sampel s = 5, 73 sebagai
pengganti dari standar deviasi populasi σ. Dengan demikian, selang kepercayaan
sebesar 95% untuk mean populasi µ adalah
5, 73 5, 73
19, 92 − (1, 96) · √ < µ < 19, 92 + (1, 96) · √
36 36
Jadi, selang kepercayaan sebesar 95% untuk mean populasi µ adalah 18,0482 dan
21,7918 menit.
Pada Contoh 13.4, kita dapat menggunakan varians/standar deviasi sampel sebagai
pengganti varians/standar deviasi populasi dalam penghitungan selang keper-
cayaan untuk mean populasi µ. Hal ini dapat dilakukan dengan menggunakan
Teorema Limit Pusat jika ukuran sampel acak n cukup besar, atau dalam hal ini
adalah apabila n ≥ 30.
Akan tetapi, apabila kita memiliki sampel acak yang diambil dari suatu
populasi yang berdistribusi normal dengan ukuran sampel n < 30 serta nilai σ
tidak diketahui, maka teorema yang telah dibahas di awal subbab ini tidak dapat
digunakan. Sebagai alternatif, kita dapat gunakan distribusi t melalui teorema di
bawah ini.
Contoh 13.5
Seorang peneliti ingin mengetahui rata-rata tebal pelat baja yang diproduksi oleh
pabrik. Oleh karena itu, ia melakukan sampling secara acak pada pelat baja yang
telah selesai diproduksi oleh pabrik tersebut dengan mengambil 12 buah pelat
baja. Berdasarkan hasil pengukuran, diperoleh data bahwa mean dari sampel acak
yang dimiliki adalah 6,63 cm dan standar deviasi sampel acaknya adalah 0,84 cm.
Dapatkan selang kepercayaan sebesar 95% untuk mean populasi µ.
Pembahasan:
Berdasarkan data sampel acak pada soal, didapatkan n = 12, x̄ = 6, 63, dan
s = 0, 84. Lebih lanjut, berdasarkan tabel distribusi t dengan n−1 = 11 diperoleh
bahwa t0.025,11 = 2, 201. Dengan demikian, selang kepercayaan sebesar 95%
untuk mean populasi µ adalah
0, 84 0, 84
6, 63 − (2, 201) · √ < µ < 6, 63 + (2, 201) · √
12 12
Jadi, selang kepercayaan sebesar 95% untuk mean populasi µ adalah 6,096286 dan
7,163714 cm.
Apabila x̄1 dan x̄2 masing-masing menyatakan nilai mean pada dua sampel acak
yang saling independen dengan ukuran masing-masing n1 dan n2 , dimana masing-
masing sampel acak tersebut diambil dari populasi yang berdistribusi normal
dengan varians masing-masing sebesar σ12 dan σ22 , maka
s s
σ12 σ22 σ12 σ22
(x̄1 − x̄2 ) − zα/2 · + < µ < (x̄1 − x̄2 ) + zα/2 · +
n1 n2 n1 n2
Contoh 13.6
Diberikan informasi sebagai berikut:
Dapatkan selang kepercayaan sebesar 94% untuk selisih di antara dua mean
populasi µ1 − µ2 .
Pembahasan:
Berdasarkan tabel distribusi normal standar diperoleh bahwa z0.03 = 1, 88.
Dengan demikian, selang kepercayaan sebesar 94% untuk selisih di antara dua
mean populasi µ1 − µ2 adalah
s s
σ12 σ22 σ12 σ22
(x̄1 − x̄2 ) − zα/2 · + < µ < (x̄1 − x̄2 ) + zα/2 · +
n1 n2 n1 n2
r r
262 222 262 222
(418 − 402) − (1, 88) · + < µ < (418 − 402) + (1, 88) · +
40 50 40 50
6, 30751 < µ < 25.69249
Contoh 13.7
Diketahui bahwa sampel acak diambil dari suatu populasi yang memiliki distribusi
normal dengan varians populasi sebesar 25. Berapa besar ukuran sampel
sedemikian hingga panjang dari selang kepercayaan 95% untuk mean populasi
adalah 1,96?
Pembahasan:
Selang kepercayaan pada contoh soal ini diberikan sebagai berikut:
σ σ
x̄ − zα/2 · √ , x̄ + zα/2 · √
n n
Jadi, ukuran sampel haruslah 100 agar panjang dari selang kepercayaan 95% untuk
mean populasi adalah 1,96.
atau " #
x − nθ
P −zα/2 < p < zα/2 = 1 − α
nθ(1 − θ)
Sehingga, didapatkan 2 pertidaksamaan, yaitu
x − nθ x − nθ
−zα/2 < p dan p < zα/2
nθ(1 − θ) nθ(1 − θ)
yang merupakan solusi dari batas bawah dan batas atas selang kepercayaan sebesar
(1−α)100% untuk θ. Berikut ini adalah teorema untuk estimasi proporsi dari suatu
populasi.
347
Contoh 13.8
Pada suatu sampel acak diketahui bahwa 136 dari 400 pemilih telah menentukan
pilihan untuk mendukung pasangan calon A pada suatu Pilkada di Kota XYZ.
Dapatkan selang kepercayaan sebesar 95% untuk proporsi sebenarnya dari pemilih
yang mendukung pasangan calon A pada Pilkada di Kota XYZ.
Pembahasan:
136
Berdasarkan informasi pada soal, diketahui bahwa n = 400 dan θ̂ = = 0, 34.
400
Berdasarkan tabel distribusi normal standar diperoleh bahwa z0.025 = 1, 96.
Dengan demikian, selang kepercayaan sebesar 95% untuk proporsi populasi θ
adalah
r r
(0, 34)(0, 66) (0, 34)(0, 66)
0, 34 − (1, 96) · < θ < 0, 34 + (1, 96) ·
400 400
0, 293576 < θ < 0, 3864234
x
Berikutnya, apabila θ̂ = digunakan sebagai nilai estimasi untuk θ, maka kita
n
dapat nyatakan bahwa dengan keyakinan sebesar (1 − α)100% eror dari pengesti-
masian akan kurang dari s
θ̂(1 − θ̂)
zα/2 ·
n
348
Contoh 13.9
Sebuah studi dilakukan untuk mengetahui proporsi dari penduduk di suatu desa
yang menyetujui untuk dilakukan pembangunan pabrik di sekitar tempat tinggal
mereka. Berdasarkan hasil studi, diketahui bahwa 140 dari 400 penduduk
yang disurvei secara acak menyetujui pembangunan tersebut. Dengan demikian
kita dapat gunakan θ̂ = nx = 140 400 = 0, 35 sebagai nilai estimasi untuk
proporsi sebenarnya dari seluruh penduduk di desa tersebut yang menyetujui untuk
dilakukan pembangunan pabrik. Apa yang dapat dinyatakan oleh para peneliti di
studi tersebut dengan keyakinan sebesar 99% terkait eror maksimum dari estimasi
proporsi?
Pembahasan:
Berdasarkan informasi pada soal, diketahui bahwa n = 400 dan θ̂ = 0, 35.
Lebih lanjut, berdasarkan tabel distribusi normal standar diperoleh bahwa z0.005 =
2, 575. Dengan demikian, dapat dinyatakan bahwa dengan keyakinan sebesar 99%,
eror maksimum dari pengestimasian proporsi adalah
r
(0, 35)(0, 65)
(2, 575) · = 0, 061
400
Jadi, dengan menggunakan estimasi proporsi sebesar θ̂ = 0, 35, maka kita dapat
nyatakan bahwa dengan keyakinan sebesar 99% eror dari pengestimasian akan
kurang dari 0,061.
Selanjutnya, kita ingin mengetahui distribusi sampling dari Θ̂1 − Θ̂2 yang
merupakan estimator dari θ1 − θ2 . Misalkan, diambil nilai
E[Θ̂1 − Θ̂2 ] = θ1 − θ2
dan
θ1 (1 − θ1 ) θ2 (1 − θ2 )
V ar(Θ̂1 − Θ̂2 ) = +
n n
maka untuk ukuran sampel n1 dan n2 yang cukup besar, selisih antara X1 dan X2
dapat diaproksimasi dengan menggunakan distribusi normal. Dengan demikian,
kita peroleh
(Θ̂1 − Θ̂2 ) − (θ1 − θ2 )
z=r
θ1 (1 − θ1 ) θ2 (1 − θ2 )
+
n1 n2
yang merupakan variabel random yang (secara aproksimasi) berdistribusi
normal standar. Dengan menyubstitusikan bentuk z tersebut ke dalam
P[−zα/2 < z < zα/2 ] = 1 − α, maka diperoleh teorema berikut ini.
Contoh 13.10
Apabila diberikan informasi bahwa 132 dari 200 pria menyukai olahraga tenis,
sedangkan hanya 90 dari 150 wanita yang menyukai olahraga tersebut. Dapatkan
selang kepercayaan sebesar 99% untuk selisih antara proporsi sebenarnya dari
pria dan wanita yang menyukai olahraga tenis.
350
Pembahasan:
Berdasarkan informasi pada soal, diketahui bahwa
132 90
θ̂1 = = 0, 66 dan θ̂2 = = 0, 6
200 150
Berdasarkan tabel distribusi normal standar diperoleh bahwa z0.005 = 2, 575.
Dengan demikian, selang kepercayaan sebesar 99% untuk selisih di antara dua
proporsi populasi θ1 − θ2 adalah
r
(0, 66)(0, 34) (0, 60)(0, 40)
(0, 66 − 0, 6) − (2, 575) · + < θ1 − θ2
200 150
r
(0, 66)(0, 34) (0, 60)(0, 40)
< (0, 66 − 0, 6) + (2, 575) · +
200 150
atau
−0, 074 < θ1 − θ2 < 0, 194
(n − 1)S 2
2 2
P χ1− α ,n−1 < < χ α ,n−1 = 1 − α
2 σ2 2
dan " #
(n − 1)S 2 2 (n − 1)S 2
P < σ < =1−α
χ2α ,n−1 χ21− α ,n−1
2 2
351
Jadi, apabila s2 menyatakan nilai dari varians pada sampel acak berukuran n yang
diambil dari suatu populasi yang berdistribusi normal, maka
(n − 1)s2 2 (n − 1)s2
< σ <
χ2α ,n−1 χ21− α ,n−1
2 2
Contoh 13.11
Sebuah pengujian dilakukan untuk mengukur konsumsi bensin pada suatu jenis
mobil. Diketahui bahwa dalam pengujian tersebut diambil sampel acak dengan
ukuran 16 dan standar deviasi dari sampel acak adalah 2,2 liter. Tentukan selang
kepercayaan sebesar 99% untuk varians populasi σ 2 yang menyatakan variabilitas
sebenarnya dari konsumsi bensin pada mobil jenis tersebut.
Pembahasan:
Pada contoh ini, diasumsikan bahwa data yang diobservasi merupakan sampel acak
dari suatu populasi yang berdistribusi normal. Berdasarkan informasi pada soal,
diketahui bahwa n = 16, s = 2, 2. Lebih lanjut, diketahui bahwa χ20.005,15 =
32, 801 dan χ20.995,15 = 4, 601, sehingga diperoleh selang kepercayaan sebesar
99% untuk varians populasi σ 2 adalah
atau
2, 213347 < σ 2 < 15, 779178
Berikutnya, apabila s21 dan s22 masing-masing menyatakan nilai varians pada dua
sampel acak yang saling independen dengan ukuran masing-masing n1 dan n2 ,
dimana masing-masing sampel acak tersebut diambil dari populasi yang berdis-
tribusi normal dengan varians masing-masing sebesar σ12 dan σ22 , maka
352
s21 1 σ2 s2
2 · < 12 < 21 · f α2 ,n1 −1,n2 −1
s2 f α2 ,n1 −1,n2 −1 σ2 s2
menyatakan selang kepercayaan sebesar (1 − α)100% untuk rasio antara dua
σ2
varians populasi 12 . Sebagai tambahan, selang kepercayaan sebesar (1 − α)100%
σ2
σ1
untuk rasio standar deviasi populasi bisa diperoleh dengan mengambil akar
σ2
σ2
kuadrat dari batas bawah dan batas atas selang kepercayaan untuk 12 .
σ2
Contoh 13.12
Sebuah studi dilakukan untuk membandingkan kandungan zat X pada dua jenis
obat, yaitu obat merek A dan obat merek B. Diketahui bahwa 10 buah obat
merek A memiliki rata-rata kandungan zat X sebesar 3,1 miligram dengan standar
deviasi sebesar 0,5 miligram. Berikutnya, untuk 8 buah obat merek B diketahui
bahwa rata-rata kandungan zat X di dalamnya adalah sebesar 2,7 miligram dengan
standar deviasi sebesar 0,7 miligram. Asumsikan bahwa kedua sampel yang
diambil adalah sampel acak yang saling independen dimana populasi dari kedua
sampel tersebut diambil masing-masing berdistribusi normal. Dapatkan selang
σ2
kepercayaan sebesar 98% untuk 12 .
σ2
Pembahasan:
Berdasarkan informasi pada soal, diketahui bahwa n1 = 10, n2 = 8, s1 =
0, 5, s2 = 0, 7. Lebih lanjut, diketahui bahwa f0.01,9,7 = 6, 72 dan f0.01,7,9 =
σ2
5, 61, sehingga diperoleh selang kepercayaan sebesar 98% untuk 12 adalah
σ2
σ12
0, 25 1 0, 25
· < < · (5, 61)
0, 49 6, 72 σ22 0, 49
atau
σ12
0, 076 < < 2, 862
σ22
353
5. Sebuah sampel acak berukuran 9 diambil dari suatu populasi yang berdistribusi
normal. Berdasarkan sampel acak yang diperoleh, diberikan informasi sebagai
berikut:
9
1X
x̄ = 5 dan (xi − x̄)2 = 36
8
i=1
6. Suatu studi dilakukan untuk mengetahui rata-rata nilai ujian sekolah dari
seluruh siswa kelas XII di Kota A. Pada studi tersebut, dilakukan sampling
secara acak yang melibatkan 150 siswa kelas XII dari berbagai sekolah di kota
tersebut. Berdasarkan hasil studi sebelumnya, diketahui bahwa standar deviasi
dari nilai ujian seluruh siswa di Kota A adalah σ = 9, 4. Berdasarkan studi
354
tersebut, apa yang dapat peneliti nyatakan dengan probabilitas sebesar 0,95
tentang kesalahan maksimum dari hasil perkiraan mean sampel mereka?
9. Sebuah studi medis dilakukan untuk meneliti rata-rata tekanan darah dari
wanita yang berusia di atas 60 tahun di Kota X. Pada studi tersebut dilakukan
sampling secara acak yang melibatkan 120 wanita. Berdasarkan hasil studi
sebelumnya, diketahui bahwa standar deviasi dari tekanan darah dari seluruh
wanita yang berusia di atas 60 tahun di Kota X adalah σ = 10, 5 mm.
Berdasarkan studi tersebut, apa yang dapat peneliti nyatakan dengan proba-
bilitas sebesar 0,99 tentang kesalahan maksimum dari hasil perkiraan mean
sampel mereka?
10. Diketahui bahwa panjang tengkorak dari 10 sampel fosil spesies burung
langka memiliki mean 5,68 cm dan standar deviasi 0,29 cm. Asumsikan
bahwa sampel tersebut diambil dari suatu populasi yang berdistribusi normal
N (µ, σ 2 ). Dapatkan selang kepercayaan sebesar 95% untuk mean dari panjang
tengkorak pada seluruh fosil spesies burung langka (µ).
11. Diketahui bahwa 18 dari 100 ikan yang tertangkap di Danau C mengandung
senyawa kimia yang berbahaya. Dapatkan selang kepercayaan sebesar 99%
untuk proporsi sebenarnya dari seluruh populasi ikan yang mengandung
senyawa berbahaya di Danau C (µ).
12. Sebuah sampel survei pada suatu supermarket menunjukkan bahwa 204 dari
300 pelanggan yang belanja di supermarket tersebut selalu menggunakan kupon
toko secara reguler. Dapatkan selang kepercayaan sebesar 95% untuk proporsi
sebenarnya dari pelanggan yang menggunakan kupon toko secara reguler.
355
13. Berdasarkan soal nomor 12, apa yang dapat dinyatakan oleh para peneliti
di studi tersebut dengan keyakinan sebesar 99% terkait eror maksimum dari
estimasi proporsi?
14. Sebuah sampel acak dari pelanggan di suatu kafe menunjukkan bahwa 102 dari
300 pelanggan selalu memesan kue pai ketika mereka datang ke kafe tersebut.
x 102
Apabila kita menggunakan θ̂ = = = 0, 34 sebagai nilai estimasi
n 300
untuk proporsi sebenarnya dari seluruh pelanggan di kafe tersebut yang selalu
memesan kue pai. Seberapa besar keyakinan (dalam persentase) yang dapat
dinyatakan oleh para peneliti di studi tersebut sedemikian hingga eror dari
pengestimasian akan kurang dari 0,05?
15. Berdasarkan soal nomor 10, dapatkan selang kepercayaan sebesar 95% untuk
variansi sebenarnya dari panjang tengkorak pada seluruh fosil spesies burung
langka (σ 2 ).
BAB 14
PENGUJIAN HIPOTESIS
Hipotesis merupakan suatu pernyataan atau dugaan mengenai suatu hal yang
dibuat untuk menjelaskan hal tersebut, dimana kita dituntut untuk melakukan
validasi terhadap kebenaran dari dugaan. Jika dugaan tersebut difokuskan kepada
suatu populasi, dimana pada umumnya dugaan yang dibuat menyangkut nilai-nilai
parameter dari distribusi populasi, maka hipotesis itu disebut sebagai hipotesis
statistik.
Catat bahwa setiap hipotesis bisa jadi benar atau bisa jadi tidak benar. Oleh karena
itu, untuk membuat suatu kesimpulan apakah kita akan menerima atau menolak
hipotesis tersebut, perlu diadakan penelitian terlebih dahulu. Langkah-langkah
penelitian yang dilakukan untuk menentukan menerima atau menolak hipotesis
disebut sebagai pengujian hipotesis (hypothesis testing). Pada bab ini, kita akan
membahas lebih detail mengenai cara-cara pengujian hipotesis dan membuat
suatu kesimpulan tentang populasi.
356
357
Sebaliknya, apabila hasil yang diperoleh dari hasil penelitian tidak jauh
berbeda dengan hasil yang diharapkan berdasarkan hipotesis maka hipotesis
diterima. Sekali lagi, catat bahwa meskipun berdasarkan hasil penelitian kita telah
menerima atau menolak hipotesis, tidak berarti bahwa kita telah membuktikan
bahwa hipotesis yang telah dibuat adalah benar atau salah. Satu-satunya hal yang
dibuktikan dari pengujian hipotesis adalah kita akan menerima atau menolak
hipotesis.
Dalam melakukan pengujian hipotesis, terdapat dua jenis eror yang dapat
terjadi, yaitu:
i. Eror tipe I : menolak hipotesis yang seharusnya diterima
ii. Eror tipe II : menerima hipotesis yang seharusnya ditolak
Definisi dari kedua eror di atas dapat diringkas melalui tabel di bawah ini.
Kondisi Sebenarnya
Kesimpulan
Hipotesis Benar Hipotesis Salah
Menerima Hipotesis Benar Eror Tipe II
Menolak Hipotesis Eror Tipe I Benar
Apabila kita merencanakan suatu penelitian dalam rangka untuk menguji suatu
hipotesis, maka jelas bahwa kita akan berusaha untuk memperkecil kedua tipe eror
tersebut. Berikutnya, kita dapat menyatakan kedua tipe eror tersebut dalam proba-
bilitas. Probabilitas untuk membuat eror tipe I dinyatakan dengan α, sedangkan
probabilitas untuk membuat eror tipe II dinyatakan dengan β. Berdasarkan definisi
tersebut, maka eror tipe I dapat disebut sebagai eror tipe α, dan eror tipe II dapat
disebut sebagai eror tipe β.
358
Contoh 14.1
Misalkan suatu perusahaan farmasi yang memproduksi obat ingin melakukan
pengujian pada suatu obat tertentu yang baru saja diproduksi. Seorang peneliti dari
perusahaan melakukan pengujian hipotesis dimana hipotesis nol adalah θ = 0, 9
melawan hipotesis alternatif θ = 0, 6. Statistik uji dari peneliti tersebut adalah
X, yang menunjukkan jumlah keberhasilan (jumlah kesembuhan) dalam 20 kali
percobaan. Peneliti tersebut akan menerima hipotesis nol apabila x > 14. Apabila
terjadi sebaliknya, maka dia akan menolak hipotesis nol. Dapatkan nilai eror tipe
I (α) dan eror tipe II (β).
Pembahasan:
Daerah penerimaan dari H0 adalah x = 15, 16, · · · , 20. Sebaliknya, daerah
penolakan dari H0 adalah x = 1, 2, 3, · · · , 14. Pada contoh ini terlihat bahwa
percobaan mengikuti distribusi binomial. Dengan demikian, dari tabel statistik
pada distribusi binomial diperoleh
dan
β = P[X > 14; θ = 0, 60] = 0, 1255
Contoh 14.2
Seorang peneliti ingin melakukan pengujian suatu hipotesis. Diberikan bahwa
hipotesis nol adalah mean dari populasi yang berdistribusi normal µ0 dengan σ 2 =
1, sedangkan hipotesis alternatif adalah µ1 dimana µ1 > µ0 . Dapatkan nilai dari
K sedemikian hingga x̄ > K akan menghasilkan daerah kritis dengan ukuran
α = 0, 05 untuk suatu sampel acak berukuran n.
Pembahasan:
360
Merujuk pada gambar di atas dan tabel distribusi normal standar, didapatkan
bahwa nilai z = 1, 645 berkaitan dengan nilai α = 0, 05. Dengan demikian,
diperoleh
K − µ0 1, 645
1, 645 = → K = µ0 + √
1 n
√
n
Likelihood Ratio Test (LRT) adalah metode pengujian hipotesis yang dapat
membantu kita untuk menentukan model terbaik ketika kita dihadapkan pada dua
pilihan model. Pada subbab ini, kita akan membahas mengenai metode ini dengan
tujuan untuk melakukan pengujian terhadap suatu parameter θ dari populasi
yang kontinu. Akan tetapi, catat bahwa seluruh pembahasan di subbab ini dapat
digeneralisasi pada kasus pengujian dengan banyak parameter maupun pada
populasi diskrit. Untuk mengilustrasikan teknik pengujian dengan menggunakan
likelihood ratio test, perhatikan penjelasan berikut ini.
H0 : θ ∈ ω,
HA : θ ∈ ω 0
Pada kasus umum, dimana salah satu dari kedua hipotesis yang saling berlawanan
adalah hipotesis komposit, maka kita dapat membandingkan dua nilai, yaitu max
L0 dan max L, dimana max L0 adalah nilai maksimum dari fungsi likelihood
untuk semua nilai θ di dalam ω, sedangkan max L adalah nilai maksimum dari
fungsi likelihood untuk semua nilai θ di dalam Ω.
Dengan kata lain, apabila kita memiliki sampel acak berukuran n dari suatu
populasi yang memiliki fungsi kepadatan probabilitas f (x; θ), θ̂ adalah estimasi
maximum likelihood untuk θ dengan syarat bahwa θ merupakan elemen dari
ˆ
ω, dan θ̂ adalah estimasi maximum likelihood untuk θ dengan syarat bahwa θ
merupakan elemen dari Ω, sehingga
n
Y
max L0 = f (xi ; θ̂)
i−1
dan
n
Y ˆ
max L = f (xi ; θ̂)
i−1
max L0
Rasio dari keduanya adalah λ = max L dan disebut sebagai likelihood ratio
statistic.
Karena max L0 dan max L merupakan nilai dari fungsi likelihood, maka
keduanya tidak mungkin bernilai negatif, yaitu λ ≥ 0. Sebagai tambahan, karena
ω merupakan subset dari Ω, maka jelas bahwa λ ≤ 1. Ketika hipotesis nol salah,
maka max L0 akan bernilai lebih kecil dari max L, sehingga λ akan menuju
nilai 0. Sebaliknya, apabila hipotesis nol benar (yaitu θ ∈ ω), maka max L0
akan bernilai lebih besar dari max L, sehingga λ akan menuju nilai 1. Dengan
demikian, likelihood ratio test menyatakan bahwa hipotesis nol H0 akan ditolak
jika dan hanya jika λ berada dalam daerah kritis λ ≤ k, dimana 0 < k < 1.
Berikut ini adalah definisi umum dari likelihood ratio test. Apabila ω dan ω 0
adalah himpunan bagian yang saling berkomplemen pada ruang parameter Ω,
dan jika likelihood ratio statistic dinyatakan sebagai λ = max L0
max L dimana max L0
adalah fungsi likelihood untuk semua nilai θ di ω serta max L adalah fungsi
likelihood untuk semua nilai θ di Ω, maka daerah kritis λ ≤ k (dengan 0 < k < 1)
mendefinisikan likelihood ratio test untuk hipotesis nol θ ∈ ω melawan hipotesis
alternatif θ ∈ ω 0 .
363
Contoh 14.3
Dapatkan daerah kritis dari likelihood ratio test untuk pengujian hipotesis nol
H0 : µ = µ0 melawan hipotesis alternatif komposit HA : µ 6= µ0 pada suatu
sampel acak berukuran n yang diambil dari populasi yang berdistribusi normal
dengan varians yang diketahui sebesar σ 2 .
Pembahasan:
Karena ω hanya mengandung µ0 , maka µ̂ = µ0 , dan karena Ω adalah himpunan
ˆ = x̄. Dengan demikian, diperoleh
dari bilangan riil, maka µ̂
n
1 1 P
(Xi −µ0 )2
max L0 = √ · e− 2σ2
σ 2π
dan n
1 1 P
(Xi −x̄)2
max L = √ · e− 2σ2
σ 2π
σ2
Karena X̄ berdistribusi normal dengan mean µ0 dan varians n , maka kita
dapatkan daerah kritis dari likelihood ratio test adalah
σ
|x̄ − µ0 | ≥ zα/2 · √
n
|z| ≥ zα/2
dimana
x̄ − µ0
z= σ
√
n
Dengan kata lain, hipotesis nol harus ditolak apabila Z memiliki nilai yang lebih
besar atau sama dengan zα/2 serta untuk Z yang memiliki nilai yang kurang dari
atau sama dengan −zα/2 .
Sebagai tambahan, untuk ukuran sampel acak n yang sangat besar, maka distribusi
dari −2 ln λ mendekati distribusi Chi-Square dengan derajat kebebasan 1 (pada
kondisi yang umum).
Sebuah uji statistik yang menyebutkan secara spesifik 1) hipotesis nol sederhana,
2) ukuran dari daerah kritis α, dan 3) hipotesis alternatif komposit, disebut sebagai
uji signifikansi. Pada uji tersebut, α dikenal sebagai taraf signifikan (level of
significance) atau taraf nyata. Untuk menjelaskan maksud dari uji statistik, mari
kita perhatikan keadaan dimana kita ingin menguji hipotesis nol H0 : θ = θ0
melawan hipotesis alternatif dua arah (two-sided alternative hypothesis)
HA : θ 6= θ0 .
365
Uji yang demikian disebut sebagai uji dua arah (two-side/two-tailed test). Di lain
pihak, apabila kita ingin menguji hipotesis nol H0 : θ = θ0 melawan hipotesis
alternatif satu arah (one-sided alternative hypothesis) HA : θ < θ0 atau HA :
θ > θ0 , maka uji tersebut dikenal sebagai uji satu arah. Salah satu contoh uji
dua arah adalah ketika kita ingin menguji hipotesis alternatif µ 6= µ0 pada Contoh
14.3. Berdasarkan contoh tersebut, kita dapatkan daerah kritis yang didefinisikan
sebagai berikut:
σ
|x̄ − µ0 | ≥ zα/2 · √
n
σ σ
atau x̄ ≤ µ0 − zα/2 · √ dan x̄ ≥ µ0 + zα/2 · √
n n
Seperti yang terlihat pada gambar di atas, hipotesis nol µ = µ0 ditolak apabila X̄
memiliki nilai yang berada di ujung kiri dan kanan dari grafik distribusi sampling.
Secara matematis, daerah kritis dapat dituliskan sebagai z ≤ −zα/2 atau z ≥ zα/2 ,
x̄ − µ0
dimana z = σ .
√
n
Sedangkan apabila kita ingin menguji hipotesis alternatif µ < µ0 , maka kita akan
menggunakan daerah kritis seperti pada gambar berikut ini.
Berdasarkan ketiga gambar di atas, terlihat bahwa terdapat garis yang membatasi
antara daerah penerimaan dan daerah penolakan H0 yang disebut sebagai nilai
kritis. Untuk mendapatkan nilai pada garis tersebut, kita memerlukan nilai dari
zα/2 atau zα , dimana kemungkinan dari nilai tersebut dapat diperoleh dari tabel
distribusi z (distribusi normal standar) untuk beberapa taraf signifikan α.
367
Akan tetapi, catat bahwa permasalahan tersebut tidak sesederhana yang dipikirkan.
Sebagai contoh, apabila distribusi sampling dari uji statistik merupakan distribusi
t, distribusi Chi-Square, atau distribusi F . Untuk distribusi sampling yang
demikian, maka kita memerlukan nilai dari tα/2 , tα , χ2α/2 , χ2α , Fα/2 , atau Fα
dimana nilai α pada tabel untuk beberapa distribusi tersebut hanya tersedia untuk
beberapa nilai α.
Karena alasan tersebut, maka basis untuk pengujian hipotesis statistik biasanya
dibatasi untuk α = 0, 05 atau α = 0, 01. Pemilihan nilai α yang demikian
berkaitan dengan nilai-p (p-values). Secara umum, p-value dapat didefinisikan
sebagai taraf signifikan terendah dimana hipotesis nol dapat ditolak.
Pada beberapa kasus, harus dipahami bahwa kedua prosedur pengujian hipotesis
yang telah dijelaskan sebelumnya adalah sama. Hal ini berarti bahwa apa pun
metode yang kita gunakan, akan memberikan keputusan akhir yang sama, yaitu
menolak atau menerima hipotesis nol. Dalam praktiknya, kita dapat menggunakan
prosedur yang mana saja, bergantung kepada distribusi sampling dari statistik
uji, ketersediaan tabel distribusi statistik, dan permasalahan yang dihadapi pada
pengujian hipotesis.
Contoh 14.4
Diberikan sampel acak berukuran n yang diambil dari populasi yang berdistribusi
normal dengan varians yang diketahui sebesar σ 2 . Tunjukkan bahwa hipotesis
nol H0 : µ = µ0 dapat diuji melawan hipotesis alternatif HA : µ 6= µ0 dengan
menggunakan basis kriteria satu arah pada distribusi Chi-Square.
368
Pembahasan:
x̄ − µ0
Uji statistik yang digunakan adalah z = σ .
√
n
!2
x̄ − µ0
Berdasarkan teorema yang telah dijelaskan pada Bab 11, adalah
√σ
n
variabel random yang berdistribusi χ2 dengan derajat kebebasan v = 1. Dengan
demikian, kriteria penolakan hipotesis nol adalah
n(x̄ − µ0 )2
≥ χ2α,1
σ2
x̄ − µ0
z=
√σ
n
Seperti yang telah dijelaskan di subbab 14.2, taraf signifikan yang umumnya
digunakan adalah α = 0, 05 atau α = 0, 01. Dengan menggunakan tabel distribusi
normal standar, diperoleh bahwa untuk masing-masing nilai α tersebut, didap-
atkan nilai zα dan zα/2 adalah z0,05 = 1, 645, z0,01 = 2, 33, z0,025 = 1, 96, dan
z0,005 = 2, 575.
369
Contoh 14.5
Misalkan diketahui, dari suatu eksperimen, bahwa standar deviasi dari satu paket
beras berukuran 8 kg yang diproduksi oleh pabrik beras adalah 0,16 kg. Untuk
mengetahui apakah produksi dari beras tersebut berada dalam kontrol pada satu
hari produksi, yaitu untuk memastikan apakah rata-rata berat dari satu paket beras
adalah 8 kg, seorang pegawai memilih sampel secara acak 25 paket beras dan
menemukan bahwa mean dari sampel acak tersebut adalah x̄ = 8, 091 kg. Karena
pabrik beras tersebut akan merugi jika µ > 8, dan pelanggan akan merugi apabila
µ < 8, maka pegawai dari pabrik beras tersebut akan menguji hipotesis nol µ = 8
melawan hipotesis alternatif µ 6= 8 pada taraf signifikan α = 0, 01. Bagaimana
kesimpulan dari pengujian hipotesis tersebut?
Pembahasan:
Berikut ini adalah prosedur dari pengujian hipotesis:
i. Mendefinisikan hipotesis nol H0 dan hipotesis alternatif HA , serta menen-
tukan nilai α.
H0 : µ = 8
HA : µ 6= 8
α = 0, 01
ii. Menggunakan distribusi sampling dari uji statistik yang sesuai, kemudian
menentukan daerah kritis dengan ukuran α.
Tolak hipotesis nol apabila z ≤ −2, 575 atau z ≥ 2, 575 dimana
x̄ − µ0
z=
√σ
n
iii. Menentukan nilai dari uji statistik yang bersumber dari data sampel.
Substitusikan nilai x̄ = 8, 091, µ0 = 8, σ = 0, 16 dan n = 25, sehingga
didapatkan
x̄ − µ0 8, 091 − 8
z= σ = 0,16 = 2, 84
√ √
n 25
iv. Melakukan pengujian apakah nilai dari uji statistik berada di dalam daerah
kritis (sehingga kita akan menolak hipotesis nol), atau kita tidak dapat
menolak hipotesis nol.
Karena z = 2, 84 melebihi z0,005 = 2, 575, maka hipotesis nol harus ditolak.
Dengan demikian, proses produksi beras harus diperbaiki agar pabrik beras
tidak mengalami kerugian.
370
Apabila kita menggunakan metode nilai-p dalam pengujian hipotesis pada Contoh
14.5, maka kita akan mendapatkan nilai-p sebesar 0,0046. Catat bahwa nilai-p
yang demikian kurang dari 0,01. Dengan demikian kesimpulan yang dibuat
berdasarkan pengujian hipotesis adalah sama. Sebagai tambahan, daerah kritis
z ≥ zα dapat digunakan pada pengujian hipotesis nol µ = µ0 melawan hipotesis
alternatif sederhana µ = µ1 > µ0 , atau hipotesis nol komposit µ ≤ µ0 melawan
hipotesis alternatif komposit µ > µ0 .
Ketika kita berhadapan dengan ukuran sampel yang cukup besar, yaitu n ≥ 30,
dari suatu populasi yang tidak berdistribusi normal tapi memiliki varians yang
berhingga, maka kita dapat menggunakan Teorema Limit Pusat dan kemudian
menggunakan pengujian terhadap populasi normal. Meskipun ketika nilai dari
σ 2 tidak diketahui, maka kita dapat mengaproksimasi nilainya dengan s2 pada
penghitungan uji statistik.
Apabila ukuran dari sampel n < 30 dan nilai dari σ 2 tidak diketahui, uji
statistik yang telah kita bahas sebelumnya di dalam subbab ini tidak dapat
digunakan. Akan tetapi, khusus untuk sampel acak yang diambil dari populasi
yang berdistribusi normal, kita dapat melakukan uji dengan menggunakan
x̄ − µ0
t=
√s
n
dimana t adalah nilai dari variabel random yang berdistribusi t dengan derajat
kebebasan n − 1. Dengan demikian, daerah kritis yang berukuran α untuk
pengujian hipotesis nol µ = µ0 melawan hipotesis alternatif µ 6= µ0 , µ > µ0 ,
atau µ < µ0 , masing-masing adalah |t| ≥ tα/2,n−1 , t ≥ tα,n−1 , dan t ≤ −tα,n−1 .
Contoh 14.6
Misalkan diberikan sampel acak yang diambil dari populasi yang berdistribusi
normal dengan varians yang diketahui σ 2 . Berikutnya akan dilakukan pengujian
hipotesis nol µ = µ0 melawan hipotesis alternatif µ = µ1 , dimana µ1 > µ0 .
Probabilitas dari eror tipe I dan eror tipe II masing-masing dinotasikan dengan
α dan β. Tunjukkan bahwa ukuran sampel minimal yang dibutuhkan dalam
melakukan pengujian hipotesis ini adalah
σ 2 (zα + zβ )2
n=
(µ1 − µ0 )2
371
Pembahasan:
Seperti yang terlihat pada gambar di atas, batas kritis antara eror tipe I dan eror
tipe II adalah nilai K yang memenuhi
σ σ
K = µ 0 + z α √ = µ1 − zβ √
n n
σ σ σ √ σ(zα + zβ )
µ0 + zα √ = µ1 − zβ √ → µ1 − µ0 = (zα + zβ ) √ → n =
n n n (µ1 − µ0 )
Oleh karena itu, kita dapatkan ukuran sampel minimal yang dibutuhkan dalam
melakukan pengujian hipotesis ini adalah
σ 2 (zα + zβ )2
n=
(µ1 − µ0 )2
Contoh 14.7
Dengan menggunakan informasi pada Contoh 14.6, dapatkan ukuran sampel
minimal n apabila diberikan α = 9, µ0 = 15, µ1 = 20, α = 0, 05 dan β = 0, 01.
Pembahasan:
372
Pada kedua contoh yang telah disebutkan di atas, kita dihadapkan pada
permasalahan sampel acak yang berasal dari dua populasi yang berbeda. Misalkan
kita memiliki sampel acak yang berasal dari dua populasi berbeda dan saling
independen, masing-masing dengan ukuran sampel n1 dan n2 . Catat bahwa kedua
populasi tersebut masing-masing berdistribusi normal dengan mean µ1 dan µ2 ,
serta varians yang diketahui sebesar σ12 dan σ22 .
x̄1 − x̄2 − δ
z= s
σ12 σ22
+
n1 n2
Catat bahwa apabila kita dihadapkan pada dua sampel acak yang saling independen
dari populasi dengan varians yang tidak diketahui, atau mungkin juga populasi
tersebut tidak berdistribusi normal, maka kita tetap dapat menggunakan pengujian
yang telah dideskripsikan di atas, namun kita hanya perlu mengganti σ1 dengan s1
serta σ2 dengan s2 . Akan tetapi, catat bahwa teknik tersebut dapat digunakan
apabila ukuran kedua sampel cukup besar, sehingga kita dapat menggunakan
Teorema Limit Pusat.
373
Contoh 14.8
Sebuah eksperimen dilakukan untuk menentukan apakah rata-rata kandungan zat
A pada obat X melebihi obat Y dengan selisih sebesar 0,20 miligram. Apabila
diketahui bahwa ukuran sampel acak yang diambil dari obat X adalah n1 = 50
dengan rata-rata kandungan zat A pada sampel acak tersebut adalah x̄1 = 2, 61
miligram dan standar deviasi s1 = 0, 12 miligram. Sedangkan untuk sampel acak
yang diambil dari obat Y , ukuran sampelnya adalah n2 = 40 dengan rata-rata
kandungan zat A pada sampel acak tersebut adalah x̄2 = 2, 38 miligram dan
standar deviasi s2 = 0, 14 miligram. Diketahui bahwa hipotesis nol µ1 − µ2 =
0, 20 miligram melawan hipotesis alternatif µ1 − µ2 6= 0, 20 miligram pada taraf
signifikan 0,05. Dengan menggunakan teknik uji hipotesis berdasarkan nilai-p,
bagaimana kesimpulan dari pengujian hipotesis tersebut?
Pembahasan:
Dengan menggunakan konsep nilai-p maka prosedur-prosedur dalam pengujian
hipotesis adalah
i. Mendefinisikan hipotesis nol H0 dan hipotesis alternatif HA , serta menen-
tukan nilai α.
H0 : µ1 − µ2 = 0, 20
HA : µ1 − µ2 6= 0, 20
α = 0, 05
ii. Menentukan uji statistik yang sesuai, yaitu uji statistik Z.
x̄1 − x̄2 − δ
z= s
σ12 σ22
+
n1 n2
iii. Menentukan nilai dari uji statistik dan nilai-p yang bersesuaian dari data
sampel.
Substitusikan nilai x̄1 = 2, 61, x̄2 = 2, 38, δ = 0, 20, s1 = σ1 =
0, 12, s2 = σ2 = 0, 14, n1 = 50, dan n2 = 40 sehingga didapatkan
2, 61 − 2, 38 − 0, 20
z=r = 1, 08
(0, 12)2 (0, 14)2
+
50 40
iv. Melakukan pengujian apakah nilai-p kurang dari atau sama dengan α
(sehingga kita dapat menolak hipotesis nol), atau kita tidak dapat menolak
hipotesis nol jika nilai-p lebih dari α.
Karena nilai-p adalah 0, 2802, dimana nilai tersebut lebih besar dari α =
0, 05, maka hipotesis nol tidak dapat ditolak. Dengan demikian, dapat
dikatakan bahwa selisih antara 2.61 − 2, 38 = 0, 23 dengan nilai 0, 20 tidak
terlalu signifikan.
Apabila ukuran dari sampel n1 dan n2 cukup kecil (masing-masing kurang dari 30)
serta nilai dari σ12 dan σ22 tidak diketahui, maka uji statistik yang telah kita bahas
sebelumnya di dalam subbab ini tidak dapat digunakan. Akan tetapi, khusus untuk
sampel acak yang diambil dari populasi yang berdistribusi normal yang memiliki
varians yang sama sebesar σ 2 , maka kita dapat melakukan uji dengan menggu-
nakan
x̄1 − x̄2 − δ
t= r
1 1
sp +
n1 n2
dimana
(n1 − 1)s21 + (n2 − 1)s22
s2p =
n1 + n2 − 2
1
s2p = (s21 + s22 )
2
375
Contoh 14.9
Misalkan diberikan dua sampel acak (masing-masing berukuran n) yang diambil
dari dua populasi yang berdistribusi normal dengan varians yang diketahui masing-
masing sebesar σ12 dan σ22 . Berikutnya, akan dilakukan pengujian hipotesis nol
µ1 − µ2 = δ melawan hipotesis alternatif µ1 − µ2 = δ 0 . Probabilitas dari eror tipe
I dan eror tipe II masing-masing dinotasikan dengan α dan β. Tunjukkan bahwa
ukuran sampel minimal yang dibutuhkan dalam melakukan pengujian hipotesis ini
adalah
(σ 2 + σ22 )(zα + zβ )2
n= 1
(δ − δ 0 )2
Pembahasan:
Batas kritis antara eror tipe I dan eror tipe II adalah nilai K yang memenuhi
r r
σ12 + σ22 σ12 + σ22
K = δ + zα = δ 0 − zβ
n n
Dengan demikian, diperoleh
r r r
σ12 + σ22 σ12 + σ22 σ12 + σ22
δ + zα = δ 0 − zβ → δ − δ 0 = (zα + zβ )
n n n
Oleh karena itu, kita dapatkan
p
√ (zα + zβ ) σ12 + σ22
n=
(δ − δ 0 )
Contoh 14.10
Dengan menggunakan informasi pada Contoh 14.9, dapatkan ukuran sampel
minimal n apabila diberikan σ1 = 9, σ2 = 13, δ = 80, δ 0 = 86, α = 0, 01
dan β = 0, 01.
376
Pembahasan:
(σ12 + σ22 )(zα + zβ )2
n=
(δ − δ 0 )2
(92 + 132 )(2, 33 + 2, 33)2
=
(80 − 86)2
250(21, 7156)
=
36
= 150, 80 ≈ 151
Dengan demikian, ukuran sampel minimal yang diperlukan adalah n = 151.
Salah satu contohnya adalah ketika sebuah pabrik yang memproduksi suatu
barang tertentu diminta untuk memenuhi spesifikasi yang sangat ketat pada
produk tersebut. Dalam hal ini, pabrik harus melakukan pengujian variabilitas
dari produknya. Contoh lainnya adalah ketika seorang dosen ingin mengetahui
variabilitas dari nilai yang diperoleh seluruh mahasiswa dalam satu kelas.
Misalkan diberikan sampel acak berukuran n yang diambil dari suatu populasi
yang berdistribusi normal. Berikutnya, kita ingin menguji hipotesis nol
H0 : σ = σ0 melawan hipotesis alternatif σ 2 6= σ02 , σ 2 < σ02 , atau σ 2 > σ02 .
2 2
Dengan menggunakan teknik likelihood ratio, kita dapat pula gunakan s2 sebagai
pengganti σ 2 .
(n − 1)s2
χ2 =
σ02
Apabila hipotesis alternatifnya adalah dua arah, maka kita akan menolak hipotesis
nol apabila χ2 ≥ χ2α,n−1 dan χ2 ≤ χ21−α,n−1 , dimana ukuran daerah kritis adalah
α.
Contoh 14.11
Diketahui bahwa seorang peneliti ingin menguji varians dari ketebalan kertas yang
diproduksi pada suatu pabrik. Dalam pengujian tersebut, peneliti menggunakan
sampel acak dengan ukuran 18 dan varians sampel adalah s2 = 0, 68 mm. Proses
dikatakan berada dalam batas kontrol apabila variasi dari ketebalan kertas yang
dinyatakan dalam varians tidak lebih besar dari 0,36 mm. Asumsikan bahwa
sampel yang diambil berasal dari populasi yang berdistribusi normal. Pengujian
yang dilakukan adalah hipotesis nol σ 2 = 0, 36 melawan hipotesis alternatif
σ 2 > 0, 36 pada taraf signifikan 0,05. Bagaimana kesimpulan dari pengujian
hipotesis tersebut?
Pembahasan:
Berikut ini adalah prosedur-prosedur dalam pengujian hipotesis.
i. H0 : σ 2 = 0, 36
HA : σ 2 > 0, 36
α = 0, 05
378
(n − 1)s2
ii. Tolak hipotesis nol apabila χ2 ≥ 27, 587 dimana χ2 =
σ02
dan nilai 27, 587 merupakan nilai dari χ20,05,17 .
iii. Substitusikan nilai s2 = 0, 68, σ02 = 0, 36 dan n = 18 sehingga didapatkan
iv. Karena χ2 = 32, 11 melebihi χ20,05,17 = 27, 587, maka hipotesis nol harus
ditolak. Dengan demikian, proses produksi kertas yang dilakukan oleh pabrik
sebaiknya diperbaiki.
Apabila nilai α yang digunakan dalam Contoh 14.11 adalah 0, 01 , maka diperoleh
nilai χ2 = 32, 11 dan χ20,01,17 = 33, 409. Karena nilai χ2 tidak melebihi
nilai χ20,01,17 , maka kita tidak punya cukup alasan untuk menolak hipotesis
nol. Dengan demikian terlihat bahwa pemilihan taraf signifikan merupakan
salah satu hal penting yang harus didefinisikan di awal karena perbedaan taraf
signifikansi dapat berakibat pada perbedaan kesimpulan pada pengujian hipotesis.
s21 s22
≥ fα,n1 −1,n2 −1 dan ≥ fα,n2 −1,n1 −1
s22 s12
379
Apabila hipotesis alternatifnya adalah dua arah, yaitu σ12 6= σ22 , maka daerah kritis
yang digunakan untuk menguji hipotesis nol adalah
s21
≥ fα/2,n1 −1,n2 −1 apabila s21 ≥ s22
s22
s22
≥ fα/2,n2 −1,n1 −1 apabila s21 < s22
s21
Contoh 14.12
Seorang peneliti ingin menguji variabilitas di antara ketebalan dua jenis pelat
baja yang diproduksi oleh pabrik yang berbeda. Berdasarkan eksperimen yang
dilakukan, diperoleh data sebagai berikut: n1 = 13, s21 = 19, 2, n2 = 16 dan
s22 = 3, 5. Catat bahwa unit yang digunakan adalah dalam satuan mm. Asumsikan
bahwa kedua sampel acak diambil dari dua buah populasi berbeda yang saling
independen dan keduanya berdistribusi normal. Peneliti tersebut ingin menguji
hipotesis nol σ12 = σ22 melawan hipotesis alternatif dua arah σ12 6= σ22 pada taraf
signifikan 0, 02. Bagaimana kesimpulan dari pengujian hipotesis tersebut?
Pembahasan:
Berikut ini adalah prosedur-prosedur dalam pengujian hipotesis:
i. H0 : σ12 = σ22
HA : σ12 6= σ22
α = 0, 02
ii. Karena s21 ≥ s22 , maka peneliti akan menolak hipotesis nol apabila
s21
≥ f0.01,12,15 = 3, 67
s22
s21 19, 2
2 = = 5, 49
s2 3, 5
380
x ≥ kα
Contoh 14.13
Diketahui bahwa x = 4 dan n = 20 menunjukkan jumlah pasien yang mengalami
suatu gangguan pernafasan akibat pengujian obat baru. Seorang peneliti ingin
melakukan pengujian hipotesis nol θ = 0, 50 melawan hipotesis alternatif θ 6=
0, 50 pada taraf signifikan 0, 05. Catat bahwa θ adalah proporsi yang sebenarnya
dari jumlah pasien yang mengalami gangguan pernafasan akibat pengujian obat
baru. Bagaimana kesimpulan dari pengujian hipotesis tersebut?
Pembahasan:
Berikut ini adalah prosedur-prosedur dalam pengujian hipotesis:
i. H0 : θ = 0, 50
HA : θ 6= 0, 50
θ = 0, 05
ii. Kita akan menggunakan uji statistik X, yaitu jumlah observasi yang
dinyatakan “sukses”.
iii. Diketahui bahwa x = 4, dan karena P (X ≤ 4) = 0, 0059, maka didapatkan
nilai-p adalah 2(0, 0059) = 0, 0118.
iv. Karena nilai-p sebesar 0, 0118 kurang dari taraf signifikan 0, 05, maka
peneliti harus menolak hipotesis nol. Dengan demikian, dapat disimpulkan
bahwa θ 6= 0, 50.
Catat bahwa untuk nilai n yang besar, kita dapat menggunakan aproksimasi
distribusi normal dan menganggap bahwa
x − nθ
z=p
nθ(1 − θ)
sebagai nilai dari variabel random yang memiliki distribusi normal standar.
Dengan demikian, untuk nilai n yang besar kita akan melakukan pengujian
terhadap hipotesis nol θ = θ0 melawan hipotesis alternatif θ 6= θ0 , θ > θ0 , atau
θ < θ0 , dimana daerah kritisnya masing-masing adalah |z| ≥ zα/2 , z ≥ zα , dan
z ≤ −zα , dengan
x − nθ0
z=p
nθ0 (1 − θ0 )
382
atau
x ± 21 − nθ0
z= p
nθ0 (1 − θ0 )
Contoh 14.14
Sebuah perusahaan oli menyatakan bahwa kurang dari 20 persen dari seluruh
pemilik mobil belum pernah menggunakan oli yang diproduksi perusahaannya.
Pengujian dari klaim tersebut menggunakan taraf signifikan sebesar 0,01 dimana
diketahui bahwa dalam pengambilan sampel terhadap 200 orang, dinyatakan
bahwa 22 orang di antaranya belum pernah menggunakan oli tersebut. Bagaimana
kesimpulan dari pengujian hipotesis tersebut?
Pembahasan:
Berikut ini adalah prosedur-prosedur dalam pengujian hipotesis.
i. H0 : θ = 0, 20
HA : θ < 0, 20
α = 0, 01
ii. Peneliti akan menolak hipotesis nol apabila z ≤ −2, 33, dimana
x − nθ0
z=p
nθ0 (1 − θ0 )
iv. Karena z = −3, 18 kurang dari −2, 33 maka hipotesis nol harus ditolak.
Dengan demikian, dapat kita simpulkan bahwa kurang dari 20 persen dari
seluruh pemilik mobil belum pernah menggunakan oli yang diproduksi
perusahaan tersebut.
383
Diketahui pula, kelima buah tersebut mempunyai standar deviasi yang sama
yaitu 2,85. Seorang ibu berbelanja di ”Heavy Swalayan” dan membeli satu
buah dari setiap jenis di atas. Saat ini, di keranjang ibu tersebut terdapat
Apel 19 ons
Jeruk 17 ons
Mangga 18 ons
Kelapa 20 ons
Semangka 23 ons
• Hogg, R. V., Tanis, E. A., & Zimmerman, D. L. (2010). Probability and Statis-
tical Inference. Upper Saddle River, NJ, USA: Pearson/Prentice Hall.
• Miller, I., Miller, M., & Freund, J. E. (2014). John E. Freund’s Mathematical
Statistics with Applications. Boston: Pearson.
• Walpole, R.E. (2012). Probability and Statistics for Engineers and Scientists
(9th Edition). Pearson
387