Buku Pengantar Teori Probabilitas Dan Statistika

Pengantar Teori Probabilitas
dan Statistika
2021
Pengantar Teori Probabilitas
dan Statistika
Wawan Hafid Syaifudin, M.Si, MAct.Sc, ASAI

Dr. Achmad Choiruddin, S.Si, M.Sc
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
Alhamdulillahirabbil’aalamin. Segala puja dan puji syukur penulis

panjatkan kehadirat Allah SWT atas seluruh rahmat dan karunia-Nya, sehingga
penulis dapat menyelesaikan buku Pengantar Teori Probabilitas dan Statistika.
Buku ini merupakan salah satu referensi pada mata kuliah Teori Probabilitas
maupun mata ujian A20 (Probabilitas dan Statistika) pada ujian keanggotaan
Persatuan Aktuaris Indonesia (PAI). Ujian A20 merupakan salah satu ujian wajib
bagi setiap calon aktuaris di Indonesia agar dapat diakui sebagai anggota dari PAI.
Buku ini ditulis dengan sistematika yang umumnya digunakan oleh setiap
individu yang ingin mempelajari dasar-dasar dari teori probabilitas dan statistika.
Sebagai tambahan, buku ini juga dilengkapi dengan banyak contoh soal dan latihan
soal yang didasarkan pada ujian keprosesian aktuaris, yaitu ujian A20 Persatuan
Aktuaris Indonesia, dalam beberapa tahun terakhir.
Buku ini didedikasikan oleh penulis kepada seluruh mahasiswa, dosen,
maupun pihak umum lainnya yang ingin mempelajari bidang keilmuan aktuaria,
khususnya pada materi yang berkaitan dengan teori probabilitas dan statistika.
Oleh karena itu, setiap orang memiliki hak untuk mengumumkan atau memper-
banyak karya ini tanpa izin dari siapapun. Barangsiapa dengan sengaja
menyiarkan, memamerkan, mengedarkan, atau membagikan secara gratis buku ini,
semoga mendapatkan pahala yang berlipat ganda dari Allah SWT.
Tersusunnya buku ini tentu bukan merupakan hasil kerja keras dari penulis
seorang. Ada banyak pihak yang telah berjasa dalam membantu penulis dalam
menyelesaikan buku ini, seperti penyusunan materi, pemilihan contoh soal, dan
pengetikan naskah. Sebagai tambahan, dukungan moral dan material dari berbagai
pihak juga sangat membantu penulis dalam menyusun buku ini. Oleh karena itu,
penulis mengucapkan terima kasih kepada seluruh keluarga, sahabat, kolega, rekan
kerja, mahasiswa, dan seluruh pihak yang telah membantu penulis selama proses
penulisan buku. Secara khusus, penulis ingin menyampaikan terima kasih kepada
READI Project yang telah membantu penulis dalam proses penerbitan buku serta
penyebaran buku kepada seluruh universitas mitra serta pihak-pihak lain yang
terkait.
Buku Pengantar Teori Probabilitas dan Statistika ini tentu masih jauh dari
kata sempurna. Oleh karena itu, kritik dan saran membangun sangat diperlukan
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.
Surabaya, Februari 2021
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
• Istri tercinta yang selalu memberikan semangat, bantuan, dan doa
• Hengky Kurniawan, yang telah membantu penulis dalam penyusunan naskah

buku ini sejak awal pembuatan sampai dengan tahap finalisasi
• Venansius Ryan, Marina Nadya, Vira Diana, dan Nurdia yang telah membantu
penulis dalam penyusunan naskah awal buku
• Rekan-rekan penulis di Departemen Aktuaria, Matematika, dan Statistika

Institut Teknologi Sepuluh Nopember yang telah membantu memberikan
masukan dan review untuk buku ini
• Kolega dan teman-teman penulis, baik itu kolega di dalam internal kampus
maupun kolega di luar kampus
• READI Project atas bantuannya dalam proses penerbitan buku
iii
DAFTAR ISI
KATA PENGANTAR . . . . . . . . . . . . . . . . . . . . . . . . . . . . i
UCAPAN TERIMA KASIH . . . . . . . . . . . . . . . . . . . . . . . . . iii
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
DAFTAR PUSTAKA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 387
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.
1.1 Teori Himpunan

Himpunan merupakan kumpulan dari elemen-elemen (anggota). Kalimat “x
adalah elemen dari A” dinotasikan sebagai x ∈ A, dan “x bukan elemen dari
A” dinotasikan dengan x ∈
/ A.
Suatu himpunan A disebut subset (himpunan bagian) dari B, yang dinotasikan

dengan A ⊂ B, apabila setiap elemen dari himpunan A merupakan elemen dari
himpunan B. Dengan demikian, B dapat memiliki elemen yang tidak terdapat
di A, tetapi A harus memiliki elemen-elemen yang seluruhnya terdapat di B.
Sebagai contoh, apabila A menyatakan himpunan dari seluruh bilangan bulat
positif yang genap, sedangkan B adalah himpunan dari seluruh bilangan bulat
positif, maka A = {2, 4, 6, · · · } dan B = {1, 2, 3, 4, · · · }. Untuk kedua himpunan
tersebut, terlihat bahwa A ⊂ B, karena setiap elemen dari A (setiap bilangan
bulat positif yang genap) juga merupakan anggota dari B (bilangan bulat positif).
Diagram Venn di bawah ini menggambarkan A ⊂ B.
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
Secara matematis, hal ini dapat kita tuliskan sebagai

A ∪ B = {xx ∈ A atau x ∈ B}

Diagram Venn di bawah ini menyatakan A ∪ B.
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}.

Diagram Venn di bawah ini menyatakan A ∩ B.

3
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.
Apabila diberikan sebarang himpunan B, maka komplemen dari B terdiri

dari semua elemen-elemen yang tidak terdapat di dalam B, dan dinotasikan
sebagai B0 , B̄ atau B c . Secara matematis, hal ini dapat kita tuliskan sebagai
B 0 = {xx ∈ / B}. Jika kita membahas mengenai komplemen dari himpunan,

biasanya terdapat himpunan lain yang lebih besar dibandingkan dengan B, di
mana himpunan tersebut disebut sebagai “himpunan penuh”. Dengan demikian,
komplemen dari B terdiri dari elemen-elemen dari himpunan penuh dimana
elemen tersebut tidak terdapat di dalam 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 .
Pernyataan ini dapat diilustrasikan melalui Diagram Venn di bawah

ini.
(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
Pernyataan ini dapat diilustrasikan melalui Diagram Venn di bawah ini.
Selanjutnya, suatu himpunan disebut sebagai himpunan kosong apabila

himpunan tersebut tidak memiliki elemen dan dinyatakan sebagai ∅. Himpunan
A dan B tidak memiliki irisan pada saat A ∩ B = ∅.
Berikut ini adalah beberapa persamaan yang menyatakan hubungan dari

himpunan.
• A ∪ B = B ∪ A; A ∩ B = B ∩ A; A ∪ A = A; A ∩ A = A.
• A ∪ ∅ = A; A ∩ ∅ = ∅; A − ∅ = A.
• A ∩ (B ∪ C) = (A ∩ B) ∪ (A ∩ C).
• A ∪ (B ∩ C) = (A ∪ B) ∩ (A ∪ C).
• Jika A ⊂ B, maka A ∪ B = B dan A ∩ B = A.
• Untuk sebarang himpunan A dan B, (A ∩ B) ⊂ A ⊂ (A ∪ B) dan (A ∩ B) ⊂
B ⊂ (A ∪ B).
• (A ∪ B)0 = A0 ∩ B 0 dan (A ∩ B)0 = A0 ∪ B 0 .
• Untuk setiap himpunan A, ∅ ⊂ A.
• A = (A ∩ B) ∪ (A ∩ B 0 ).
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
Dengan menggunakan beberapa hubungan di antara himpunan-himpunan tersebut,

maka diperoleh:
• A ∪ B = {1, 2, 3, 4, 6}
• A ∩ B = {2}
• A ∩ C = ∅, hal ini berarti himpunan A dan C tidak berhubungan
• C⊂B
• A0 = {4, 5, 6}
• B 0 = {1, 3, 5}
• (A ∪ B)0 = {5} = A0 ∩ B 0
1.2 Ringkasan Kalkulus Dasar

Setelah kita membahas mengenai konsep teori himpunan, maka pada bagian ini
kita akan mempelajari hal yang tidak kalah penting sebelum kita membahas
mengenai probabilitas, yaitu dasar-dasar dalam kalkulus. Pembahasan kalkulus di
subbab ini, hanya merupakan ringkasan dari seluruh materi kalkulus yang nantinya
akan digunakan di dalam penghitungan probabilitas. Oleh karena itu, pembaca
diharapkan telah mempelajari dan menguasai materi ini dengan lebih detail pada
perkuliahan sebelumnya.
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:
Berikutnya, persamaan x = y 2 tidak mendefinisikan sebuah fungsi karena jika

√
x > 0, maka terdapat dua nilai y, yaitu y = ± x.
Grafik dari persamaan ini dapat dilihat pada gambar berikut ini:

8
Suatu fungsi disebut sebagai fungsi sepotong-sepotong (piecewise function)

apabila fungsi tersebut didefinisikan dalam suatu interval yang terpisah. Sebagai
contoh, fungsi nilai absolut adalah salah satu contoh dari fungsi sepotong-
sepotong, karena 
−x , untuk x < 0
|x| =
x , untuk x ≥ 0
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)
• Diberikan fungsi y = x2 = f (x), diperoleh dua kemungkinan nilai x yaitu

√
x = ± y.
Namun, jika fungsi didefinisikan sebagai y = x2 = f (x) hanya untuk x ≥ 0,

√
maka diperoleh x = + y = f −1 (y) adalah fungsi invers karena f adalah fungsi
satu-satu dimana dalam domainnya hanya terdapat bilangan non-negatif.
Fungsi dan Persamaan Kuadrat

Fungsi kuadrat dapat dituliskan ke dalam bentuk p(x) = ax 2 + bx + c. Akar dari
√
b2 −4ac
persamaan kuadrat ax2 + bx + c = 0 adalah r1 , r2 = −b± 2a .
Persamaan kuadrat memiliki :

(i) Dua akar bilangan riil jika b2 − 4ac > 0
(ii) Dua akar bilangan kompleks jika b2 − 4ac < 0, dan
(iii) Satu akar bilangan riil jika b2 − 4ac = 0
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 adalah grafik yang menggambarkan ketiga persamaan kuadrat tersebut.
Fungsi Eksponensial dan Logaritma

Fungsi eksponensial adalah fungsi f (x) = bx di mana b > 0, b 6= 1, dan
invers dari fungsi eksponensial dinyatakan sebagai logb (y). Oleh karena itu,
y = bx ↔ logb (y). Fungsi log yang memiliki basis e adalah logaritma natural,
yaitu loge (y) = ln y (dapat ditulis log y).
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
Seperti halnya bilangan-bilangan yang dapat dijumlahkan, dikurangkan, dikalikan,

dan dibagi untuk menghasilkan bilangan-bilangan lainnya, maka dapat juga diber-
lakukan operasi yang serupa pada fungsi. Pada bagian berikut ini, kita akan
membahas mengenai operasi-operasi pada fungsi.
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)
Domain-domain dari fungsi f + g, f − g dan f · g didefinisikan sebagai irisan dari

domain-domain f dan g, sedangkan domain dari f /g adalah irisan dari domain-
domain f dan g kecuali pada titik-titik yang menyebabkan g(x) = 0.
Contoh 1.12
Misal diberikan dua buah fungsi sebagai berikut:
√
f (x) = 1 + x − 2 dan g(x) = x − 1
Dapatkan fungsi (f + g)(x), (f − g)(x), (f · g)(x), dan (f /g)(x) serta tentukan

domain dari masing-masing fungsi tersebut.
Pembahasan:
√ √
• (f + g)(x) = f (x) + g(x) = (1 + x − 2) + (x − 1) = x + x − 2
√ √
• (f − g)(x) = f (x) − g(x) = (1 + x − 2) − (x − 1) = 2 − x + x − 2
√
• (f · g)(x) = f (x) · g(x)
√
= (1 + x − 2) · (x − 1)
• (f /g)(x) = fg(x)
(x)
= 1+x−1 x−2
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
1.2.2 Limit dan Kontinuitas

Limit dapat digunakan untuk menggambarkan bagaimana perilaku suatu fungsi
jika variabel bebas bergerak menuju suatu nilai tertentu. Sebagai contoh, misal
diberikan fungsi f (x) = cosx x dengan x dalam radian. Meskipun fungsi ini
tidak terdefinisi di x = 0, tetapi perilaku fungsi ini dapat dilihat jika x bergerak
sepanjang sumbu x menuju 0 tanpa benar-benar sampai pada nilai x = 0.
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.
Berikut ini diberikan beberapa limit dasar.

(i) lim k = k, di mana k adalah suatu konstanta. Contoh: lim 5 = 5
x→a x→2
(ii) lim k = k, di mana k adalah suatu konstanta. Contoh: lim 7 = 7

x→+∞ x→+∞
(iii) lim k = k, di mana k adalah suatu konstanta. Contoh: lim 0 = 0

x→−∞ x→−∞
(iv) lim x = a. Contoh: lim x = −3

x→a x→−3
(v) lim x = +∞.

x→+∞
(vi) lim x = +∞
x→+∞
Misal diberikan lim f (x) = L1 dan lim g(x) = L2 , maka

(i) lim[f (x) + g(x)] = lim f (x) + lim g(x) = L1 + L2
(ii) lim[f (x) − g(x)] = lim f (x) − lim g(x) = L1 − L2
(iii) lim[f (x).g(x)] = lim f (x) · lim g(x) = L1 · L2

h i
(iv) lim fg(x)
(x)
= lim f (x) L1
lim g(x) = L2 , jika L2 6= 0
p p √
(v) lim n
f (x) = n lim f (x) = n L1 , untuk L1 ≥ 0 jika n adalah genap
Selanjutnya, untuk sebarang polinomial p(x) = c0 + c1 x + · · · + cn xn , dengan

c0 , c1 , · · · , cn adalah konstanta, dan sebarang bilangan riil a, maka diperoleh
lim p(x) = c0 + c1 a + · · · + cn an = p(a)

x→a
14
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
(ii) lim e−x = 0

x→+∞
2 +2x−3)
(iii) lim (x x=1 = lim (x + 3) = 4
x→1 x→1
Untuk limit yang terakhir, ingat bahwa
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.
Suatu fungsi f (x) dikatakan kontinu di titik x = c jika syarat-syarat berikut

terpenuhi:
(i) f (c) terdefinisi
(ii) lim f (x) ada

x→c
(iii) lim f (x) = f (c)

x→c
15
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
Kedua fungsi tersebut diskontinu di x = 2. Untuk fungsi f disebabkan karena

f (2) tidak terdefinisi. Sedangkan untuk fungsi g disebabkan karena g(2) = 3 dan
lim g(x) = 4, sehingga g(2) 6= lim g(x).
x→2 x→2
Jika fungsi f dan g kontinu di titik x = c maka:

(i) f + g kontinu di titik c
(ii) f − g kontinu di titik c
(iii) f · g kontinu di titik c
(iv) f /g kontinu di titik c jika g(c) 6= 0 dan diskontinu di c jika g(c) = 0
1.2.3 Turunan dari Fungsi

Interpretasi Geometrik
Turunan dari suatu fungsi f (x) di titik x = x0 adalah kemiringan dari garis
yang bersinggungan dengan grafik y = f (x) di titik (x0 , f (x0 )). Turunan dari
df
f (x) di x = x0 dinyatakan sebagai f 0 (x0 ) atau dx .
x=x0
16
Definisi Aljabar
Definisi f 0 (x0 ) secara aljabar adalah
f (x0 + h) − f (x0 ) f (x) − f (x0 )

f 0 (x0 ) = lim = lim
h→0 h x→x 0 x − x0
Berikutnya, turunan kedua dari f di x0 adalah turunan dari f 0 (x) di x0 dinyatakan
sebagai
d2 f

00 2
f (x0 ) atau f (x0 ) atau
dx2 x=x0

dn f
Turunan ke-n dinyatakan sebagai f n (x0 ) = dxn

x=x0
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
g(h(x)) g 0 (h(x)) · h0 (x)

eg(x) g 0 (x) · eg(x)
g 0 (x)
ln(g(x)) g(x)
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
g(x) = 4x, h(x) = (x2 + 1)3 , g 0 (x) = 4, h0 (x) = 3(x2 + 1)2 · 2x
maka diperoleh
f 0 (x) = 4x · 3(x2 + 1)2 · 2x + 4(x2 + 1)3 = 4(x2 + 1)2 (7x2 + 1).
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
Dengan demikian diperoleh:

x
3x/2 − 3 3 2 · 12 ln 3 1
lim = lim =
x→2 3x − 9 x→2 3x ln 3 6
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.
Integral dari f (x) adalah F (x) = 2x − 12 x2 .
Dengan demikian, diperoleh

3
32 (−1)2
Z
(2 − x) dx = F (3) − F (−1) = 6− − −2 − =4
−1 2 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 persamaan f tidak terdefinisi di x = a, atau f tidak kontinu di x = a, maka

Z b Z b
f (x) dx = lim f (x) dx.
a c→a+ c
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
Berikut ini diberikan beberapa aturan pada integral. Z ∞

(i) Untuk bilangan bulat n ≥ 0 dan bilangan riil c > 0, xn e−cx dx =
0
n!
.
cn+1
Z h(x)
(ii) Jika G(x) = f (u) du maka G0 (x) = f [h(x)] · h0 (x).
a
Z b
(iii) Jika G(x) = f (u) du maka G0 (x) = −f (x)
x
21
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)
Integral Lipat Dua

Diberikan persamaan kontinu 2 variabel, f (x, y) yang dibatasi oleh bidang persegi
x = a, x = b, y = c, y = d.
Integral lipat dua dari f (x, y) dapat dinyatakan sebagai :
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.
Selanjutnya, integral dapat ditulis menjadi

Z Z 7
41 1 4 1 u3 1 7
u · du = ·
3 u du = · 7 = u 3 (+c)
3
3 3 3 3 7
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
Oleh karena itu diperoleh

Z 1
p
2
1 x=1
2 23 1 1
x 1 − x dx = − (1 − x ) = −0 − − =
0 3 x=0 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
Kita akan menggunakan teknik pada integral parsial, yaitu

Z Z
f (x) · g (x) dx = f (x) · g(x) − f 0 (x) · g(x) dx,
0
Karena f 0 (x) = 1, maka dapat dituliskan

Z ax
eax
Z
e
f 0 (x)g(x) dx = dx = 2
a a
Oleh karena itu, diperoleh
xeax eax
Z
xeax dx = − 2 +c
a a
1.2.5 Deret Geometri dan Deret Aritmetika

Deret Geometri
a, ar, ar2 , ar3 , · · · ,
Hasil penjumlahan dari deret dengan n suku pada deret geometri adalah
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
Terdapat beberapa interpretasi mengenai definisi probabilitas. Pembahasan

mengenai probabilitas dapat melibatkan berbagai bidang keilmuan. Secara umum,
probabilitas dapat dipandang melalui dua jenis interpretasi. Interpretasi pertama,
menyatakan bahwa probabilitas merupakan tingkat kepercayaan akan suatu hal.
Hal ini dapat terjadi berdasarkan tingkat pemikiran rasional serta informasi yang
tersedia dalam penilaian probabilitas tersebut. Oleh karena itu, berdasarkan
interpretasi pertama ini, kita cukup kesulitan dalam menjelaskan konsep mengenai
probabilitas dari suatu kejadian.
Sebaliknya, interpretasi kedua menyatakan bahwa probabilitas dari suatu

kejadian merupakan frekuensi relatif dari suatu eksperimen. Hal ini bermakna
bahwa kita dapat menghitung probabilitas dari suatu kejadian berdasarkan jumlah
hasil (outcome) dari suatu eksperimen, dan selanjutnya kita membaginya dengan
total jumlah hasil yang mungkin muncul dari eksperimen tersebut. Pada pemba-
hasan di bab ini, kita akan memfokuskan pada interpretasi kedua dari probabilitas,
yaitu probabilitas merupakan frekuensi relatif dari suatu eksperimen.
2.1 Kejadian dan Ruang Probabilitas

Pada bagian ini, kita akan membahas mengenai beberapa definisi dan notasi yang
berkaitan dengan kejadian dan ruang probabilitas.
• Eksperimen adalah suatu proses untuk mendapatkan hasil observasi dari
suatu/beberapa fenomena. Sebuah kegiatan yang dilakukan pada suatu
eksperimen disebut sebagai percobaan (trial), sedangkan hasil observasi dari
percobaan tersebut dikenal sebagai hasil (outcome).
• 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}
Terlihat bahwa ruang sampel merupakan seluruh kemungkinan kombinasi antara

notasi M (muka) dan B (belakang).
• 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.
• Misalkan A dan B menyatakan kejadian. Gabungan (union) dari kejadian

A dan B, yang dinotasikan sebagai A ∪ B, merupakan gabungan dari semua
titik sampel yang berada di dalam A atau B. Catat bahwa A ∪ B sendiri juga
merupakan suatu kejadian.
• Misalkan A1 , A2 , · · · , An masing-masing adalah kejadian. Gabungan dari

kejadian A1 , A2 , · · · , An , yang dinotasikan sebagai A1 ∪ A2 ∪ · · · ∪ An =
Sn
i=1 Ai , terdiri dari semua titik sampel, paling tidak satu, di dalam Ai . Definisi
ini dapat diperluas menjadi gabungan dari kejadian yang tak terhingga.
27
• Irisan (intersection) dari kejadian A dan B, yang dinotasikan sebagai A ∩ B,

merupakan gabungan dari semua titik sampel yang berada di dalam A dan B.
Catat bahwa A ∩ B sendiri juga merupakan suatu kejadian. Selain itu, A ∩ B
juga dinyatakan sebagai A · B atau AB.
• Irisan dari kejadian A1 , A2 , · · · , An , yang dinotasikan dengan A1 ∩ A2 ∩ · · · ∩

An = ni=1 Ai , terdiri dari semua titik sampel yang terdapat di masing-masing
T
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
Jumlah nasabah yang memiliki asuransi kendaraan bermotor saja = 62 − 17 = 45

Jumlah nasabah yang memiliki asuransi jiwa saja = 37 − 17 = 20
Jadi jumlah nasabah yang hanya memiliki 1 jenis asuransi adalah 45 + 20 = 65
• 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
Berikutnya, kejadian A1 , A2 , · · · , An dikatakan saling asing jika Ai ∩ Aj = ∅

untuk semua i 6= j, dimana ∅ dinyatakan sebagai himpunan kosong dengan
tidak ada titik sampel di dalamnya. Kejadian mutually exclusive tidak dapat
terjadi secara bersamaan.
• Kejadian B1 , B2 , · · · , Bn dikatakan sebagai kejadian lengkap (exhaustive

events) jika berlaku B1 ∪ B2 ∪ · · · ∪ Bn = S. Dengan demikian gabungan dari
seluruh Bi , untuk i = 1, 2, · · · , n, membentuk ruang sampel.
• Suatu kejadian, disebut sebagai komplemen dari kejadian A, apabila kejadian

tersebut terdiri dari semua titik sampel di dalam ruang sampel, namun titik
sampel tersebut tidak terdapat di dalam A. Komplemen dari kejadian A
dinotasikan sebagai A0 atau Ac , yaitu {x : x ∈
/ A}.
• Kejadian A disebut sebagai subevent (atau subset) dari kejadian B, apabila

kejadian A terdiri dari semua titik sampel di kejadian B. Hal ini dinyatakan
sebagai A ⊂ B.
• Kejadian C1 , C2 , · · · , Cn adalah bentuk partisi dari kejadian A apabila

Sn
A = i=1 Ci dan Ci merupakan kejadian yang saling asing (mutually
exclusive).
• Hukum DeMorgan. Misalkan A, B, serta A1 , A2 , · · · , An merupakan kejadian

di dalam ruang sampel S, maka berlaku hubungan berikut:
(i) (A ∪ B)0 = A0 ∩ B 0 . Persamaan ini menyatakan kejadian bahwa A ∪ B
tidak terjadi. Dengan kata lain, hal ini sama seperti menyatakan bahwa
kejadian A tidak terjadi dan kejadian B tidak terjadi. Bentuk umum dari
persamaan ini adalah:
n
!0 n
[ \
Ai = (A1 ∪ A2 ∪ · · · ∪ An )0 = A01 ∩ A02 ∩ · · · ∩ A0n = A0i
i=1 i=1
(ii) (A ∩ B)0 = A0 ∪ B 0 . Persamaan ini menyatakan kejadian bahwa A ∩ B

tidak terjadi. Dengan kata lain, hal ini sama seperti menyatakan bahwa
kejadian A tidak terjadi atau kejadian B tidak terjadi. Bentuk umum dari
persamaan ini adalah:
n
!0 n
\ [
0 0 0 0
Ai = (A1 ∩ A2 ∩ · · · ∩ An ) = A1 ∪ A2 ∪ · · · ∪ An = A0i
i=1 i=1
29

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.
Berikutnya, kita definisikan kejadian di dalam ruang sampel S sebagai berikut:

A = {1, 2, 3} = “kejadian pelemparan mata dadu yang kurang dari 4”
B = {2, 4, 6} = “kejadian pelemparan mata dadu genap”
C = {4} = “kejadian pelemparan mata dadu 4”
D = {2} = “kejadian pelemparan mata dadu 2”
Dengan demikian dapat kita peroleh beberapa hasil sebagai berikut:

(i) A ∪ B = {1, 2, 3, 4, 6}
(ii) A ∩ B = {2}
(iii) A dan C adalah kejadian saling asing karena A ∩ C = ∅
(iv) D ⊂ B
(v) A0 = {4, 5, 6} merupakan komplemen dari kejadian A
(vi) B 0 = {1, 3, 5} merupakan komplemen dari kejadian B
(vii) A ∪ B = {1, 2, 3, 4, 6} sehingga (A ∪ B)0 = {5} = A0 ∩ B 0 (Hukum
DeMorgan)

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.
Jika B1 , B2 , · · · , Bn adalah kejadian lengkap ( ni=1 Bi = S merupakan

S
(ii)
ruang sampel), maka untuk sebarang kejadian A di dalam ruang sampel S
berlaku:
A = A ∩ (B1 ∪ B2 ∪ · · · ∪ Bn ) = (A ∩ B1 ) ∪ (A ∩ B2 ) ∪ · · · ∪ (A ∩ Bn )
Jika B1 , B2 , · · · , Bn adalah kejadian lengkap dan saling asing, maka
terbentuk partisi dari ruang sampel. Sebagai contoh, kejadian B1 =
{1, 2}, B2 = {3, 4} dan B3 = {5, 6} membentuk partisi dari ruang sampel
dari hasil pelemparan sebuah dadu.
Jika B adalah sebarang kejadian, maka B dan B 0 membentuk partisi dari
ruang probabilitas. Sehingga diperoleh:
A = A ∩ (B ∪ B 0 ) = (A ∩ B) ∪ (A ∩ B 0 )
(iii) Untuk sebarang kejadian A di dalam ruang sampel S, maka berlaku

A ∪ A0 = S, dan A ∩ A0 = ∅
(iv) A ∩ B 0 = {x : x ∈ / A dan x ∈/ B} dapat juga dinyatakan sebagai A − B,

yang terdiri dari semua titik sampel kejadian A namun tidak terdapat pada
kejadian B.
(v) Jika A ⊂ B maka A ∪ B = B dan A ∩ B = A.
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
Dari para pemegang polis ini diketahui:

(I). Pria dan medical adalah 3.000 pemegang polis.
(II). Medical dan anak-anak adalah 2.500 pemegang polis.
(III). Pria dan anak-anak adalah 3.000 pemegang polis.
(IV). Medical, pria dan anak-anak adalah 1.000 pemegang polis.
(V). Medical (melalui pemeriksaan kesehatan) adalah 5.000 pemegang polis.
(VI). Pemegang polis pria sebanyak 10.000 pemegang polis.
(VII). Pemegang polis anak-anak (Juvenile) adalah 12.000 pemegang polis.
Berapakah dari pemegang polis tersebut adalah wanita dewasa yang melalui proses
pemeriksaan kesehatan (medical)?
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
Selain itu diberikan info tambahan sebagai berikut:

Jumlah pemegang polis pria dan medical = 3.000
Jumlah pemegang polis pria non medical = 10.000 − 3.000 = 7.000
Jumlah pemegang polis wanita dan medical = 5.000 − 3.000 = 2.000
Jumlah pemegang polis medical dan anak-anak = 2.500
Jumlah pemegang polis medical dan dewasa = 5.000 − 2.500
Jumlah pemegang polis pria dan anak-anak = 3.000
Jumlah pemegang polis pria dan dewasa = 10.000 − 3.000 = 7.000
Jumlah pemegang polis wanita dan dewasa = 8.000 − 7.000 = 1.000
Jumlah pemegang polis medical, pria, anak-anak = 1.000
Jumlah pemegang polis medical, wanita, anak-anak = 2.500 − 1.000 = 1.500
Jumlah pemegang polis medical, wanita, dewasa = 2.000 − 1.500 = 500
Jadi jumlah pemegang polis yang termasuk kategori wanita, dewasa, dan
medical adalah 500

32
Contoh 2.5
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).
Berikut adalah data dari 40.000 pasien.

• 29.000 adalah perokok.
• 25.000 adalah pasien dengan kecanduan alkohol.
• 30.000 adalah pasien dengan gaya hidup tidak sehat.
• 22.000 adalah perokok dan kecanduan alkohol.
• 24.000 adalah perokok dan memiliki gaya hidup tidak sehat.
• 20.000 adalah pasien dengan kecanduan alkohol dan memiliki gaya hidup tidak
sehat.
• 20.000 adalah perokok kecanduan alkohol, dan memiliki gaya hidup tidak sehat.
Tentukan berapa banyak jumlah pasien yang perokok tetapi tidak kecanduan
alkohol.
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
2.2 Probabilitas dan Sifat-Sifat Probabilitas

Misalkan S merupakan ruang sampel dari sebuah eksperimen acak. Ukuran proba-
bilitas (probability measure) P : F → [0, 1] merupakan fungsi himpunan yang
menetapkan bilangan riil pada berbagai kejadian di dalam ruang sampel S yang
memenuhi:
(i) P[A] ≥ 0, yaitu probabilitas suatu kejadian A haruslah lebih besar atau sama
dengan 0, untuk sebarang kejadian A ∈ F.
(ii) P[S] = 1, yaitu probabilitas dari suatu kejadian yang meliputi ruang sampel
haruslah 1. Hal ini terjadi karena ruang sampel meliputi seluruh titik sampel
dari suatu eksperimen.
P∞
(iii) P[∪∞i=1 Ai ] = i=1 P[Ai ], apabila A1 , A2 , · · · , An , · · · ., masing-masing
merupakan kejadian yang saling asing di dalam ruang sampel S.
Fungsi Probabilitas pada Ruang Sampel Diskrit

Sebuah ruang sampel diskrit merupakan himpunan dari titik sampel yang
berhingga atau titik sampel yang terhitung namun tak berhingga. P[ai ] atau pi
merupakan notasi dari probabilitas bahwa titik sampel ai muncul. Setiap kali
dilakukan percobaan, maka salah satu dari titik sampel ai dengan i = 1, 2, 3, · · ·
akan muncul. Oleh karena itu, fungsi probabilitas P haruslah memenuhi kondisi
berikut ini:
(i) 0 ≤ P[ai ] ≤ 1 untuk setiap ai , di ruang sampel S
P
(ii) P[a1 ]+P[a2 ]+· · · = seluruh i P[ai ] = 1 (total probabilitas dari suatu ruang
sampel selalu sama dengan 1)
Fungsi Probabilitas Seragam

Apabila suatu ruang sampel memiliki titik sampel yang berhingga, misalkan
sejumlah k titik sampel, a1 , a2 , · · · , ak , maka fungsi probabilitas dikatakan
seragam apabila setiap titik sampel memiliki probabilitas yang sama untuk
muncul. Dengan kata lain, P[ai ] = k1 untuk setiap i = 1, 2, · · · , k.
34
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
Ruang Sampel Kontinu

Suatu eksperimen dapat memunculkan hasil (outcome) berupa sebarang bilangan
riil dalam suatu interval nilai. Ruang sampel dari hasil pada eksperimen tersebut
dikenal sebagai ruang sampel kontinu. Pada kasus ini, kita dapat mendefinisikan
probabilitas dengan menetapkan probabilitas pada suatu interval. Hal ini tentu saja
berbeda dengan konsep ruang sampel diskrit dimana kita dapat mendefinisikan
probabilitas pada sebarang titik sampel.
Beberapa Aturan yang Berkaitan dengan Probabilitas

Berikut ini adalah beberapa aturan yang berkaitan dengan probabilitas dari suatu
kejadian di dalam ruang sampel S.
(i) P[S] = 1, yaitu probabilitas dari suatu kejadian yang meliputi ruang sampel
haruslah 1. Hal ini terjadi karena ruang sampel meliputi seluruh titik sampel
dari suatu eksperimen.
35
(ii) Apabila ∅ merupakan himpunan kosong (yaitu suatu kejadian yang tidak
mungkin terjadi di dalam ruang sampel S), maka P[∅] = 0.
(iii) Untuk sebarang kejadian A, 0 ≤ P[A] ≤ 1.
(iv) Jika A ⊂ B, maka P[A] ≤ P[B].
(v) Untuk setiap kejadian A, B, dan C, maka diperoleh

P[A ∪ B] = P[A] + P[B] − P[A ∩ B]
dan
P[A∪B∪C] = P[A]+P[B]+P[C]−P[A∩B]−P[A∩C]−P[B∩C]+P[A∩B∩C]
(vi) Untuk sebarang kejadian A, maka berlaku P[A0 ] = 1 − P[A].
(vii) Untuk sebarang kejadian A dan B, maka P[A] = P[A ∩ B] + P[A ∩ B 0 ].
(viii) Apabila kejadian A dan B adalah dua median kejadian yang saling bebas
(mutually independent), maka P[A ∩ B] = P[A] · P[B].
(ix) Jika kejadian A1 , A2 , · · · , An adalah kejadian yang saling asing (mutually

exclusive) maka
"n # n
[ X
P A1 = P[A1 ∪A2 ∪· · ·∪An ] = P[A1 ]+P[A2 ]+· · ·+P[An ] = P[A1 ]
i=1 i=1
(x) Untuk kejadian B1 , B2 , · · · , Bn , P[∪ni=1 Bi ] = 1. Apabila B1 , B2 , · · · , Bn

adalah kejadian lengkap dan saling asing, maka terbentuk partisi dari
seluruh ruang sampel, dan untuk sebarang kejadian A berlaku
Xn
P[A] = P[A ∩ B1 ] + P[A ∩ B2 ] + · · · + P[A ∩ Bn ] = P[A ∩ Bi ]
i=1
(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
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
P[C1 ∪ C2 ] = P[C1 ] + P[C2 ] − P[C1 ∩ C2 ]

1 = 0, 7 + 0, 5 − P[C1 ∩ C2 ]
⇒ P[C1 ∩ C2 ] = 1, 2 − 1 = 0, 2
Contoh 2.8
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
Kita akan menghitung P[A0 ∩ B 0 ]

P[A0 ∩ B] = P[B] − P[A ∩ B] = (0, 20) − (0, 096) = 0, 104
P[A0 ∩ B 0 ] = P[A0 ] − P[A0 ∩ B] = (0, 36) − (0, 104) = 0, 256 ≈ 0, 26
Contoh 2.9
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;
P[Sistem Tidak Gagal] = P[K10 ] + P[K1 ] · P[K20 ] + P[K1 ] · P[K2 ] · P[K30 ]

= 0, 98 + (0, 02)(0, 96) + (0, 02)(0, 04)(0, 94)
= 0, 999952
= 0, 99995
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:
P[A ∪ B] = P[A] + P[B] − P[A ∩ B]

P[A ∪ B] = P[A] + P[B] − P[A] · P[B]
0, 85 = 0, 75 + x − 0, 75x
0, 10 = 0, 25x
x = 0, 4
Jadi P[B] = x = 0, 4.
Contoh 2.11
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:
P[A0 ∪ B 0 ∪ C] = 1 − P[A0 ∪ B 0 ∪ C]0

= 1 − P[A ∩ B ∩ C 0 ]
= 1 − (0, 6)(0, 4)(0, 8)
= 1 − 0, 192
= 0, 808

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
(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
Diketahui bahwa P[A ∪ B] = 0, 9; P[A0 ] = 0, 2 ⇒ P[A] = 0, 8; dan A

independen terhadap B.
Kita akan menghitung P[B]. Misalkan P[B] = λ maka kita peroleh:
P[A ∪ B] = P[A] + P[B] − P[A ∩ B]

P[A ∪ B] = P[A] + P[B] − P[A] · P[B]
0, 9 = 0, 8 + λ − 0, 8λ
0, 1 = 0, 2λ
λ = 0, 5
Jadi P[B] = λ = 0, 5
Contoh 2.14
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.
Diketahui bahwa P[M ] = 0, 2 → P[M 0 ] = 0, 8

dan P[K] = 0, 75 → P[K 0 ] = 0, 25.
Dengan demikian kita peroleh bahwa probabilitas mahasiswa hanya memperoleh

tepat satu nilai A pada salah satu pelajaran adalah:
P[M ] · P[K 0 ] + P[M 0 ] · P[K] = (0, 2)(0, 25) + (0, 8)(0, 75) = 0, 65

41
Contoh 2.15
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 ].
Pertama akan dihitung nilai P[X] dan P[Y ], yaitu:
P[X ∩ Y ] = P[X] · P[Y ]

= 2P[Y ] · P[Y ]
= 2(P[Y ])2
= 0, 15
Dengan demikian diperoleh P[Y ] = 0, 27386 dan P[X] = 0, 54772.
Berikutnya akan dihitung P[X 0 ∩ Y 0 ], yaitu:
P[X 0 ∩ Y 0 ] = P[X 0 ] · P[Y 0 ]

= (1 − P[X]) (1 − P[Y ])
= (1 − 0, 54772)(1 − 0, 27386)
= (0, 45228)(0, 72614)
42
= 0, 32842
≈ 0, 33

Contoh 2.16
Diberikan bahwa P[A ∪ B] = 0, 7 dan P[A ∪ B 0 ] = 0, 9, tentukan P[A].
Pembahasan:
P[A ∪ B]0 = 1 − P[A ∪ B]

P[A0 ∩ B 0 ] = 1 − 0, 7
= 0, 3
P[A ∪ B 0 ]0 = 1 − P[A ∪ B 0 ]
P[A0 ∩ B] = 1 − 0, 9
= 0, 1
P[A] = 1 − P[A0 ∩ B 0 ] − P[A0 ∩ B]

= 1 − (0, 3 + 0, 1)
= 0, 6
Contoh 2.17
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.
Diketahui bahwa pn+1 = 15 pn , dengan n ≥ 0

• untuk n = 0, diperoleh p1 = 51 p0
• untuk n = 1, diperoleh p2 = 51 p1 = 51 ( 15 p0 ) = ( 51 )2 p0
• untuk n = 2, diperoleh p3 = ( 15 )3 p0
• untuk n = n, diperoleh pn+1 = ( 15 )n+1 p0
∞ 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
2.3 Prinsip Kombinatorika

2.3.1 Notasi Faktorial
Notasi faktorial merupakan notasi operasi hitung yang ditandai dengan tanda seru
(!). Notasi ini menandakan bahwa perhitungan yang harus dilakukan adalah
mengalikan semua bilangan asli dari bilangan paling besar sampai dengan bilangan
satu dan dinotasikan sebagai berikut:
n! = n(n − 1)(n − 2) · · · 2 · 1
0! didefinisikan sama dengan 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:
abc, acb, bac, bca, cab, cba
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.
Dengan demikian, banyaknya cara untuk melakukan hal tersebut adalah
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.
Misalkan diberikan n objek, dimana n1 adalah jumlah objek tipe 1, n2 adalah

jumlah objek tipe 2, · · · , dan nt adalah jumlah objek tipe t (t ≥ 1 adalah bilangan
bulat) dan n = n1 + n2 + · · · + nt . Banyaknya cara untuk menyusun semua n
objek tersebut (dimana objek dari tipe yang sama tidak dapat dibedakan) adalah

n n!
=
n1 n2 · · · nt n1 ! · n2 ! · . . . · nt !
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
Sehingga, banyaknya cara untuk menyusun huruf tersebut adalah
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
Diberikan n objek yang berbeda, banyaknya cara untuk mengambil himpunan

bagian dengan ukuran k ≤ n tanpa adanya pengembalian dan tanpa memper-
hatikan urutan pemilihan objek adalah

n n!
=
k k! · (n − k)!
n

k dapat dinotasikan dengan Cn,k atau C(n, k) atau n Ck , serta dibaca “n dipilih
k”. nk dapat juga disebut dengan koefisien binomial (dapat didefinisikan untuk

bilangan riil n dan bilangan bulat non-negatif k).
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
Pada saat mempertimbangkan kombinasi, urutan elemen dalam himpunan menjadi

tidak penting, sehingga {a, b} dapat dianggap sebagai kombinasi yang sama
dengan {b, a}. Pada saat mempertimbangkan permutasi, urutan dari elemennya
sangat penting, sehingga {a, b} adalah permutasi yang berbeda dengan {b, a}.
Contoh 2.23
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.
Kemungkinan kedua kaos berwarna putih adalah
6 C2 · 4 C0 1
P[P = 2] = =
10 C2 3
Kemungkinan kedua kaos berwarna hitam adalah
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
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
6 C3 (5)(4)(3) = 20(60) = 1200
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
2.3.4 Teorema Binomial

Nama “koefisien binomial” bermula dari fakta bahwa faktor-faktor ini sebagai
koefisien dalam “ekspansi binomial”. Misalnya,
(x + y)3 = x3 + 3x2 y + 3xy 2 + y 3

3 3 0 3 3−1 1 3 3−2 2 3 3−3 3
= x y + x y + x y + x y
0 1 2 3
Bentuk umum dari ekspansi ini ditemukan dalam teorema binomial yang akan
dibahas berikut ini.
Pada ekspansi deret (1 + t)N , koefisien dari tk adalah Nk , sehingga

∞
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.
Untuk setiap bilangan bulat positif n dan k = 1, 2, 3, · · · , n, maka berlaku

n n−1 n−1
= +
k k k−1
Apabila diberikan n objek dimana n1 adalah jumlah objek tipe 1, n2 adalah jumlah
objek tipe 2, · · · , dan nt adalah jumlah objek tipe t (t ≥ 1 adalah bilangan bulat)
dan n = n1 + n2 + · · · + nt , maka banyaknya cara untuk mengambil himpunan
bagian yang berukuran k ≤ n (tanpa pengembalian) dengan k1 objek dari tipe 1,
k2 objek dari tipe 2, · · · , dan kt objek dari tipe t, dimana k = k1 + k2 + · · · + kt
adalah
n1 n2 nt
· · ... ·
k1 k2 kt
Bentuk umum dari hubungan ini ditemukan dalam teorema multinomial.
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
Dengan menyubstitusikan x = −1 pada persamaan di atas, maka diperoleh

n
k n
X
0= (−1)
k
k=0
2.3.5 Teorema Multinomial

Pada ekspansi deret (t1 + t2 + · · · + ts )N dimana N adalah bilangan bulat positif,
koefisien dari t1 k1 · t2 k2 · . . . · ts ks (dimana k1 + k2 + · · · + ks = N ) adalah

N N!
=
k1 k2 · · · ks k1 ! · k2 ! · . . . · ks !
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
SOAL LATIHAN BAB 2

PROBABILITAS
1. Soal Ujian PAI Nomor 12 Periode Maret 2015

Diketahui informasi sebagai berikut dari pasien yang datang ke dokter jaga di
sebuah rumah sakit:
• 35% tidak memerlukan pemeriksaan laboratorium dan tidak memerlukan
kunjungan ke dokter spesialis
• 30% memerlukan kunjungan ke dokter spesialis
• 40% memerlukan pemeriksaan laboratorium
Hitunglah kemungkinan dari seorang pasien yang datang ke dokter jaga di
rumah sakit tersebut memerlukan pemeriksaan laboratorium dan kunjungan ke
dokter spesialis.

Diketahui kemungkinan seorang mahasiswa memperoleh nilai A pada
pelajaran matematika adalah 40%, dan kemungkinan untuk memperolah nilai
A pada pelajaran kimia adalah 70%. Bila kejadian ini saling independen,
hitunglah berapa kemungkinan seorang mahasiswa hanya memperoleh tepat
satu nilai A pada salah satu pelajaran.

Sebuah perusahaan asuransi kendaraan bermotor mempunyai portofolio
nasabah seperti di bawah ini:
• Nasabah mengasuransikan paling sedikit satu kendaraan
• 60% dari nasabah mengasuransikan lebih dari satu kendaraan
• 25% dari nasabah mengasuransikan kendaraan SUV
• 20% dari nasabah yang mengasuransikan lebih dari satu kendaraan (nomor II
di atas), mengasuransikan kendaraan SUV
Hitunglah probabilitas dari seorang nasabah yang dipilih secara acak menga-
suransikan hanya satu kendaraan dan bukan kendaraan SUV (menggunakan
Hukum DeMorgan).
54
4. Soal Ujian PAI Nomor 3 Periode Juni 2015

Diketahui informasi di bawah ini:
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?

Sebuah perusahaan asuransi kendaraan bermotor mempunyai portofolio
nasabah seperti di bawah ini:
• Nasabah mengasuransikan paling sedikit satu kendaraan
• 70% dari nasabah mengasuransikan lebih dari satu kendaraan
• 20% dari nasabah mengasuransikan kendaraan SUV
• 15% dari nasabah yang mengasuransikan lebih dari satu kendaraan (nomor II
di atas), mengasuransikan kendaraan SUV
Hitunglah probabilitas dari seorang nasabah yang dipilih secara acak menga-
suransikan hanya satu kendaraan dan bukan kendaraan SUV (menggunakan
Hukum DeMorgan).

Diketahui informasi sebagai berikut dari pasien yang datang ke dokter jaga di
sebuah rumah sakit:
• 35% tidak memerlukan pemeriksaan laboratorium dan tidak memerlukan
kunjungan ke dokter spesialis
• 30% memerlukan kunjungan ke dokter spesialis
• 40% memerlukan pemeriksaan laboratorium
Hitunglah kemungkinan dari seorang pasien yang datang ke dokter jaga di
rumah sakit tersebut memerlukan pemeriksaan laboratorium dan kunjungan ke
dokter spesialis.
55
7. Soal Ujian PAI Nomor 1 Periode November 2016

Probabilitas dari hasil suatu kunjungan ke kantor Primary Care Physician
(PCP) untuk tidak melakukan tes laboratorium atau rujukan ke spesialis adalah
35%. Dari seluruh yang datang ke kantor PCP, 30% dirujuk ke spesialis dan
40% membutuhkan tes laboratorium. Tentukan probabilitas dari hasil suatu
kunjungan ke kantor PCP adalah tes laboratorium dan rujukan ke spesialis.

Perusahaan asuransi menawarkan program kesehatan kepada pegawai-pegawai
dari suatu perusahaan besar. Sebagai bagian dari program, masing-masing
pegawai dapat memilih dua perlindungan tambahan (supplementary coverage)
A, B, C, atau tidak memilih perlindungan tambahan sama sekali.
Proporsi pegawai perusahaan yang memilih perlindungan A, B, dan C adalah
1 1 5
4 , 3 , dan 12 . Tentukan probabilitas secara acak dipilih seorang pegawai yang
tidak memilih perlindungan tambahan.

Sebuah perusahaan asuransi jiwa membuat klasifikasi calon pemegang polis
asuransi berdasarkan kriteria berikut:
• L = Pendaftar adalah laki-laki
• R = Pendaftar adalah pemilik rumah
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.
10. Soal Ujian PAI Nomor 2 Periode Mei 2017

Suatu perusahaan asuransi kendaraan bermotor memiliki 10.000 pemegang
polis. Setiap pemegang polis diklasifikasikan sebagai berikut:
• Muda atau tua;
• Pria atau wanita;
• Menikah atau lajang
56
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?

Kejadian X, Y , dan Z memenuhi persamaan berikut:
X ∩ Y 0 = φ; Y ∩ Z 0 = φ; P[X 0 ∩ Y ] = a; P[Y 0 ∩ Z] = b; P[Z] = c
Cari P[X] dalam a, b, dan c!

Berikut ini adalah pernyataan mengenai probabilitas.
i. P[A ∪ B) = P[A] + P[B] − P[A ∩ B]
ii. P[A] = P[A ∩ E] + P[A ∪ E 0 ]
iii. P[A ∪ B ∪ C] = P[A] + P[B] + P[C] − P[A ∪ B] − P[A ∪ C]
− P[B ∪ C] + P[A ∩ B ∩ C]
0
iv. P[E ] = 1 − P[E]
Pilihlah pernyataan yang benar dari beberapa pernyataan tersebut.
A. i dan ii
B. ii dan iii
C. ii dan iv
D. i , ii, dan iii
E. i , ii, iii, dan iv

Sebuah survei terhadap kebiasaan menonton pada suatu grup selama satu tahun
terakhir adalah sebagai berikut :
• 28% menonton bulu tangkis
• 29% menonton basket
• 19% menonton sepak bola
• 14% menonton bulu tangkis dan basket
• 12% menonton basket dan sepak bola
• 10% menonton bulu tangkis dan sepak bola
• 8% menonton ketiga olah raga tersebut
Hitunglah persentase dari grup yang tidak menonton ketiga olahraga tersebut
selama satu tahun terakhir. Petunjuk: Gunakan Hukum DeMorgan.
57

Seorang dokter sedang mempelajari hubungan antara tekanan darah dan
kelainan detak jantung pada pasiennya. Dia melakukan uji coba secara acak
terhadap sampel dari pasien-pasiennya dan memberikan catatan mengenai
tekanan darah mereka (tinggi, rendah, atau normal) dan detak jantung mereka
(normal atau tidak normal). Dari sampel tersebut, ditemukan data sebagai
berikut:
• 14% memiliki tekanan darah tinggi
• 22% memiliki tekanan darah rendah
• 15% memiliki detak jantung tidak normal
• Dari pasien yang memiliki detak jantung tidak normal, 1/3 nya memiliki
tekanan darah tinggi.
• Dari pasien yang memiliki tekanan darah normal, 1/8 nya memiliki detak
jantung tidak normal.
Berapa banyak bagian dari pasien yang telah dipilih tersebut memiliki detak
jantung normal dan tekanan darah rendah?

Sebuah perusahaan asuransi menentukan bahwa N adalah banyaknya klaim
1
yang diterima dalam satu minggu, dimana P[N = n] = 2n+1 dengan n ≥ 0.
Perusahaan juga mengetahui bahwa jumlah klaim yang diterima dalam satu
minggu adalah saling bebas dengan jumlah klaim pada minggu lainnya.
Tentukan probabilitas bahwa tepat 7 klaim akan diterima dalam kurun waktu 2
minggu.

Banyaknya kombinasi dari r obyek yang dipilih dari kumpulan n obyekyang

n n
berbeda diberikan oleh . Tentukanlah persamaan yang tepat dari .
k k
Pilihlah pernyataan yang tidak benar dari beberapa pernyataan tersebut.
A. nr = n−1 n−1

r−1 + r
B. nr = r−1 n
+ n−1

r
C. nr = n−2 + n−1

r−2 r
D. nr = n−1 + n−1

r−1 r−2
E. nr = n−1 n−1

r−1 + r−2
58

Misalkan pelat nomor mobil di Jakarta harus terdiri dari huruf B di
depan, diikuti dengan empat angka, kemudian tiga huruf, dengan format
B x1 x2 x3 x4 y1 y2 y3 (contoh: B 1234 SAE ), maka ada berapa kombinasi yang
mungkin? (tidak diperbolehkan selain format di atas, dengan angka maupun
huruf yang lebih sedikit)

Hitunglah berapa banyak kombinasi huruf terdiri dari tiga kata yang mungkin
dibentuk (dari 26 alfabet) tanpa ada huruf yang berulang (no duplicate letter)
dan huruf tersebut harus disusun secara alphabetical.

Setiap orang yang melewati persimpangan kota ditanya bulan lahir mereka.
Diasumsikan populasi dibagi seragam berdasarkan bulan kelahirannya,
sehingga setiap orang yang lewat secara acak memiliki probabilitas yang
sama untuk lahir di bulan tertentu. Berapa minimum banyaknya orang yang
dibutuhkan, sehingga probabilitas tidak ada dua orang yang lahir di bulan yang
sama kurang dari 0,5?

Murid kelas XII mengadakan pesta perpisahan. Tiga murid bertugas untuk
membawa minuman, yaitu Indra, Joko, dan Kevin. Indra membawa 6 botol
Sprite dan 6 botol Coca-Cola di dalam kotak pendingin miliknya. Joko
membawa 20 botol Sprite dan 3 botol Coca-Cola di dalam kotak pendingin
miliknya. Kevin membawa 12 botol Coca-Cola di dalam kotak pendinginnya.
Misal semua botol minuman tersebut digabungkan ke dalam kotak pendingin
milik Joko. Apabila seseorang memilih minuman secara acak, berapakah
kemungkinan bahwa dia memilih Coca-Cola?

Sebuah kotak berisi 35 batu berlian dimana 10 dari 35 batu berlian tersebut
adalah batu berlian asli, sedangkan 25 sisanya adalah batu berlian palsu. Batu
berlian diambil secara acak dari kotak tersebut, satu per satu tanpa pengem-
balian. Berapa probabilitas bahwa tepat dua berlian palsu terpilih sebelum batu
berlian asli kedua terpilih?
59
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).
Misalkan diberikan suatu eksperimen acak yang menghasilkan ruang sampel

S, dan B ⊂ S. Pada beberapa kasus, kita bisa jadi hanya berfokus pada hasil
percobaan yang merupakan anggota dari B saja. Dengan demikian, kita akan
mempertimbangkan B sebagai ruang sampel yang baru. Untuk saat ini, anggaplah
S adalah ruang sampel berhingga dan B adalah subset dari S.
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
Berikutnya, kita dapat notasikan probabilitas A dengan syarat diberikan ruang

sampel B sebagai
P[A ∩ B]
P[A|B] =
P[B]
60
61
3.1 Probabilitas Bersyarat

Seperti yang telah dijelaskan sebelumnya, probabilitas bersyarat dari suatu
kejadian A apabila kejadian B diketahui dapat didefinisikan sebagai berikut:
P[A ∩ B]
P[A|B] =
P[B]
dengan P[B] > 0.
Probabilitas bersyarat P[A|B] yang telah didefinisikan di atas memenuhi

tiga syarat sebagai ukuran probabilitas sebagai berikut:
(i) P[A|B] > 0 untuk sebarang kejadian A
(ii) P[B|B] = 1
(iii) Apabila A1 , A2 , A3 , · · · , Ak , · · · . adalah kejadian yang saling asing
(mutually exclusive) maka
"∞ # ∞
[ X
P Ai |B = P[Ai |B]
i=1 i=1
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.
Ketika berada pada kejadian B, dapat diasumsikan bahwa kejadian B telah

terjadi sehingga B menjadi ruang sampel baru dan semua kejadian bersyarat
harus terjadi dalam kejadian B (di dalam ruang sampel baru tersebut). Dengan
demikian, apabila kita bagi dengan P[B] untuk mengukur semua probabilitas
sedemikian hingga B adalah seluruh ruang sampel, maka diperoleh
P[B|B] = 1
Dengan menggunakan aturan perkalian, persamaan dari probabilitas bersyarat

P[A|B] = P[A∩B]
P[B] dapat ditulis menjadi
P[A ∩ B] = P[A|B] · P[B]

62
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
Selanjutnya, menambahkan kedua persamaan di atas diperoleh:
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
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
(iii) Sisanya adalah pasien dengan kondisi stabil;

(iv) 40% pasien dengan kondisi kritis meninggal dunia;
(v) 10% pasien dengan kondisi serius meninggal dunia;
(vi) 1% pasien dengan kondisi stabil meninggal dunia;
Diberitahukan bahwa pasien dalam kondisi hidup, berapakah probabilitas bahwa
pasien tersebut berasal dari kategori serius pada waktu tiba di UGD? (pendekatan
2 desimal)
Pembahasan:
Misalkan:
A menyatakan pasien UGD dengan kondisi kritis.
B menyatakan pasien UGD dengan kondisi serius.
C menyatakan pasien UGD dengan kondisi stabil.
H menyatakan pasien dalam kondisi masih hidup.
M menyatakan pasien dalam kondisi sudah meninggal.
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[M ] = P[A ∩ M ] + P[B ∩ M ] + P[C ∩ M ] = 0, 04 + 0, 03 + 0, 006

= 0, 076
P[H] = 1 − P[M ] = 1 − 0, 076 = 0, 924
P[B ∩ H] = P[B] − P[B ∩ M ] = 0, 3 − 0, 03 = 0, 27
Kita akan menghitung P[B|H], yaitu:
P[B ∩ H] 0, 27
P[B|H] = = = 0, 2922 ≈ 0, 29
P[H] 0, 924
Selanjutnya, dengan melakukan manipulasi pada probabilitas suatu kejadian yang

muncul dari waktu ke waktu, maka diperoleh hubungan berikut ini:
P[B] = P[B|A] · P[A] + P[B|A0 ] · P[A0 ]

65
Hubungan di atas dapat diperoleh dengan menggunakan hukum probabilitas total.

Sebagai catatan, hubungan tersebut valid karena untuk semua kejadian A dan
B, kita mempunyai P[B] = P[B ∩ A] + P[B ∩ A0 ]. Dengan menggunakan
keterkaitan P[B ∩ A] = P[B|A] · P[A] dan P[B ∩ A0 ] = P[B|A0 ] · P[A0 ], maka
kita dapatkan persamaan tersebut. Aplikasi dari konsep ini adalah ketika suatu
percobaan memiliki dua (atau lebih) langkah.
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).
Berikutnya, kita dapat menerapkan hubungan yang dijelaskan pada pemba-

hasan sebelumnya, sehingga didapatkan:

1 1 1
P[B ∩ A] = P[B|A] · P[A] = =
2 2 4

3 1 3
P[B ∩ A0 ] = P[B|A0 ] · P[A0 ] = = .
5 2 10
Jadi,
1 3 11
P[B] = P[B ∩ A] + P[B ∩ A0 ] = + =
4 10 20

66
Contoh 3.6
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

3.2 Probabilitas Kejadian yang Saling Bebas

Dua kejadian dikatakan saling bebas atau independen (independent) jika
terjadinya kejadian yang satu tidak mempengaruhi kemungkinan terjadinya
kejadian yang lain. Jika kejadian A dan B saling bebas, maka memenuhi hubungan
berikut ini:
(i) P[A ∩ B] = P[A] · P[B]
(ii) P[A|B] = P[A] (Kejadian B tidak mempengaruhi kejadian A)
(iii) P[B|A] = P[B] (Kejadian A tidak mempengaruhi kejadian B)
67
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

Kejadian A1 , A2 , · · · , An dikatakan mutually independent jika beberapa hubungan

berikut ini terpenuhi.
(i) Jika terdapat dua kejadian misalkan Ai dan Aj maka P[Ai ∩ Aj ] = P[Ai ] ·
P[Aj ]
(ii) Jika terdapat tiga kejadian misalkan Ai , Aj dan Ak maka P[Ai ∩Aj ∩Ak ] =
P[Ai ] · P[Aj ] · P[Ak ]
(iii) begitu pun dengan kondisi empat kejadian, lima kejadian dan seterusnya.
Dengan demikian, dapat dirumuskan bahwa jika memiliki n kejadian,
misalkan A1 , A2 , · · · , An maka P[Ai ∩ Aj ∩ Ak ∩ · · · ∩ An ] = P[Ai ] ·
P[Aj ] · P[Ak ] · . . . · P[An ]
Berikut ini adalah beberapa aturan yang berhubungan dengan probabilitas

bersyarat dan kejadian yang saling bebas.
(i) P[A ∩ B] = P[B|A] · P[A] = P[A|B] · P[B], untuk semua kejadian A dan B
(ii) Jika P[A1 ∩ A2 ∩ · · · ∩ An−1 ] > 0, maka P[A1 ∩ A2 ∩ · · · ∩ An ] = P[A1 ] ·

P[A2 |A1 ] · P[A3 |A1 ∩ A2 ] · . . . · P[An |A1 ∩ A2 ∩ · · · ∩ An−1 ]
(iii) P[A0 |B] = 1 − P[A|B]
(iv) P[A ∪ B|C] = P[A|C] + P[B|C] − P[A ∩ B|C]

P[A∩B]
(v) Jika A ⊂ B, maka P[A|B] = P[B] = (P[A])/(P[B]) dan P[B|A] = 1.
(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
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 ]
P[X ∩ Y ] = P[X] · P[Y ]

0, 15 = 2P[Y ] · P[Y ]
0, 075 = (P[Y ])2
Dari sini kita dapatkan P[Y ] = 0, 27386 dan P[X] = 2P[Y ] = 0, 54772.
P[X 0 ∩ Y 0 ] = P[X 0 ] · P[Y 0 ]

= (1 − P[X])(1 − P[Y ])
= (1 − 0, 54772)(1 − 0, 27386)
= (0, 45228)(0, 72614)
= 0, 32842
≈ 0, 33

70
Contoh 3.10
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
Kemungkinan tujuh klaim akan diterima dalam periode dua minggu:
Minggu Banyak Klaim (N )

1 (N1 ) 7 6 5 4 3 2 1 0
2 (N2 ) 0 1 2 3 4 5 6 7

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
P[N = 7] = 2(P[N1 = 7] · P[N2 = 0] + P[N1 = 6] · P[N2 = 1]

+ P[N1 = 5] · P[N2 = 2] + P[N1 = 4] · P[N2 = 3])

1 1 1 1
=2 + + +
29 29 29 29
1
=
64

71
3.3 Aturan Bayes

Untuk semua kejadian A dan B dimana P[B] > 0, diperoleh
P[A ∩ B] P[B|A] · P[A]

P[A|B] = =
P[B] P[B]
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).
Untuk menyelesaikan permasalahan tersebut, kita dapat menggunakan Aturan

Bayes yang dirangkum pada tabel berikut ini:
A, apabila diketahui P[A] A0 , apabila diketahui P[A0 ]
Jika P[B|A] diketahui, maka Jika P[B|A0 ] diketahui, maka
B
Langkah 1 : Langkah 2 :
P[B ∩ A] = P[B|A] · P[A] P[B ∩ A0 ] = P[B|A0 ] · P[A0 ]
⇓ ⇓
Langkah 3 : P[B] = P[B ∩ A] + P[B ∩ A0 ]
Dengan cara yang sama kita juga bisa mendapatkan:

A, apabila diketahui P[A] A0 , apabila diketahui P[A0 ]
Jika P[B |A] diketahui, maka Jika P[B 0 |A0 ] diketahui, maka
0
B0
Langkah 1 : Langkah 2 :
P[B ∩ A] = P[B |A] · P[A] P[B ∩ A0 ] = P[B 0 |A0 ] · P[A0 ]
0 0 0
⇓ ⇓
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:
P[A ∩ B] P[A ∩ B] P[B|A] · P[A]

P[A|B] = = 0
=
P[B] P[B ∩ A] + P[B ∩ A ] P[B|A] · P[A] + P[B|A0 ] · P[A0 ]
72
Pada persamaan di langkah 4, seluruh nilai probabilitas pada bagian akhir

persamaan telah diketahui nilainya. Perhatikan bahwa pembilang merupakan
salah satu komponen dari bagian penyebut.
Soal-soal ujian keprofesian aktuaris yang melibatkan probabilitas bersyarat

dengan memanfaatkan Aturan Bayes cukup sering dijumpai. Cara menyele-
saikannya adalah dengan mengidentifikasi kejadian tanpa syarat dan kejadian
bersyarat serta probabilitasnya, kemudian kita menyelesaikannya dengan
menggunakan Aturan Bayes yang telah disebutkan sebelumnya.
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 .
Semua informasi yang dibutuhkan telah diidentifikasi. Dari tabel Aturan

Bayes yang dijelaskan sebelumnya, dapat dilakukan perhitungan dalam urutan
berikut:
73

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
Mobil Merah Mobil Hijau

Jumlah pemegang polis 400 600
Kemungkinan terjadi kecelakaan 0,10 0,05
Kemungkinan biaya klaim melebihi
batas penggantian sendiri (deductible) 0,90 0,80
bila kecelakaan timbul dari grup ini
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
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
3.4 Teorema Bayes

Pada beberapa situasi, hasil akhir dari suatu eksperimen bergantung kepada
beberapa hal yang terjadi di berbagai tahap perantara. Oleh karena itu, hal ini
dapat diatasi dengan menggunakan teorema yang lebih umum dibandingkan
Aturan Bayes yang telah dipelajari sebelumnya. Teorema inilah yang dikenal
sebagai Teorema Bayes.
Misalkan S adalah suatu himpunan dan misalkan K = {Ai }ni=1 adalah

keseluruhan himpunan bagian dari S. Dengan demikian, K disebut partisi dari S
apabila:
S = ni=1 Ai
S
(i)
(ii) Ai ∩ Aj = ∅ untuk i 6= j
Jika A1 , A2 , · · · , An membentuk sebuah partisi dari semua probabilitas dalam

ruang sampel S dan P[Ai ] 6= 0 untuk i = 1, 2, · · · , n,
75
Maka untuk sebarang kejadian B di dalam ruang sampel S berlaku:

n
X
P[B] = P[B|Ai ] · P[Ai ]
i=1
Pn
Catat bahwa P[B] = i=1 P[B|A] · P[Ai ] diperoleh berdasarkan hukum proba-
bilitas total.
Berikutnya, P[Aj |B] dapat diperoleh dengan menggunakan persamaan berikut

ini:
P[B ∩ Aj ] P[B ∩ Aj ] P[B|Aj ] · P[Aj ]

P[Aj |B] = = Pn = Pn
P[B] i=1 P[B ∩ A i ] i=1 P[B|Ai ] · P[Ai ]
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
Berikutnya akan dicari P[A1 |B], yaitu
P[B|A1 ] · P[A1 ] p · 13
P[A1 |B] = =
P[B] P[B]
76
dimana
P[B] = P[B ∩ A1 ] + P[B ∩ A2 ] + P[B ∩ A3 ]

= P[B|A1 ] · P[A1 ] + P[B|A2 ] · P[A2 ] + P[B|A3 ] · P[A3 ]
1 1 1
=p· +q· +r·
3 3 3
p+q+r
=
3
Dengan demikian diperoleh
P[B|A1 ] · P[A1 ] p · 13 p
P[A1 |B] = = p+q+r =
P[B] 3
p + q+r
Contoh 3.15
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
E[klaim|H = 1] = 12.000 · P[W = 0|H = 1] + 0 · P[W = 1|H = 1]

P[W = 0|H = 1]
= 12.000
P[H = 1]
(0, 036)
= 12.000
(0, 036) + (0, 864)
(0, 036)
= 12.000
(0, 9)
= 480
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
Suatu perusahaan asuransi mengasuransi perlindungan kecelakaan diri dan
mendapati statistik portofolio pada tahun 2015 sebagai berikut:
Probabilitas Persentase dari Total Pemegang

Kategori Umur
Kejadian Polis Asuransi
16 - 20 0,06 0,08
21 - 30 0,03 0,15
31 - 65 0,02 0,49
66 - 99 0,04 0,28
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
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
Dari sini kita peroleh:

P[K] = P[K ∩ X1 ] + P[K ∩ X2 ] + P[K ∩ X3 ] + P[K ∩ X4 ]
= 0, 0048 + 0, 0045 + 0, 0098 + 0, 0112
= 0, 0303
Kita akan menghitung P[X1 ∩ K], yaitu:

P[K ∩ X1 ] 0, 0048
P[X1 ∩ K] = = = 0, 158416 ≈ 0, 16
P[K] 0, 0303

79
SOAL LATIHAN BAB 3

PROBABILITAS BERSYARAT
DAN TEOREMA BAYES

Misalkan A, B, dan C adalah suatu peristiwa dimana P[A|C] = 0, 05 dan
P[B|C] = 0, 05. Manakah dari pernyataan di bawah ini yang benar?
A. P[A0 ∩ B 0 |C] ≥ 0, 90
B. P[A ∩ B|C] = (0, 05)2
C. P[A ∪ B|C] ≤ 0, 05
D. P[A ∪ B|C 0 ] ≥ 1 − (0, 05)2
E. Jawaban A, B, C, dan D salah

Sepasang suami istri membeli dua polis asuransi dengan premi tunggal 500
untuk setiap polis dan manfaat kematian 10.000 bila meninggal dalam 10 tahun
sejak polis diterbitkan. Pada akhir tahun ke-10, polis akan berakhir.
Diketahui kemungkinan di bawah ini:
(a) Hanya istri yang hidup paling sedikit dalam 10 tahun masa pertanggungan
adalah 2,5%.
(b) Hanya suami yang hidup paling sedikit dalam 10 tahun masa pertang-
gungan adalah 3,6%.
(c) 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?

Jumlah klaim kecelakaan yang terjadi setiap bulan pada suatu perusahaan
asuransi dimodelkan dengan variabel acak N sebagai berikut:
1
P[N = n] = ,
(n + 1)(n + 2)
untuk bilangan bulat yang tidak negatif (non-negative integers). Hitunglah

kemungkinan terjadi paling sedikit satu klaim pada suatu bulan, bila diketahui
terjadi paling banyak empat klaim selama bulan tersebut.
80

Diketahui informasi sebagai berikut:
Minuman Kesukaan
Air Kelapa Coca-Cola Susu Air Putih Kopi
Murid Wanita 2 3 ? 4 1
Murid Pria ? 1 2 0 4
Terdapat 30 murid secara keseluruhan, dengan jumlah murid pria sebanyak

12 orang. Hitunglah probabilitas kondisional (conditional probability) bahwa
murid tersebut adalah murid wanita bila diketahui minuman kesukaannya
adalah susu?

Suatu probabilitas bahwa terpilihnya seorang pria yang memiliki gangguan
pernafasan di suatu kota A ialah sebesar 0,25. Berdasarkan pengamatan
sebelumnya di kota yang sama, pria yang mempunyai gangguan pernafasan
dan merupakan perokok berisiko dua kali lebih besar dari seseorang yang tidak
mengalami gangguan pernafasan. Hitung berapa besar probabilitas bahwa
seorang pria di kota A mengalami gangguan pernafasan ternyata ialah seorang
perokok?

Salah satu pertanyaan yang sering diajukan oleh perusahaan asuransi ketika
penerimaan aplikasi polis asuransi jiwa ialah apakah pemegang polis adalah
seorang perokok atau tidak. Perusahaan asuransi mengetahui apabila proporsi
perokok di populasi umum ialah 0,3 dan asumsikan bahwa nilai ini juga
merepresentasikan proporsi perokok pada calon pemegang polis di perusahaan
tersebut. Misalkan perusahaan asuransi ini mendapatkan informasi mengenai
tingkat kejujuran dari pengajuan aplikasi sebagai berikut :
• 40% dari calon pemegang polis yang ternyata perokok mengatakan bahwa
mereka bukan perokok pada saat pengajuan aplikasi.
• Tidak ada calon pemegang polis yang bukan perokok berbohong pada saat
pengajuan aplikasi mereka.
Berapa proporsi aplikasi yang mengatakan bahwa mereka bukan perokok yang
ternyata memang bukan perokok?
81

Suatu tes darah menunjukkan hasil positif terhadap penyakit tertentu sebesar
95% saat penyakit tersebut benar-benar ada, sedangkan 0,5% saat tidak ada
penyakit tersebut. Satu persen dari populasi ini benar-benar memiliki penyakit.
Hitung probabilitas seseorang memiliki penyakit saat tes darah menunjukkan
hasil positif?

Studi terhadap kecelakaan mobil menghasilkan data sebagai berikut:
Tahun Model Proporsi Probabilitas Terlibat Kecelakaan

2010 0,16 0,05
2011 0,18 0,02
2012 0,20 0,03
Lainnya 0,46 0,04
Terjadi kecelakaan pada mobil dengan tahun model antara 2010, 2011, dan
2012. Tentukan probabilitas tahun model dari mobil yang kecelakaan adalah
2010.

A menulis surat kepada B dan tidak mendapatkan balasan. Asumsikan satu
surat, n, hilang dalam pengiriman, berapa probabilitas B menerima suratnya?
Dengan mengasumsikan B selalu membalas surat apabila ia menerima surat
tersebut

Suatu perusahaan asuransi memiliki dua lini bisnis, yaitu kendaraan bermotor
dan kebakaran. Seseorang dengan polis asuransi kebakaran dapat menambah
perluasan manfaat asuransi banjir, tapi hanya jika polis tersebut sudah
mengandung manfaat kebakaran.
82
Diberikan informasi nasabah perusahaan asuransi tersebut sebagai berikut:

(i). 80% dari seluruh nasabah memiliki polis asuransi kendaraan bermotor
(ii). 40% dari seluruh nasabah memiliki polis asuransi kebakaran
(iii). 25% nasabah dengan polis asuransi kendaraan bermotor, dan juga
memiliki polis asuransi kebakaran
(iv). 50% nasabah dengan polis asuransi kebakaran juga memiliki asuransi
banjir
(v). 50% dari nasabah dengan manfaat asuransi banjir juga memiliki polis
asuransi kendaraan bermotor
Dari nasabah dengan polis asuransi kebakaran, berapa persentase yang tidak
memiliki manfaat asuransi banjir dan kendaraan bermotor.

Sebuah polis asuransi gigi memberikan perlindungan untuk tiga prosedur, yaitu
merapikan gigi (kawat gigi), tambal gigi, dan cabut gigi. Selama masa polis,
probabilitas dari pemegang polis memerlukan perawatan gigi adalah sebagai
berikut:
- Probabilitas melakukan kawat gigi adalah 12 .
- Probabilitas melakukan kawat gigi atau tambal gigi adalah 23 .
- Probabilitas melakukan kawat gigi atau cabut gigi adalah 43 .
- Probabilitas melakukan tambal gigi dan cabut gigi adalah 18 .
Kebutuhan untuk melakukan kawat gigi adalah bersifat bebas (independen)
dari kebutuhan tambal gigi dan juga bersifat bebas dari kebutuhan cabut gigi.
Hitunglah probabilitas bahwa pemegang polis akan membutuhkan tambal gigi
atau cabut gigi selama masa polis.

Sebuah rumah sakit menerima vaksin flu dari perusahaan X sebanyak 15 dari
total vaksin dan sisanya diperoleh dari perusahaan lain. Dalam setiap pengi-
riman, terdapat banyak botol vaksin. Untuk pengiriman dari perusahaan
X, 10% dari jumlah botol vaksin tersebut tidak efektif, sedangkan untuk
perusahaan lainnya, 2% dari jumlah botol vaksin tersebut tidak efektif. Rumah
sakit melakukan pengecekan 30 botol vaksin secara acak dari sebuah pengi-
riman dan menemukan terdapat satu botol vaksin yang tidak efektif.
Berapa besar kemungkinan bahwa pengiriman tersebut berasal dari perusahaan
X? (pembulatan 2 desimal)
83

Sebuah perusahaan asuransi menerbitkan polis asuransi jiwa dalam tiga
kategori berbeda: standard, preferred, dan ultra-preferred. Pemegang polis
dari perusahaan tersebut adalah 50% standard, 40% preferred, dan 10% ultra-
preferred.
• Setiap polis standard memiliki probabilitas meninggal di tahun depan
sebesar 0,010.
• Setiap polis preferred memiliki probabilitas meninggal di tahun depan
sebesar 0,005.
• Setiap polis ultra-preferred memiliki probabilitas meninggal di tahun depan
sebesar 0,001.
• Seorang pemegang polis meninggal di tahun depan.
Berapakah probabilitas bahwa pemegang polis tersebut berasal dari polis
ultra-preferred?

Sebuah pengamatan atas kecelakaan mobil menghasilkan data sebagai berikut:
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.
15. Soal Ujian PAI Nomor 21 Periode April 2019

Sebuah perusahaan asuransi kendaraan bermotor mengasuransikan semua
pekerjaan di segala umur. Seorang aktuaris mengumpulkan datanya ke dalam
bentuk statistik berikut:
84
Probabilitas Besar Porsi

Umur pekerja
Kecelakaan Kerja Pekerja diasuransi
16 - 20 0,06 0,08
21 - 30 0,03 0,15
31 - 65 0,02 0,49
66 - 99 0,04 0,28
Seorang pekerja yang dipilih secara acak pada perusahaan asuransi tersebut
mengalami kecelakaan. Hitunglah probabilitas bahwa umur pekerja tersebut
adalah 16 - 20?

Suatu kotak mengandung empat bola merah dan enam bola putih. Kemudian
tiga buah bola diambil secara acak tanpa dikembalikan ke dalam kotak.
Berapakah probabilitas bahwa bola yang diambil adalah satu bola merah
dan dua bola putih, dimana diberikan syarat bahwa sedikitnya dua bola yang
diambil berwarna putih?

Suatu kotak berisi lima permen dan lima cokelat. Sebuah uji coba dilakukan
dengan mengambil tiga buah dari dalam kotak, tanpa adanya pengambilan.
Berapakah probabilitas untuk mendapatkan satu permen dan dua cokelat,
diketahui bahwa minimal dua di antara uji coba tersebut adalah cokelat?
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.
Secara umum, elemen-elemen di dalam S dapat dinyatakan ke dalam bentuk

angka numerik daripada hasil (outcome) pada ruang sampel seperti warna, jumlah
mata dadu, dan lain sebagainya. Untuk mendeskripsikan elemen-elemen pada
ruang sampel, lebih umum digunakan suatu fungsi (disebut sebagai variabel
random) yang dapat memetakan masing-masing elemen s dari ruang sampel S
dengan sebuah bilangan riil x.
Selanjutnya, dapat dituliskan sebuah definisi dari variabel random berdasarkan

uraian di atas yakni apabila diberikan sebuah percobaan random dengan ruang
sampel S. Kemudian, sebuah fungsi X tepat memetakan setiap elemen s di S
ke satu bilangan real sehingga X(s) = x, maka space dari X adalah set dari
bilangan-bilangan riil {x; X(s) = x, s ∈ S}, dimana s ∈ S memiliki makna
elemen dari s berada pada set S.
4.1 Variabel Random

Definisi Variabel Random X
Misalkan E adalah sebuah eksperimen dengan ruang sampelnya adalah S. Sebuah
fungsi X, disebut sebagai variabel random (random variable) apabila fungsi
tersebut memetakan setiap anggota s ∈ S dengan sebuah bilangan riil X(s).
Berdasarkan keterangan tersebut, terdapat dua buah himpunan yang melibatkan
variabel random, yaitu himpunan ruang sampel S yang bersisi titik sampel s, dan
himpunan ruang hasil RX yang merupakan seluruh nilai-nilai yang mungkin dari
X berkaitan dengan anggota pada ruang sampel S.
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}.
Kejadian C pada ruang hasil RX dan kejadian D pada ruang sampel S

adalah dua kejadian yang ekuivalen yang memenuhi:
1) Kejadian C dimana C = {0}
Karena X(AA) = 0 jika dan hanya jika X(s) = 0, maka s = {AA}. Dengan
demikian, kejadian C = {0} pada ruang hasil RX ekuivalen dengan kejadian
D = {AA} pada ruang sampel S.

Karena X(AG) = X(GA) = 1 jika dan hanya jika X(s) = 1, maka
s = {AG, GA}. Dengan demikian, kejadian C = {1} pada ruang hasil RX
ekuivalen dengan kejadian D = {AG, GA} pada ruang sampel S.

Karena X(GG) = 2 jika dan hanya jika X(s) = 2, maka s = {GG}. Dengan
demikian, kejadian C = {2} pada ruang hasil RX ekuivalen dengan kejadian
D = {GG} pada ruang sampel S.

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].
Probabilitas Dua Kejadian yang Ekuivalen

Jika C adalah kejadian dalam ruang hasil RX , maka P[C] dapat didefinisikan
sebagai P[C] = P[D], dengan D = {s ∈ S|X(s) ∈ C}
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.
4.1.1 Variabel Random Diskrit

Suatu variabel random X disebut sebagai variabel random diskrit dan dikatakan
memiliki distribusi diskrit apabila banyak nilai-nilai yang mungkin dari X,
yaitu jumlah anggota dari ruang hasil RX , berhingga atau tak berhingga
namun dapat dihitung. Nilai-nilai yang mungkin dari X dapat ditulis sebagai
x1 , x2 , x3 , · · · , xn .
88
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.
4.1.2 Variabel Random Kontinu

Suatu variabel random X disebut sebagai variabel random kontinu dan dikatakan
memiliki distribusi kontinu apabila seluruh nilai-nilai yang mungkin dari X, yaitu
anggota dari ruang hasil RX , merupakan sebuah interval pada garis bilangan real.
Untuk memahami lebih lanjut mengenai konsep variabel random kontinu, mari
kita lihat Contoh 4.5 berikut ini.
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.
4.2 Distribusi Probabilitas

Pada sebuah variabel random diskrit, nilai-nilai yang mungkin pada ruang hasilnya
merupakan bilangan bulat. Seperti yang terlihat pada Contoh 4.3, nilai-nilai dari
X adalah 0, 1, dan 2. Akan tetapi, tidak selalu nilai-nilai dari X bernilai positif.
Pada kenyataannya, dimungkinkan bahwa nilai-nilai dari X pada variabel random
diskrit memiliki tanda negatif. Apabila telah diketahui nilai-nilai pada ruang
hasil RX , maka besar probabilitas dari masing-masing nilai di ruang hasil dapat
dihitung.
Besar probabilitas tersebut diperoleh berdasarkan perhitungan besar proba-

bilitas dari titik-titik sampelnya. Hal ini telah dijelaskan sebelumnya pada
pembahasan mengenai probabilitas dua kejadian yang ekuivalen. Apabila besar
probabilitas dari masing-masing nilai di ruang hasil RX memenuhi persyaratan
tertentu, maka nilai probabilitas tersebut dinamakan fungsi probabilitas (proba-
bility function).
Pada variabel random diskrit, fungsi probabilitas dapat dinotasikan dengan

p(x), f (x), fX (x) atau px , dimana nilai ini menunjukkan besar probabilitas
bahwa nilai x muncul. Sebagai standarisasi notasi, pada bab ini, notasi p(x)
digunakan untuk menunjukkan fungsi probabilitas pada variabel random diskrit,
sedangkan f (x) digunakan untuk menunjukkan fungsi probabilitas pada variabel
random kontinu.
4.2.1 Distribusi Probabilitas Diskrit

Fungsi Probabilitas pada Variabel Random Diskrit
Jika X adalah variabel random diskrit, maka p(x) = P[X = x] untuk setiap
x di dalam range RX disebut sebagai fungsi probabilitas dari X. Nilai fungsi
probabilitas dari X, yaitu p(x) harus memenuhi sifat-sifat berikut:
90
• 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).
Bentuk umum dari fungsi probabilitas memiliki dua kemungkinan, yaitu

berupa konstanta atau berupa fungsi dari nilai variabel random.
1) Fungsi probabilitas yang berupa konstanta dapat memiliki satu nilai atau
memiliki lebih dari satu nilai. Untuk fungsi probabilitas dengan satu nilai,
artinya untuk setiap nilai pada ruang hasil RX , maka nilai fungsi probabil-
itasnya sama untuk seluruh nilai x ∈ RX . Sebagai contoh, didefinisikan
x = {−1, 0, 1, 2} merupakan seluruh nilai yang mungkin pada ruang hasil
RX . Selanjutnya, diberikan p(x) = 14 untuk seluruh x ∈ RX . Pada
contoh ini terlihat bahwa setiap nilai pada ruang hasil RX memiliki nilai
fungsi probabilitas yang sama, yaitu 14 . Untuk fungsi probabilitas dengan lebih
dari satu nilai, artinya untuk setiap nilai pada ruang hasil RX , maka masing-
masing mempunyai nilai fungsi probabilitas. Sebagai contoh, didefinisikan
x = {−1, 0, 1, 2} merupakan seluruh nilai yang mungkin pada ruang hasil
RX . Selanjutnya diberikan p(−1) = 12 , p(0) = 14 , p(1) = 16 dan p(2) = 12 1
.
Pada contoh ini terlihat bahwa setiap nilai pada ruang hasil RX memiliki nilai
fungsi probabilitas yang berbeda.
2) Fungsi probabilitas berupa fungsi dari nilai variabel random sebenarnya sama
dengan fungsi probabilitas berupa konstanta. Akan tetapi, pada bagian ini
fungsi probabilitas ditulis secara umum. Sebagai contoh, misalkan diberikan
x = {1, 2, 3, 4} merupakan seluruh nilai yang mungkin pada ruang hasil RX .
x
Selanjutnya didefinisikan p(x) = 10 untuk seluruh x ∈ RX . Dengan demikian,
1 2 3 4
didapatkan p(1) = 10 , p(2) = 10 , p(3) = 10 , dan p(4) = 10 .
Hal terpenting yang perlu dicatat berdasarkan penjelasan di atas adalah jumlah
seluruh fungsi probabilitas dari X haruslah 1.
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
Kemudian, fungsi probabilitas untuk X dapat dituliskan sebagai
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}.
Plot Probabilitas dan Histogram

Fungsi probabilitas pada variabel random diskrit dapat diilustrasikan dalam plot
probabilitas maupun histogram. Sebagai contoh, misalkan X memiliki fungsi
probabilitas p(0) = 0, 2, p(1) = 0, 4, p(2) = 0, 3, dan p(3) = 0, 1. Grafik
di bawah ini masing-masing menunjukkan plot probabilitas dan histogram dari
distribusi probabilitas untuk contoh tersebut.
92
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
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
Hitunglah P[1 ≤ x ≤ 2].

Pembahasan:
P[1 ≤ x ≤ 2] = Fx (2) − Fx (1)

3 2 1 1
= + − +
4 12 4 8
22 9
= −
24 24
13
=
24

93
4.2.2 Distribusi Probabilitas Kontinu

Fungsi Probabilitas pada Variabel Random Kontinu
Jika X adalah variabel random kontinu yang didefinisikan dalam himpunan
bilangan riil, fungsi probabilitas f (x) (selanjutnya disebut sebagai fungsi
kepadatan probabilitas / probability density function) harus memenuhi sifat-
sifat berikut:
• f (x) ≥ 0 untuk x ∈ (−∞, ∞)
R∞
• −∞ f (x) dx = 1
• Untuk setiap a dan b, dimana −∞ < a < b < ∞, maka
Z b
P[a ≤ X ≤ b] = f (x) dx
a
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.
Berdasarkan gambar di atas, P[a ≤ X ≤ b] merupakan luas daerah di bawah

kurva f (x) dari x = a sampai x = b. Pada variabel random kontinu berlaku sifat
berikut:
Jika X adalah variabel random kontinu yang didefinisikan dalam himpunan

bilangan riil, maka untuk setiap a dan b, dimana −∞ < a < b < ∞ berlaku:
P[a ≤ X ≤ b] = P[a ≤ X < b] = P[a < X ≤ b] = P[a < X < 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
a) Tentukan nilai k agar f (x) merupakan fungsi kepadatan probabilitas dari

variabel random X.
b) Hitunglah P[1 < X < 2].
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
4.3 Fungsi Distribusi Kumulatif

4.3.1 Fungsi Distribusi Kumulatif Diskrit
Apabila kita mempunyai distribusi probabilitas dari sebuah variabel random
diskrit, maka kita dapat menghitung probabilitas dari variabel random tersebut
pada suatu nilai tertentu. Nilai probabilitas dari variabel random tersebut dapat
mempunyai beberapa kemungkinan sebagai berikut:
1. P[X < a]
2. P[X ≤ a]
3. P[X > b]
4. P[X ≥ b]
5. P[a < X < b]
6. P[a ≤ X ≤ b]
7. P[a ≤ X < b]
8. P[a < X ≤ b]
dengan a dan b merupakan dua buah konstanta. Apabila kita memperhatikan
bentuk P[X ≤ a], maka bentuk umumnya dapat dituliskan sebagai P[X ≤ x].
Dalam ilmu statistika, bentuk P[X ≤ x] dikenal sebagai fungsi distribusi
kumulatif.
96
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.
Fungsi distribusi kumulatif dari variabel random diskrit dapat dinyatakan

sebagai fungsi distribusi saja. Jika variabel random X mempunyai nilai-nilai
yang berhingga yaitu x1 , x2 , x3 , · · · , xn dan masing-masing probabilitasnya
adalah p(x1 ), p(x2 ), p(x3 ), · · · , p(xn ) maka fungsi distribusinya dapat ditentukan
sebagai berikut:
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
Jadi fungsi distribusi dari X adalah:




0 , x < 0,

1

, 0 ≤ x < 1,
F (x) = 4
3


 4 ,1 ≤ x < 2


1 ,2 ≤ x

4.3.2 Fungsi Distribusi Kumulatif Kontinu

Misalkan X adalah variabel random kontinu, maka fungsi distribusi kumulatif dari
X didefinisikan sebagai
Z x
F (x) = P[X ≤ x] f (t) dt
−∞
dimana f (t) adalah fungsi kepadatan probabilitas (fungsi densitas) dari variabel
random kontinu X.
Penghitungan probabilitas dari variabel random yang mempunyai nilai dalam

bentuk interval dapat dilakukan berdasarkan fungsi probabilitas atau fungsi
kepadatan probabilitas. Nilai probabilitas tersebut, baik variabel random diskrit
maupun kontinu dapat diperoleh berdasarkan fungsi distribusi. Hal ini bisa
dilakukan dengan menggunakan formula
P[a ≤ X ≤ b] = F (b) − F (a)
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.
Variabel Random Diskrit

Misalkan bilangan riil t terletak dalam interval (b − h, b) yaitu b − h < t ≤ b,
dengan h adalah bilangan positif. Apabila h menuju nol, maka interval tersebut
akan menuju ke satu nilai, yaitu t = b dan ditulis:
lim = P[b − h < X ≤ b] = lim [Fx (b) − Fx (b − h)]

h→∞ h→∞
= Fx (b) − lim Fx (b − h)
h→∞
= Fx (b) − Fx (b−)
Variabel Random Kontinu

Jika f (x) dan F (x) masing-masing merupakan fungsi densitas dan fungsi
distribusi kumulatif dari variabel random X di x, maka:
d
f (x) = F (x)
dx
apabila hasil turunannya ada.
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
b. Fungsi hazard untuk distribusi variabel random kontinu didefinisikan sebagai

f (x) d
h(x) = = − ln[1 − F (x)]
1 − F (x) dx
c. Apabila variabel random X dan Y keduanya kontinu dan saling independen,

maka
P[a < X ≤ b] ∩ P[c < Y ≤ d] = P[a < X ≤ b] × P[c < Y ≤ d]
d. Misalkan fX (x) adalah fungsi kepadatan probabilitas dari variabel random

X dan misalkan A adalah sebarang kejadian. Fungsi kepadatan probabilitas
bersyarat dari “X bersyarat A” adalah
99

 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
Maka tentukan fungsi distribusi kumulatif F (x).

Pembahasan:
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
Jadi fungsi distribusinya adalah:



 0 ; x<0

 1
F (x) = (x3 ) ; 0 ≤ x < 2

 8

1 ; 2≤x


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,
P[0 < X ≤ 1] = F (1) − F (0)

2 1
= −
9 9
1
=
9

101
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
Probabilitas munculnya gambar yang pertama terjadi pada pelemparan yang

bernilai genap adalah:
P[X adalah bilangan genap] = P[X = 2, 4, 6, 8, · · · ]

= P[X = 2] + P[X = 4] + P[X = 6] + P[X = 8] + · · ·
1 1 1 1
= 2 + 4 + 6 + 8 + ···
2 2 2 2
1
22
= 1
1− 22
1
=
3
Probabilitas munculnya gambar yang pertama terjadi setelah pelemparan ke-k

(k = 1, 2, 3, · · · ) adalah:
P(X ≥ k) = P[X = k] + P[X = k + 1] + P[X = k + 2] + P[X = k + 3] + · · ·

1 1 1 1
= k 1 + + 2 + 3 + ···
2 2 2 2
1
= k ×2
2
1
= k−1
2
dengan k = 1, 2, 3, · · · .

102
Contoh 4.15
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.
P[X ≥ 9] = P[X = 9] + P[X = 10]

10! 9 10!
= (0, 8) (0, 2) + (0, 8)10
9!(10 − 9)! 10!(10 − 10)!
= 0, 3758096384
P[X < 9] = 1 − P[X ≥ 9]

= 1 − 0, 3758096384
= 0, 6241903616
Probabilitas salah satu kelompok menyelesaikan studi dengan sedikitnya 9

partisipan adalah
P[X ≥ 9] · P[X < 9] + P[X < 9] · P[X ≥ 9]

= 2P[X ≥ 9] · P[X < 9]
= 2(0, 3758096384)(0, 6241903616)
= 0, 4691535082
∼
= 0, 469

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

Tentukan P[0.25 < X ≤ 1.25].

Pembahasan:
1.25 0.5 1.25
4 − 2x
Z Z Z
3
P[0.25 < X ≤ 1.25] = f (x) dx = 2x dx + dx =
0.25 0.25 0.5 3 4
Karena X adalah sebuah variabel random kontinu, probabilitas P[.25 ≤ X <
1.25] akan sama dengan P[0.25 < X ≤ 1.25]. Fungsi kepadatan probabilitas
ini adalah sebuah contoh fungsi yang terdefinisi secara sepotong-sepotong.
Satu-satunya pengaruh dari ini adalah dalam mencari probabilitas dari suatu
interval yang menampung titik 12 , yang memerlukan penghitungan dengan dua
integral. Salah satu integral memiliki ujung limit kanan 12 , sedangkan integral
lainnya dimulai dengan limit kiri 12 .
Perhatikan bahwa jika fungsi kepadatan probabilitas didefinisikan sebagai

1


2x , 0<x<

 2
1

g(x) = 0 , x=
 2

 4 − 2x 1
, <x≤2


3 2
104
(fungsi kepadatan probabilitas bernilai nol ketika x = 21 ). Dengan demikian,

semua probabilitas tidak berubah (dikarenakan kedua fungsi kepadatan proba-
bilitas f dan g berbeda hanya pada satu titik, perhitungan probabilitas yang
dilakukan dengan melakukan pengintegralan fungsi kepadatan pada suatu interval
memberikan hasil yang sama untuk f dan g).
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
Didefinisikan dua variabel random:

Y = max{X1 , X2 , X3 , X4 }.
Z = min{X1 , X2 , X3 , X4 }.
Carilah fungsi kepadatan probabilitas untuk Y dan Z.
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.
(Untuk mendapatkan hasil di atas, digunakan CDF dari X, P[X ≤ y] =

Ry 2
0 2x dx = y .)
Jadi,
FY (y) = P[Y ≤ y]
= y8
→ f y(y) = FY0 (y) = 8y 7 , 0 < y < 1.
105
Untuk Z, akan dicari fungsi survivalnya (komplemen dari fungsi distribusi

kumulatif).
P[Z > z] = P[min{X1 , X2 , X3 , X4 } > z]

= P[(X1 > z) ∩ (X2 > z) ∩ (X3 > z) ∩ (X4 > z)]
= P[X1 > z] · P[X2 > z] · P[X3 > z] · P[X4 > z]
= (1 − z 2 )4 , 0 < z < 1.
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.
4.3.3 Fungsi Distribusi Kumulatif Campuran

Distribusi probabilitas campuran merupakan gabungan antara distribusi proba-
bilitas pada variabel random diskrit dan variabel random kontinu. Pada beberapa
titik, variabel random diskrit mungkin memiliki probabilitas yang bernilai lebih
dari nol dan kemudian digabungkan dengan variabel random kontinu pada suatu
selang tertentu. Pada variabel random campuran ini, ruang hasil RX adalah
kombinasi antara himpunan titik-titik diskrit dari sebuah probabilitas pada variabel
random diskrit dan interval dari sebuah probabilitas pada variabel random kontinu.
Perhatikan contoh berikut ini:



0 ; x<0
x+1

F (x) = ; 0≤x<1
 2

; 1≤x

1
106
Berdasarkan fungsi distribusi tersebut, diperoleh:

1 1
P −3 < X ≤ =F − F (−3)
2 2
3
= −0
4
3
=
4
dan
P[X = 0] = F (0) − F (0−)
1
= −0
2
1
=
2
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
F (x) = ΓFd (x) + (1 − Γ)Fc (x) dengan 0 < Γ < 1
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
SOAL LATIHAN BAB 4

VARIABEL RANDOM DAN DISTRIBUSI
PROBABILITAS

Kerugian akibat kebakaran yang terjadi dalam suatu bangunan komersial
dimodelkan oleh variabel random X dengan fungsi densitas berikut:

0, 005(20 − x) , 0 < x < 20
f (x) =
0 , x lainnya
Diberikan bahwa kerugian kebakaran melebihi 8, hitunglah probabilitas bahwa

kerugian kebakaran melebihi 16.

Fungsi kepadatan probabilitas untuk variabel random X diberikan oleh:
f (x) = k(10 + x)−2 ; 0 ≤ x < ∞
Hitunglah P[X ≤ 15].

Perusahaan A memodelkan laba bulanannya dengan variabel random yang
kontinu (continuous random variable) f . Perusahaan B mempunyai laba
bulanan dua kali lipat perusahaan A. Bila g adalah fungsi densitas dari laba
bulanan perusahaan B. Tentukanlah g(x) dimana nilainya tidak 0.

Manakah pernyataan yang benar di bawah ini mengenai variabel random diskrit
(discrete random variable):
i. Setiap variabel random diskrit memiliki distribusi probabilitas (proba-
bility distribution).
ii. Fungsi distribusi kumulatif dari variabel random diskrit membentuk ogive.
A. Hanya i yang benar
B. Hanya ii yang benar
C. Semua benar
D. Semua salah
109

Umur dari semua pemain drama pada suatu perguruan tinggi dilambangkan
dengan variabel random U dan mempunyai distribusi probabilitas kumulatif
(cumulative probability distribution) pada tabel di bawah ini:
a 17 18 19 20 21 22
F (U = a) 0 0,23 0,40 0,90 0,96 1,00
Tentukanlah distribusi probabilitas untuk U = 20.

Umur sebuah spare part mesin mempunyai distribusi kontinu (continuous
distribution) pada rentang (0, 40) dengan fungsi kepadatan probabilitas (proba-
bility density function) f , dimana f (x) adalah proporsional terhadap (10+x)−2 .
Berapakah probabilitas dari umur spare part mesin ini kurang dari 5?

Jumlah klaim kecelakaan yang terjadi setiap bulan pada suatu perusahaan
asuransi dimodelkan dengan variabel random N sebagai berikut:
1
E[N = n] =
(n + 1)(n + 2)
untuk bilangan bulat yang tidak negatif (non-negative integers) n. Hitunglah

kemungkinan terjadi paling sedikit satu klaim pada suatu bulan, bila diketahui
terjadi paling banyak empat klaim selama bulan tersebut.

Diketahui variabel random X dengan fungsi kepadatan probabilitas sebagai
berikut: Z 3 3
x
dx , 0 ≤ x ≤ 4


f (y) = 1 64

0 , lainnya
Hitunglah probabilitas dari P[1 < x ≤ 3].

Umur sebuah spare part mesin mempunyai distribusi kontinu (continuous
distribution) pada rentang (0, 40) dengan fungsi densitas probabilitas (proba-
bility density function) f , dimana f (x) adalah proporsional terhadap (10+x)−2 .
Berapakah probabilitas dari umur spare part mesin ini kurang dari 6?
110

Misalkan distribusi dari suatu fungsi kumulatif dari X untuk x > 0 ialah
sebagai berikut:
3
X xk e−x
F (x) = 1 −
k!
k=0
Bagaimana bentuk dari fungsi kepadatan probabilitas dari X untuk x > 0?

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?

Untuk sebuah variabel random berdistribusi diskrit pada bilangan bulat tidak
negatif, fungsi probabilitasnya memenuhi hubungan sebagai berikut:
1
P[0] = P[1] dan P[k + 1] = P[k], untuk k = 1, 2, 3, · · ·
k
Hitunglah P[0].

Suatu angka X dipilih secara acak dari urutan angka 2, 5, 8, · · · (urutan angka
dari 2 sampai 299) dan suatu angka lainnya yaitu Y dipilih secara acak dari
urutan angka 3, 7, 11, · · · (urutan angka dari 3 sampai 399). Setiap urutan
memiliki 100 bilangan. Hitunglah P[X = Y ].

Kerugian akibat kebakaran bangunan dimodelkan dengan sebuah variabel
random X, dengan fungsi kepadatan probabilitas sebagai berikut:

0, 05(20 − x) , untuk 0 < x < 20
f (x) =
0 , untuk lainnya
Hitunglah P[X > 16|X > 8].

111

Diketahui sebuah variabel random X dengan fungsi kepadatan probabilitas
sebagai berikut:

20x3 (1 − x) , untuk 0 ≤ x ≤ 1
f (x) =
0 , untuk lainnya
Hitunglah P[0, 4 < X ≤ 0, 7].

Kerugian yang diakibatkan oleh kebakaran pada suatu gedung dapat dimod-
elkan dengan suatu variabel random X yang memiliki fungsi densitas berikut:
 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.

Tomas membaca sebuah berita yang menyatakan bahwa 14 dari seluruh mobil
berasal dari impor dan sisanya berasal dari domestik. Tomas memutuskan untuk
menguji berita ini dengan mengamati mobil yang melewati rumahnya. Tomas
berasumsi setiap mobil yang lewat berturut-turut memiliki probabilitas 14 mobil
impor dan 34 mobil domestik.
Jika asumsi Tomas benar, carilah probabilitas bahwa Tomas akan melihat sedik-
itnya dua mobil impor yang melewati rumahnya sebelum mobil domestik yang
ketiga melewati rumahnya.
18. Diberikan fungsi kepadatan probabilitas sebagai berikut:



kx ; 0≤x<1

; 1≤x<2

k
g(x) =


−kx + 3k ; 2≤x≤3


0 ; untuk x yang lainnya

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.
5.1 Momen Variabel Random

5.1.1 Nilai Ekspektasi Variabel Random
Variabel random merupakan sebuah fungsi yang memetakan setiap anggota
s ∈ S pada ruang sampel dengan sebuah bilangan riil X(s). Sebagai hasilnya,
kita akan mendapatkan hasil berupa bilangan numerik pada ruang hasil RX .
Pada suatu percobaan random/acak, apabila dilakukan secara berulang-ulang,
sangat memungkinkan bahwa nilai-nilai yang didapatkan pada ruang hasil akan
berfluktuasi dari satu percobaan ke percobaan lainnya.
Meskipun nilai-nilai pada ruang hasil berubah-berubah, akan tetapi, dengan

semakin banyaknya percobaan yang dilakukan, maka secara rata-rata akan
diperoleh kenyataan bahwa elemen-elemen di ruang hasil menuju suatu nilai
tertentu. Sebagai contoh, apabila kita melemparkan sebuah dadu 6 sisi yang
memiliki probabilitas yang sama untuk muncul tiap sisinya, maka kemungkinan
angka yang muncul dari hasil percobaan tersebut adalah bilangan antara 1 sampai
dengan 6.
Akan tetapi, apabila kita melakukan percobaan tersebut berulang-ulang dan

apabila kita menghitung nilai rata-rata dari mata dadu yang muncul, maka kita
akan mendapatkan hasil yang mendekati suatu nilai tertentu. Nilai rata-rata
tersebut dikenal sebagai nilai ekspektasi (expected value) atau mean dari
variabel random.
113
114
Untuk variabel random X, nilai ekspektasinya dinotasikan dengan E[X] atau µX

atau µ. Mean secara umum dapat diinterpretasikan sebagai rataan dari outcomes.
Jika X adalah suatu variabel random dengan distribusi probabilitas f (x), rata-rata
atau nilai yang diperkirakan (disebut juga sebagai mean atau nilai ekspektasi) dari
X adalah: X
µ = E[X] = xf (x) ; bila X diskrit
Zx ∞
µ = E[X] = xf (x) dx ; bila X kontinu
−∞
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
Jika X adalah variabel random kontinu dengan fungsi densitas berikut:
 |x|

; untuk − 2 < x < 4
f (x) = 10
0 ; x lainnya
Hitunglah nilai ekspektasi dari X.
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
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 < ∞.
Selanjutnya, kita akan menghitung E[X], yaitu:

Z ∞
3
E[X] = x dx
0 (1 + x)4
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
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

E[X] = −2 · f (−2) + 0 · f (0) + 1 · f (1) + 3 · f (3) + 5 · f (5) + 6 · f (6)
= −2(0, 12) + 0(0, 11) + 1(0, 25) + 3(0, 28) + 5(0, 18) + 6(0, 06)
= 2, 11

117
Contoh 5.4
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
Berapakah ekspektasi keuntungan kontraktor tersebut?
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
5.1.2 Varians dan Standar Deviasi Variabel Random

Misal X adalah variabel random dengan distribusi probabilitas f (x) dan rata-rata
µ. Varians dari X adalah:
X
σ 2 = V ar(X) = E[(X − µ)2 ] = (x − µ)2 f (x) ; bila X diskrit
Zx ∞
σ 2 = V ar(X) = E[(X − µ)2 ] = (x − µ)2 f (x) dx ; bila X kontinu
−∞
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
Dapat ditunjukkan bahwa:
σ 2 = E[(X − µ)2 ] = E[X 2 ] − µ2
Karena E adalah operator linear maka:
σ 2 = E[(X − µ)2 ] = E[X 2 − 2µX + µ2 ]

= E[X 2 ] − 2µE[X] + µ2
= E[X 2 ] − 2µ2 + µ2
= E[X 2 ] − µ2
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 suatu variabel random dengan distribusi probabilitas

f (x), rata-rata atau nilai yang diperkirakan dari variabel random g(X) adalah:
X
2
σg(X) = [g(x) − µg (x)]2 f (x) ; bila X diskrit
x
Z ∞
2
σg(X) = [g(x) − µg (x)]2 f (x) dx ; bila X kontinu
−∞
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:
V ar(aX + b) = E[(aX + b) − (aµ + b)]2

= E[a2 (X − µ)2 ]
= a2 E[(X − µ)2 ]
= a2 V ar(X)
Berdasarkan teorema ini maka didapatkan standar deviasi σaX+b = |a|σX

119
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
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:
E[X] = 0(0, 45) + 1(0, 25) + 2(0, 20) + 3(0, 10) = 0, 95

E[X 2 ] = 02 (0, 45) + 12 (0, 25) + 22 (0, 20) + 32 (0, 10) = 1, 95
V ar[X] = E[X 2 ] − (E[X])2 = 1, 95 − (0, 95)2 = 1, 0475
120

V ar[Y ] = V ar[2X + 10] = 4V ar[X] = 4(1, 0475) = 4, 19
Contoh 5.7
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:
V ar[Z] = V ar[3X − Y − 5] = 9V ar[X] + V ar[Y ] = 9 + 2 = 11
Contoh 5.8
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
Untuk sebarang variabel random X, coefficient of variation dari X dapat didefin-

isikan sebagai p
σX V ar(X)
Cov(X) = =
E[X] E[X]
Contoh 5.9
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
V ar[X] = E[X 2 ] − (E[X])2

166
= − 72
3
19
=
3 r
p 19
σx = V ar[X] =
3
Dengan demikian, kita dapatkan (coefficient of variation) untuk X adalah

r
19
σX 3
Cov(X) = = = 0, 3595 = 35, 95%
E[X] 7
5.1.3 Momen Variabel Random secara Umum

Pada subbab sebelumnya, kita telah mempelajari mengenai nilai ekspektasi dan
varians dari suatu variabel random. Sebagai catatan, nilai ekspektasi merupakan
momen pertama dari variabel random. Berikutnya, untuk mendapatkan varians
dari suatu variabel random, kita memerlukan momen kedua yaitu E[X 2 ].
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

−∞
Apabila n = 1, maka E[X] disebut sebagai momen pertama dari X. Berikutnya,

apabila n = 2, maka E[X 2 ] disebut sebagai momen kedua dari X, dan seterusnya.
Pada beberapa kasus, variabel random mungkin saja tidak memiliki momen untuk
nilai n tertentu. Apabila sebuah variabel random tidak memiliki momen pada
suatu nilai n tertentu, maka dapat dikatakan bahwa variabel random tersebut tidak
memiliki momen.
123
Contoh 5.10
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
Diketahui distribusi probabilitas dari X adalah sebagai berikut:

1 3

; untuk x = 0, 1, 2, 3
f (x) = 8 x
0

; untuk x lainnya
Hitunglah µ02 (momen ke-2 dari X).

Pembahasan:
3
X
E[X 2 ] = x2 · f (x)
x=0
= 0 · f (0) + 12 · f (1) + 22 · f (2) + 32 · f (3)

2

1 3 3 1
=0· +1· +4· +9·
8 8 8 8
24
=
8
=3

124
5.2 Fungsi Pembangkit Momen

Jika X adalah variabel random, maka nilai dari fungsi pembangkit momen atau
moment generating function (MGF) dari X didefinisikan sebagai:
MX (t) = E[etX ); untuk interval − h < t < h dengan h > 0
Misalkan X adalah suatu variabel random dengan distribusi probabilitas f (x),

maka MGF dari X dapat ditulis sebagai berikut:
X
MX (t) = E[etX ] = etX f (x) ; bila X diskrit
x
Z∞
MX (t) = E[etX ] = etX f (x) dx ; bila X kontinu
−∞
Apabila diketahui sebuah variabel random X serta diberikan bahwa a, b, dan c

adalah konstanta, maka diperoleh beberapa sifat dari fungsi pembangkit momen
sebagai berikut:
i) McX (t) = MX (ct)

Bukti:
McX (t) = E[et·cX )

= E[ect·X )
= MX (ct) terbukti
ii) MX+c (t) = ect · MX (t)

Bukti:
MX+c (t) = E[et(X+c) )

= E[etX · ect )
= ect · E[etX )
= ect · MX (t) terbukti

at t
iii) M(X+a)/b (t) = e b MX
b
Bukti:
125
M(X+a)/b (t) = E[et((X+a)/b) )

= E[etX/b · eat/b )
= eat/b E[etX/b )
= eat/b (MX (t/b)) terbukti
Hubungan Antara Fungsi Pembangkit Momen dan

Momen Variabel Random
Dengan menurunkan MX (t) terhadap t maka diperoleh hubungan sebagai berikut:
1. Turunan ke-1
Apabila MX (t) diturunkan terhadap t sebanyak satu kali maka diperoleh:
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
−∞
Apabila t = 0 akibatnya M 0 (0) = E[X) = µ. Sehingga untuk MX (t)

diturunkan terhadap t sebanyak satu kali dengan t = 0 adalah ekspektasi.
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
−∞
Apabila t = 0 akibatnya M 00 (0) = E[X 2 ]. Sehingga diperoleh V ar(X) adalah

sebagai berikut:
σ 2 = E[X 2 ] − µ2 = M 00 (0) − [M 0 (0)]2
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
Hal ini dapat dituliskan sebagai berikut:
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
Akan ditentukan nilai ekspektasi dan varians dengan menggunakan MGF

dari variabel random X sebagai berikut:
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
Diperoleh M 00 (0) = 6, sehingga dapat dicari variansnya sebagai berikut:

2
σ 2 = M 00 (0) − M 0 (0)
= 6 − 22
=2
Jadi, diperoleh nilai variansnya adalah 2.
Contoh 5.13
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
V ar(X) = E[X 2 ] − (E[X])2

= 125.000.000 − (10.000)2
= 25.000.000
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
Hitunglah varians dari X.

129
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
V ar(X) = E[X 2 ] − (E[X])2

= 11 − 32
= 11 − 9
=2
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:
1. MGF akan ditentukan dari variabel random X sebagai berikut:

Z ∞
MX (t) = etX f (x) dx
Z−∞∞
1 −x
= etx e 2 dx
0 2
1 ∞ −x 1−2t
Z
= e 2 dx
2 0
1 ∞ −x 1−2t 2 1 − 2t
Z
= e 2 d(−x( ))
2 0 1 − 2t 2
1 1−2t k
= lim e−x 2 |0
1 − 2t k→∞
1 1
= ; t<
1 − 2t 2
1 1
Sehingga diperoleh MGF dari variabel random X adalah dengan t <
1 − 2t 2
2. Ekspektasi dan varians akan ditentukan dengan menggunakan MGF dari

variabel random X sebagai berikut:
dM (t)
M 0 (t) =
dt
2
=
(1 − 2t)2
2
M 0 (0) =
(1 − 2(0))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
8(1 − 2t)
=
(1 − 2t)4
8
M 00 (0) =
(1 − 2(0))3
=8
131
Diperoleh M 00 (0) = 8, sehingga dapat dicari variansnya adalah

2
σ 2 = M 00 (0) − M 0 (0)
= 8 − 22
=4
Jadi, diperoleh nilai variansnya adalah 4.
5.3 Persentil, Median, dan Modus Variabel Random

Pada subbab ini, kita akan membahas mengenai persentil, median, dan modus dari
suatu variabel random.
Persentil
Untuk 0 < p < 1, maka persentil ke-100p dari suatu distribusi variabel random X
merupakan bilangan cp yang memenuhi pertidaksamaan berikut:
P[X ≤ cp ] ≥ p dan P[X ≥ cp ] ≥ 1 − p
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
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.
Dengan demikian, kita peroleh persentil ke-90 adalah
110 + 0, 4(112 − 10) = 110, 8
Contoh 5.17
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
Tentukan modus dari distribusi kerugian tersebut.

133
Pembahasan:
d
f (x) = (F (x))
dx
x3

d 1 2
= 2x −
dx 9 3
1
= (4x − x2 ) , 0 ≤ x ≤ 3
9
Modus dari distribusi tersebut adalah x dimana f 0 (x) = 0

0 d 1 2
f (x) = (4x − x )
dx 9
1
= (4 − 2x)
9
=0
Dengan demikian, diperoleh x = 2. Jadi, modus dari distribusi adalah 2.
5.4 Pertidaksamaan Chebyshev

Misalkan u(X) adalah fungsi non negatif dari variabel random X. Jika E[u(X)]
ada, maka untuk setiap e konstanta positif berlaku:
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]
yang merupakan hasil yang diinginkan. Teorema sebelumnya adalah generalisasi

dari pertidaksamaan yang sering disebut Chebyshev. Pertidaksamaan ini sekarang
akan dibentuk.
Pertidaksamaan Chebyshev Misalkan variabel random X memiliki distribusi

probabilitas tentang apa yang kita asumsikan bahwa hasilnya ada varians yang
terbatas σ 2 . Tentu saja ini menyiratkan bahwa ada mean (rata-rata) µ.
Maka untuk setiap k > 0

1
P[|X − µ| ≥ kσ] ≤
k2
atau ekuivalen dengan bukti:
1
P[|X − µ| ≥ kσ] ≥ 1 −
k2
Dalam teorema sebelumnya ambil u(X) = (X − µ)2 dan c = k 2 σ 2 .
Kemudian kita mempunyai

E[(X − µ)2 ] σ2
P[(X − µ)2 ≥ k 2 σ 2 ] ≤ =
k2 σ2 k2 σ2
Karena pembilang dari anggota ruas kanan dari pertidaksamaan sebelumnya
adalah σ 2 , dalam persamaan dapat ditulis
1
P[|X − µ| ≥ kσ] ≤
k2
yang merupakan hasil yang diinginkan. Tentu, akan diambil jumlah k positif lebih
besar dari 1 untuk memiliki pertidaksamaan yang dicari.
135
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 ]
Kedua ruas dikali 2k, dengan k = 0

E[(X − µ)2k ]
P[|X − µ| ≥ d] = P[|Xmu|2k ≥ d2k ] ≤
d2k
sehingga E[(X − µ)2k ]
P[|X − µ| ≥ d] ≤
d2k

Contoh 5.19
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]
Hal ini berarti k = 4.

1 1 1
Dengan demikian, kita dapatkan P[|X| ≥ 8] ≤ 2 = 2 =
k 4 16

136
SOAL LATIHAN BAB 5

MOMEN DAN FUNGSI PEMBANGKIT MOMEN
VARIABEL RANDOM

Distribusi probabilitas dari ukuran klaim untuk sebuah polis asuransi diberikan
dalam tabel berikut.
Ukuran Klaim 20 30 40 50 60 70 80
Probabilitas 0,15 0,10 0,05 0,20 0,10 0,10 0,30
Tentukanlah persentase dari klaim yang terletak dalam rentang nilai satu
standar deviasi dari median ukuran klaim.

Diketahui variabel random X dengan fungsi kepadatan probabilitas sebagai
berikut:  3
x , 0≤x≤4
f (x) = 64
0 , x lainnya

Hitunglah rata-rata (mean) dari X.

Pilihlah sebuah angka Y secara acak dari 0 sampai 8, {0, 1, 2, 3, 4, 5, 6, 7, 8, }.
Manakah dari pilihan di bawah ini yang paling mendekati untuk perhitungan
coefficient of variation?
A. 48,25%
B. 50,25%
C. 52,55%
D. 56,25%
E. 64,55%

Diketahui umur suatu mesin memiliki distribusi berkelanjutan (continuous
distribution) dengan selang (0, 40) dan fungsi kepadatan probabilitas (proba-
bility density function) f (x), dimana f (x) proporsional terhadap (10 + x)−2 .
Hitunglah rata-rata (mean) dari umur mesin tersebut.
137

Diketahui distribusi probabilitas dari klaim seperti di bawah ini:
Jumlah Biaya Klaim (K) P[K]
0 0,73
2.500 ?
5.000 ?
Diketahui pula ekspektasi jumlah klaim dari sebuah kecelakaan dengan
distribusi di atas adalah 700. Hitunglah standar deviasi dari jumlah klaim
tersebut bila diketahui ada sejumlah biaya klaim.

Probabilitas bahwa seorang sopir tidak mengalami kejadian yang menyebabkan
kerugian apa pun dalam setahun ke depan adalah 90%. Diketahui sopir ini
mengalami kejadian yang menyebabkan kerugian sebesar X. Kerugian tersebut
mempunyai fungsi densitas (density function) berikut:
f (x) = 2e−2x ; 0 < x < ∞
Berapakah kerugian yang diharapkan (expected loss) pada tahun tersebut?

Seorang analis aktuaria menggunakan distribusi berikut untuk variabel random
T , lamanya waktu untuk seorang bayi yang baru lahir bertahan hidup
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)!

Misalkan Y adalah peubah acak kontinu dengan fungsi distribusi kumulatif:
(
0 , untuk y ≤ a
F (y) =
− 21 (y−a)2
1−e , y>a
dimana a adalah sebuah konstanta. Berapa nilai persentil ke-75 dari Y ?

138

Sebuah asuransi kesehatan dasar mempunyai manfaat rawat inap sebesar 100
ribu rupiah per hari sampai dengan 3 hari rawat inap dan 25 ribu rupiah per hari
setelahnya. Banyaknya hari rawat inap, X, merupakan variabel random diskrit
dengan fungsi probabilitas:
 1 (6 − k) , k = 1, 2, 3, 4, 5

P (X = k) = 15
0 , k lainnya
Berapa ekspektasi pembayaran manfaat rawat inap untuk polis asuransi ini
(ribu rupiah)?

Seorang aktuaris menentukan besar klaim untuk suatu jenis kecelakaan diri
ialah suatu variabel random X dengan fungsi pembangkit momen:
MX (t) = 1/(1 − 2500t)4
Berapa standar deviasi untuk variabel random X?

Suatu variabel random besar klaim kendaraan bermotor mempunyai informasi
sebagai berikut:
Besar Klaim 20 30 40 50 60 70 80
Probabilitas 0,15 0,10 0,05 0,20 0,1 0,1 0,3
Berapa persentase bahwa klaim yang terjadi akan berada dalam satu standar
deviasi dari rataan besar klaim?

Sebuah polis asuransi grup memberikan perlindungan asuransi kesehatan
kepada pegawai dari suatu perusahaan V , yaitu nilai klaim-klaim yang dibuat
dalam satu tahun dinyatakan dalam suatu formula V = 100.000Y , dimana Y
adalah variabel random dengan fungsi probabilitas sebagai berikut:

k(1 − y)4 , 0 < x < 1
f (y) =
0 , x lainnya
dimana k ialah suatu konstanta. Berapa probabilitas bersyarat V melebihi

40.000, diberikan V melebihi 10.000?
139

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?

Perusahaan asuransi jiwa membuat sebuah polis asuransi berjangka 1 tahun
untuk satu pasangan wiraswasta yang bepergian ke lokasi berisiko tinggi. Polis
asuransi tidak membayar apa pun jika tidak ada yang meninggal dalam tahun
tersebut; 100.000 juta rupiah, jika tepat satu dari pasangan tersebut meninggal,
dan K juta > 0, jika keduanya meninggal. Perusahaan asuransi menentukan
bahwa terdapat probabilitas minimal satu akan meninggal dalam tahun tersebut
sebesar 0,1 dan probabilitas tepat satu dari pasangan akan meninggal dalam
tahun tersebut sebesar 0,08. Diketahui standar deviasi dari pembayaran sebesar
74.000 juta. Tentukan ekspektasi pembayaran polis untuk tahun tersebut
(dalam juta rupiah).

Sebuah polis asuransi mengganti biaya perawatan gigi X, dengan manfaat
maksimal sampai dengan sebesar 250 juta rupiah. Fungsi kepadatan proba-
bilitas dari X sebagai berikut:

ce−0,004x , x≥0
f (x) =
0 , x lainnya
dengan c adalah konstanta. Hitung nilai median dari manfaat pada polis
tersebut?

Dalam polis asuransi grup, perusahaan asuransi setuju untuk membayar 100%
tagihan medis yang terjadi selama tahun tersebut dari pegawai perusahaan
hingga total maksimum sebesar satu miliar rupiah. Besar total tagihan yang
terjadi, X memiliki fungsi kepadatan probabilitas sebagai berikut:
140

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.

Perusahaan asuransi mikro menerbitkan polis asuransi kepada 32 tertanggung
dengan risiko yang saling bebas. Untuk setiap polis, probabilitas terjadinya
klaim adalah 1/6. Total besar manfaat yang diberikan saat terjadi klaim
memiliki fungsi kepadatan probabilitas sebagai berikut:

2(1 − y) , 0 < y < 1
f (y) =
0 , y lainnya
Hitung nilai ekspektasi dari total manfaat yang dibayarkan!

Dua polis asuransi jiwa, masing-masing memiliki manfaat kematian sebesar
10.000 dan premi sekaligus sebesar 500, terjual pada sepasang suami istri.
Polis berakhir pada akhir tahun kesepuluh. Probabilitas hanya istri yang
bertahan hidup paling tidak 10 tahun adalah 0,025; probabilitas hanya suami
yang bertahan hidup paling tidak 10 tahun adalah 0,01; probabilitas keduanya
bertahan hidup paling tidak 10 tahun adalah 0,96. Berapa ekspektasi dari
kelebihan premi yang dibayarkan atas klaim, diberikan suami bertahan hidup
paling tidak 10 tahun?

Misalkan X menyatakan bilangan acak kontinu dengan fungsi kepadatan
probabilitas sebagai berikut:
 |x| , − 2 ≤ x ≤ 4

f (x) = 10
0 , x lainnya
Hitung nilai ekspektasi dari X 2 .

Misalkan X1 , X2 , X3 adalah sampel acak dari distribusi diskrit dengan fungsi
probabilitas sebagai berikut:
141
2


 , x=0
3


p(x) = 1 , x=1


 3

0 , x lainnya

Tentukan fungsi pembangkit momen Y = X1 X2 X3 .

Suatu perusahaan asuransi memodelkan variabel random klaim X, untuk polis
asuransi tertentu sebagai berikut:
x P[X = x]
0 0,3
50 0,1
200 0,1
500 0,2
1000 0,2
10000 0,1
Distribusi besar klaim di atas memiliki parameter sebagai berikut:

q = probabilitas terjadi klaim tidak nol
B = Distribusi bersyarat atas besar klaim, diberikan terjadi klaim
Cari standar deviasi dari B!

Diketahui nilai data suatu percobaan adalah 70 dan 100. Tambahkan 3 nilai
data ke dalam sampel tersebut sehingga sampel tersebut memiliki rata-rata 95
dan modus 80. Cari nilai salah satu dari tiga data tambahan!

Kerugian yang terkait dengan cuaca tahunan pada suatu perusahaan asuransi
yaitu X, adalah suatu variabel random dengan fungsi kepadatan probabilitas
sebagai berikut:

2, 5(200)2,5 , untuk x ≥ 200
f (x) =
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.
Setiap variabel random memiliki karakteristik berupa fungsi kepadatan proba-

bilitas (probability density function) dan fungsi distribusi kumulatif (cumulative
distribution function). Selain itu, untuk setiap variabel random yang didefinisikan,
maka kita dapat memperoleh mean, varians, dan fungsi pembangkit momen
(moment generating function). Pada bab ini, kita akan mempelajari beberapa
jenis distribusi probabilitas diskrit yang umum digunakan, serta mengetahui
karakteristik penting dari masing-masing distribusi tersebut. Selain itu, akan
diberikan pula penjelasan mengenai hubungan di antara beberapa distribusi
probabilitas diskrit.
6.1 Distribusi Bernoulli

Percobaan Bernoulli merupakan suatu eksperimen acak, dimana hanya ada dua
kemungkinan hasil, yaitu “berhasil” atau “gagal” dengan probabilitas berhasilnya
adalah θ dan probabilitas gagal adalah 1 − θ. Misalkan kita menandai kejadian
“berhasil” sebagai S, sedangkan kejadian “gagal” sebagai F . Kita dapat mendefin-
isikan sebuah variabel random dari ruang sampel {S, F } ke dalam bilangan riil
sebagai
X(F ) = 0 dan X(S) = 1
Fungsi kepadatan probabilitas dari variabel random ini adalah
f (0) = P[X = 0] = 1 − θ
f (1) = P[X = 1] = θ
dengan θ menunjukkan probabilitas untuk berhasil.
142
143
Definisi Distribusi Bernoulli

Suatu variabel random X memiliki distribusi Bernoulli dan dikatakan sebagai
variabel random Bernoulli jika dan hanya jika fungsi kepadatan probabilitasnya
f (x) = θx · (1 − θ)1−x
untuk x = 0, 1. Kita dapat tuliskan variabel random Bernoulli sebagai
X ∼ BER(θ)
Adapun sifat-sifat dari distribusi Bernoulli adalah sebagai berikut:

i Mean distribusi Bernoulli : E[X] = θ
ii Varians distribusi Bernoulli : V ar[X] = θ(1 − θ)
iii Fungsi pembangkit momen distribusi Bernoulli : MX (t) = (1 − θ) + θet
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
V ar[X] = 1x=0 (x − E[X])2 f (x) = 1x=0 (x − θ)2 θx (1 − θ)1−x

P P
ii
= θ2 (1 − θ) + θ(1 − θ)2 = θ(1 − θ)[θ + (1 − θ)] = θ(1 − θ)
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 .
6.2 Distribusi Binomial

Distribusi Binomial merupakan distribusi yang menyatakan banyaknya kejadian
berhasil dalam n percobaan Bernoulli yang saling bebas.
Definisi Distribusi Binomial

Suatu variabel random X memiliki distribusi Binomial dan dikatakan sebagai
variabel random Binomial jika dan hanya jika fungsi kepadatan probabilitasnya
adalah sebagai berikut

n x
f (x) = θ (1 − θ)n−x
x
untuk x = 0, 1, · · · , n, dan 0 < θ < 1.
Kita dapat tuliskan variabel random Binomial sebagai X ∼ BIN (n, θ)
Contoh 6.2
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
• P[X2 ≥ 9, X1 < 9] = P[X2 ≥ 9] · P[X1 < 9]

• X1 = X2 = X
• probabilitas bahwa partisipan individual dalam satu grup mengundurkan diri
sebelum berakhirnya studi ialah sebesar θ = 0, 2
• X ∼ BIN (10, 0,2)
P[X1 ≥ 9, X2 < 9] + P[X2 ≥ 9, X1 < 9] = 2P[X ≥ 9] · P[X < 9]
P[X ≥ 9] = P[X = 9] + P[X = 10]

10 9 1 10
= (1 − 0, 2) (0, 2) + (1 − 0, 2)10 (0, 2)0
9 10
= (10)(0, 8)9 (0, 2) + (0, 8)10
= 0, 3758096
= 0, 3758
P[X < 9] = 1 − P[X ≥ 9]

= 1 − 0, 3758
= 0, 6242
P[X ≥ 9] · P[X < 9] = 2(0, 3758)(0, 6242)

= 0, 4691
∼
= 0, 469
Contoh 6.3
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)
P[X > 30] = P[X = 31] + P[X = 32]

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
P[X > 30] = 0, 1221 + 0, 0343
Contoh 6.4
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)
Kita akan menghitung

P[X ≥ 3] = P[X = 3] + P[X = 4] + P[X = 5]

5
P[X = 3] = (0, 1)3 (0, 9)2 = 0, 0081
3
147

5
P[X = 4] = (0, 1)4 (0, 9)1 = 0, 00045
4

5
P[X = 5] = (0, 1)5 = 0, 00001
5
P[X ≥ 3] = 0, 0081 + 0, 00045 + 0, 00001 = 0, 00856 ≈ 0, 0086
Adapun sifat-sifat dari distribusi Binomial adalah sebagai berikut:

i Mean distribusi Binomial : E[X] = nθ
ii Varians distribusi Binomial : V ar[X] = nθ(1 − θ)
iii Fungsi pembangkit momen distribusi Binomial : MX (t) = [(1 − θ) + θet ]n
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

0 0
MX (t) = n[(1 − θ) + θet ]n−1 θet dan E[X] = MX (0) = nθ
Berikutnya dengan cara yang sama kita peroleh

00
MX (t) = n[(1 − θ) + θet ]n−1 θet + n(n − 1)[(1 − θ) + θet ]n−2 (θet )2
dan
00
E[X 2 ] = MX (0) = n(n − 1)θ2 + nθ
Jadi, didapatkan varians dari X adalah
V ar[X] = E[X 2 ] − (E[X])2 = n(n − 1)θ2 + nθ − n2 θ2 = nθ(1 − θ)

148
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
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)
E[X] = n · θ = 5(0, 65) = 3, 25

P[X > E[X]] = P[X > 3, 25]
= P[X = 4] + P[X = 5]

5 4 5
= (0, 65) (0, 35) + (0, 65)5 (0, 35)0
4 5
= 0, 428415
≈ 0, 428
Contoh 6.7
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
Dengan menyubstitusikan nilai θ = 0, 4 ke dalam persamaan E[X], kita

peroleh n = 20. Jadi, X ∼ BIN (n = 20, θ = 0, 4). Selanjutnya, kita akan
menghitung P[X = 10], yaitu:

20
P[X = 10] = (0, 4)10 (0, 6)10 = 0, 117
10
6.3 Distribusi Poisson

Distribusi Poisson merupakan distribusi yang sering digunakan untuk memod-
elkan suatu permasalahan riil. Pertama, kita akan membahas mengenai definisi
dari distribusi Poisson.
Definisi Distribusi Poisson

Suatu variabel random X memiliki distribusi Poisson dan dikatakan sebagai
variabel random Poisson jika dan hanya jika fungsi kepadatan probabilitasnya
adalah sebagai berikut
e−λ λx
f (x) =
x!
untuk x = 0, 1, 2, · · · , dan λ adalah parameter untuk distribusi Poisson. Kita dapat

tuliskan variabel random Poisson sebagai X ∼ P OI(λ).
Contoh 6.8
−λ x
Tunjukkan bahwa fungsi yang didefinisikan sebagai f (x) = e x!λ , untuk x =
0, 1, 2, · · · , dan λ adalah parameter merupakan sebuah fungsi kepadatan proba-
bilitas (probability density function).
150
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
Adapun sifat-sifat dari distribusi Poisson adalah sebagai berikut.

i Mean distribusi Poisson : E[X] = λ
ii Varians distribusi Poisson : V ar[X] = λ
t
iii Fungsi pembangkit momen distribusi Poisson : MX (t) = eλ(e −1)
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
Berikutnya, dengan cara yang sama kita peroleh
00 t −1) t −1)
MX (t) = λet eλ(e + (λet )2 eλ(e
dan
00
E[X 2 ] = MX (0) = λ2 + λ
V ar[X] = E[X 2 ] − (E[X])2 = λ2 + λ − λ2 = λ

151
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
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
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
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
6.4 Distribusi Geometrik

Apabila X merupakan jumlah kejadian “berhasil” dalam n kali percobaan
Bernoulli yang independen, maka variabel random X ∼ BIN (n, p) dengan
p adalah probabilitas berhasil dari percobaan Bernoulli tunggal memiliki fungsi
kepadatan probabilitas

n x
f (x) = p (1 − p)n−x
x
untuk x = 0, 1, · · · , n, dan 0 < p < 1. Seperti yang telah kita bahas

pada subbab sebelumnya, variabel random tersebut mengikuti distribusi Binomial
dengan parameter n dan p.
154
Selanjutnya, kita definisikan variabel random lainnya, yaitu variabel random X

yang menyatakan keberhasilan pertama yang muncul dari serangkaian percobaan
Bernoulli yang independen. Dengan demikian, probabilitas bahwa kejadian
berhasil (keberhasilan) pertama terjadi pada percobaan ke-x adalah
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
untuk x = 1, 2, 3, · · · , dan p adalah parameter menyatakan probabilitas berhasil

pada percobaan Bernoulli tunggal.
Definisi Distribusi Geometrik

Suatu variabel random X memiliki distribusi Geometrik dan dikatakan sebagai
variabel random Geometrik jika dan hanya jika fungsi kepadatan probabilitasnya
f (x) = (1 − p)x−1 p
untuk x = 1, 2, · · · , dan p adalah parameter dari distribusi Geometrik menyatakan

probabilitas berhasil pada percobaan Bernoulli tunggal. Kita dapat tuliskan
variabel random Geometrik sebagai X ∼ GEO(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
Dengan memisalkan y = x − 1, diperoleh:

∞ ∞ ∞
X X
x−1
X
y 1
f (x) = (1 − p) p=p (1 − p) = p =1
1 − (1 − p)
x=1 x=1 y=0

155
Adapun sifat-sifat dari distribusi Geometrik adalah sebagai berikut:

i. Mean distribusi Geometrik : E[X] = p1
ii. Varians distribusi Geometrik : V ar[X] = 1−p p2
pet
iii. Fungsi pembangkit momen distribusi Geometrik : MX (t) = 1−(1−p)et ,
apabila t < − ln(1 − p)
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
0 (1 − (1 − p)et )pet + pet (1 − p)et pet

MX (t) = =
[1 − (1 − p)et ]2 [1 − (1 − p)et ]2
dan
0 1
E[X] = MX (0) =
p
Berikutnya, dengan cara yang sama kita peroleh

00 [1 − (1 − p)et ]2 pet + pet 2[1 − (1 − p)et ](1 − p)et
MX (t) =
[1 − (1 − p)et ]4
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
Perbedaan utama antara distribusi Binomial dan distribusi Geometrik adalah:

pada distribusi Binomial, jumlah percobaan telah diketahui dengan pasti yaitu
sebanyak n percobaan, sedangkan pada distribusi Geometrik, jumlah percobaan
yang dilakukan adalah variabel random dari distribusi tersebut. Hal ini terjadi
karena fokus utama pada distribusi Geometrik adalah kejadian berhasil yang
pertama kali.
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
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]
P[X = k] = p(1 − p)k−1

P[X = 6] = (0, 08)(1 − 0, 08)5
= (0, 08)(0, 92)5
= 0, 0527265
≈ 0, 053

158
6.5 Distribusi Negatif Binomial

Misalkan X menunjukkan jumlah percobaan dimana keberhasilan yang ke-r
terjadi. Pada kasus ini r adalah bilangan bulat positif yang lebih besar atau sama
dengan satu. Hal ini ekuivalen dengan mengatakan bahwa variabel random X
menunjukkan jumlah percobaan yang diperlukan untuk mendapatkan jumlah
kejadian berhasil sebanyak r kali.
Definisi Distribusi Negatif Binomial

Suatu variabel random X memiliki distribusi Negatif Binomial dan dikatakan
sebagai variabel random Negatif Binomial jika dan hanya jika fungsi kepadatan
probabilitasnya adalah sebagai berikut

x−1 r
f (x) = p (1 − p)x−r
r−1
untuk x = r, r + 1, r + 2, · · · , dan p menyatakan probabilitas untuk kejadian

berhasil pada percobaan Bernoulli tunggal. Kita dapat tuliskan variabel random
Negatif Binomial sebagai X ∼ N BIN (r, p).
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
Adapun sifat-sifat dari distribusi Negatif Binomial adalah sebagai berikut.

i. Mean distribusi Negatif Binomial : E[X] = pr
ii. Varians distribusi Negatif Binomial : V ar[X] = r(1−p)
p2
iii. Fungsi
h pembangkit
ir momen distribusi Negatif Binomial : MX (t) =
pet
1−(1−p)et apabila t < − ln(1 − p)
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
6.6 Distribusi Hipergeometrik

Pada suatu kelompok objek yang berjumlah n, dimana kita dapat mengate-
gorikannya ke dalam dua kelompok yang berbeda, sebut saja kelompok I dan
kelompok II. Misalkan bahwa jumlah objek yang terdapat di dalam kelompok I
adalah n1 , sedangkan jumlah objek yang terdapat di dalam kelompok II adalah
n2 . Berikutnya, akan diambil sebanyak r objek secara acak tanpa pengembalian
dari sekelompok objek sejumlah n tadi.
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

cara untuk memilih r − x objek dari kelompok II.
Jadi, probabilitas untuk mendapatkan x buah objek terambil dari kelompok

I dan r − x objek dari kelompok II adalah
n1 n2

x r−x
P[X = x] = n1 +n2

r
dimana x ≤ r1 , x ≤ n1 , dan r − x ≤ n2 .
Definisi Distribusi Hipergeometrik

Suatu variabel random X memiliki distribusi Hipergeometrik dan dikatakan
sebagai variabel random Hipergeometrik jika dan hanya jika fungsi kepadatan
probabilitasnya adalah sebagai berikut.
n1 n2

x r−x
f (x) = n1 +n2

r
untuk x ≤ n1 , r − x ≤ n2 , dengan n1 dan n2 adalah bilangan bulat positif. Kita

dapat tuliskan variabel random Hipergeometrik sebagai
X ∼ HY P (n1 , n2 , r)
Adapun sifat-sifat dari distribusi Hipergeometrik adalah sebagai berikut.

i. Mean distribusi Hipergeometrik : E[X] = r n1n+n 1
2
n1 +n2 −r
ii. Varians distribusi Hipergeometrik : V ar[X] = r n1n+n 1
2
n2
n1 +n2 n1 +n2 −1
162
Berikut ini adalah pembuktian dari sifat-sifat pada distribusi Hipergeometrik di

atas.
Xr
E[X] = xf (x)
x=0
r n2
X (n1 ) (r−x )
= x xn1 +n
( r ) 2
x=0
r n2
X (n1 − 1)! (r−x )
= n1 n +n
(x − 1)!(n1 − x)! ( r 2 )
1
x=1
r n1 −1
n2
x−1 (r−x)
X
= n1 n1 +n2 n +n −1
1

2
x=1 r r−1
r−1 n1 −1
n2
n1 X y r−1−y
=r n1 +n2 −1
, dimana y = x − 1
n1 + n2 r−1
y=0
n1
=r .
n1 + n2
Persamaan terakhir dapat diperoleh karena
r−1 n1 −1
n2
X y r−1−y
n1 +n2 −1
= 1.
y=0 r−1
Dengan cara yang sama, diperoleh momen kedua dari X adalah
r(r − 1)n1 (n1 − 1)

E[X(X − 1)] = .
(n1 + n2 )(n1 + n2 − 1)
Jadi, varians dari X adalah
V ar(X) = E[X 2 ] − (E[X])2

= E[X(X − 1)] + E[X] − (E[X])2
2
r(r − 1)n1 (n1 − 1) n1 n1
= +r − r
(n1 + n2 )(n1 + n2 − 1) n1 + n2 n1 + n2

n1 n2 n1 + n2 − r
=r .
n1 + n2 n1 + n2 n1 + n2 − 1
163
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
6.7 Distribusi Multinomial

Misalkan suatu percobaan memiliki sebanyak k kemungkinan hasil dengan besar
probabilitas pada masing-masing hasil adalah p1 , p2 , · · · , pk . Setiap percobaan
yang dilakukan akan menghasilkan satu kemungkinan hasil. Jika percobaan
dilakukan sebanyak n kali (masing-masing percobaan saling independen), dengan
Xi menyatakan jumlah percobaan yang dilakukan untuk mendapatkan hasil ke-i,
maka X1 + X2 + · · · + Xk = n.
Definisi Distribusi Multinomial

Suatu variabel random X memiliki distribusi Multinomial dan dikatakan sebagai
variabel random Multinomial jika dan hanya jika fungsi probabilitasnya adalah
n!
P [X1 = x1 , X2 = x2 , · · · , Xk = xk ] = p(x1 , x2 , · · · , xk ) = px1 px2 · · · pxkk
x1 !x2 ! · · · xk ! 1 2
Untuk setiap i dari i = 1 sampai dengan i = k, Xi adalah variabel random dengan

mean dan varians yang sama dengan mean dan varians pada distribusi Binomial,
yaitu E[Xi ] = npi dan V ar[Xi ] = npi (1 − pi )
165
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
SOAL LATIHAN BAB 6

DISTRIBUSI PROBABILITAS DISKRIT
Jumlah kecelakaan kendaraan bermotor yang terjadi pada suatu jalan tertentu
memiliki distribusi Poisson dengan rata-rata (mean) 5 kejadian per minggu.
Bila A adalah jumlah kejadian kecelakaan yang akan terjadi minggu depan,
hitunglah nilai tengah (median) dari A.

X adalah variabel random Binomial (Binomial Random Variable) dengan
n = 10 dan V ar[X] = (0, 25)E[X]. Berapakah probabilitas X = 7?

Sebuah perusahaan mengambil keputusan untuk mengambil perlindungan
asuransi kebakaran untuk kegiatan pengangkutan ekspor impor. Probabilitas
bahwa satu atau lebih akan terjadinya kejadian kebakaran pada suatu periode
bulan ialah 3/5 . Banyaknya kejadian kebakaran yang terjadi pada suatu bulan
diketahui saling bebas dengan banyaknya kejadian kebakaran pada bulan
lain. Hitung probabilitas bahwa setidaknya terdapat 4 bulan tidak terjadi
kejadian kebakaran sebelum bulan keempat dimana akan terjadi setidaknya
satu kejadian kebakaran!

Sebuah perusahaan asuransi kendaraan bermotor terkemuka di Jakarta menges-
timasi bahwa:
• Pada satu tahun kalender, paling banyak akan terjadi satu kali banjir di
Jakarta.
• Pada satu tahun kalender, probabilitas terjadinya banjir ialah 0,05.
• Banyaknya banjir di Jakarta pada suatu tahun diasumsikan saling bebas
terhadap tahun kalender lainnya.
Berdasarkan asumsi tersebut, berapa probabilitas terjadi banjir di Jakarta
kurang dari tiga kali selama periode 20 tahunan?

Sebuah portofolio asuransi kesehatan dipecah menjadi dua kelas, yaitu grup
dengan risiko rendah, sebanyak 75% dari total polis, dan grup dengan risiko
tinggi, sebanyak 25% dari total polis. Banyaknya klaim per tahun yang terjadi
167
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?

Suatu perusahaan melakukan perhitungan untuk asuransi gempa bumi menggu-
nakan asumsi sebagai berikut:
a. Dalam tahun kalender, paling banyak terjadi gempa bumi satu kali.
b. Dalam tahun kalender, probabilitas terjadinya gempa bumi adalah 0,05.
c. Banyaknya gempa bumi yang terjadi dalam tahun kalender saling bebas.
Menggunakan asumsi perusahaan di atas, hitung probabilitas terjadinya gempa
bumi kurang dari tiga kali dalam periode 20 tahun!

Seorang pengelola tur memiliki sebuah bus yang bisa mengakomodasi 20 turis.
Pengelola tur tersebut mengetahui bahwa ada turis yang mungkin tidak hadir,
jadi dia menjual 21 tiket. Probabilitas bahwa seorang turis tidak akan hadir
adalah 0,02, dan saling bebas terhadap turis lainnya. Setiap tiket memiliki
harga 50, dan tidak dapat dikembalikan jika turis gagal hadir.Apabila seorang
turis hadir dan tidak ada kursi yang tersedia, pengelola tur harus membayarkan
ganti rugi kepada turis tersebut.
Ganti rugi = harga tiket + 50. Berapa ekspektasi pendapatan dari pengelola
tur tersebut?

Suatu perusahaan asuransi memiliki 5 polis asuransi jiwa berjangka satu
tahun (one year term life) yang saling bebas. Nilai uang pertanggungan
dari polis adalah 100.000. Probabilitas bahwa sebuah klaim terjadi dalam
tahun tersebut untuk setiap polis adalah 0,2. Hitunglah probabilitas bahwa
perusahaan asuransi harus membayar lebih dari total ekspektasi klaim untuk
tahun tersebut. (pembulatan 2 desimal)

Jika probabilitas seseorang akan percaya pada suatu isu mengenai pelanggaran
hukum oleh politisi tertentu adalah 0,75. Hitunglah probabilitas bahwa orang
168
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

Jumlah dari giro cacat yang diperoleh sebuah bank selama 5 jam kerja adalah
suatu variabel acak yang berdistribusi Poisson dengan µ = 2. Berapa proba-
bilitas bahwa bank tersebut tidak mendapatkan giro yang cacat selama 2 jam
kerja pertama?

Berikut adalah soal untuk no.13 dan no.14.
Jika sebuah angka keluhan yang diterima dari suatu toko binatu per hari adalah
variabel acak berdistibusi Poisson dengan λ = 3, 3. Hitunglah probabilitas
bahwa toko binatu tersebut menerima 2 keluhan di hari tertentu.

Hitunglah probabilitas bahwa toko binatu tersebut menerima 5 keluhan di dua
hari tertentu.
a. 0,1420
b. 0,1699
c. 0,2008
d. 0,2919
e. 0,3192
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.
14. Misalkan X adalah variabel random Poisson dengan E[X] = ln 2. Hitunglah

E[cos(πX)].
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.
7.1 Distribusi Seragam

Misalkan X adalah variabel random yang menyatakan hasil ketika sebuah titik
dipilih secara acak dari suatu interval seragam [a, b]. Berikutnya, kita ingin
mendapatkan probabilitas dari kejadian X ≤ x, dimana titik x berada di dalam
interval tersebut. Pada variabel random kontinu, maka kita peroleh probabilitas
yang dimaksud adalah
jarak pada interval [a, x]

P[X ≤ x] =
jarak pada interval [a, b]
Dengan demikian, fungsi distribusi kumulatif (cumulative distribution

function/CDF) dapat dituliskan sebagai
x−a
F (x) = P[X ≤ x] =
b−a
untuk a ≤ x ≤ b, serta a dan b merupakan konstanta riil dengan a < b.
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.
Berikut adalah penjelasan mengenai distribusi seragam (uniform).
170
171
Definisi Distribusi Seragam

Suatu variabel random X memiliki distribusi seragam (uniform) dan merupakan
salah satu distribusi kontinu jika dan hanya jika fungsi kepadatan probabilitasnya
dinyatakan sebagai
 1

, a<x<b
f (x) = b − a
0 , untuk nilai x lainnya
dengan parameter a dan b merupakan suatu konstanta riil, serta a < b.
Fungsi distribusi kumulatif pada distribusi seragam adalah

Z x
x−a
F (x) = f (x) dx =
a x−b
Sehingga didapatkan



0 , x<a
x − a
F (x) = , a≤x≤b
x − b


1 , x>b
Berikut ini adalah beberapa sifat dari distribusi seragam.

a. Mean distribusi seragam
a+b
E[X] =
2
Catat bahwa mean dari distribusi seragam (uniform) adalah titik tengah dari
interval [a, b].
b. Varians distribusi seragam

(b − a)2
V ar[X] =
12
c. Fungsi pembangkit momen distribusi seragam

ebt − eat
MX (t) = dengan t ∈ R dan t 6= 0.
t(b − a)
Apabila t = 0, maka MX (t) = 1.
d. Momen ke-n distribusi seragam

bn+1 − an+1
E[X n ] =
(n + 1)(b − a)
172
e. Median distribusi seragam

a+b
Median =
2
Catat bahwa nilai median distribusi seragam sama dengan mean dari distribusi
seragam.
f. Probabilitas dari sub-interval [c, d] berdasarkan interval awal [a, b]

d−c
P[c ≤ X ≤ d] =
b−a
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:
V ar(X) = E[X 2 ] − (E[X])2

1 (b + a)2
= (b2 + ba + a2 ) −
3 4
173
1
= [4b2 + 4ba + 4a2 − 3a2 − 3b2 − 6ba]
12
1
= [b2 − 2ba + a2 ]
12
1
= (b − a)2 .
12
Berikutnya, kita akan membuktikan poin c, yaitu fungsi pembangkit momen

dari distribusi seragam.
M (t) = E[etX ]
Z b
1
= etx dx
a b − a
tx b
1 e
=
b−a t a
etb − eta
= .
t(b − a)
Adapun ilustrasi dari distribusi seragam (uniform), mean, dan probabilitas

subintervalnya diberikan oleh gambar berikut ini.
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
Artinya, P[X > X 2 ] = min 1, a1 .

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


x , untuk 0 ≤ x ≤ 2
f (x) = F 0 (x) = 2
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
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
Karena X ∼ U (1, a), maka kita dapatkan:
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) = P[Y ≤ y] = P[F (X) ≤ y] = P[X ≤ F −1 (y)] = F (F −1 (y)) = y
Dengan demikian, kita peroleh fungsi kepadatan probabilitas dari Y adalah
g(y) = G0 (y) = 1
7.2 Distribusi Gamma

Distribusi Gamma melibatkan notasi dari fungsi Gamma. Oleh karena itu, sebelum
kita membahas lebih jauh mengenai distribusi Gamma, maka kita kenalkan terlebih
dahulu dengan definisi dari fungsi Gamma. Fungsi Gamma, yang dinotasikan
dengan Γ(z), merupakan generalisasi dari notasi faktorial.
177
Fungsi tersebut didefinisikan sebagai

Z∞
Γ(z) = xz−1 e−x dx
0
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
Definisi Distribusi Gamma

Suatu variabel random kontinu X memiliki distribusi Gamma dan dikatakan
sebagai variabel random Gamma jika dan hanya jika fungsi kepadatan probabil-
itasnya adalah sebagai berikut:
 1 z

α
xα−1 e θ , x > 0
f (x; θ, α) = Γ(α)θ
0, untuk x yang lainnya

dengan α > 0 dan θ > 0.

Kita dapat tuliskan variabel random Gamma sebagai X ∼ GAM (θ, α).
Adapun sifat-sifat dari distribusi Gamma adalah sebagai berikut:

a. Mean distribusi Gamma: E[X] = θα
b. Varians distribusi Gamma: V ar[X] = θ2 α α
1
c. Fungsi pembangkit momen distribusi Gamma: MX (t) = 1−θt
dengan t < 1θ .
178
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
Turunan pertama dari fungsi pembangkit momen adalah

d
M 0 (t) = (1 − θt)−α
dt
= (−α)(1 − θt)−α−1 (−θ)
= αθ(1 − θt)−(α+1) .
Oleh karena itu, didapatkan momen pertama dari X adalah
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) .
Sehingga, varians dari X adalah

V ar(X) = M 00 (0) − (M 0 (0))2
= α(α + 1)θ2 − α2 θ2
= αθ2
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) =
Dengan demikian median dari X dapat diperoleh sebagai berikut

xZmed
1
= e−x dx = 1 − e−xmed → xmed = ln 2
2
0
Berikutnya, mean dari X adalah
E[X] = θα = 1
Jadi, probabilitas bahwa X berada di antara ln 2 dan 1 adalah
Z1
1 e−2
P[ln 2 ≤ X ≤ 1] = e−x dx = e− ln 2 − =
e 2e
ln 2
Contoh 7.7
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
V ar(X) = E[X 2 ] − (E[X])2

= 125.000.000 − 100.000.000
= 25.000.000
p
σx = V ar(X)
= 5.000

7.3 Distribusi Eksponensial

Distribusi eksponensial merupakan kasus khusus dari distribusi Gamma, yaitu
ketika kita ambil nilai parameter distribusi Gamma α = 1.
Definisi Distribusi Eksponensial

Suatu variabel random X memiliki distribusi eksponensial dan dikatakan sebagai
variabel random eksponensial jika dan hanya jika fungsi kepadatan probabilitasnya
 1 e− xθ

, x>0
f (x) = θ
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
Kita dapat tuliskan variabel random eksponensial sebagai X ∼ EXP (θ).
Berikut adalah beberapa sifat dari distribusi eksponensial.

a. Mean distribusi eksponensial: E[X] = θ
b. Varians distribusi eksponensial: V ar[X] = θ2
1
c. Fungsi pembangkit momen distribusi eksponensial: MX (t) = 1−θt , dengan
1
t< θ
R∞ x
d. Momen ke-k distribusi eksponensial: E[X k ] = 0 xk 1θ e− θ dx = k!θk
dengan k = 1, 2, 3, · · ·
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
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
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
Ada 100 printer terjual (100X), maka diperoleh:
E[100X] = 100E[X]
= 100(102, 589899)
= 10.255, 89899
= 10.256
7.4 Distribusi Chi-Square

Suatu variabel random X memiliki distribusi Chi-Square dan dikatakan sebagai
variabel random Chi-Square dengan derajat kebebasan (degree of freedom) r jika
dan hanya jika fungsi kepadatan probabilitasnya adalah sebagai berikut:
1

r−2 x


r
( r ) x 2 e− 2 , x > 0
f (x) = Γ 2 2 2

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
Adapun beberapa sifat-sifat dari distribusi Chi-Square adalah sebagai berikut:

a. Mean distribusi Chi-Square : E[X] = r
b. Varians distribusi Chi-Square : V ar[X] = 2r
r
1 2
c. Fungsi pembangkit momen distribusi Chi-Square : MX (t) = 1−2t
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
Dengan demikian, fungsi pembangkit momen untuk variabel random 2X adalah

2
1 1 2
MX (t) = =
1 − 2t 1 − 2t
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.
7.5 Distribusi Weibull

Suatu variabel random X memiliki distribusi Weibull dan dikatakan sebagai
variabel random Weibull jika dan hanya jika fungsi kepadatan probabilitasnya
 α xα−1 e− xθ , x > 0
α

f (x) = θ
0 , untuk x yang lainnya
Perlu diketahui bahwa, distribusi eksponensial merupakan kasus khusus dari

distribusi Weibull dengan α = 1.
Adapun beberapa sifat-sifat dari distribusi Weibull

adalah
sebagai berikut:
1 1
a. Mean distribusi Weibull: E[X] = θ α Γ 1 +
" α #
1 2

2 2
b. Varians distribusi Weibull: V ar[X] = α α Γ 1 + − 1+
α α
7.6 Distribusi Normal

Di antara seluruh distribusi probabilitas kontinu, distribusi normal merupakan
distribusi yang paling terkenal karena muncul pada banyak aplikasi. Distribusi
normal pertama kali ditemukan oleh ahli matematika asal Prancis, Abraham
DeMoivre (1667-1754). DeMoivre menulis dua buku penting.
186
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.
Definisi Distribusi Normal

Suatu variabel random X memiliki distribusi normal dan dikatakan variabel
random normal jika dan hanya jika fungsi kepadatan probabilitasnya dinyatakan
sebagai
1 x−µ 2
f (x) = √ e−1/2( σ )
σ 2π
untuk −∞ < x < ∞, −∞ < µ < ∞, dan 0 < σ 2 < ∞.
Apabila X berdistribusi normal dengan parameter µ dan σ 2 , maka kita dapat

tuliskan variabel randomnya sebagai X ∼ N (µ, σ 2 ). Grafik dari distribusi normal
berbentuk sebagai berikut:
Berikut ini adalah beberapa sifat dari distribusi normal.

a. Mean distribusi Normal: E[X] = µ
b. Varians distribusi normal: V ar[X] = σ 2 h i
σ 2 t2
c. Fungsi pembangkit momen distribusi normal: MX (t) = exp µt + 2
187
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.
Suatu variabel random X dikatakan mengikuti distribusi normal standar,

apabila variabel random tersebut memiliki mean sama dengan nol dan varians
sama dengan satu.
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
untuk −∞ < x < ∞.
Contoh 7.13
Apabila X ∼ N (0, 1), dapatkan nilai konstanta c sedemikian hingga
P[|X| ≤ c] = 0, 95.
188
Pembahasan:
0, 95 = P[|X| ≤ c] = P[−c ≤ X ≤ c] = P[X ≤ c] − P[X ≤ −c] = 2P[X ≤ c] − 1
P[X ≤ c] = 0.975
Dengan menggunakan tabel distribusi normal diperoleh nilai c yang memenuhi

adalah 1,96.
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
Apabila X ∼ N (µ, σ 2 ), maka kemudian variabel random Z = X−µ σ ∼ N (0, 1).

Pembuktian dari teorema ini dapat dilihat pada bagian di bawah ini.
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
Oleh karena itu, dapatkan
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
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]
Karena X berdistribusi normal standar (X ∼ N (0, 1)) maka
P[X ≥ 0] = 0, 5
190
Berikutnya kita akan mencari nilai integral di atas.

Z ∞ Z ∞
1 x2
xf (x) dx = √ xe− 2 dx
0 0 2π
Z ∞
1 x2
=√ xe− 2 dx
2π 0
x2
Misal y = , maka dy = x dx.
2
Dengan demikian hasil integrasi di atas menjadi

Z ∞ Z ∞
1
=√ e−y dy
0 2π 0
1 −y ∞

= √ e
2π y=0
1
=√
2π

√1
r r
2π2 4 2
E[X|X ≤ 0] = =√ = =
0, 5 2π 2π π
7.7 Distribusi Lognormal

Studi mengenai distribusi lognormal diprakarsai oleh Galton dan McAlister pada
1879. Mereka menemukan distribusi ini ketika mempelajari penggunaan mean
geometrik sebagai perkiraan lokasi. Distribusi ini dapat didefinisikan sebagai
distribusi dari variabel random dimana logaritmanya berdistribusi normal.
Pada praktiknya, distribusi ukuran organisme, distribusi spesies, distribusi

dari jumlah orang dalam kelas pendudukan sensus, distribusi bintang di alam
semesta, dan distribusi ukuran pendapatan dapat dimodelkan dengan menggu-
nakan distribusi lognormal. Distribusi lognormal digunakan dalam berbagai
bidang keilmuan meliputi biologi, astronomi, ekonomi, farmakologi dan teknik.
191
Definisi Distribusi Lognormal

Suatu variabel random X memiliki distribusi lognormal dan dikatakan sebagai
variabel random lognormal jika dan hanya jika fungsi kepadatan probabilitasnya
(ln(x) − µ)2

1
 √ exp ,x > 0
f (x) = xσ 2π 2σ 2
0, x ≤ 0

untuk −∞ < µ < ∞, dan 0 < σ 2 < ∞. Apabila X berdistribusi lognormal

dengan parameter µ dan σ 2 , maka kita dapat tuliskan variabel randomnya sebagai
X ∼ LN (µ, σ 2 ).
Berdasarkan fungsi kepadatan probabilitasnya, dapat diperoleh fungsi distribusi

kumulatif yakni
ln x − µ
F (x) = Φ
σ
dengan Φ adalah fungsi distribusi kumulatif dari distribusi normal standar.
Adapun beberapa sifat-sifat dari distribusi lognormal adalah sebagai berikut:

1 2
a. Mean distribusi lognormal: E[X] = eµ+ 2 σ
2 2
b. Varians distribusi lognormal: V ar[X] = (eσ − 1)e2µ+σ
Contoh 7.17
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.
Dengan menggunakan cara yang sama

ln 4, 759 − µ
FX (4, 759) = Φ = 0, 33
σ
Sehingga
ln 4, 759 − µ
= −0, 44
σ
Berdasarkan dua persamaan dalam µ dan σ tersebut, jika persamaan pertama

dibagi oleh persamaan kedua, akan diperoleh lnln11,473−µ 2,44−µ
4,759−µ = 1,56−µ = −1.
Penyelesaian dari persamaan tersebut menghasilkan µ = 2, 0. Dengan

menggunakan nilai µ tersebut, dapat diperoleh σ = 1, 0. Sehingga,
V ar(X) = E[X 2 ] − (E[X])2

1 2 2
2

= e2.2+2.1 − e2+ 2 .1
= 255

193
7.8 Distribusi Pareto

Suatu variabel random X memiliki distribusi Pareto dan dikatakan sebagai variabel
random Pareto jika dan hanya jika fungsi kepadatan probabilitasnya adalah sebagai
berikut:
αθα
fX (x) =
(x + θ)α+1
dengan x > 0 dan α, β > 0.
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
Adapun beberapa sifat-sifat dari distribusi Pareto adalah sebagai berikut:

θ
a. Mean distribusi Pareto: E[X] = α−1
αθ2
b. Varians distribusi Pareto: V ar[X] = (α−2)(α−1) 2
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.
Berikutnya, V ar(X) = 30.000 − (150)2 = 7.500

p p
dan (V ar(Y ) = (0.8) (V ar(X) = 69.3.
Solusi di atas diperoleh karena digunakan asumsi bahwa X berdistribusi Pareto.

194
Contoh 7.20
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
7.9 Distribusi Beta

Distribusi Beta adalah salah satu distribusi dasar dalam ilmu probabilitas dan
statistika. Distribusi ini memiliki banyak aplikasi dalam statistika klasik maupun
Bayesian. Distribusi Beta melibatkan fungsi Beta. Oleh karena itu, sebelum
membahas mengenai distribusi Beta, kita akan definisikan terlebih dahulu fungsi
Beta. Misalkan α dan β adalah bilangan riil positif, fungsi Beta B(α, β) didefin-
isikan sebagai
Z1
B(α, β) = xα−1 (1 − x)β−1 dx
0
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).
Definisi Distribusi Beta

Suatu variabel random X memiliki distribusi Beta dan dikatakan sebagai variabel
random Beta jika dan hanya jika fungsi kepadatan probabilitasnya adalah sebagai
berikut:

 Γ(α + β) xα−1 (1 − x)β−1 , 0 < x < 1

f (x; α, β) = Γ(α)Γ(β)
0

, untuk x lainnya
dengan α > 0 dan β > 0.
Apabila X berdistribusi Beta dengan parameter α dan β, maka kita dapat

tuliskan variabel randomnya sebagai X ∼ BET A(α, β).
Adapun beberapa sifat-sifat dari distribusi Beta adalah sebagai berikut:

α
a. Mean distribusi Beta: E[X] = α+β
αβ
b. Varians distribusi Beta: V ar[X] = (α+β)2 (α+β+1)
196
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) =
Dapatkan P[X ≥ 0.25].
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) =
Berapakah nilai konstanta k sehingga f (x) adalah fungsi kepadatan probabilitas

yang valid?
Pembahasan:
Dengan menggunakan definisi fungsi Beta, kita dapatkan
Z1
x2 (1 − x)9 dx = B(3, 10)
0
Berikutnya, dengan menggunakan hubungan antara fungsi Beta dan fungsi

Gamma, diperoleh
Γ(3)Γ(10) 1
B(3, 10) = =
Γ(13) 660
Oleh karena itu, agar menjadi fungsi kepadatan probabilitas yang valid, maka nilai
k adalah 660.

198
SOAL LATIHAN BAB 7

DISTRIBUSI PROBABILITAS KONTINU

Andaikan bahwa X ∼ N (µX = 2, σX = 3) dan Y ∼ N (µY = −1, σX = 5)
adalah independen. Jika S = X + Y adalah suatu penjumlahan, maka tentukan
P[S < 4].

Bila terdapat sejumlah 75 murid (n = 75) dan setiap murid ini memilih
sebuah angka riil antara 50 dan 100. Xi melambangkan distribusi acak secara
seragam (unirformly distributed) pada interval [50, 100] dari orang ke-i.
X1 + X2 + · · · + X75
X̄ = melambangkan rata-rata dari sampel. Hitunglah
75
V ar(X̄).

Waktu penggunaan (”lifetime”) suatu super komputer dengan harga 200 (juta)
memiliki distribusi eksponensial dengan rata-rata dua tahun. Sebuah pabrikan
berani memberikan garansi berupa uang tunai setara nilai pembelian barang
kepada pembeli apabila komputer yang dibeli rusak pada tahun pertama, dan
setengah nilai pembelian barang jika komputer rusak pada tahun kedua. Jika
perusahaan menjual 100 komputer, berapa total nilai penggantian (juta) yang
sekiranya akan dibayarkan oleh perusahaan tersebut!

Misalkan X adalah suatu distribusi Poisson dengan parameter m. Jika m ialah
suatu nilai eksperimen dari suatu variabel random yang berdistribusi Gamma
(α = 2, β = 1), Hitung P[X = 0, 1, 2]!
Catatan: Cari suatu ekspresi yang menyatakan probabilitas gabungan dari X
dan m. Kemudian cari bentuk integral dari m untuk menghitung distribusi
marginal dari X.

Variabel random X mempunyai distribusi eksponensial dengan rataan 1/b.
Diketahui bahwa MX (−b2 ) = 0, 2. Tentukan b.
199

Misalkan variabel random kontinu X mempunyai fungsi kepadatan proba-
bilitas:
Γ(a + b) a−1
f (x) = x (1 − x)b−1 , 0 < x < 1, dan a > 0 & b > 0
Γ(a)Γ(b)
Jika b = 6 dan a = 5. Tentukan ekspektasi dari (1 − X)−4 !

Jika X memiliki distribusi kontinu seragam pada interval dari 0 hingga 10,
maka berapa nilai dari P[X + 10
X > 7]?

Sebuah distribusi Pareto mempunyai parameter α dan θ diketahui memiliki
fungsi kepadatan probabilitas:
αθα
f (x) = ,x > 0
(x + θ)α+1
Diketahui α = 3 dan θ = 200. Selanjutnya, didefinisikan variabel random

baru, yaitu Y yang merupakan distribusi bersyarat X − 100, diberikan
X > 100. Tentukan distribusi Y ?

Distribusi Gamma dengan parameter α dan β memiliki fungsi kepadatan proba-
bilitas
β α · xα−1 · eβx
f (x) = ,x > 0
Γ(α)
Distribusi Weibull dengan parameter τ dan θ memiliki fungsi kepadatan proba-
bilitas τ x τ
τ xθ e−( θ )
f (x) = ,x > 0
x
Distribusi di bawah ini yang sama dengan distribusi eksponensial dengan mean
2 adalah
I. Chi-Square dengan derajat kebebasan 2.
II. Distribusi Gamma dengan α = 1 dan β = 2.
III. Weibull dengan τ = 1, θ = 2.
IV. Lognormal dengan µ = 0, σ 2 = 1.
200

Agus dan Iwan adalah atlet lari sprint 100 m. Waktu tempuh Agus berdistribusi
normal dengan rata-rata 10 detik, sedangkan Iwan juga berdistribusi normal
dengan rata-rata 9,9 detik. Keduanya memiliki standar deviasi yang sama,
σ. Diasumsikan waktu tempuh keduanya saling bebas, dan diketahui Iwan
memiliki probabilitas 95% mengalahkan Agus. Cari σ.

Rata-rata besar kerugian per polis pada suatu portofolio polis adalah 100.
Aktuaris 1 mengasumsikan distribusi besar kerugian memiliki distribusi ekspo-
nensial dengan mean 100, sedangkan Aktuaris 2 mengasumsikan distribusi
besar kerugian memiliki fungsi kepadatan probabilitas:
2θ2
f2 (x) = ,x > 0
(x + θ)3
Jika m1 dan m2 menyatakan median besar kerugian untuk kedua distribusi

m1
tersebut, maka hitung .
m2

Masa hidup suatu printer seharga 200 berdistribusi eksponensial dengan mean
2 tahun. Pabrik setuju membayar kembali penuh jika printer rusak di tahun
pertama setelah pembelian, dan 50% nya jika rusak di tahun kedua. Jika pabrik
berhasil menjual 100 buah printer, berapa ekspektasi pembayaran kembali
(refund)?

X memiliki distribusi diskrit seragam pada bilangan bulat 0, 1, 2, · · · , n dan
Y memiliki distribusi diskrit seragam pada bilangan bulat 1, 2, 3, · · · , n. Cari
V ar[X] − V ar[Y ]!

Pilihlah distribusi yang merupakan “continuous distribution” dari beberapa
distribusi di bawah ini:
i. Poisson distribution iv. Exponential distribution
ii. Normal distribution v. Bernoulli Trial
iii. Binomial distribution vi. Geometric distribution
Distribusi yang merupakan “continuous distribution” adalah
201

Tiga orang melakukan perlombaan lari 1 km. Waktu yang dibutuhkan untuk
menyelesaikan lomba lari dari setiap orang adalah variabel random. Xi
merupakan waktu yang dibutuhkan oleh orang i dalam bentuk menit.
X1 berdistribusi uniform dengan interval [2,9 , 3,1].
Ketiga waktu penyelesaian tersebut bersifat bebas dengan yang lainnya.
Carilah probabilitas bahwa waktu penyelesaian yang paling terakhir adalah
kurang dari 3 menit (pendekatan 2 desimal).

Sebuah peralatan sudah diasuransikan apabila terjadi kerusakan saat
penggunaan. Waktu dari pembelian sampai terjadinya kerusakan berdis-
tribusi eksponensial dengan rata-rata 10 tahun. Perusahaan asuransi akan
memberikan ganti rugi sebesar x jika peralatan tersebut rusak selama tahun
pertama, dan akan membayar 0, 5x jika kerusakan terjadi selama tahun kedua
atau tahun ketiga. Jika, kerusakan terjadi setelah tahun ketiga, tidak ada
pembayaran yang dilakukan oleh perusahaan asuransi. Hitunglah x apabila
ekspektasi pembayaran dari asuransi tersebut adalah sebesar 1.000.

Misalkan bahwa X adalah berdistribusi Chi-Square dengan derajat kebebasan
8. Hitunglah P[X > 10]. Diberitahukan distribusi Gamma adalah sebagai
berikut:
λα xα−1 e−λx
fX (x) = untuk 0 ≤ x < ∞, α > 0, dan λ > 0
Γ(α)
Hint: Gunakan hubungan antara Chi-Square dengan distribusi Gamma.

X memiliki distribusi diskrit seragam pada bilangan bulat (integer)
0, 1, 2, · · · , n dan Y memiliki distribusi diskrit seragam pada bilang bulat
(integer) 1, 2, 3, · · · , n. Hitunglah V ar[X] − V ar[Y ].

Diketahui X ∼ N (50, 64). Tentukan nilai dari x sedemikian sehingga P[X >
x] = 0, 025.
202

Di Bogor, penggunaan listrik dalam sehari (dalam jutaan kW per jam) adalah
suatu variabel acak yang berdistribusi Gamma dengan α = 3 dan β = 2. Jika,
pembangkit listrik di Bogor memiliki kapasitas harian sebesar 12 juta kW per
jam, berapa probabilitas bahwa sumber daya listrik akan tidak cukup pada suatu
hari tertentu?
BAB 8
DISTRIBUSI GABUNGAN, MARGINAL,
DAN BERSYARAT
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
8.1 Distribusi Gabungan Dari Variabel Random X dan Y

Jika X dan Y adalah variabel random diskrit, maka f (x, y) = P[(X = x) ∩ (Y =
y)] adalah fungsi distribusi gabungan yang memenuhi sifat
(i) 0 ≤ f (x, y) ≤ 1;
P P
(ii) x y f (x, y) = 1.
Selanjutnya, apabila X dan Y adalah variabel random kontinu, maka f (x, y)

memenuhi sifat
(i)
∞ Z ≥ 0;
fZ (x, y)
∞
(ii) f (x, y) dy dx = 1.
−∞ −∞
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
Pada tabel tersebut, dapat dilihat bahwa nilai dari

1
P[X = 0, Y = −1] = f (0, −1) = .
9
205
Selanjutnya, dengan menggunakan tabel tersebut didapatkan:

1 1 5
(i) P[X + Y = 1] = f (0, 1) + f (1, 0) = + = .
9 6 18
1 1 2
(ii) P[X = 0] = f (0, 1) + f (0, 0) + f (0, −1) = + 0 + = .
9 9 9
1 1 1 5
(iii) P[X < Y ] = f (−1, 0) + f (−1, 1) + f (0, 1) = + + = .
9 18 9 18

Contoh 8.3
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
Misalkan X dan Y adalah variabel random dengan probabilitas gabungan:
 y

, x = 1, 2, 4; x ≤ y
f (x, y) = 24x
Sebuah asuransi membayarkan nilai penggantian penuh untuk kerugian X dan

setengah nilai kerugian untuk tipe Y . Hitung nilai probabilitas bahwa total
kerugian yang dibayar oleh perusahaan asuransi tersebut tidak lebih dari 5.
Pembahasan:
Kita akan menghitung P[X + 0, 5Y ≤ 5]
Kombinasi nilai x dan y (yaitu (x, y)) yang memenuhi X + 0, 5Y ≤ 5 adalah
(1, 2), (1, 4), (1, 8), (2, 2), (2, 4) dan (4, 2).
Dengan demikian kombinasi nilai X dan Y yang tidak memenuhi pertidaksamaan
tersebut adalah (2, 8), (4, 4) dan (4, 8).
Jadi kita peroleh:
P[X + 0, 5Y ≤ 5] = 1 − P[X + 0, 5Y > 5]

= 1 − (P[X = 2, Y = 8] + P[X = 4, Y = 4] + P[X = 4, Y = 8])

8 4 8
=1− + +
48 96 96
207
7
=1−
24
17
=
24

Dua variabel random X dan Y dengan fungsi kepadatan probabilitas masing-

masing fX (x) dan fY (y) dikatakan saling bebas jika ruang probabilitas berbentuk
persegi panjang dan fungsi distribusi gabungannya dapat dinyatakan dalam bentuk
f (x, y) = fX (x)·fY (y). Selain itu, sifat saling bebas juga bisa ditinjau dari fungsi
distribusi kumulatif bersama, yaitu apabila F (x, y) = FX (x) · FY (y) untuk setiap
pasangan (x, y).
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
f (x, y) = fX (x) · fY (y) = 2y
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
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

8.2 Kovarians dan Korelasi dari Variabel Random X dan

Y
Apabila variabel random X dan Y memiliki distribusi bersama f (x, y), maka
belum tentu sifat saling bebas dapat dijamin. Pada beberapa kasus tertentu, bisa
saja variabel random X dan Y saling bergantung. Ada beberapa ukuran yang dapat
digunakan untuk mendeskripsikan sifat keterkaitan antara X dan Y , salah satunya
adalah kovarians. Kovarians antara X dan Y didefinisikan sebagai:
Cov(X, Y ) = E[(X − E[X])(Y − E[Y ])] = E[XY ] − E[X] · E[Y ]
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:
V ar[aX + bY + c] = a2 V ar[X] + b2 V ar[Y ] + 2ab Cov(X, Y )
Selain kovarians, dalam bidang statistika dikenal pula koefisien korelasi

(dinotasikan dengan ρ(X, Y )) yang didefinisikan sebagai
Cov(X, Y )
ρ(X, Y ) =
σX σY
209
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
Berikutnya, dengan menyubstitusi nilai ρ(X, Y ) = 13 , σX

2 = a dan σ 2 = 4a maka
Y
diperoleh
114 = 9a + 64a − 16a
Jadi, nilai a = 2.
Contoh 8.8
Misal X merupakan biaya klaim bedah dan Y merupakan biaya klaim rawat inap.
Seorang aktuaris menggunakan suatu model dimana
E[X] = 5; E[X 2 ] = 27, 4; E[Y ] = 7; E[Y 2 ] = 51, 4; dan V ar(X + Y ) = 8
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
V ar(X) = E[X 2 ] − (E[X])2 = 27, 4 − 52 = 27, 4 − 25 = 2, 4

V ar(Y ) = E[Y 2 ] − (E[Y ])2 = 51, 4 − 72 = 51, 4 − 49 = 2, 4
V ar(X + Y ) = V ar(X) + V ar(Y ) + 2Cov(X, Y )
210
V ar(X + Y ) − V ar(X) − V ar(Y )

Cov(X + Y ) =
2
8 − 2, 4 − 2, 4
=
2
= 1, 6
E[XY ] = Cov(X + Y ) + E[X] · E[Y ]

= 1, 6 + (5)(7)
= 36, 6
Cov(C1 , C2 ) = E[C1 · C2 ] − E[C1 ] · E[C2 ]

= E[(X + Y )(X + 1, 2Y )] − E[X + Y ] · E[X + 1, 2Y ]
= E[X 2 + 2, 2XY + 1, 2Y 2 ] − (E[X] + E[Y ])(E[X] + 1, 2E[Y ])
= E[X 2 ] + 2, 2E[XY ] + 1, 2E[Y 2 ] − (E[X] + E[Y ])(E[X] + 1, 2E[Y ])
= 27, 4 + 2, 2(36, 6) + 1, 2(51, 4) − [5 + 7][5 + 1, 2(7)]
= 8, 8
Contoh 8.9
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
Agar persamaan di atas terpenuhi, maka
3
X 3
X 3
X
3 Xi Yi − Xi Yi = 0
i=1 i=1 i=1
3(6 + 20 + 7k) − 13(8 + k) = 0

3(26 + 7k) = 13(8 + k)
78 + 21k = 104 + 13k
8k = 26
26
k=
8
= 3, 25
8.3 Ekspektasi dan Fungsi Pembangkit Momen

Gabungan
Apabila diberikan h(x, y) merupakan fungsi dari dua variabel X dan Y , serta
diketahui bahwa X dan Y merupakan dua variabel random dengan distribusi
gabungan f (x, y), maka nilai ekspektasi dari h(x, y) adalah
P P
(i) x Z y h(x, y) · f (x, y) jika X dan Y adalah variabel random diskrit
Z ∞ ∞
(ii) h(x, y) · f (x, y) dy dx jika X dan Y adalah variabel random
−∞ −∞
kontinu
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
Dapatkan ekspektasi dari XY.

212
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
MX,Y (t1 , t2 ) = E[et1X +t2 Y ]
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
untuk semua bilangan riil t1 dan t2 . Dapatkan kovarians dari X dan Y .
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

135 5 15 15
Cov(X, Y ) = − =−
16 2 4 16
8.4 Distribusi Marginal

Jika X dan Y memiliki fungsi distribusi gabungan f (x, y), maka distribusi
P
marginal dari X dinotasikan sebagai fX (x) = f (x, y) bila kedua variabel
R∞ y
random berbentuk diskrit, atau fX (x) = −∞ f (x, y)dy jika kedua variabel
random berbentuk kontinu. Dengan menggunakan cara yang sama, diperoleh
fungsi marginal dari Y adalah
X Z ∞
fY (y) = f (x, y) atau fY (y) = f (x, y) dy
x −∞
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
Dapatkan fungsi distribusi marginal untuk X dan Y .
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
Berikutnya, distribusi marginal dari Y adalah

X 7
fY (−1) = f (x, −1) = f (−1, −1) + f (0, −1) + f (1, −1) =
x
18
X 5
fY (0) = f (x, 0) = f (−1, 0) + f (0, 0) + f (1, 0) =
x
18
X 1
fY (1) = f (x, 1) = f (−1, 1) + f (0, 1) + f (1, 1) =
x
3
Berdasarkan hasil di atas, disimpulkan bahwa jawaban akhir harus dalam bentuk
fungsi sepotong-sepotong (piecewise function).

215
Contoh 8.14
X dan Y merupakan continuous random variable dengan joint density function

15y , untuk x2 ≤ y ≤ x
f (x, y) =
0 , y lainnya
g merupakan marginal density function dari Y . Manakah pilihan yang mempre-

sentasikan g?

15y , untuk 0 ≤ y ≤ 1
A. g(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
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
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.
PDF marginal dari X adalah:
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
Selanjutnya kita akan menghitung E[Y ], yaitu

Z 10
E[Y ] = x · f (x) dx
2
Z 10
1 1
= x· 10 − x dx
2 64 3
Z 10
1 1
= 10x − x2 dx
64 2 3
" 10 #
1 1
5x2 − x3

=
64 9 2

1 1000 8
= 500 − − 20 +
64 9 9
= 5, 7778
≈ 5, 8
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
8.5 Distribusi Bersyarat

Untuk menentukan distribusi bersyarat pada kasus dua variabel random, maka
kita memerlukan konsep mengenai probabilitas bersyarat yang telah dipelajari
pada bab sebelumnya. Probabilitas kejadian bersyarat adalah probabilitas kejadian
yang bergantung kepada probabilitas kejadian lain. Probabilitas suatu kejadian A
terjadi ketika diketahui bahwa kejadian B telah terjadi disebut sebagai probabilitas
kejadian A bersyarat B, dimana hal ini dapat diformulasikan sebagai berikut:
P[A ∩ B]
P[A|B] =
P[B]
Misalkan A adalah kejadian Y dan B adalah kejadian X = x, dimana X dan Y

merupakan variabel random. Apabila diketahui bahwa fungsi distribusi marginal
dari X yaitu fX (x) > 0, maka fungsi probabilitas bersyarat dari Y apabila
diberikan X = x adalah f (x, y)
fY |X (y|x) =
fX (x)
Berikutnya, jika X dan Y adalah variabel random yang saling bebas, maka
f (x, y) fX (x) · fY (y)
fY |X (y|X = x) = = = fY (y)
fX (x) fX (x)
Adapun fungsi probabilitas bersyarat dari X apabila diberikan Y = y di mana

fY (y) > 0 adalah
f (x, y)
fX|Y (x|y) =
fY (y)
219
dengan f (x, y) menyatakan fungsi distribusi gabungan dari X dan Y , sedangkan

fY (y) adalah fungsi distribusi marginal dari Y . Berikutnya, jika X dan Y adalah
variabel random yang saling bebas, maka
f (x, y) fX (x) · fY (y)
fX|Y (x|Y = y) = = = fX (x)
fY (y) fY (y)
Sebagai catatan tambahan, fungsi kepadatan probabilitas bersyarat kontinu juga

harus memenuhi sifat Z ∞
fY |X (y|x) dy = 1
−∞
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
f (x, y) = fY |X (y|X = x) · fX (x)
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
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
Kita akan menghitung f (y < 0, 05|x = 0, 1), yaitu

Z 0,05
2y + 0,2
f (y < 0, 05|x = 0, 1) = dy
0 1, 2
Z 0,05
1
= 2y + 0,2 dy
1, 2 0
1 h 2 i
= y + 0, 2y |00,05
1, 2
0, 0125
=
1, 2
= 0, 01041667
≈ 0, 01
Misalkan X dan Y merupakan variabel random kontinu dengan fungsi distribusi

gabungan f (x, y). Apabila diketahui bahwa fY (y) > 0, maka ekspektasi bersyarat
dari X apabila diberikan Y = y adalah
Z ∞
E[X|Y = y] = x · fX|Y (x|y) dx
−∞
221
Persamaan tersebut dapat digunakan apabila variabel random X dan Y , keduanya

berdistribusi kontinu.
Selanjutnya, apabila variabel random X dan Y keduanya berdistribusi diskrit

maka ekspektasi bersyarat dari X apabila diberikan Y = y adalah
X
E[X|Y = y] = x · fX|Y (x|y)
x
Selain itu, kita dapat pula mendefinisikan varians bersyarat dari X apabila
diberikan Y = y sebagai berikut:
V ar[X|Y = y] = E[X 2 |Y = y] − (E[X|Y = y])2
Contoh 8.19
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
Hitunglah E[X|Y = 6] (ekspektasi nilai dari X (expected value of X), bila

diketahui Y = 6).
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
E[X|Y = 6] = 2f (x = 2|y = 6) + 4f (x = 4|y = 6) + 5f (x = 5|y = 6)

3 5 3
=2 +4 +5
11 11 11
41
=
11
= 3, 727
Contoh 8.20
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.
Fungsi probabilitas bersama dari X dan Y diberikan oleh:

P[X = 0, Y = 0] = 0, 800
P[X = 0, Y = 1] = 0, 025
P[X = 1, Y = 0] = 0, 050
P[X = 1, Y = 1] = 0, 125
Hitunglah V ar(Y |X = 1).
Pembahasan:
Dari fungsi probabilitas tersebut, kita dapatkan:
E[Y 2 |X = 1] = 02 · f (y = 0|x = 1) + 12 · f (y = 1|x = 1)

f (x = 1, y = 0) f (x = 1, y = 1)
=0· +1·
f (x = 1) f (x = 1)
0, 125
=1·
0, 175
5
=
7
223
E[Y |X = 1] = 0 · f (y = 0|x = 1) + 1 · f (y = 1|x = 1)

f (x = 1, y = 1)
=1·
f (x = 1)
0, 125
=1·
0, 175
5
=
7
2
5 5 5 25
V ar(Y |X = 1) = − = −
7 7 7 49
10
=
49
= 0, 20408
≈ 0, 20
8.6 Distribusi Normal Bivariat

8.6.1 Fungsi Kepadatan Probabilitas
Distribusi probabilitas bersama dapat diterapkan pada dua variabel random
yang memiliki korelasi positif, negatif, ataupun korelasi nol. Perluasan dari
distribusi normal untuk dua variabel random adalah distribusi normal bivariat,
yang merupakan distribusi probabilitas bersama dari dua variabel random yang
masing-masing berdistribusi normal. Fungsi kepadatan probabilitas dari distribusi
normal bivariat adalah

1 −1
f (x, y) = exp Q
2(1 − ρ2 )
p
2πσ1 σ2 1 − ρ2
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
Pada distribusi normal bivariat berlaku:

1. f (x, y) adalah fungsi probabilitas bersama sehingga nilai integralnya adalah 1,
dan bernilai positif untuk semua x dan y bilangan riil.
Z ∞Z ∞
f (x, y) dx dy = 1, f (x, y) > 0, x, y ∈ R
−∞ −∞
2. Distribusi marginal dari X adalah distribusi normal umum dengan rata-rata µ1

dan varians σ12 ,
Z ∞
f (x) = f (x, y) dy
−∞
( 2 )
1 1 x − µ1
=p 2
exp −
2πσ1 2 σ1
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 −∞ < y < ∞, − ∞ < µ2 < ∞, dan σ2 > 0.
3. Distribusi bersyarat dari X diberikan Y = y adalah distribusi normal umum

σ1
dengan rata-rata µ1 + ρ (y − µ2 ) dan varians σ12 (1 − ρ2 ),
σ2
( 2 )
1 −1 σ1
f (x|y) = √ exp x − µ1 + ρ (y − µ2 )
2σ12 (1 − ρ2 )
p
2πσ1 1 − ρ2 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
untuk −∞ < x < ∞ dan −∞ < y < ∞.
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
Didapatkan bahwa variabel random Y berdistribusi normal umum dengan rata-rata

µ2 dan varians σ22 , dan ditulis: Y ∼ N (µ2 , σ22 ). Sehingga:
2 2
1√ −1 x−µ1 x−µ1 y−µ2 y−µ2
exp 2(1−ρ2 ) σ1 − 2ρ σ1 σ2 + σ2
2πσ1 σ2 1−ρ2
u(x|y) = 2
1 −1 y−µ2
√
σ2 2π
exp 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
Kemudian subtitusikan kembali c dan d ke dalam bentuk semula, sehingga:

  2 
x−µ1 y−µ2
1

 −1  σ1 − ρ σ2 

u(x|y) = √ p exp p 
2πσ1 1 − ρ2  2
 1 − ρ2 

 !2 
σ1
1  −1 x − µ1 − ρ σ2 (y − µ2 ) 
=√ p exp p
2πσ1 1 − ρ2  2 σ1 1 − ρ2 
 !2 
σ1
1  −1 x − [µ1 + ρ σ2 (y − µ2 )] 
=√ p exp p
2πσ1 1 − ρ2  2 σ1 1 − ρ2 
( 2 )
1 −1 σ1
=√ exp x − µ1 + ρ (y − µ2 )
2σ12 (1 − ρ2 )
p
2πσ1 1 − ρ2 σ2
Sehingga didapat bahwa u(x|y) merupakan fungsi kepadatan probabilitas dari

suatu distribusi normal umum dengan rata-rata µ1 + ρ σσ21 (y − µ2 ) dan varians
σ12 (1 − ρ2 ) dan dapat ditulis:
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 )
8.6.2 Fungsi Pembangkit Momen Gabungan

Fungsi pembangkit momen gabungan dari dua variabel X dan Y yang berdistribusi
normal bivariat dapat ditentukan sebagai berikut:
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
Fungsi pembangkit momen marginal dari X adalah

1
M (t1 , 0) = exp(µ1 t1 + σ12 t21 )
2
Fungsi pembangkit momen marginal dari Y adalah
1
M (0, t2 ) = exp(µ2 t2 + σ22 t22 )
2
Jika X dan Y berdistribusi normal bivariat dengan µ1 = 0, µ2 = 0, σ1 = 1, σ2 =
1, dan ρ = 0, maka fungsi pembangkit momen gabungan dari X dan Y adalah

1 2 2
M (t1 , t2 ) = exp (t1 + t2 )
2
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:
Cov(X, Y ) = E[XY ] − E[X] · E[Y ]

∂ 2 M (t1 , t2 )

E[XY ] =
∂t1 ∂t2 t1=t2=0

∂M (t1 , t2 ) 1
= exp µ1 t1 + µ2 t2 + (σ12 t21 + 2ρσ1 σ2 t1 t2 + σ22 t22 )
∂t1 2

1 2
µ1 + (2σ1 t1 + 2ρσ1 σ2 t2 )
2
2

∂ M (t1 , t2 ) 1 2 2 2 2
= exp µ1 t1 + µ2 t2 + (σ1 t1 + 2ρσ1 σ2 t1 t2 + σ2 t2 )
∂t1 ∂t2 2

1 2 2 1 2
µ2 + (2σ2 t2 + 2ρσ1 σ2 t1 ) µ1 + (2σ1 t1 + 2ρσ1 σ2 t2 ) +
2 2

1 2 2 2 2
exp µ1 t1 + µ2 t2 + (σ1 t1 + 2ρσ1 σ2 t1 t2 + σ2 t2 ) (ρσ1 σ2 )
2
E[XY ] = 1.µ2 µ1 + 1.ρσ1 σ2
Cov(XY ) = µ1 µ2 + ρσ1 σ2 − µ1 µ2
Cov(XY ) = ρσ1 σ2

229
SOAL LATIHAN BAB 8

DISTRIBUSI GABUNGAN, MARGINAL, DAN
BERSYARAT

Misalkan X dan Y adalah dua variabel random yang mempunyai fungsi
kepadatan probabilitas bersama sebagai berikut:

 2 (x + 2y) , 0 < x < 1, 0 < y < 1
f (x, y) = 3
0 , x dan y lainnya
Tentukan nilai varians bersyarat dari X jika diberikan Y = 12 .

Sebuah fungsi joint density diketahui sebagai berikut:

kx , 0 < x < 1, 0 < y < 1
f (x, y) =
0 , x dan y lainnya
dimana k adalah konstan. Tentukan Cov(X, Y )?

X dan Y adalah variabel random dengan informasi seperti di bawah ini:
V ar[X] = 2
V ar[Y ] = 3
Cov[X, Y ] = −1
U = 2X − Y
V = −X + 3Y
Berapakah Cov[U, V ]?

Misalkan X menyatakan besar klaim dari suatu asuransi kompensasi
malapraktik kedokteran dan Y adalah besar kerugian yang terkait dengan total
klaim rumah sakit tersebut. Seorang aktuaris mendapatkan perhitungan bahwa
E[X] = 5, E[X2 ] = 27, 4, E[Y ] = 7, E[Y2 ] = 51, 4, dan V ar(X + Y ) = 8.
230
Misalkan C1 = X + Y menyatakan ”aggregate” dari dua besar klaim X, Y

sebelum terdapat 20% ekstra tambahan pada bagian asuransi total klaim
rumah sakit, dan C2 menyatakan besar total klaim secara ”aggregate” setelah
penambahan ekstra 20%. Hitung Cov(C1 , C2 ).

Misalkan X1 , X2 , X3 ialah variabel random yang identik dan saling bebas
yang mana memiliki fungsi kepadatan probabilitas f (x) = e−x , 0 < x < ∞
dan f (x) = 0, untuk x lainnya. Hitung P[X1 < X2 |X1 < 2X2 ].

Misalkan seorang mahasiswa yang pergi kuliah antara pukul 8 pagi hingga
pukul 08.30 pagi, membutuhkan antara 40 dan 50 menit untuk sampai ke
kampus. Misalkan X menyatakan waktu keberangkatan dan Y menyatakan
lamanya waktu perjalanan. Jika diasumsikan bahwa variabel random ini adalah
saling bebas dan berdistribusi seragam, hitung probabilitas bahwa mahasiswa
tersebut akan sampai di kampus sebelum pukul 9 pagi!

Perusahaan asuransi memprediksi bahwa waktu hidup Joko berdistribusi
seragam dengan interval [0, 5] dan waktu hidup Amir berdistribusi seragam
dengan interval [0, 10]. Perusahaan asuransi mengasumsikan bahwa waktu
hidup antara satu individu dengan individu yang lain ialah variabel random
yang saling bebas. Berapa probabilitas bahwa Joko meninggal terlebih dahulu
daripada Amir?

Sebuah mesin memiliki dua komponen. Mesin tersebut terus beroperasi selama
setidaknya satu dari dua komponen tersebut masih bekerja. Sebuah penga-
matan ketika mesin baru mulai bekerja mengindikasikan bahwa waktu lamanya
komponen 1 sebelum rusak ialah X dan komponen 2 ialah Y (asumsikan
distribusi kontinu dalam satuan tahunan). Fungsi kepadatan probabilitas
gabungan antara X dan Y ialah:
f (x, y) = x + y, 0 < x < 1, 0 < y < 1
Berapa probabilitas bahwa sebuah mesin baru masih bekerja hingga 6 bulan
setelah mesin tersebut mulai beroperasi?
231

Misalkan waktu harapan hidup satu pasangan suami istri adalah saling bebas
dan berdistribusi seragam pada interval [0, 40]. Sebuah perusahaan asuransi
menawarkan dua produksi asuransi pada pasangan sudah menikah, yaitu
• Produk 1:
Pembayaran manfaat ketika suami dari pasangan tersebut meninggal dunia.
• Produk 2:
Pembayaran manfaat ketika baik suami dan istri dari pasangan tersebut
meninggal dunia.
Berapa kovarians dari waktu pembayaran dari dua produk di atas?

Probabilitas kepadatan gabungan dari tiga variabel random diskrit X, Y, Z
1
fX,Y,Z (x, y, z) = (xy + xz 2 ), untuk x = 1, 2, y = 1, 2, z = 0, 1
24
Berapa banyak pernyataan di bawah ini yang menurut Anda benar?
• X dan Y saling bebas
• X dan Z saling bebas
• Y dan Z saling bebas

Misalkan f (x1 , x2 ) = 21x21 x32 , dan 0 untuk lainnya, adalah fungsi kepadatan
probabilitas gabungan antara X1 dan X2 . Berapa rataaan dari X1 kondisional
diberikan X2 = x2 , 0 < x2 < 1?

Misalkan X adalah suatu variabel random yang berdistribusi Poisson dengan
parameter m. Jika m ialah suatu nilai eksperimen dari suatu variabel random
yang berdistribusi Gamma (α = 2, β = 1), Hitung P[X = 0, 1, 2]!
Catatan: Cari suatu ekspresi yang menyatakan probabilitas gabungan dari X
dan m. Kemudian cari bentuk integral dari m untuk menghitung distribusi
marginal dari X.

Misalkan X1 , X2 , X3 adalah sampel acak dari suatu distribusi diskrit dengan
fungsi massa probabilitas sebagai berikut:
232

1

3
 , x=0
p(x) = 2
3 , x=1


0 , x lainnya

Tentukan fungsi pembangkit momen, M (t), dari Y = X1 X2 X3 ?

Sebuah polis asuransi membayar total manfaat perawatan kesehatan yang
terdiri dari dua bagian untuk setiap klaim. Misalkan X menyatakan bagian
dari manfaat yang dibayarkan kepada dokter bedah, dan Y menyatakan bagian
yang dibayarkan kepada rumah sakit. Varians dari X adalah 5000, varians dari
Y adalah 10.000, dan varians dari total manfaat, X + Y adalah 17.000. Karena
peningkatan biaya medis, perusahaan yang menerbitkan polis memutuskan
untuk meningkatkan X dengan jumlah yang tetap sebesar 100 per klaim, dan
meningkatkan Y dengan 10% per klaim. Hitung varians dari total manfaat
setelah perbaikan tersebut dibuat!

Misalkan T1 dan T2 menyatakan lamanya waktu penggunaan (dalam unit jam)
dari dua komponen yang berhubungan pada suatu alat elektronik. Fungsi
probabilitas gabungan dari T1 dan T2 adalah seragam pada daerah yang
didefinisikan oleh 0 ≤ t1 ≤ t2 ≤ L, dengan L ialah suatu konstanta positif.
Tentukan E[T1 + T2 ]2 !

Misalkan X dan Y menyatakan lamanya waktu (dalam jam) seseorang yang
dipilih secara acak menonton film dan pertandingan olahraga selama periode
tiga bulan. Diketahui informasi tentang X dan Y sebagai berikut:
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

Pada suatu perguruan tinggi, berat badan mahasiswa pria dan wanita diperki-
rakan mengikuti distribusi normal dengan rata-rata sebesar 180,20 dan
simpangan baku sebesar 130,15. Jika seorang mahasiswa pria dan wanita
dipilih secara acak, berapa probabilitas jumlah berat badan keduanya kurang
dari 280?

Sebuah polis asuransi kendaraan bermotor akan membayar kerusakan mobil
pemegang polis dan mobil pengendara lain dalam kejadian pemegang polis
yang bertanggung jawab pada kecelakaan tersebut. Besar pembayaran
kerusakan mobil pemegang polis, X, memiliki fungsi kepadatan marginal 1
untuk 0 < x < 1; Diberikan X = x, besar pembayaran kerusakan mobil
pengendara lain, Y , memiliki fungsi kepadatan bersyarat 1 untuk x < y <
x + 1. Jika pemegang polis bertanggung jawab dalam kecelakaan tersebut,
berapa probabilitas pembayaran kerusakan mobil pengendara lain lebih dari
0,5?

Suatu perusahaan XYZ memiliki dua generator listrik. Waktu hingga masing-
masing generator tersebut rusak mengikuti distribusi eksponensial dengan rata-
rata 10. Perusahaan XYZ baru akan menggunakan generator kedua sesaat
setelah generator pertama mengalami kerusakan. Berapa varians dari total
waktu kedua generator tersebut menghasilkan listrik?

Fungsi pembangkit momen dari distribusi gabungan suatu variabel random X
dan Y adalah
1 2 2
MX,Y (t1 , t2 ) = + et1 · , untuk t2 < 1
3(1 − t2 ) 3 (2 − t2 )
Hitung V ar[X]!

Dalam sebuah model untuk rumah sakit, biaya kamar adalah X dan biaya
operasi adalah Y dimana 0 ≤ y ≤ 2x + 1 ≤ 3 dan x ≥ 0. Fungsi kepadatan
probabilitas gabungan dari X dan Y adalah f (x, y) = 0, 3(x + y). Hitunglah
E[Y − X], yaitu ekspektasi kelebihan dari biaya operasi dibandingkan biaya
kamar.
234

Diberikan X dan Y adalah variabel random diskrit dengan distribusi proba-
bilitas gabungan (joint probability distribution) sebagai berikut.
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
Hitunglah nilai ekspektasi dari X jika diberikan Y = 4.

Masa hidup atau kegunaan sebuah alat pembersih debu mengikuti suatu variabel
random dengan fungsi kepadatan probabilitas sebagai berikut:

 20.000 , untuk x ≤ 0
3
f (x) = (x+100)
0 , x lainnya
Jika terdapat 3 alat pembersih yang bekerja saling bebas, hitunglah
P[X1 < 100, X2 < 100, X3 ≥ 200]

Sebuah distribusi probabilitas gabungan antara X dan Y didefinisikan sebagai
berikut:
f (x, y) = c(x2 + y 2 ) untuk x = −1, 0, 1, 3; y = −1, 2, 3
Tentukanlah nilai dari c.

Sebuah kotak berisi N1 bola putih, N2 bola hitam, dan N3 bola merah,
N1 + N2 + N3 = N . Sebuah uji coba dilakukan, N bola diambil secara
acak dari kotak tersebut (dengan pengembalian). Misal X1 , X2 , X3 menun-
jukkan jumlah dari bola putih, bola hitam dan bola merah pada percobaan yang
diamati. Carilah koefisien korelasi ”correlation coefficient” untuk X1 dan X2 .
BAB 9
TRANSFORMASI VARIABEL RANDOM
9.1 Teknik Transformasi Variabel Random

Pada beberapa permasalahan statistik, apabila diketahui distribusi dari variabel
random X, maka dimungkinkan juga untuk diperoleh distribusi dari variabel
random lainnya yang didefinisikan sebagai Y = u(X), dimana u adalah suatu
fungsi tertentu. Sebagai contoh, misalkan kita telah mengetahui distribusi
probabilitas dari variabel random X, maka hal ini memungkinkan kita untuk
mendapatkan distribusi dari Y = ln(X).
Pendefinisian Y = u(X) menyatakan transformasi satu-satu dari variabel

random X ke variabel random Y . Pada variabel random univariat X, beberapa
transformasi ke variabel random Y yang cukup sering digunakan di antaranya
√ X −µ
adalah Y = X 2 , Y = |X|, Y = X, Y = ln(X), Y = , dan
2 σ
X −µ
Y = . Pada bab ini, kita akan membahas mengenai beberapa teknik
σ
transformasi variabel random pada distribusi kontinu maupun diskrit, serta pada
kasus distribusi tunggal maupun distribusi gabungan.
9.1.1 Transformasi Variabel Random Diskrit Tunggal

Misalkan X adalah suatu variabel random diskrit dengan fungsi kepadatan
probabilitas f (x). Misalkan Y = u(X) menyatakan transformasi satu-satu antara
nilai X dan Y , sehingga persamaan y = u(x) mempunyai jawaban tunggal untuk
X dinyatakan dalam Y yaitu x = w(y).
Dengan demikian, diperoleh fungsi kepadatan probabilitas Y adalah sebagai

berikut:
g(y) = f [w(y)]
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
9.1.2 Transformasi Variabel Random Diskrit Gabungan

Misalkan X1 dan X2 adalah suatu variabel random diskrit dengan distribusi
probabilitas gabungan (x1 , x2 ). Misalkan juga untuk Y1 = u1 (X1 , X2 ) dan
Y2 = u2 (X1 , X2 ) merupakan suatu transformasi satu-satu antara himpunan titik
(x1 , x2 ) dan (y1 , y2 ). Sehingga persamaan y1 = u1 (x1 , x2 ) dan y2 = u2 (x1 , x2 )
mempunyai jawaban tunggal untuk x1 dan x2 yang dinyatakan dalam y1 dan y2 .
Misalnya x1 = w1 (y1 , y2 ) dan x2 = w2 (y1 , y2 ), maka distribusi probabilitas
gabungan antara y1 dan y2 adalah sebagai berikut:
g(y1 , y2 ) = f [w1 (y1 , y2 ), w2 (y1 , y2 )]
Transformasi ini sangatlah berguna untuk menentukan distribusi variabel random

y1 = u1 (x1 , x2 ) dengan distribusi probabilitas f (x1 , x2 ). Untuk menen-
tukan distribusi probabilitas gabungan g(y1 , y2 ) cukup dibentuk fungsi keduanya
misalnya Y2 = u2 (X1 , X2 ) dan (y1 , y2 ) dapat dipertahankan. Distribusi Y1
hanyalah distribusi marginal dari g(y1 , y2 ) yang dapat diperoleh dengan menjum-
lahkannya terhadap nilai y2 .
237
Jika distribusi Y1 dinyatakan dengan h(y1 ), maka distribusinya dapat dinyatakan

sebagai berikut: X
h(y1 ) = g(y1 , y2 )
y2
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:
f (x1 , x2 ) = f (x1 ) · f (x2 )

e−µ1 µx1 1 e−µ2 µx2 2
= ·
x1 ! x2 !
−(µ +µ ) x1 x2
e 1 2 µ 1 µ2
= ,
x1 !x2 !
dengan x1 = 0, 1, 2, · · · ; x2 = 0, 1, 2, · · ·
Selanjutnya, dibuat fungsi invers, yaitu x1 = y1 − y2 dan x2 = y2 .
Maka dapat diperoleh fungsi probabilitas gabungan dari Y1 dan Y2 sebagai

berikut:
(y −y )
e−(µ1 +µ2 ) µ1 1 2 µy22
g(y1 , y2 ) = ,
(y1 − y2 )!y2 !
dengan y1 = 0, 1, 2, · · · ; y2 = 0, 1, 2, · · ·
Karena x1 = 0, 1, 2, · · · maka transformasi x1 = y1 − y2 mengakibatkan

x2 dan juga y2 harus selalu kurang dari atau sama dengan y1 . Jadi distribusi
probabilitas marginal dari Y1 adalah
n
X
h(y1 ) = g(y1 , y2 )
y2 =0
n (y −y )
X e−(µ1 +µ2 ) µ1 1 2 µy22
=
(y1 − y2 )!y2 !
y2 =0
238
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
e−(µ1 +µ2 ) (µ1 + µ2 )y1

h(y1 ) = , dengan y1 = 0, 1, 2, · · ·
y1 !
Dari rumus distribusi probabilitas marginal ini terbukti bahwa Y1 berdistribusi

Poisson dengan parameter µ1 + µ2 .
9.1.3 Transformasi Variabel Random Kontinu Tunggal

Transformasi ini melibatkan satu variabel random kontinu. Pada transformasi
ini dimisalkan X merupakan fungsi satu-satu antara nilai X dan Y , sehingga
persamaan y = u(x) mempunyai jawaban tunggal untuk X dan Y . Misalnya
x = w(y), maka distribusi probabilitas Y dapat dinyatakan sebagai berikut:
g(y) = f [w(y)]|J|
dengan J = w0 (y) dan disebut sebagai transformasi Jacobian.
Contoh 9.3
Diketahui X adalah variabel random kontinu dengan PDF sebagai berikut:
 x , untuk 1 < x < 5


f (x) = 12
0 , untuk x lainnya.
Tentukan distribusi probabilitas variabel random Y = 2X − 3.

239
Pembahasan:
(y + 3) dx 1
Fungsi invers dari y = 2x − 3 adalah x = , sehingga diperoleh = ,
2 dy 2
nilai tersebut menyatakan J (transformasi Jacobian).
Batas-batas untuk y adalah:

Untuk x = 1, maka y = 2(1) − 3 = −1
Untuk x = 5, maka y = 2(5) − 3 = 7 Dengan menggunakan teknik transformasi
variabel random kontinu tunggal, maka diperoleh:
 !
y+3

2 1 y+3
= , untuk − 1 < y < 7


g(y) = 12 2 48

0

, untuk y lainnya
9.1.4 Transformasi Variabel Random Kontinu Gabungan

Misalkan X1 dan X2 adalah variabel random kontinu dengan distribusi proba-
bilitas gabungan f (x1 , x2 ). Misalkan juga untuk Y1 = u1 (X1 , X2 ) dan
Y2 = u2 (X1 , X2 ) merupakan suatu transformasi satu-satu antara himpunan titik
(x1 , x2 ) yang dinyatakan dalam y1 dan y2 .
Misalnya x1 = w1 (y1 , y2 ) dan x2 = w2 (y1 , y2 ), maka distribusi probabilitas

gabungan y1 dan y2 adalah sebagai berikut:
g(y1 , y2 ) = f [w1 (y1 , y2 ), w2 (y1 , y2 )]|J|
dengan J adalah matriks Jacobian 2x2 yaitu
∂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 ) =
Tentukan rumus fungsi probabilitas gabungan untuk Y1 = X12 dan Y2 = X1 X2 .
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

9.2 Teknik Moment Generating Function (MGF)

9.2.1 Moment Generating Function (MGF)
Sebagaimana teknik transformasi variabel, teknik Moment Generating Function
(MGF) juga dapat digunakan untuk menentukan suatu distribusi dari variabel
random. Dalam penentuannya, tentu saja harus digunakan sifat-sifat dari MGF.
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 ]
untuk −h < t < h dan h > 0.

241
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
Berikutnya, MGF dari variabel random kontinu ditentukan berdasarkan definisi

berikut ini.
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 dan c adalah sebuah konstanta, maka:
McX (t) = MX (ct)

MX+c (t) = ect MX (t)
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
9.2.2 Moment Generating Function (MGF) untuk Menen-

tukan Fungsi Distribusi Variabel Random
Teknik transformasi variabel random yang telah dibahas pada subbab sebelumnya,
menjadi metode yang efektif dalam menentukan suatu distribusi fungsi pada
beberapa variabel random. Sebagai alternatif, kita dapat menentukan fungsi
distribusi dari suatu variabel random dengan menggunakan konsep Moment Gener-
ating Function (MGF). Teknik MGF ini sangat efektif digunakan pada beberapa
kasus tertentu. Keberadaan teknik MGF secara unik dapat menentukan suatu
distribusi probabilitas.
242
Misalkan h(x1 , x2 , · · · , xn ) merupakan (probability density function) PDF

bersama dari n variabel random X1 , X2 , · · · , Xn . Variabel random ini merupakan
sampel acak dari distribusi f (x). Misalkan Y1 = u1 (X1 , X2 , · · · , Xn ).
Berikutnya, misalkan kita ingin mendapatkan g(y1 ), yaitu fungsi kepadatan
probabilitas dari variabel random Y1 . Maka MGF dari Y1 adalah
R∞
M (t) = E[etY1 ] = −∞ etY1 g(y1 ) dy1 pada kasus distribusi kontinu. Dengan
demikian, kita harus mengetahui g(y1 ) sebelum menghitung M (t).
Misalkan X1 , X2 , · · · , Xn adalah variabel random yang saling bebas dan

mengikuti distribusi normal N (µ1 , σ12 ), N (µ2 , σ22 ), · · · , N (µn , σn2 ). Variabel
random Y = k1 X1 +k2 X2 +· · ·+kn Xn , dimana k1 , k2 , · · · , kn adalah konstanta,
sehingga mengikuti distribusi normal dengan rata-rata k1 µ1 + k2 µ2 + · · · + kn µn
dan varians k12 σ12 + k22 σ22 + · · · + k22 σ22 . Jadi, Y mengikuti distribusi
Pn Pn 2 2
N ( i=1 ki µi , i=1 ki σi ).
Karena X1 , X2 , · · · , Xn adalah saling bebas, MGF dari Y diberikan sebagai

berikut:
M (t) = E{exp[t(k1 X1 + k2 X2 + · · · + kn Xn )]}

= E[etk1 X1 ]E[etk2 X2 ] · · · E[etkn Xn ]
dengan
σ 2 t2

tXi
E[e ] = exp µi t +
2
untuk semua t, i = 1, 2, · · · , n. Sehingga
σ 2 (ki t)2

tki Xi
E[e ] = exp µi (ki t) + i
2
Maka MGF dari Y adalah

n
k 2 σ 2 t2
Y
M (t) = exp (ki µi t) + i i
2
i=1
" n #
( ni=1 ki2 σi2 )t2
X P
= exp ( ki µi )t +
2
i=1
Oleh karena itu, Y mengikuti distribusi N ( ni=1 ki µi , ni=1 ki2 σi2 )

P P
243
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
Sehingga, kita dapatkan Y berdistribusi normal dengan:

2
X
µy = k i µi = 4
i=1
dan 2
X
σy2 = ki σi2 = 16
i=1
Jadi,  
Y − µy 1−4
P[Y > 1] = P  q > √ 
σy2 16
= P(Z > −0, 75)

= (luas daerah antara z = −0, 75 dan z = 0) + 0, 5
= (luas daerah antara z = 0 dan z = 0, 75) + 0, 5
= 0, 2734 + 0, 5
P[Y > 1] = 0, 7734

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
konstanta adalah sebagai berikut:

Yn
MY (t) = Mi (ai t)
i=1
244
MGF dari Y diberikan sebagai berikut
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 ]
Karena X1 , X2 , · · · , Xn independen. Maka E[etXi ] = Mi (t), sehingga

E[eai tXi ] = Mi (ai t). ‘
Maka MGF dari Y adalah:

n
Y
MY (t) = M1 (a1 t)M2 (a2 t) · · · Mn (an t) = Mi (ai t)
i=1
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:
MY (t) = E[etX1 · etX2 · · · etXn ]

= E[etX1 ] · E[etX2 ] · · · E[etXn ]
= MX1 (t) · MX2 (t) · · · MXn (t)
X ∼ BIN (n, p), maka:
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
Selanjutnya akan diperoleh MGF dari Y , yaitu:
MY (t) = MX1 (t) · MX2 (t) · · · MXn (t)

= (pet + q)n1 · (pet + q)n2 · · · (pet + q)nn
= (pet + q)n1 +n2 +···+nn
Jadi didapatkan MGF dari Y adalah MGF dari distribusi binomial. Sehingga
P
disimpulkan Y ∼ BIN ( ni , p)
9.3 Distribusi Jumlahan Variabel Random

Pada subbab ini akan dibahas mengenai distribusi dari jumlahan dua atau lebih
variabel random. Pertama, mari kita perhatikan dua variabel random X1 dan X2 .
Apabila didefinisikan Y = X1 + X2 , maka diperoleh
E[Y ] = E[X1 ] + E[X2 ] dan V ar[Y ] = V ar[X1 ] + V ar[X2 ] + 2Cov[X1 , X2 ]
Selanjutnya, apabila X1 dan X2 adalah variabel random diskrit dengan fungsi

probabilitas bersama f (x1 , x2 ), maka untuk sebarang konstanta bilangan bulat
k ≥ 0 berlaku
Xk
P[X1 + X2 = k] = f (x1 , k − x1 )
x1
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
−∞
Untuk X1 dan X2 yang saling independen dengan fungsi probabilitas masing-

masing adalah f1 (x1 ) dan f2 (x2 ), maka fungsi probabilitas dari variabel random
Y = X1 + X2 dapat dinyatakan sebagai
Z∞
fY (y) = f1 (x1 )f2 (y − x1 ) dx1
−∞
246
Berikutnya, apabila X1 ≥ 0 dan X2 ≥ 0, diperoleh
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
Sebagai catatan, apabila X1 , X2 , X3 , · · · , Xn adalah variabel random yang saling

independen antara yang satu dengan lainnya, maka
n
X
V ar[Y ] = V ar[Xi ]
i=1
dan
n
Y
MY (t) = MX1 (t) = MX1 (t) · MX2 (t) · MX3 (t) · · · · MXn (t)
i=1
Jika X1 , X2 , · · · , Xn dan Y1 , Y2 , · · · , Yn adalah variabel random dan

a1 , a2 , · · · , an , b, c1 , c2 , · · · , cm , d adalah konstanta, maka:
 
X n m
X Xn X m
Cov  ai Xi + b ci Yi + d = ai cj Cov[Xi , Yj ]
i=1 j=1 i=1 j=1
Teorema Limit Pusat

Misalkan X adalah variabel random dengan mean µ dan standar deviasi σ, dan
misalkan X1 , X2 , · · · , Xn adalah n variabel random yang saling independen
Pn
dengan distribusi yang sama dengan X. Apabila didefinisikan Yn = i=1 Xi ,
2
maka E[Yn ] = nµ dan V ar[Yn ] = nσ , serta jika n → ∞ maka distribusi dari Yn
akan mendekati distribusi normal dengan N (nµ, nσ 2 ).
247
Teorema ini sangat berguna untuk mengamati kejadian yang melibatkan jumlahan
dari variabel random. Perlu dicatat bahwa Teorema Limit Pusat dapat digunakan
pada sebarang distribusi.
Tabel berikut ini merangkum distribusi jumlahan variabel random untuk

beberapa jenis distribusi tertentu yang telah dipelajari pada bab sebelumnya.
Misalkan X1 , X2 , · · · , Xn adalah variabel random yang saling independen dan
= ni=1 Xi , maka diperoleh:
P
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
Eksponensial Exp(µ) Gamma α = n, β = 1/µ

P
Gamma ai , β Gamma ai , β
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
Cov(U, V ) = Cov(2X1 , X2 ) + Cov(2X1 , X3 ) + · · · + Cov(Xn−1 , 2Xn )

= V ar[X2 ] + V ar[X3 ] + · · · + V ar[Xn−1 ]
= (n − 2)σ 2
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
e−10 ln 3 (10 ln 3)10

PY (10) =
10!
1010 (ln 3)10
=
310 · 10!
= 0.11953
9.4 Distribusi Maksimum dan Minimum dari Variabel

Random yang Independen
Misalkan diberikan variabel random X1 dan X2 yang saling independen.
Berikutnya, apabila didefinisikan
U = max{X1 , X2 } dan V = min{X1 , X2 }
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
X1 dan X2 adalah variabel random saling bebas, tetapi mereka memiliki fungsi
densitas yang sama, yaitu

2x , untuk 0 < x < 1
f (x) =
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 }
P[Y > 0, 5] = 1 − P[Y ≤ 0, 5]

= 1 − P[max{x1 , x2 } ≤ 0, 5]
= 1 − Fx1 (0, 5) · Fx2 (0, 5)
251
= 1 − [Fx (0, 5)]2

= 1 − [(0, 5)2 ]2
= 1 − (0, 5)4
= 0, 9375
≈ 0, 94

Contoh 9.12
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
FYn (ξ0,9 ) = (FX (ξ0,9 ))n = (0, 9)

1 − FYn (ξ0,9 ) = 1 − (0, 9)n ≥ 0, 75
(0, 9)n ≤ 1 − 0, 75
(0, 9)n ≤ 0, 25
n ln(0, 9) ≤ ln(0, 25)
n(−0, 105361) ≤ (−1, 386294)
n(0, 105361) ≥ 1, 386294
1, 386294
n≥
0, 105361
= 13, 15756
Dengan demikian, nilai n minimal adalah 14.

252
SOAL LATIHAN BAB 9

TRANSFORMASI VARIABEL RANDOM

Misalkan X berdistribusi seragam pada interval [-1,5] dengan fungsi kepadatan
probabilitas
1 , − 1 < x < 5

f (x) = 8
0 , lainnya
√
Hitunglah nilai ekspektasi g(X) = X 3 + X + 2.

Andaikan X dan Y adalah variabel random diskrit dengan p(x, y) = k·(x+2y)
√
untuk x = 0, 1, 2, 3 dan y = 1, 2. Tentukan E[ Y ].

Jika X adalah variabel random yang memiliki fungsi berikut:
fx (x) = 3x2 ; 0 ≤ x ≤ 1
Tentukan fungsi densitas fY (y) untuk Y = e2x .

Misalkan X adalah variabel random Poisson dengan E[X] = ln 2. Hitung
E[cos(πX)]

Berapa banyak pernyataan terkait dengan penjumlahan variabel random yang
saling bebas di bawah ini yang benar?
(1) Penjumlahan variabel random Poisson yang saling bebas mempunyai
distribusi Poisson.
(2) Penjumlahan variabel random eksponensial yang saling bebas mempunyai
distribusi eksponensial.
(3) Penjumlahan variabel random Chi-Square yang saling bebas mempunyai
distribusi Chi-Square.
(4) Penjumlahan variabel random normal yang saling bebas mempunyai
distribusi normal.
253

Misalkan X1 , X2 mempunyai fungsi kepadatan probabilitas gabungan
h(x1 , x2 ) = 8x1 x2 , 0 < x1 < x2 < 1
dan h(x1 , x2 ) = 0 untuk x1 , x2 lainnya. Carilah probabilitas gabungan antara

Y1 , Y2 dimana Y1 = X1 /X2 dan Y2 = X2 .
Petunjuk : Gunakan pertidaksamaan 0 < y1 y2 < y2 < 1 dalam memetakan
S (bidang dimana x terdefinisi) ke T (bidang dimana y terdefinisi) dengan
Jacobian Matrix!

Pada bilangan acak, jarak antara dua distribusi didefinisikan sebagai
maksimum,
max |F (x1 ) − F (X2 )|
−∞<x<∞
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
Pada soal no. 8 dan 9 berlaku informasi sebagai berikut:

Tiga atlet lari sedang mengikuti kompetisi lari sepanjang 1 km. Waktu
tempuh masing-masing atlet dinyatakan sebagai variabel random Xi dengan
i menyatakan atlet ke-i.
X1 ∼ U [2, 9 , 3, 1]
X2 ∼ U [2, 7 , 3, 1]
X3 ∼ U [2, 9 , 3, 3]
Waktu tempuh masing-masing atlet saling bebas satu dan yang lainnya.

Hitung probabilitas pelari tercepat menyelesaikannya kurang dari 3 menit!

Hitung probabilitas pelari terlama menyelesaikannya kurang dari 3 menit!

Besar klaim atas kerusakan rumah akibat angin adalah variabel random saling
bebas dengan fungsi kepadatan probabilitas sebagai berikut:
254
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?

Dalam sebuah area metropolitan, kerugian tahunan akibat terjadinya badai,
kebakaran, dan pencurian diasumsikan saling bebas, dan memiliki distribusi
variabel random eksponensial dengan rata-rata untuk masing-masing kejadian
adalah 1 (badai), 1,5 (kebakaran), dan 2,4 (pencurian). Hitunglah probabilitas
bahwa maksimum dari tiga jenis kerugian tahunan adalah lebih dari 3.

Berapa banyak dari pernyataan ini yang benar mengenai penjumlahan dari
variabel random yang saling bebas
i. Penjumlahan dari variabel random saling bebas yang berdistribusi Poisson
adalah berdistribusi Poisson.
ii. Penjumlahan dari variabel random saling bebas yang berdistribusi ekspo-
nensial adalah berdistribusi eksponensial.
iii. Penjumlahan dari variabel random saling bebas yang berdistribusi
Geometrik adalah berdistribusi Geometrik.
iv. Penjumlahan dari variabel random saling bebas yang berdistribusi normal
adalah berdistribusi normal.
13. Diberikan X ∼ EXP (1). Dapatkan PDF dari variabel random Y = 2 ln X.
14. Diberikan X dan Y merupakan distribusi bersama eksponensial saling bebas

dengan mean 1. Misalkan diberikan transformasi U = Y /X dan V = X.
Dapatkan distribusi bersama U dan V serta distribusi marginal U .
BAB 10
APLIKASI PROBABILITAS PADA DISTRIBUSI
KERUGIAN ASURANSI
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).
Sebagai contoh, seorang individu yang memiliki kendaraan bermotor. Ketika

individu tersebut mengemudikan kendaraan di jalan raya, maka risiko yang
bisa saja terjadi adalah kecelakaan yang dapat mengakibatkan kerusakan pada
kendaraannya serta kerugian akibat biaya berobat yang harus ditanggung selama
di rumah sakit. Apabila individu tersebut tidak dapat bekerja dalam kurun waktu
beberapa bulan, maka kerugian lain yang muncul adalah hilangnya kemungkinan
pendapatan yang seharusnya dia peroleh. Seseorang yang berada dalam risiko,
seperti contoh tersebut, dapat memilih beberapa jenis produk asuransi untuk
mengurangi dampak atau risiko dari kerugian finansial. Dengan kata lain, individu
tersebut dapat membeli suatu polis/kontrak asuransi (insurance policy).
Suatu polis asuransi merupakan kontrak antara pihak tertanggung (pemegang

polis/pembeli polis asuransi) dan pihak penanggung (perusahaan asuransi).
Dalam kontrak tersebut, terdapat transfer risiko dari pihak tertanggung kepada
pihak penanggung. Apabila suatu saat pihak tertanggung mengalami kerugian
finansial yang diakibatkan oleh sesuatu hal yang disebutkan di dalam kontrak
tersebut, maka pihak tertanggung berhak mengajukan klaim asuransi (insurance
claim). Dengan demikian, pihak penanggung akan membayarkan sejumlah
manfaat (benefit) sesuai dengan kesepakatan pada kontrak asuransi. Sebagai
gantinya, pihak tertanggung diwajibkan membayarkan sejumlah premi asuransi
(insurance premium).
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.
10.1 Distribusi Kerugian Asuransi

Terdapat beberapa cara yang dapat digunakan untuk memodelkan klaim atau
kerugian dari suatu polis asuransi tertentu, dimana hal tersebut sangat bergantung
kepada jenis dan sifat dari kerugian tersebut. Pada praktiknya, besar klaim yang
dibayarkan belum tentu sesuai dengan besar kerugian yang sebenarnya terjadi.
Sebagai contoh, apabila seorang pemegang polis kendaraan bermotor mengalami
kerugian sebesar 100 juta rupiah akibat kecelakaan yang ia alami, maka besar
klaim asuransi yang dibayarkan oleh perusahaan asuransi bisa jadi kurang dari
jumlah kerugian tersebut. Hal ini, tentu saja, bergantung kepada kesepakatan
yang tertera di dalam kontrak asuransi. Apabila dalam kesepakatan tersebut,
perusahaan asuransi hanya diminta untuk membayarkan klaim sejumlah 80%
dari total kerugian, maka berdasarkan contoh di atas, perusahaan asuransi hanya
diminta untuk membayarkan klaim dengan total 80 juta rupiah. Dengan demikian,
tentu saja pemegang polis harus menanggung kerugian sebesar 20% sisanya.
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
10.2 Pertanggungan Asuransi secara Parsial

Pada banyak kasus, polis asuransi tidak memberikan coverage penuh terhadap
sejumlah kerugian yang dialami oleh pemegang polis. Pada kasus ini, perusahaan
asuransi hanya menyediakan pertanggungan asuransi secara parsial (partial
coverage). Ada beberapa jenis pertanggungan asuransi secara parsial yang dapat
diterapkan kepada variabel random kerugian X, di antaranya adalah deductible
dan policy limit.
10.2.1 Prinsip Deductible

Sebuah polis asuransi kerugian, umumnya dijual dengan batas penggantian
sendiri (deductible) sebesar d. Dalam kasus ini, apabila kerugian X muncul, maka
perusahaan asuransi tidak akan membayarkan klaim apa pun apabila kerugian
tersebut besarnya kurang dari atau sama dengan d, dan akan membayarkan klaim
sebesar X − d apabila kerugian yang muncul lebih besar dari d.
258
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).
Pada kenyataannya, terdapat variasi lain dari kontrak asuransi deductible

biasa, yaitu asuransi franchise deductible. Pada kontrak ini, apabila kerugian
X muncul, maka perusahaan asuransi tidak akan membayarkan klaim apa pun
apabila kerugian tersebut besarnya kurang dari atau sama dengan d, dan akan
membayarkan klaim sebesar X apabila kerugian yang muncul lebih besar dari d.
Dengan kata lain, perusahaan asuransi akan membayarkan klaim asuransi secara
utuh (sebesar kerugian yang dialami) apabila kerugian yang muncul lebih besar
dari d. Secara matematis, besar klaim yang dibayarkan oleh perusahaan asuransi
dapat dinyatakan sebagai variabel random Y sebagai berikut:

0 , apabila X ≤ d
Y = = max{X, 0}
X, apabila X > d
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
E[Y ] = E[(X − 200)+ ]

x
Z ∞ !
e− 1000
= (x − 200) dx
200 1000
x
Z ∞ ! Z ∞ x
!
e− 1000 e− 1000
= x dx − 200 dx
200 1000 200 1000
x x x
= −xe− 1000 − 1000e− 1000 + 200e− 1000 |∞
x=200
= −0 − 0 + 200e−0,2 + 800e−0,2
= 818, 73
Contoh 10.3
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
V ar[X − 250] = E[(X − 250)2 ] − (E[X − 250])2

= 434027, 7778 − (520, 83333)2
= 162.760, 4514
p p
σx (X − 250) = V ar(X − 250) = 162760, 4514 = 403, 436 ≈ 403
10.2.2 Prinsip Policy Limit

Sebuah polis asuransi kerugian, dapat pula dijual dengan batas atas penggantian
(policy limit) sebesar u. Dalam kasus ini, apabila kerugian X muncul, maka
perusahaan asuransi akan membayarkan klaim sebesar X apabila kerugian
tersebut besarnya kurang dari atau sama dengan u, dan akan membayarkan klaim
sebesar u apabila kerugian yang muncul lebih besar dari u. Dengan kata lain,
perusahaan asuransi akan membayarkan klaim asuransi dengan nilai maksimum
sebesar u.
Secara matematis, besar klaim yang dibayarkan oleh perusahaan asuransi

dapat dinyatakan sebagai variabel random Y sebagai berikut:

X , apabila X ≤ u
Y =
u , apabila X > u
261
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
Ru
E[Y ] = 0 [1 − FX (x)] dx.
Misalkan X menyatakan variabel random kerugian. Polis asuransi yang

membayarkan klaim asuransi apabila kerugian yang terjadi melebihi deductible
sebesar c dinyatakan sebagai

0 , apabila X ≤ c
Y1 =
X − c , apabila X > c
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 praktiknya, perusahaan asuransi juga dapat mengombinasikan prinsip

deductible dan policy limit dalam satu polis asuransi kerugian. Apabila polis
asuransi memiliki deducitble sebesar d, dan batas maksimal pembayaran klaim
sebesar u − d, maka besar klaim yang dibayarkan oleh perusahaan asuransi kepada
pihak tertanggung dapat dinyatakan sebagai

0

 , apabila X ≤ d
Y = X −d , apabila d < X ≤ u


u−d , apabila X > u

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
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:
a Apabila deductible sebesar d = 250 diterapkan, maka diperoleh:
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
b Apabila policy limit sebesar u = 500 diterapkan, maka diperoleh:

Z 500
1 1
E[Y ] = x dx + 500[1 − FX (500)] = 125 + 500 1 −
0 1000 2
= 375
Z 500
2 2 1
E[Y ] = x dx + (500)2 [1 − FX (500)] = 41.667 + 125.000
0 1000
= 166.667
V ar[Y ] = E[Y 2 ] − (E[Y ])2 = 26.042
c Apabila deductible sebesar d = 250 dan policy limit sebesar u = 500 diter-
apkan, maka diperoleh:
Z 500
1 1
E[Y ] = (x − 250) dx + 250[1 − FX (500)] = 31, 25 + 250
250 1000 2
= 156, 25
Z 500
1
E[Y 2 ] = (x − 250)2 dx + (250)2 [1 − FX (500)] = 5208 + 31.250
250 1000
= 36.458
V ar[Y ] = E[Y 2 ] − (E[Y ])2 = 12.044
10.3 Model Risiko Agregat

Pada bagian ini, kita akan membahas mengenai model risiko agregat, dimana suatu
portofolio asuransi terdiri atas beberapa polis asuransi tunggal.
264
10.3.1 Model Risiko Individual

Model risiko individual mengasumsikan bahwa suatu portofolio asuransi terdiri
dari beberapa polis asuransi tunggal. Sebagai contoh, misalkan satu portofolio
asuransi terdiri dari n polis asuransi tunggal, dengan besar klaim untuk satu
periode pada polis asuransi ke-i adalah variabel random Xi . Catat bahwa Xi dapat
dimodelkan dengan cara yang telah dijelaskan pada subbab sebelumnya untuk
variabel random pada polis asuransi individual. Dengan demikian, klaim agregat
(aggregate claim) adalah variabel random yang didefinisikan berikut ini.
n
X
S= Xi
i=1
Pn Pn
dengan E[S] = i=1 E[Xi ] dan V ar[S] = i=1 V ar[Xi ].
Apabila
E[Xi ] = µ dan V ar[Xi ] = σ 2
√ 2, 3, · · · , n√, maka koefisien varians dari distribusi klaim

untuk setiap i = 1,
V ar[S] nV ar[X] σ
agregat S adalah E[S] = n·E[X] = µ√ n
. Catat bahwa koefisien varians
akan mendekati nilai 0, apabila n → ∞.
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
Apabila, Y2 adalah variabel random yang menyatakan besar klaim untuk

500 individu
 pertama, maka diperoleh
0 , dengan probabilitas sebesar 0, 98
Y2 =
1000 , dengan probabilitas sebesar 0, 02
E[Y1 ] = 1000(0, 02) = 20
V ar[Y1 ] = E[Y12 ] − (E[Y1 ])2 = 19600
Dengan demikian, kita peroleh

1000
X
E[S] = E[Xi ] = 500(10) + 500(20) = 15000
i=1
1000
X
V ar[S] = E[Xi ] = 500(9900) + 500(19600) = 14.750.000
i=1 p √
Std.Deviasi[S] = (V ar[S] = 14.750.000 = 3.841
10.3.2 Model Risiko Agregat dengan Menggunakan

Aproksimasi Distribusi Normal
Untuk distribusi klaim agregat S, apabila diketahui mean dan varians dari S,
yaitu E[S] dan V ar[S], maka sangat memungkinkan bagi kita untuk melakukan
aproksimasi probabilitas dari S dengan menggunakan distribusi normal. Sebagai
contoh, persentil ke-95 dari klaim agregat adalah nilai q sedemikian hingga P[S ≤
q] = 0, 95. Apabila S diasumsikan memiliki distribusi yang dapat diaproksimasi
dengan distribusi normal, maka dengan melakukan standarisasi pada variabel
random S, diperoleh
" #
S − E[S] q − E[S]
P[S ≤ q] = P p ≤p = 0, 95
Var[S] Var[S]
266
Dengan demikian, melalui pendekatan distribusi normal standar, diperoleh
q − E[S] p
p = 1, 645 → q = E[S] + 1, 645 Var[S]
Var[S]
Apabila perusahaan asuransi mendapatkan total premi sebesar q, maka terdapat

95% kemungkinan bahwa klaim agregat S akan bernilai kurang dari total premi
yang didapatkan, dan catat pula bahwa masih terdapat 5% kemungkinan bahwa
klaim agregat S akan bernilai lebih dari total premi yang didapatkan. Karena
S adalah jumlahan dari variabel random kerugian per polis individual, maka
kita dapat menggunakan Teorema Limit Pusat untuk mengaproksimasi S dengan
menggunakan distribusi normal.
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
Dengan menggunakan pendekatan distribusi normal, dapatkan persentil ke-95 dari

distribusi klaim agregat tahunan untuk perusahaan asuransi tersebut.
Pembahasan:
Untuk polis asuransi individual, distribusi besar klaim yang akan dibayarkan oleh
perusahaan asuransi dengan deductible sebesar 100 adalah


 0 dengan probabilitas 0, 3

 100 dengan probabilitas 0, 4
Y =
 400
 dengan probabilitas 0, 2

900 dengan probabilitas 0, 1


E[Y ] = 210, dan E[Y 2 ] = 117.000, serta V ar[Y ] = 72.900
Apabila S menyatakan klaim agregat tahunan yang dibayarkan oleh perusahaan

asuransi, maka diperoleh
E[S] = 50 · E[Y ] = 10.500, dan V ar[S] = 50 · V ar[Y ] = 3.645.000
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]
Dengan menggunakan pendekatan distribusi normal maka didapatkan

q − E[S] q − 10.500
p =√ = 1, 645 → q = 13.641
Var[S] 3.645.000

268
SOAL LATIHAN BAB 10

APLIKASI PROBABILITAS PADA DISTRIBUSI
KERUGIAN ASURANSI

Polis asuransi untuk suatu alat elektronik akan membayar manfaat sebesar
4.000 jika alat elektronik tersebut rusak dalam satu tahun pertama. Jumlah
manfaat yang akan dibayarkan akan menurun sebesar 1.000 setiap tahun
berikutnya hingga mencapai 0. Jika alat elektronik tersebut tidak rusak di awal
dari suatu tahun tertentu, maka probabilitas bahwa alat elektronik tersebut akan
rusak selama satu tahun tertentu tersebut adalah 0,4. Berapakah manfaat yang
diharapkan dari polis ini?

Dalam memodelkan jumlah klaim yang dimasukkan oleh pemegang polis pada
suatu perusahaan asuransi mobil untuk masa 3 tahun, seorang aktuaris membuat
asumsi sederhana bahwa untuk semua n lebih dari 0 (n > 0), pn+1 = 0, 2 · pn
dimana pn adalah kemungkinan bahwa pemegang polis akan memasukkan
sebanyak n klaim selama masa tersebut. Dengan asumsi ini, berapakah
probabilitas bahwa seorang pemegang polis akan memasukkan lebih dari satu
klaim selama periode tersebut?

Diketahui informasi di bawah ini:
Mobil Merah Mobil Hijau
Pemegang polis 300 700
Kemungkinan terjadi kecelakaan 0,10 0,05
Kemungkinan biaya klaim melebihi
batas penggantian sendiri (deductible) 0,90 0,80
bila kecelakaan timbul dari grup ini.
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

Dalam memodelkan variabel random banyak klaim dari suatu polis kecelakaan
mobil selama periode tiga tahun, seorang aktuaris membuat asumsi sederhana
bahwa untuk semua bilangan bulat n ≥ 0, pn+1 = 15 pn . pn ialah proba-

bilitas bahwa seorang pemegang polis mengajukan klaim sebanyak n kali.

Dengan menggunakan asumsi yang sama, berapa probabilitas bahwa seorang
pemegang polis mengajukan lebih dari satu kali klaim selama periode yang
sama?

Suatu perusahaan asuransi menyediakan cadangan klaim untuk klaim-klaim
katastrofe sebesar 120 milyar rupiah yang mana, sebesar C akan dibayarkan
untuk 20 klaim katastrofe pada tahun depan. Setiap klaim besar tersebut
mempunyai probabilitas sebesar 2% untuk terealisasi, yang mana saling bebas
antara satu dengan yang lainnya. Tentukan nilai maksimum dari C (milyar)
untuk mana akan terdapat kurang dari 1% kemungkinan bahwa cadangan klaim
katastrofe akan tidak cukup untuk membayarkan semua klaim katastrofe!

Perusahaan asuransi jiwa membuat sebuah polis asuransi berjangka 1 tahun
untuk satu pasangan wiraswasta yang bepergian ke lokasi berisiko tinggi. Polis
asuransi tidak membayar apa pun jika tidak ada yang meninggal; 100.000, jika
tepat satu dari pasangan tersebut meninggal, dan K juta > 0, jika keduanya
meninggal. Perusahaan asuransi menentukan bahwa terdapat probabilitas
minimal satu akan meninggal dalam tahun tersebut sebesar 0,1 dan proba-
bilitas tepat satu dari pasangan akan meninggal dalam tahun tersebut sebesar
0,08. Diketahui standar deviasi dari pembayaran sebesar 74.000 juta. Tentukan
ekspektasi pembayaran polis untuk tahun tersebut (dalam juta rupiah).

derungan tren pembelian asuransi oleh pemilik mobil mendapati beberapa
kesimpulan seperti berikut:
(1) Pemilik kendaraan ternyata memiliki kecenderungan untuk membeli
asuransi perlindungan kecelakaan diri dua kali lebih besar daripada perlin-
dungan orang ketiga.
(2) Kejadian pembelian asuransi kecelakaan diri ini ternyata saling bebas
dengan kejadian pembelian asuransi perlindungan orang ketiga.
270
(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 perlin-
dungan asuransi kecelakaan diri dan orang ketiga?
8. Sebuah polis asuransi akan membayarkan klaim kerugian dengan batas

maksimal (policy limit) adalah 10. Diketahui bahwa variabel random kerugian
dari pemegang polis, Y , mengikuti suatu distribusi dengan fungsi kepadatan
probabilitas yang didefinisikan sebagai berikut:

 2 , untuk y > 1
3
f (y) = y
0 , untuk nilai y yang lainnya
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
Misalkan variabel random Y menyatakan usia dari mesin ketika mengalami

penggantian mesin baru. Hitunglah varians dari Y .
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
Bidang keilmuan statistika berkaitan erat dengan kesimpulan dan prediksi

yang dihasilkan dari kemungkinan hasil (outcome) yang muncul pada suatu
eksperimen. Apabila kita ingin menarik suatu kesimpulan dari suatu eksperimen,
maka biasanya kita akan mengambil beberapa sampel hasil observasi dari suatu
populasi. Hal ini cukup beralasan, karena apabila suatu eksperimen melibatkan
seluruh populasi, maka eksperimen tersebut umumnya membutuhkan waktu yang
cukup lama dan biaya yang cukup besar.
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).
Sifat-sifat dari distribusi sampel, berikutnya, akan memudahkan kita untuk

membuat dugaan mengenai populasi secara keseluruhan. Teori-teori yang akan
dibahas pada bab ini merupakan fondasi dasar dari inferensi statistik (statistical
inference). Inferensi statistik dapat didefinisikan sebagai proses penarikan
kesimpulan dari sampel terkait dengan populasi dimana sampel tersebut diambil.
Catat bahwa distribusi yang berkaitan dengan populasi disebut sebagai distribusi
populasi (population distribution), sedangkan distribusi yang berkaitan dengan
sampel yang berasal dari suatu populasi tertentu disebut dengan distribusi
sampling (sampling distribution).
Sebagai contoh, misalkan kita akan melakukan eksperimen menimbang berat

badan 40 orang mahasiswa yang mengambil kelas teori probabilitas. Berikutnya,
kita mengambil sampel sebanyak 5 orang mahasiswa secara acak dari kelas
tersebut.
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.
Contoh lainnya, misalkan kita ingin melakukan eksperimen penghitungan

rata-rata usia dari suatu transistor yang diproduksi pabrik. Berikutnya, misalkan,
kita mengambil sampel 20 transistor yang telah diproduksi secara acak untuk
dites serta mencatat usia dari masing-masing transistor sampai dengan transistor
tersebut rusak. Apabila waktu kerusakan dari masing-masing transistor yang
dijadikan sampel adalah saling independen dan semuanya berdistribusi ekspo-
nensial dengan parameter θ, maka kita bisa menduga bahwa waktu kerusakan dari
seluruh populasi transistor juga memiliki distribusi eksponensial.
Sebagai catatan, tidak seluruh sampel beserta distribusinya dapat digunakan

untuk membuat suatu kesimpulan mengenai populasi dari sampel tersebut. Pada
umumnya, metode inferensi yang akan dibahas pada bab ini didasarkan pada suatu
asumsi bahwa sampel yang dimaksud adalah sampel acak (random sample).
Pada praktiknya, kita mungkin akan menjumpai sampel dari suatu populasi yang
berhingga. Namun, jumlah anggota populasi tersebut bisa jadi sangat besar
sehingga dapat disebut sebagai populasi tak berhingga. Oleh karena itu, kita
asumsikan bahwa populasi yang dibahas pada bagian ini adalah populasi tak
hingga. Sedangkan untuk populasi yang berhingga, akan dibahas pada bagian
terakhir dari subbab 11.1.
Misalkan diberikan X1 , X2 , X3 , · · · , Xn adalah variabel random yang independen

dan memiliki distribusi yang identik (independent and identically distributed),
maka kita katakan bahwa variabel random tersebut adalah sampel acak
dari populasi tak hingga yang diberikan oleh distribusi umum dari populasi.
Berikutnya, apabila f (x1 , x2 , x3 , · · · , xn ) adalah PDF dari distribusi gabungan
dari seluruh variabel random pada titik (x1 , x2 , x3 , · · · , xn ), maka berdasarkan
konsep independen pada variabel random kita peroleh
n
Y
f (x1 , x2 , x3 , · · · , xn ) = f (xi )
i=1
dimana f (xi ) adalah nilai dari distribusi populasi pada xi .

273
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.
Apabila X1 , X2 , X3 , · · · , Xn merupakan sampel acak, maka mean sampel

didefinisikan sebagai Pn
Xi
X̄ = i=1
n
dan varians sampel didefinisikan sebagai
Pn
2 (Xi − X̄)2
S = i=1
n−1
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) =
Dapatkan mean dan varians dari jumlahan sampel Y = X1 + X2 .

274
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
V ar(X) = E[X 2 ] − E[X]2

Z 1 2
3 1
= 6x (1 − x) dx −
0 2
Z 1
1
=6 x3 (1 − x) dx −
0 4

1
= 6B(4, 2) −
4

Γ(4)Γ(2) 1
= −
Γ(6) 4

1 1
=6 −
20 4
6 5
= −
20 20
1
=
20
Karena X1 dan X2 memiliki distribusi yang sama, maka diperoleh
1
V ar(X1 ) = = V ar(X2 )
20
275
Dengan demikian, varians dari Y adalah
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
dimana ui untuk i = 1, 2, 3, · · · n adalah sebarang fungsi.
Selanjutnya, apabila X1 , X2 , X3 , · · · , Xn menyatakan variabel random yang

independen dan memiliki distribusi yang identik (independent and identically
distributed) dengan mean dan varians masing-masing adalah µ1 , µ2 , µ3 , · · · , µn
Pn
dan σ12 , σ22 , σ32 , · · · , σn2 , maka mean dan varians dari Y = i=1 ai Xi , dimana
a1 , a2 , a3 , · · · , an adalah konstanta riil, dapat dinyatakan sebagai
n
X n
X
µY = a i µi dan σY2 = a2i σi2
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
µY = 3µ1 − 2µ2 = 3(−4) − 2(3) = −18
Dengan cara yang sama, varians dari Y adalah
σY2 = (3)2 σ12 + (−2)2 σ22 = 9σ12 + 4σ22 = 9(4) + 4(9) = 72
Apabila X1 , X2 , X3 , · · · , Xn menyatakan variabel random yang independen dan

memiliki distribusi yang identik (independent and identically distributed) dengan
fungsi pembangkit momen masing-masing adalah MXi (t) untuk i = 1, 2, 3, · · · n,
maka fungsi pembangkit momen dari Y = ni=1 ai Xi , dimana a1 , a2 , a3 , · · · , an
P
adalah konstanta riil, dapat dinyatakan sebagai

n
Y
MY (t) = MXi (ai t)
i=1
Berikut ini adalah bukti dari teorema tersebut.

n
Y n
Y
MY (t) = MP ni=1 ai Xi (t) = Mai Xi (t) = MXi (ai t)
i=1 i=1
Berikutnya, apabila X1 , X2 , X3 , · · · , Xn menyatakan variabel random yang

independen sedemikian hingga
Xi ∼ N (µi , σi2 ), untuk i = 1, 2, 3, · · · n
maka variabel random Y = ni=1 ai Xi , dimana a1 , a2 , a3 , · · · , an adalah

P
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

Karena Xi ∼ N (µi , σi2 ), fungsi pembangkit momen dari masing-masing Xi dapat
dinyatakan sebagai
1 2 2
MXi (t) = eµi t+ 2 σi t

n n Pn Pn
1 2 2 ai µi t+ 12 a2i σi2 t2
Y Y
MY (t) = MXi (ai t) = eai µi t+ 2 σi t = e i=1 i=1
i=1 i=1
Berdasarkan fungsi pembangkit momen dari distribusi normal, terlihat bahwa

Pn
variabel random Y berdistribusi normal dengan mean µY = i=1 ai µi dan
2
P n 2 2
varians σY = i=1 ai σi .
11.1 Distribusi Sampling dari Mean

Karena nilai statistik sampling dapat bervariasi dari satu sampel ke sampel yang
lainnya, maka kita perlu mencari distribusi dari statistik tersebut. Kita dapat
menyebut distribusi tersebut sebagai distribusi sampling (sampling distribution),
dan dapat memanfaatkannya dalam menentukan sifat-sifat dari distribusi populasi
beserta parameternya. Pertama, kita akan mempelajari mengenai distribusi
sampling dari mean, serta membuat beberapa asumsi yang sangat umum berkaitan
dengan sifat-sifat dari populasi. Berikut ini adalah teorema penting yang berkaitan
dengan distribusi dari mean sampel X̄.
Apabila X1 , X2 , X3 , · · · , Xn adalah hasil observasi dari sampel acak berukuran n

dari suatu populasi yang berdistribusi
Pn normal dengan mean µ dan varians σ 2 > 0,
Xi
maka mean sampel X̄ = i=1 n juga akan berdistribusi normal dengan mean µ
σ 2
dan varians n .
Berikut ini adalah pembuktian dari teorema tersebut.
Mean dari mean sampel diberikan oleh

n n
1X 1X
E[X̄] = E[Xi ] = µ=µ
n n
i=1 i=1
Dengan cara yang sama, varians dari mean sampel adalah

n n 2
σ2

X Xi X 1
V ar(X̄) = V ar = σ2 =
n n n
i=1 i=1
278
Contoh berikut ini berkaitan dengan teorema sebelumnya yang menyatakan

bahwa apabila kita mengambil sampel acak berukuran n dari suatu populasi
berdistribusi normal dengan mean µ dan varians σ 2 , maka mean sampel
yang P
n
Xi σ2
X̄ = i=1
n akan berdistribusi normal dengan mean µ dan varians n , yaitu
juga
2
X̄ ∼ N µ, σn .
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
P[49 < X8 < 51] = P[49 − 50 < X8 − 50 < 51 − 50]

49 − 50 X8 − 50 51 − 50
=P < <
4 4 4

1 X8 − 50 1
=P − < <
4 4 4

1 1
=P − <Z<
4 4

1
= 2P Z < −1
4
= 0.1974 (dari tabel distribusi normal)
Dengan menggunakan teorema yang telah dibahas sebelumnya, terlihat bahwa

X̄ ∼ N 50, 16

64 .
Dengan demikian, diperoleh:
P[49 < X̄ < 51] = P[49 − 50 < X̄ − 50 < 51 − 50]

 
49 − 50 X̄ − 50 51 − 50 
= P q < q < q
16 16 16
64 64 64
 
X̄ − 50
= P −2 < q < 2
16
64
279
= P[−2 < Z < 2]

= 2P[Z < 2] − 1
= 0.9544 (dari tabel distribusi normal).

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.
Untuk sebarang konstanta positif c, probabilitas bahwa X̄ akan memiliki

nilai antara µ − c dan µ + c minimal adalah
σ2
1−
nc2
Ketika n → ∞, nilai probabilitas tersebut akan mendekati 1.
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.
Misalkan diberikan X1 , X2 , X3 , · · · , Xn adalah sampel acak berukuran n

dari suatu populasi, dimana Xi untuk i = 1, 2, 3, · · · , n saling bebas dan memiliki
distribusi yang identik dengan distribusi populasi. Pada pembahasan sebelumnya,
kita telah melihat bahwa apabila distribusi populasi adalah normal, maka mean
sampel X̄ juga berdistribusi normal.
280
Lebih tepatnya, apabila X1 , X2 , X3 , · · · , Xn adalah sampel acak dari distribusi

normal dengan fungsi kepadatan probabilitas
1 x−µ 2
f (x) = √ e−1/2( σ )
σ 2π

σ2
maka X̄ ∼ N µ, n .
Teorema Limit Pusat menyatakan bahwa meskipun distribusi populasi cukup

jauh dari distribusi normal, akan tetapi untuk ukuran sampel n yang cukup besar,
maka distribusi dari mean sampel yang terstandar (standardized sample mean),
secara aproksimasi, akan mengikuti distribusi normal standar apabila ukuran
sampel besar. Secara matematis, hal ini dapat dinyatakan sebagai berikut:
Misalkan diberikan X1 , X2 , X3 , · · · , Xn adalah sampel acak berukuran n

dari suatu populasi yang berdistribusi normal dengan mean µ dan varians σ 2 > 0,
maka limiting distribution dari
X̄ − µ
Zn =
√σ
n
adalah distribusi standar normal, yaitu Zn konvergen menuju Z. Catat bahwa

Z menyatakan variabel random dari distribusi normal standar. Konvergen yang
dimaksud dalam hal ini adalah konvergen di dalam distribusi.
Contoh 11.4
Misalkan Y = X1 + X2 + · · · + X15 menyatakan jumlahan dari sampel acak
berukuran 15 dari populasi dengan fungsi kepadatan probabilitas sebagai berikut:
 3 x2 apabila − 1 < x < 1


f (x) = 2
0 untuk nilai x yang lainnya
Dapatkan nilai aproksimasi dari P[−0.3.Y ≤ 1.5] ketika kita menggunakan

Teorema Limit Pusat.
Pembahasan:
Pertama, kita akan mencari nilai dari mean µ dan varians σ 2 untuk fungsi
kepadatan probabilitas f (x).
281
Mean dari distribusi ini diberikan oleh

Z 1 1
3 3 3 x4
µ= x dx = =0
−1 2 2 4 −1
Varians dari distribusi tersebut adalah

1 1
3 x5
Z
3 4 3
V ar(X) = E[X 2 ] − (E[X])2 = E[X 2 ] = x dx = =
−1 2 2 5 −1 5
Dengan menggunakan Teorema Limit Pusat, diperoleh
P[−0.3 ≤ Y ≤ 1.5] = P[−0.3 − 0 ≤ Y − 0 ≤ 1.5 − 0]

" #
−0.3 Y −0 1.5
=P p ≤p ≤p
15(0.6) 15(0.6) 15(0.6)
= P[−0.10 ≤ Z ≤ 0.50]
= P[Z ≤ 0.50] + P[Z ≤ 0.10] − 1
= 0.6915 + 0.5398 − 1
= 0.2313
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
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.
Karena Z = 204−2002,5 = 1, 6, maka dengan menggunakan tabel distribusi

normal standar diperoleh:
P[X̄ ≥ 204] = P[Z ≥ 1, 6] = 0, 5 − 0, 4452 = 0, 0548
Jadi, probabilitas bahwa rata-rata (mean) jumlah minuman yang dikeluarkan dari
sampel acak berukuran 36 minimal 204 ml adalah 0,0548.

283
Distribusi Sampling untuk Populasi Berhingga

Apabila sebuah eksperimen melibatkan proses pemilihan satu atau lebih nilai
dari suatu himpunan berhingga {c1 , c2 , c3 , · · · , cN }, maka himpunan tersebut
dinamakan sebagai populasi berhingga (finite population) dengan ukuran N .
Dalam kasus ini, kita asumsikan bahwa sampel yang diambil dari populasi
tersebut merupakan sampel tanpa pengembalian (without replacement). Berikut
ini adalah definisi dari sampel acak pada populasi berhingga.
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)
maka X1 , X2 , X3 , · · · , Xn dikatakan mengikuti sampel acak dari suatu populasi

berhingga.
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
Nilai probabilitas tersebut memberikan definisi alternatif atau sebagai kriteria

untuk memilih sebuah sampel acak berukuran n yang diambil dari populasi
berhingga berukuran N : masing-masing dari N

n kemungkinan sampel haruslah
memiliki probabilitas yang sama, yaitu N1 .
(n)
Dengan demikian, berdasarkan distribusi probabilitas bersama yang telah

disebutkan di atas, maka kita dapatkan distribusi marginal dari Xr adalah
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
Selanjutnya, mean sampel dan varians sampel pada populasi berhingga

{c1 , c2 , c3 , · · · , cN } dapat dinyatakan sebagai berikut:
n n
X 1 2
X 1
µ= ci · dan σ = (ci − µ)2 ·
N N
i=1 i=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:
a) Mean dari populasi adalah

1 + 2 + 3 + ··· + N N (N + 1) N +1
µ= = =
N 2N 2
N +1
Dengan demikian, mean dari X̄ adalah E[X̄] = µ =
2
b) Varians dari populasi adalah

12 + 22 + 32 + · · · + N 2 (N + 1)2
σ2 = −
N 4
(N + 1)(2N + 1) (N + 1)2
= −
6 4
N2 − 1
=
12
Dengan demikian, varians dari X̄ adalah

σ2 N − n N2 − 1 N − n (N + 1)(N − n)
V ar(X̄) = · = · =
n N −1 12n N −1 12n

11.2 Distribusi Chi-Square

Jika X memiliki distribusi normal standar, maka X 2 akan berdistribusi Chi-
Square, dan hal ini menjelaskan peran penting dari distribusi Chi-Square dalam
pengambilan sampel dari suatu populasi yang berdistribusi normal. Distribusi
Chi-Square dinotasikan dengan “distribusi χ2 ”.
Suatu variabel random X memiliki distribusi Chi-Square dan dikatakan sebagai

variabel random Chi-Square dengan derajat kebebasan (degree of freedom) v
jika dan hanya jika fungsi kepadatan probabilitasnya adalah sebagai berikut:
1

v−2 − x
e 2
v x 2 , x>0


v

f (x) = Γ 2 2 2

0 , nilai x lainnya
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.
ii. Apabila X1 , X2 , X3 , · · · , Xn adalah variabel random yang saling bebas dan

Pn 2
berdistribusi normal standar, maka variabel random Y = i=1 Xi akan
berdistribusi Chi-Square dengan derajat kebebasan v = n.

Dengan menggunakan fungsi pembangkit momen untuk v = 1 pada teorema
(i) di atas, maka diperoleh
1
1 2
MX 2 (t) =
i 1 − 2t
Qn
Berdasarkan teorema MY (t) = i=1 MXi (t), maka diperoleh
n 1 n
Y 1 2 1 2
MY (t) = =
1 − 2t 1 − 2t
i=1
Fungsi tersebut adalah fungsi pembangkit momen dari distribusi Chi-Square

dengan derajat kebebasan v = n.
iii. Apabila X1 , X2 , X3 , · · · , Xn adalah variabel random yang saling bebas

dan berdistribusi Chi-Square masing-masing dengan derajat kebebasan
Pn
v1 , v2 , v3 , · · · , vn , maka variabel random i=1 Xi akan berdistribusi
Chi-Square dengan derajat kebebasan v1 + v2 + · · · + vn .
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.
Catat bahwa χ2α,v menunjukkan luasan/area yang berada di sebelah kanan

dari kurva Chi-Square dengan derajat kebebasan v memiliki nilai sebesar α.
Secara matematis, hal ini dapat dituliskan sebagai
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
Dengan demikian, fungsi pembangkit momen dari 2X adalah
M2X (t) = MX (2t)

1
=
1 − 2t
1
= 2
(1 − 2t) 2
= MGF dari χ2 (2).
Jadi, apabila X ∼ GAM (1, 1) atau eksponensial dengan parameter 1, maka 2X
adalah distribusi Chi-Square dengan 2 derajat kebebasan.

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
Berikutnya, kita definisikan variabel random Y sebagai berikut:

n
2 X
Y = Xi ∼ χ2 (2n).
100
i=1
Kita akan mencari jumlah spare part n sedemikian hingga

" n #
X
0.95 = P Xi ≥ 2 tahun
i=1
" n #
X
=P Xi ≥ 730 hari
i=1
n
" #
2 X 2
=P Xi ≥ 730 hari
100 100
i=1
n
" #
2 X 730
=P Xi ≥
100 50
i=1
2
= P[χ (2n) ≥ 14.6]
2n = 25 (dari tabel χ2 )
Dengan demikian, dibutuhkan minimal n = 13. Jadi, 13 spare part dibutuhkan

agar 95% yakin bahwa komponen tersebut dapat beroperasi dengan baik selama 2
tahun.

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
berdistribusi normal standar.

290
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.
Apabila Y dan Z adalah variabel random yang saling bebas, Y berdistribusi

Chi-Square dengan derajat kebebasan v dan Z berdistribusi normal standar, maka
distribusi dari
Z
T =q
Y
v
Memiliki fungsi kepadatan probabilitas sebagai berikut:

v+1
Γ − v+1
t2

2 2
f (t) = √ v · 1 +
πv v
2
untuk −∞ < t < ∞. Distribusi tersebut dikenal sebagai distribusi t dengan
derajat kebebasan (degree of freedom) v.
Distribusi t juga dikenal sebagai distribusi “Student t”. Distribusi t yang

memiliki jumlah derajat kebebasan yang berbeda akan mempunyai grafik yang
menyerupai distribusi normal standar, tetapi dengan varians yang lebih besar.
Catat bahwa untuk nilai v yang besar, distribusi t mendekati distribusi normal
standar.
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.
Berikut ini adalah teorema penting yang berkaitan dengan distribusi t.
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
Karena Xi ∼ N (0, 1), maka didapatkan
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
Dengan menggunakan distribusi dari W , maka diperoleh ekspektasi dari W

sebagai berikut:
√ !
3 2
E[W ] = E √ W
2 3
√ !
3
= E[t(4)]
2
√ !
3
= 0
2
= 0.

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.
Distribusi F digunakan untuk menarik kesimpulan statistik tentang rasio

dari dua varians sampel. Oleh karena itu, distribusi ini memainkan peranan
penting dalam analisis varians (analysis of variance). Berikut ini adalah definisi
dari distribusi F . Apabila U dan V adalah variabel random yang saling bebas dan
masing-masing memiliki distribusi Chi-Square dengan derajat kebebasan v1 dan
v2 , maka .
U
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
untuk f > 0 dan g(f ) = 0 untuk nilai f yang lainnya.

294
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
P[F ≥ fα,v1 ,v2 ] = α
Berikut ini adalah teorema yang berkaitan dengan distribusi F .
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
adalah variabel random yang berdistribusi F dengan derajat kebebasan n1 − 1 dan

n2 − 1.
Contoh 11.14
Apabila X ∼ F (9, 10), berapakah nilai dari P[X ≥ 3.02]? Berikutnya, dapatkan
mean dan varians dari X.
Pembahasan:
P[X ≥ 3.02] = 1 − P[X ≤ 3.02]

= 1 − P[F (9, 10) ≤ 3.02]
= 1 − 0.95 (dari tabel distribusi F )
= 0.05.
295
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
11.5 Statistik Urutan

Distribusi sampel yang disajikan sejauh ini bergantung pada asumsi bahwa
populasi dari mana sampel diambil memiliki distribusi normal. Asumsi ini
sering dipenuhi, setidaknya untuk sampel yang berukuran besar, seperti yang
diilustrasikan oleh Teorema Limit Pusat. Namun, sampel berukuran kecil juga
cukup sering digunakan dalam praktiknya, misalnya dalam pengendalian kualitas
statistik atau pada kasus dimana pengambilan dan pengukuran sampel sangat
mahal.
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).
Misalkan X1 , X2 , X3 , · · · , Xn adalah hasil observasi dari sampel acak

berukuran n dari distribusi f (x). Misalkan X(1) menyatakan nilai terkecil
dari himpunan {X1 , X2 , X3 , · · · , Xn }, X(2) menyatakan nilai terkecil kedua
dari himpunan {X1 , X2 , X3 , · · · , Xn } , dan X(r) menyatakan nilai terkecil
ke-r dari himpunan {X1 , X2 , X3 , · · · , Xn }. Dengan demikian variabel random
X(1) , X(2) , X(3) , · · · , X(n) disebut sebagai statistik urutan (order statistics) dari
sampel acak X1 , X2 , X3 , · · · , Xn . Secara khusus, X(r) disebut sebagai statistik
urutan ke-r dari X1 , X2 , X3 , · · · , Xn .
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)!
dimana F (x) menyatakan fungsi kepadatan kumulatif/CDF dari f (x).
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) =
Dapatkan fungsi kepadatan probabilitas dari Y = min{X1 , X2 }.
Pembahasan:
CDF dari f (x) adalah
Z x
F (x) = e−t dt = 1 − e−x
0
Pada contoh ini, n = 2 dan r = 1. Dengan demikian, fungsi kepadatan proba-

bilitas dari Y adalah
2!
g(y) = [F (y)]0 f (y)[1−F (y)] = 2f (y)[1−F (y)] = 2e−y (1−1+e−y ) = 2e−2y
0!1!

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) =
Dapatkan nilai ekspektasi dari Y6 .

298
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
SOAL LATIHAN BAB 11

DISTRIBUSI SAMPLING
1. Misalkan X dan Y adalah dua variabel random dengan fungsi kepadatan proba-
bilitas gabungan sebagai berikut:

e−(x+y) , untuk 0 < x, y < ∞
f (x, y) =
Dapatkan nilai ekspektasi dari variabel random kontinu Z = X 2 Y 2 + XY 2 +

X 2 + X?
2. Misalkan X1 , X2 , · · · , X50 adalah sampel acak berukuran 50 dari sebuah

distribusi populasi dengan fungsi kepadatan probabilitas sebagai berikut:

 1 e− xθ , untuk 0 ≤ x < ∞
f (x) = θ
Dapatkan mean dan varians dari mean sampel X̄.
3. Misalkan X1 , X2 , · · · , X10 adalah hasil observasi dari sampel acak berukuran

10 yang diambil dari distribusi populasi dengan fungsi kepadatan probabilitas
sebagai berikut:
1 1 2
f (x) = √ e− 2 x , − ∞ < x < ∞.
2π
Dapatkan fungsi pembangkit momen dari mean sampel.
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
6. Sebuah maskapai penerbangan mengklaim bahwa rata-rata jumlah penumpang

yang akan membayar fasilitas in-flight movies, ketika pesawat tersebut terisi
penuh, adalah 42 dengan standar deviasi 8. Sebuah sampel diambil dari 36
penerbangan yang terisi penuh penumpang. Dapatkan probabilitas bahwa
kurang dari 38 orang penumpang yang akan membayar fasilitas in-flight
movies.
7. Apabila X ∼ χ2 (7), dapatkan nilai dari konstanta a dan b sedemikian hingga

P[a < X < b] = 0.95.
8. Apabila X ∼ N (10, 25) dan X1 , X2 , · · · , X501 adalah sampel acak berukuran

501 dari populasi X, dapatkan nilai ekspektasi dari varians sampel S 2 .
9. Apabila X ∼ N (0, 1) dan X1 , X2 adalah sampel acak berukuran dua yang

X1
diambil dari populasi X, dapatkan persentil ke-75 dari statistik W = p 2 .
X2
10. Misalkan X1 , X2 , · · · , X4 dan Y1 , Y2 , · · · , Y5 adalah dua sampel acak yang

masing-masing berukuran 4 dan 5, dimana keduanya diambil dari populasi yang
berdistribusi normal standar. Dapatkan varians dari statistik
X12 + X22 + X32 + X42

5
T =
4 Y12 + Y22 + Y32 + Y42 + Y52
BAB 12
ESTIMASI TITIK
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).
Ketika sampel acak telah didapatkan, maka diperoleh:
X1 = x1 , X2 = x2 , · · · , Xn = xn
dengan x1 , x2 , · · · , xn menyatakan data sampel (sample data).
Kita dapat menggunakan metode statistika untuk mendapatkan informasi

yang berkaitan dengan populasi berdasarkan sampel acak yang dimiliki. Dalam
kasus ini kita tertarik untuk membuat suatu inferensi statistik (statistical inference)
terkait dengan distribusi populasi berdasarkan informasi dari sampel acak. Suatu
inferensi statistik merupakan sebuah pernyataan yang dibuat berdasarkan
informasi sampel yang berkaitan dengan populasi.
Secara umum, permasalahan yang berkaitan dengan inferensi statistik dibagi

ke dalam dua topik utama, yaitu estimasi (estimation) dan pengujian hipotesis
(hypothesis testing). Perbedaan utama di antara keduanya adalah sebagai berikut:
pada permasalahan estimasi, kita harus dapat menentukan nilai dari suatu
parameter (atau nilai dari beberapa parameter) dari seluruh alternatif yang ada.
Sedangkan pada kasus pengujian hipotesis kita diminta untuk menentukan

apakah akan menerima atau tidak dapat menerima suatu nilai atau himpunan nilai
dari parameter. Pada pembahasan di bab ini, kita akan fokuskan pada estimasi
titik (point estimation), sedangkan pembahasan mengenai pengujian hipotesis
akan dibahas pada bab terakhir dari buku ini.
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.
Estimasi titik dapat didefinisikan sebagai penggunaan nilai dari statistik

sampel untuk mengestimasi/menduga nilai parameter pada populasi. Nilai dari
statistik disebut sebagai perkiraan titik (point estimate). Sebagai contoh, kita
dapat menggunakan nilai dari X̄ untuk mengestimasi mean dari suatu populasi
serta S 2 untuk mengestimasi varians dari populasi.
Catat bahwa variabel X̄ dan S 2 pada contoh tersebut dinamakan estimator

titik (point estimator). Dengan demikian, dapat kita nyatakan bahwa X̄
merupakan estimator dari µ (dimana X̄ adalah perkiraan titik dari parameter yang
diinginkan), dan S 2 adalah estimator dari σ 2 (dimana s2 adalah perkiraan titik dari
parameter yang diinginkan).
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.
Beberapa sifat statistika dari estimator dapat digunakan untuk menentukan

apakah suatu estimator dapat tepat digunakan pada situasi-situasi tertentu,
sehingga hal tersebut dapat membantu kita untuk mendapatkan risiko terkecil
terkait pendugaan parameter dari suatu populasi serta memberikan informasi
yang kita butuhkan mengenai populasi dengan biaya terendah. Beberapa sifat
atau kriteria yang dapat kita gunakan untuk mengevaluasi apakah suatu estimator
dikatakan baik atau tidak di antaranya adalah: ketidakbiasan (unbiasedness),
efisiensi (efficiency), kecukupan (sufficiency), dan konsistensi (consistency).
303
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.
12.1 Estimator Tak Bias

Misalkan X1 , X2 , · · · , Xn adalah sampel acak berukuran n dari suatu populasi
dengan fungsi kepadatan probabilitas f (x; θ). Sebuah estimator θ̂ dari parameter
θ merupakan fungsi dari variabel random X1 , X2 , · · · , Xn dimana parameter
bebasnya adalah θ. Selanjutnya, sebuah estimator θ̂ dari θ dikatakan sebagai
estimator yang tak bias (unbiased estimator) terhadap θ jika dan hanya jika
E[θ̂] = θ
Sebaliknya, jika persamaan tersebut tidak dipenuhi, maka θ̂ dikatakan sebagai

estimator yang bias dari θ. Estimator dari suatu parameter bisa jadi tidak sama
dengan nilai yang sebenarnya dari parameter untuk setiap realisasi dari sampel
acak X1 , X2 , · · · , Xn . Akan tetapi, apabila estimator tersebut tak bias, maka
secara rata-rata, nilainya akan sama dengan nilai parameter yang diinginkan.
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) =
Tunjukkan bahwa X̄ merupakan estimator yang bias dari θ.
Pembahasan:
Berdasarkan fungsi kepadatan probabilitas yang didefinisikan pada soal, maka
didapatkan Z ∞
E[X] = µ = x · e−(x−θ) dx = 1 + θ
θ
Berdasarkan teorema yang menyatakan bahwa “Apabila X̄ adalah mean dari

sampel acak berukuran n yang diambil dari sebuah populasi berhingga berukuran
N tanpa pengembalian dengan mean populasi sebesar µ, maka E[X̄] = µ”.
Dengan demikian, diperoleh:
E[X̄] = 1 + θ 6= θ
Jadi, jelas bahwa X̄ merupakan estimator yang bias dari 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
Dengan cara yang sama, diperoleh

X1 + X2 + · · · + Xn
V ar(X̄) = V ar
n
n
1 X
= 2 V ar(Xi )
n
i=1
n
1 X
= σ2
n2
i=1
σ2
=
n
Oleh karena itu, didapatkan
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
Misalkan bn (θ) = E[θ̂] − θ menyatakan bias dari estimator θ̂ berdasarkan sampel

acak berukuran n yang diambil dari suatu populasi, maka kita dapat menyatakan
bahwa θ̂ merupakan estimator tak bias secara asimtotik (asymptotically unbiased
estimator) dari θ jika dan hanya jika
lim bn (θ) = 0
n→∞
12.2 Estimator yang Efisien

Apabila terdapat dua estimator tak bias, maka kita akan lebih memilih suatu
estimator yang memiliki varians terkecil. Hal ini berkaitan erat dengan definisi
dari estimator tak bias dengan varians minimum. Suatu estimator untuk parameter
θ pada distribusi suatu populasi yang memiliki varians terkecil untuk seluruh
estimator tak bias disebut sebagai estimator tak bias dengan varians minimum (bisa
juga disebut estimator tak bias terbaik dari θ).
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 .
Berdasarkan Contoh 12.5, terlihat bahwa mean sampel adalah
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(θ̂1 ) < V ar(θ̂2 )
Rasio η yang dinyatakan sebagai
V ar(θ̂2 )
η(θ̂1 , θ̂2 ) =
V ar(θ̂1 )
disebut efisiensi relatif dari θ̂1 terhadap θ̂2 .

310
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
Jadi, terlihat bahwa estimator X̄ lebih efisien dibandingkan estimator Y .
Selanjutnya, efisiensi relatif X̄ terhadap Y diberikan sebagai berikut:
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
dengan θ > 0 menyatakan parameter. Tentukan apakah estimator X1 dan X̄

merupakan estimator yang tak bias? Di antara kedua estimator tersebut, manakah
estimator yang lebih efisien untuk θ?
Pembahasan:
Karena populasi X berdistribusi eksponensial dengan parameter θ, maka X ∼
EXP (θ) dengan mean dan varians diberikan sebagai berikut:
E[X] = θ dan V ar(X) = θ2

312
Berikutnya, karena X1 , X2 , · · · , Xn adalah sampel acak dari populasi X, terlihat

bahwa statistik X1 ∼ EXP (θ). Dengan demikian, nilai ekspektasi dari X1
adalah θ dan X1 adalah estimator tak bias dari parameter θ.
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

dengan fungsi kepadatan probabilitas f (x; θ). Catat bahwa sebuah estimator θ̂
dari parameter θ merupakan fungsi dari variabel random X1 , X2 , · · · , Xn yang
tidak bergantung kepada θ.
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
V ar(θ̂) = E[(θ̂ − E(θ̂))2 ] = E[(θ̂ − θ)2 ]
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
Dengan mengambil turunan pertama φ(c1 ) terhadap c1 , maka diperoleh

d
φ(c1 ) = 4c1 − 3
dc1
Dengan menyamadengankan persamaan tersebut dengan 0 dan menyelesaikannya

dalam c1 , didapatkan
3
4c1 − 3 = 0 ⇒ c1 =
4
dan
3 1
c2 = 1 − c1 = 1 − =
4 4

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

dengan fungsi kepadatan probabilitas f (x; θ), dimana θ adalah parameter. Apabila
θ̂ merupakan estimator tak bias dari θ, dan
1
V ar(θ̂) = " #
∂ ln f (X) 2
n·E
∂θ
maka θ̂ adalah estimator tak bias dengan varians minimum dari parameter θ. Catat
bahwa kebalikan dari teorema ini belum tentu benar.
Pada teorema tersebut, nilai pada bagian penyebut menunjukkan informasi

mengenai θ yang disediakan oleh sampel. Oleh karena itu, semakin kecil nilai
varians dari θ̂, maka semakin banyak informasi yang berkaitan dengan θ. Suatu
estimator tak bias θ̂ dikatakan sebagai estimator yang efisien apabila memenuhi
batas bawah Cramer-Rao, yaitu
1
V ar(θ̂) = " #
∂ ln f (X) 2
n·E
∂θ
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

∂ ln f (x) 1 x−µ
=
∂µ 2 σ
dan " 2 # " 2 #

∂ ln f (X) 1 X −µ 1 1
E = 2 ·E = 2
·1= 2
∂θ σ σ σ σ
Oleh karena itu, didapatkan
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.
12.3 Estimator yang Cukup

Pada beberapa situasi, akan cukup sulit untuk mendapatkan distribusi dari θ̂ yang
merupakan estimator parameter θ, meskipun kita telah mengetahui distribusi dari
populasinya. Oleh karena itu, kita cukup sulit mengetahui apakah estimator yang
kita dapatkan, yaitu θ̂, merupakan estimator yang bias atau tak bias.
Dengan demikian, kita memerlukan kriteria lainnya untuk menentukan apakah

suatu estimator dianggap baik atau tidak. Salah satu kriteria yang dapat digunakan
adalah kecukupan (sufficiency) dari estimator. Catat bahwa sebuah estimator dari
parameter populasi merupakan fungsi dari nilai sampel yang tidak mengandung
parameter.
Sebuah estimator merangkum seluruh informasi mengenai parameter yang

didapatkan dari sampel acak. Apabila suatu estimator merangkum informasi
sebanyak mungkin mengenai parameter seperti yang dilakukan oleh sampel, maka
estimator tersebut disebut sebagai estimator yang cukup. Definisi lebih lengkap
317
mengenai estimator yang cukup dapat dilihat pada bagian berikut ini.
Misalkan X ∼ f (x; θ) adalah populasi dan X1 , X2 , · · · , Xn adalah sampel

acak berukuran n dari populasi X. Suatu estimator θ̂ dari parameter θ dikatakan
sebagai estimator yang cukup dari θ apabila probabilitas bersyarat dari distribusi
(atau fungsi kepadatan probabilitas) sampel acak X1 , X2 , · · · , Xn dengan syarat
θ̂ = θ, tidak bergantung (independen) terhadap θ.
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.

n
Y
f (x1 , x2 , · · · , xn ) = θxi (1 − θ)1−xi
i=1
Pn Pn
xi
=θ i=1 (1 − θ)n− i=1 xi
= θx (1 − θ)n−x
= θnθ̂ (1 − θ)n−nθ̂
untuk xi = 0, 1 dan i = 1, 2, · · · , n. Selanjutnya, X = X1 + X2 + · · · + Xn
merupakan variabel random dari distribusi binomial dengan parameter θ

dan n dengan fungsi kepadatan probabilitas sebagai berikut:

n x
b(x; n, θ) = θ (1 − θ)n−x
x
Dengan menggunakan teknik transformasi dari variabel, maka diperoleh

n nθ̂
g(θ̂) = θ (1 − θ)n−nθ̂
nθ̂
318
1
untuk θ̂ = 0, , · · · , 1.
n
Berikutnya, dengan menyubstitusikan formula untuk f (x1 , x2 , · · · , xn |θ̂)

maka didapatkan
f (x1 , x2 , · · · , xn , θ̂) f (x1 , x2 , · · · , xn , θ̂)

=
g(θ̂) g(θ̂)
θnθ̂ (1 − θ)n−nθ̂
= n nθ̂ n−nθ̂
nθ̂ θ (1 − θ)
1
= n
nθ̂
1
= n
x
1
= n

x1 +x2 +···+xn
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
Karena untuk masing-masing Xi ∼ BER(θ), maka diperoleh

Xn
Y = Xi ∼ BIN (n, θ)
i=1
Apabila X1 = x1 , X2 = x2 , · · · , Xn = xn dan Y = ni=1 xi , maka

P

f (x , x , · · · , x ) , untuk y = Pn x
1 2 n i=1 i
f (x1 , x2 , · · · , xn , y) = Pn
0 , untuk y 6= i=1 xi
Oleh karena itu, fungsi kepadatan probabiitas dari Y adalah

n y
g(y) = θ (1 − θ)n−y
y
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)
tidak independen terhadap θ untuk suatu nilai X1 , X2 , dan X3 .

320
Sebagai contoh, misalkan diambil nilai x1 = 1, x2 = 1, dan x3 = 0, maka

diperoleh y = 61 (1(1) + 2(1) + 3(0)) = 21 dan
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.
Dengan demikian, diperoleh f (1, 1, 0) = θ2 (1 − θ) dan f (0, 0, 1) = θ(1 − θ)2 .

Berikutnya, kita juga dapatkan
θ2 (1 − θ)

1
f 1, 1, 0 Y = = 2 =θ
2 θ (1 − θ) + θ(1 − θ)2
Jadi, terlihat bahwa f (x1 , x2 , x3 |y) tidak independen terhadap θ.
Dengan demikian, jelas bahwa Y = 16 (X1 + 2X2 + 3X3 ) bukan merupakan

estimator yang cukup dari parameter Bernoulli θ.
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.
Akan tetapi, pada umumnya, fungsi kepadatan probabilitas dari estimator

tidak selalu bisa didapatkan dengan mudah. Oleh karena itu, akan cukup sulit
bagi kita untuk mengetahui kecukupan dari suatu estimator dengan menggu-
nakan definisi yang telah dijelaskan sebelumnya. Terdapat cara lain yang dapat
digunakan untuk menentukan kecukupan dari suatu estimator, yaitu dengan
menggunakan teorema faktorisasi (factorization theorem).
321
Berikut ini adalah penjelasan lebih detail mengenai teorema faktorisasi.

Misalkan X1 , X2 , · · · , Xn adalah sampel acak berukuran n dari suatu populasi X
dengan fungsi kepadatan probabilitas f (x1 , x2 , · · · , xn ; θ) yang bergantung pada
parameter populasi θ. Estimator θ̂ merupakan estimator yang cukup dari θ jika dan
hanya jika
f (x1 , x2 , · · · , xn ; θ) = φ(θ̂, θ)h(x1 , x2 , · · · , xn )
dimana φ(θ̂, θ) hanya bergantung kepada θ̂ dan θ, sedangkan h(x1 , x2 , · · · , xn )

tidak bergantung kepada θ.
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
Berdasarkan teorema faktorisasi, terbukti bahwa X̄ adalah estimator yang cukup

untuk mean populasi µ yang berdistribusi normal dengan varians yang diketahui
sebesar σ 2 .
12.4 Estimator yang Konsisten

Misalkan X1 , X2 , · · · , Xn adalah sampel acak dari suatu populasi X dengan
fungsi kepadatan probabilitas f (x; θ) Berikutnya, misalkan θ̂ adalah estimator
dari θ berdasarkan sampel berukuran n. Dengan demikian, jelas bahwa estimator
bergantung kepada ukuran sampel n. Untuk menunjukkan dependensi dari θ̂
terhadap n, maka kita notasikan θ̂ sebagai θˆn .
Apabila X1 , X2 , · · · , Xn adalah sampel acak dari suatu populasi X dengan

fungsi kepadatan probabilitas f (x; θ), maka barisan dari estimator {θˆn } dikatakan
konsisten terhadap θ jika dan hanya jika barisan {θˆn } konvergen dalam proba-
bilitas menuju θ, yaitu untuk setiap ε > 0 berlaku
lim P (|θˆn − θ| ≥ ε) = 0
n→∞
Catat bahwa konsistensi sebenarnya merupakan konsep yang berkaitan dengan

barisan estimator {θˆn }∞ n=n0 . Akan tetapi, untuk penyederhanaan, kita cukup
menyatakan konsistensi dari θˆn . Selanjutnya, teorema berikut ini menyatakan
bahwa jika mean squared error menuju nol ketika nilai n menuju tak hingga,
maka {θˆn } konvergen dalam probabilitas menuju θ. Misalkan X1 , X2 , · · · , Xn
adalah sampel acak dari suatu populasi X dengan fungsi kepadatan probabilitas
f (x; θ) dan {θˆn } adalah barisan estimator dari θ berdasarkan sampel tersebut.
Apabila varians dari θˆn ada untuk setiap n dan nilainya berhingga serta
lim E[(θˆn − θ)2 ] = 0,

n→∞
maka untuk setiap ∈> 0 berlaku
lim P[|θˆn − θ| ≥∈] = 0

n→∞
323
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
Dengan demikian, kita dapat tunjukkan bahwa V ar(S 2 ) → 0 ketika n → ∞ dan

S 2 merupakan estimator yang konsisten terhadap varians dari distribusi normal
σ2.

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
adalah estimator yang konsisten untuk σ 2 ?
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
c2 n diberikan sebagai berikut:

Varians dari σ
n
!
c2 n ) = V ar 1 X
2
V ar(σ (Xi − X̄)
n
i=1
2

1 2 (n − 1)S
= 2 V ar σ
n σ2
324
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
Bias B(θbn , θ) diberikan sebagai berikut:
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

Pada permasalahan estimasi titik, kita mencoba untuk mendapatkan parameter θ

dari distribusi populasi f (x; θ) berdasarkan informasi dari sampel. Oleh karena
itu, di dalam estimasi titik parametrik diasumsikan bahwa fungsi kepadatan proba-
bilitas 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.
325
Misalkan X menyatakan variabel random dari populasi dengan fungsi kepadatan

probabilitas f (x; θ) dimana θ adalah parameter yang tidak diketahui. Himpunan
dari seluruh nilai yang mungkin dari θ dinamakan ruang parameter (parameter
space) dan dinotasikan dengan Ω, yaitu
Ω = {θ ∈ Rn |f (x; θ) adalah PDF dari populasi}
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
Ω = {θ ∈ R|0 < θ < ∞}

= R+
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.
12.5 Metode Momen

X dengan fungsi kepadatan probabilitas f (x; θ1 , θ2 , · · · , θm ) dengan θ1 , θ2 , .., θm
adalah m parameter yang tidak diketahui nilainya.
326
Berikutnya, misalkan
Z ∞
E[X k ] = xk f (x; θ1 , θ2 , · · · , θm ) dx
−∞
merupakan momen populasi ke-k terhadap 0. Lebih lanjut, misalkan

n
1X k
Mk = Xi
n
i=1
adalah momen sampel ke-k terhadap 0.
Dalam metode momen, kita ingin mendapatkan estimator dari parameter

θ1 , θ2 , · · · , θm dengan menyamadengankan m momen populasi yang pertama
(apabila momen tersebut ada) dengan m momen sampel yang pertama, yaitu
E[X] = M1
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
dan estimator dari dari parameter α adalah α̂ = 2X̄ − 1

327
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
E[X] = µ dan E[X 2 ] = σ 2 + µ2
sehingga
µ = E[X]
= M1
n
1X
= Xi
n
i=1
= X̄
Dengan demikian, estimator untuk parameter µ adalah X̄, yaitu µ̂ = X̄

Berikutnya, kita akan mencari estimator dari σ 2 , yaitu dengan menyamaden-
gankan E[X 2 ] terhadap M2 .
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
Jadi, estimator dari σ 2 adalah

n
1X
(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

Dapatkan estimator dari β dengan menggunakan metode momen.
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
Karena M1 = X̄, dan dengan menyamadengankan E[X] terhadap M1 , maka

diperoleh
1
7β = X̄ dan β = X̄
7

12.6 Metode Maximum Likelihood

Metode maximum likelihood pertama kali digunakan oleh Sir Ronald Fisher untuk
mendapatkan estimator dari suatu parameter yang tidak diketahui berdasarkan
informasi pada sampel. Berikut ini adalah penjelasan lebih lanjut mengenai
metode maximum likelihood. Misalkan X1 , X2 , · · · , Xn adalah sampel acak
berukuran n dari suatu populasi X dengan fungsi kepadatan probabilitas f (x; θ)
dan θ adalah parameter yang tidak diketahui nilainya. Fungsi likelihood, L(θ),
merupakan distribusi dari sampel, yaitu
n
Y
L(θ) = f (xi ; θ)
i=1
Dalam hal ini, f (x1 , x2 , · · · , xn ; θ) adalah nilai fungsi kepadatan probabilitas

gabungan dari variabel random X1 , X2 , · · · , Xn pada X1 = x1 , X2 =
x2 , · · · , Xn = xn .
Berdasarkan definisi tersebut, dinyatakan bahwa fungsi likelihood dari sampel

acak X1 , X2 , · · · , Xn merupakan fungsi kepadatan probabilitas gabungan dari
X1 , X2 , · · · , Xn . Nilai θ yang dapat memaksimumkan fungsi likelihood L(θ)
disebut sebagai maximum likelihood estimator dari θ, dan dinotasikan dengan θ̄.
Jadi,
θ̄ = arg sup L(θ)
θ∈Ω
dengan Ω adalah ruang parameter dari θ sedemikian hingga L(θ) adalah fungsi
kepadatan probabilitas bersama dari sampel.
330
Metode maximum likelihood dapat diringkas sebagai berikut:

(1) Dapatkan sampel acak x1 , x2 , · · · , xn dari distribusi populasi X dengan
fungsi kepadatan probabilitas f (x; θ);
(2) Definisikan fungsi likelihood dari sampel x1 , x2 , · · · , xn sebagai L(θ) =
Qn
i=1 f (xi ; θ);
(3) Dapatkan bentuk dari θ yang dapat memaksimumkan nilai dari L(θ). Hal ini
dapat dilakukan secara langsung, maupun dengan memaksimumkan nilai dari
ln L(θ);
(4) Ubah θ dengan θ̂ untuk mendapatkan bentuk maximum likelihood estimator
dari θ;
(5) Dapatkan nilai observasi dari estimator untuk sampel acak yang diberikan.
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

1 1
ln f (x; µ) = − ln(2πσ 2 ) − 2 (x − µ)2
2 2σ
sehingga n
n 1 X
ln L(µ) = − ln(2πσ 2 ) − 2 (xi − µ)2
2 2σ
i=1
Dengan mengambil turunan pertama dari ln L(µ) terhadap µ, didapatkan

n
d ln L(µ) 1 X
= 2 (xi − µ)
dµ σ
i=1
Dengan mengambil nilai turunan pertama tersebut menjadi 0 dan menyele-

saikannya dalam µ, maka didapatkan µ̂ = X̄.

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
d[ln L(θ)] x n−x

Dengan demikian diperoleh = −
dθ θ 1−θ
Apabila kita menyamadengankan persamaan tersebut dengan 0, dan kemudian

menyelesaikannya untuk θ, maka didapatkan bahwa fungsi likelihood memiliki
x
nilai maksimum pada θ = .
n
X
Jadi, estimator maximum likelihood dari parameter θ adalah θ̂ =
n

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
Apabila kita menyamadengankan persamaan tersebut dengan 0, dan kemudian

menyelesaikannya untuk θ, maka didapatkan bahwa fungsi likelihood memiliki
nilai maksimum pada
n
!
1 X
θ= xi = x̄
n
i=1
Jadi, estimator maximum likelihood dari parameter θ adalah θ̂ = X̄.
Contoh 12.23
Misalkan X1 , X2 , · · · , Xn adalah sampel acak yang diambil dari populasi X

(1 = θ)x−θ , untuk 0 < x < 1
f (x; θ) =
Dapatkan estimator maximum likelihood dari θ.

Pembahasan:
Fungsi likelihood dari sampel diberikan sebagai berikut:
n
Y
L(θ) = f (xi ; θ)
i=1

n
!
Y
ln L(θ) = ln f (xi ; θ)
i=1
n
X
= ln f (xi ; θ)
i=1
333
n
X
= ln[(1 − θ)x−θ
i ]
i=1
n
X
= n ln(1 − θ) − θ ln xi
Berikutnya, kita akan memaksimumkan nilai dari ln L(θ) terhadap θ, yaitu

n
!
d ln L(θ) d X
= n ln(1 − θ) − θ ln xi
dθ dθ
n
n X
=− − ln xi
1−θ
i=1
d ln L(θ)
Dengan mengambil nilai turunan pertama menjadi 0, maka diperoleh
dθ
n
d ln L(θ) n X
=− − ln xi = 0
dθ 1−θ
i=1
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
x
6 =

 x e β , untuk 0 < x < ∞

f (x; β) = Γ(7)β 7

Dapatkan estimator maximum likelihood dari β.

334
Pembahasan:
n
Y
Fungsi likelihood dari sample diberikan sebagai berikut: L(β) = f (xi ; β)
i=1

n
X
ln L(β) = ln f (xi ; β)
i=1
n n
X 1X
=6 ln xi − xi − n ln(6!) − 7n ln(β)
β
i=1 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
Oleh karena itu, estimator dari β dengan menggunakan metode maximum

1
likelihood adalah β̂ = X̄.
7

335
SOAL LATIHAN BAB 12

ESTIMASI TITIK
1. Misalkan diberikan X1 , X2 , · · · , Xn adalah sampel acak yang diambil dari
populasi yang berdistribusi normal dengan mean µ dan varians σ 2 > 0.
Tentukan estimator maximum likelihood dari σ 2 ? Apakah estimator maximum
likelihood tersebut merupakan estimator tak bias dari parameter σ 2 ?
2. Misalkan diberikan X adalah variabel random dengan mean 2. Berikutnya,

misalkan θb1 dan θb2 masing-masing menunjukkan estimator tak bias dari momen
kedua dan ketiga dari X terhadap 0. Dapatkan estimator tak bias dari momen
ketiga X terhadap mean sebagai fungsi dari θb1 dan θb2 .
3. Misalkan X1 , X2 , · · · , X5 merupakan sampel acak berukuran 5 yang diambil

dari suatu populasi yang berdistribusi seragam pada interval (0, θ), dimana θ
adalah parameter yang tidak diketahui nilainya. Berikutnya, misalkan estimator
dari θ adalah kXmax , dengan k adalah konstanta dan Xmax adalah nilai
observasi terbesar. Agar kXmax menjadi estimator yang tak bias, berapakah
seharusnya nilai dari k?
4. Misalkan X1 , X2 , X3 menyatakan sampel acak berukuran tiga yang diambil

dari suatu populasi dengan fungsi kepadatan probabilitas sebagai berikut:
 x −λ
λ e , untuk x = 0, 1, 2, 3, · · ·
f (x; λ) = x!
0 , untuk x yang lainnya

dengan λ menyatakan parameter. Apakah estimator yang diberikan sebagai

berikut:
c1 = 1 (X1 + 2X2 + X3 ) dan λ
λ c2 = 1 (4X1 + 3X2 + 2X3 )
4 9
merupakan estimator yang tak bias? Di antara kedua estimator tersebut,
manakah estimator yang lebih efisien untuk parameter λ? Dapatkan estimator
tak bias dari λ dimana variansnya lebih kecil dibandingkan varians dari λ
c1 dan
λ
c2 .
5. Misalkan X1 , X2 , · · · , Xn adalah sampel acak yang diambil dari populasi yang

berdistribusi normal dengan mean µ dan varians σ 2 > 0. Tunjukkan bahwa
1 Pn
S 2 = n−1 2 2
i=1 (Xi − X̄) adalah estimator tak bias dari σ . Berikutnya,
tunjukkan bahwa S 2 tidak dapat memenuhi batas bawah Cramer-Rao.
336
6. Misalkan X1 , X2 , · · · , Xn adalah sampel acak yang diambil dari populasi

dengan fungsi kepadatan probabilitas sebagai berikut
 x −λ
λ e , untuk x = 0, 1, 2, 3, · · ·
f (x; λ) = x!
0 , untuk x lainnya

dengan λ > 0 adalah parameter. Dapatkan estimator maximum likelihood dari

λ dan tunjukkan bahwa estimator maximum likelihood dari λ adalah estimator
yang cukup terhadap parameter λ.
7. Misalkan X1 , X2 , · · · , Xn adalah sampel acak yang diambil dari populasi yang

berdistribusi normal dengan fungsi kepadatan probabilitas sebagai berikut:
1 1 2
f (x; µ) = √ e− 2 (x−µ)
2π
dimana −∞ < µ < ∞ adalah parameter. Dapatkan estimator maximum

likelihood untuk µ dan tunjukkan bahwa estimator maximum likelihood dari µ
adalah estimator yang cukup.
8. Misalkan X1 , X2 , · · · , Xn adalah sampel acak yang diambil dari populasi

dengan fungsi kepadatan probabilitas sebagai berikut:
 1 e− xθ , untuk 0 ≥ x < ∞

f (x; θ) = θ
dengan 0 < θ < ∞ adalah parameter. Dengan menggunakan metode momen

dapatkan estimator yang konsisten terhadap θ?.
9. Misalkan diberikan X1 , X2 , · · · , Xn adalah sampel acak berukuran n yang

diambil dari populasi X dengan fungsi kepadatan probabilitas yang didefin-
isikan sebagai berikut:

θ · xθ−1 , untuk 0 < x < 1
f (x; θ) =
dengan 0 < θ < 1 menyatakan parameter. Dengan menggunakan metode

momen dapatkan estimator dari θ. Apabila x1 = 0.2, x2 = 0.6, x3 =
0.5, x4 = 0.3 adalah sampel acak berukuran empat, tentukan perkiraan nilai
dari θ?
337
10. Misalkan X1 , X2 , · · · , Xn adalah sampel acak yang diambil dari populasi X

1

, untuk 0 < x < θ
f (x; θ) = θ
Dapatkan estimator untuk θ dengan menggunakan metode momen.

1

, untuk 0 < x < θ
f (x; θ) = θ
Dapatkan estimator maximum likelihood dari θ.

 1
 . untuk α < x < β
f (x; α, β) = β − α
0 , untuk x lainnya

Dapatkan estimator maximum likelihood dari α dan β.

BAB 13
ESTIMASI INTERVAL
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.
Dengan demikian, kita dapat mengukur seberapa besar kemungkinan eror

yang dapat terjadi. Salah satu cara yang paling umum digunakan untuk mengukur
hal tersebut adalah dengan menggunakan estimasi interval/estimasi selang
(interval estimation). Suatu perkiraan interval dari parameter θ adalah suatu
interval yang memiliki bentuk θ̂1 < θ < θ̂2 , dimana θ̂1 dan θ̂2 adalah nilai dari
variabel random Θ̂1 dan Θ̂2 . Berikut ini adalah definisi dari selang kepercayaan
(confidence interval).
Apabila θ̂1 dan θ̂2 menyatakan nilai dari variabel random Θ̂1 dan Θ̂2 , maka
P[Θ̂1 < θ < Θ̂2 ] = 1 − α
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%).
Sebagai catatan, estimasi interval dari suatu parameter tidaklah tunggal.

Seperti pada kasus estimasi titik, metode yang digunakan pada penghitungan
estimasi interval didasarkan pada berbagai sifat statistik. Sebagai contoh, sifat
yang diinginkan agar estimasi interval menjadi ideal adalah estimasi dengan
interval yang sempit (presisi tinggi) dan tingkat kepercayaan yang tinggi pula.
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.
13.1 Estimasi Mean

Misalkan mean dari sampel acak akan digunakan untuk mengestimasi mean dari
suatu populasi yang berdistribusi normal dengan varians yang diketahui sebesar
σ 2 . Berdasarkan teorema yang telah dibahas pada bab sebelumnya, dinyatakan
bahwa apabila X̄ adalah mean dari sampel acak berukuran n yang diambil dari
suatu populasi yang berdistribusi normal dengan mean µ dan varians sebesar σ 2 ,
maka distribusi samplingnya akan mengikuti distribusi normal dengan mean µ dan
2
varians sebesar σn . Dengan demikian,
σ2
µx̄ = µ dan σx̄2 =
n
Berikutnya, kita bisa nyatakan bahwa
P[|z| < zα/2 ] = 1 − α
340
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
menyatakan selang kepercayaan sebesar (1 − α)100% untuk mean populasi µ.
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
Kita dapat melakukan sedikit modifikasi pada selang kepercayaan tersebut,

misalnya adalah dengan mengganti zα/2 dengan zα/3 sehingga diperoleh selang
kepercayaan untuk µ adalah
σ σ
x̄ − zα/3 · √ < µ < x̄ + zα/3 · √
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
18, 0482 < µ < 21, 7918
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.
Apabila x̄ dan s masing-masing menyatakan nilai dari mean dan standar

deviasi dari sampel acak berukuran n yang diambil dari suatu populasi yang
berdistribusi normal, maka
s s
x̄ − t α2 ,n−1 · √ < µ < x̄ + t α2 ,n−1 · √
n n
menyatakan selang kepercayaan sebesar (1 − α)100% untuk mean populasi µ.

344
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
6, 096286 < µ < 7, 163714
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
menyatakan selang kepercayaan sebesar (1 − α)100% untuk selisih di antara dua

mean populasi µ1 − µ2 .
345
Contoh 13.6
Diberikan informasi sebagai berikut:
n1 = 40, n2 = 50, x̄1 = 418, x̄2 = 402, σ1 = 26, dan σ2 = 22
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
Dengan demikian, panjang dari selang kepercayaan adalah

r r r
σ 25 σ
l = 2zα/2 · = 2z0.025 = 2(1, 96)
n n n
346
Berdasarkan informasi pada soal, diketahui bahwa panjang selang kepercayaan

adalah 1,96. Dengan demikian, diperoleh
√
r
σ
1, 96 = 2(1, 96) ↔ n = 10 → n = 100
n
Jadi, ukuran sampel haruslah 100 agar panjang dari selang kepercayaan 95% untuk
mean populasi adalah 1,96.

13.2 Estimasi Proporsi

Pada beberapa kasus, terkadang kita perlu untuk mengestimasi proporsi dari
suatu populasi. Sebagai contoh, kita ingin mengetahui seberapa besar proporsi
dari mahasiswa di Departemen Aktuaria yang berusia di atas 21 tahun, atau
misalkan kita ingin mengetahui laju mortalitas penduduk di suatu negara yang
terkena suatu penyakit tertentu. Pada kasus-kasus tersebut, kita dapat menggu-
nakan asumsi bahwa kita melakukan sampling secara acak pada suatu populasi
yang berdistribusi binomial, dan oleh karena itu, permasalahan yang akan kita
pecahkan adalah bagaimana cara mengestimasi parameter dari distribusi binomial
θ. Dengan demikian, kita dapat gunakan fakta bahwa untuk ukuran sampel n yang
cukup besar, maka distribusi binomial dapat diaproksimasi dengan menggunakan
distribusi normal, yaitu
X − nθ
z=p
nθ(1 − θ)
dimana z dapat dinyatakan sebagai variabel random yang (secara aproksimasi)
berdistribusi normal standar. Dengan demikian, dapat diperoleh
P[−zα/2 < z < zα/2 ] = 1 − α
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
Apabila X menyatakan variabel random binomial dengan parameter n dan θ,

x
dimana ukuran sampel n cukup besar (lebih dari 30) dan θ̂ = , maka
n
s s
θ̂(1 − θ̂) θ̂(1 − θ̂)
θ̂ − zα/2 · < θ < θ̂ + zα/2 ·
n n
merupakan aproksimasi dari selang kepercayaan sebesar (1 − α)100% untuk θ.
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
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
Dengan menyederhanakan menjadi dua tempat desimal, maka diperoleh proporsi

sebenarnya dari pemilih yang mendukung pasangan calon A pada Pilkada di Kota
XYX berada pada rentang 0,29 dan 0,39.
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.
Pada beberapa permasalahan, terkadang kita juga perlu mengestimasi selisih di

antara dua proporsi yang berasal dari dua populasi yang berbeda. Dalam hal
ini, kita ingin mengetahui selisih antara dua parameter pada distribusi binomial
θ1 dan θ2 dari dua sampel acak yang saling independen dengan ukuran masing-
masing sebesar n1 dan n2 . Catat bahwa kedua sampel acak diambil dari dua
populasi yang berbeda, dimana kedua populasi tersebut berdistribusi binomial.
Salah satu contoh dari permasalahan ini adalah misalkan kita ingin mengetahui
selisih proporsi antara pria dan wanita yang memilih pasangan calon tertentu pada
suatu kontes Pilkada. Pada masing-masing sampel acak yang terambil, dimisalkan
bahwa jumlah kejadian sukses dinyatakan sebagai X1 dan X2 , dan masing-masing
X1 X2
proporsi sampel dinotasikan sebagai Θ̂1 = dan Θ̂2 = .
n1 n2
349
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.
Apabila X1 adalah variabel random binomial dengan parameter n1 dan θ1 , X2

adalah variabel random binomial dengan parameter n2 dan θ2 , n1 dan n2 bernilai
x1 x2
cukup besar (lebih dari atau sama dengan 30), serta θ̂1 = dan θ̂2 = , maka
n1 n2
s
θ̂1 (1 − θ̂1 ) θ̂2 (1 − θ̂2 )
(θ̂1 − θ̂2 ) − zα/2 · + < θ1 − θ2
n1 n2
s
θ̂1 (1 − θ̂1 ) θ̂2 (1 − θ̂2 )
< (θ̂1 − θ̂2 ) + zα/2 · +
n1 n2
menyatakan selang kepercayaan sebesar (1 − α)100% untuk selisih di antara dua
proporsi populasi θ1 − θ2 .
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
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
13.3 Estimasi Varians

Misalkan diberikan suatu sampel acak berukuran n yang diambil dari suatu
populasi yang berdistribusi normal, maka kita dapat memperoleh selang keper-
cayaan sebesar (1−α)100% untuk varians populasi σ 2 dengan menggunakan fakta
bahwa
(n − 1)S 2
σ2
adalah variabel random yang bedistribusi Chi-Square dengan derajat kebebasan
n − 1. Dengan demikian, diperoleh
(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
menyatakan selang kepercayaan sebesar (1 − α)100% untuk varians populasi σ 2 .

Sebagai tambahan, selang kepercayaan sebesar (1 − α)100% untuk standar deviasi
populasi σ bisa diperoleh dengan mengambil akar kuadrat dari batas bawah dan
batas atas selang kepercayaan untuk σ 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
(15)(2, 2)2 (15)(2, 2)2

< σ2 <
32, 801 4, 601
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
SOAL LATIHAN BAB 13

ESTIMASI INTERVAL
1. Misalkan X1 , X2 , · · · , X11 menyatakan sampel acak berukuran 11 yang
diambil dari suatu populasi yang berdistribusi normal dengan varians populasi
diketahui sebesar σ 2 = 9, 9. Apabila diberikan 11
P
i=1 xi = 132, tentukan
selang kepercayaan sebesar 95% untuk mean populasi µ.

diketahui sebesar σ 2 = 9, 9. Apabila diberikan 11
P
i=1 xi = 132, maka untuk
nilai k berapakah
p p
[12 − k 0, 9, 12 + k 0, 9]
merupakan selang kepercayaan sebesar 90% untuk mean populasi µ?
3. Apabila x menyatakan nilai dari variabel random yang berdistribusi ekspo-

nensial dengan parameter θ, dapatkan nilai dari konstanta k sedemikian hingga
interval dari 0 sampai dengan kx merupakan selang kepercayaan sebesar
1 − α(100)% untuk parameter θ.

diketahui σ 2 = 10. Apabila diberikan 40
P
i=1 xi = 286, 56, tentukan selang
kepercayaan sebesar 90% untuk mean populasi µ.
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
Dapatkan selang kepercayaan sebesar 95% untuk mean populasi µ.
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?
7. Berdasarkan soal nomor 6, misalkan bahwa peneliti menemukan bahwa mean

sampel adalah x̄ = 61, 8. Dapatkan selang kepercayaan sebesar 99% untuk
rata-rata nilai ujian siswa kelas XII di seluruh Kota A.

diambil dari suatu populasi yang berdistribusi normal N (µ, σ 2 ). Apabila
P13 P13 2
diberikan i=1 xi = 246, 61 dan i=1 xi = 4806, 61, tentukan selang
kepercayaan sebesar 90% untuk varians populasi σ 2 .
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.
Berikut ini adalah contoh dari hipotesis:

i. Probabilitas kelulusan dalam suatu ujian statistika adalah 0,4.
ii. 50% dari total populasi masyarakat di daerah tertentu adalah perokok.
iii. Rata-rata penghasilan suatu keluarga di Kota X adalah 3 juta rupiah setiap
bulannya.
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.
Secara definisi, hipotesis statistik dapat dinyatakan sebagai pernyataan atau

dugaan tentang distribusi yang terdiri dari satu atau lebih variabel random.
Sebagian besar uji hipotesis statistik berfokus kepada parameter dari distribusi,
akan tetapi, terkadang juga melibatkan tipe atau sifat-sifat dari distribusi itu
sendiri. Dalam ilmu statistika, pengujian hipotesis merupakan bagian penting
dalam pengambilan suatu keputusan. Dengan melakukan pengujian hipotesis,
maka seorang peneliti dapat menjawab pertanyaan yang berkaitan dengan
penolakan atau penerimaan terhadap suatu hipotesis. Catat bahwa kebenaran
suatu hipotesis secara pasti tidak pernah diketahui, kecuali jika kita dapat
melakukan pengamatan terhadap seluruh anggota dari populasi.
356
357
Akan tetapi, pada kenyataannya, pengamatan terhadap seluruh anggota populasi

merupakan hal cukup sulit dilakukan terutama jika kita berhadapan dengan ukuran
populasi yang sangat besar.
Dalam pengujian hipotesis, para peneliti biasanya akan mengambil sampel

acak dari suatu populasi kemudian menghitung nilai-nilai statistik dari sampel
tersebut dan membandingkannya dengan kriteria-kriteria tertentu yang telah
ditetapkan pada hipotesis mula-mula. Apabila hasil yang diperoleh dari hasil
penelitian dalam pengertian probabilitas, jauh berbeda dengan hasil yang
diharapkan berdasarkan hipotesis, maka hipotesis ditolak.
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
Dalam aplikasinya, α juga dikenal sebagai taraf signifikan (level of significance)

atau taraf nyata. Besar kecil nilai α maupun β saling berkaitan antara satu
dengan lainnya. Apabila nilai α diperkecil, maka β menjadi besar dan demikian
sebaliknya. Satu-satunya cara dimana kita dapat mereduksi kedua eror tersebut
adalah dengan meningkatkan ukuran dari sampel. Akan tetapi, apabila ukuran
sampel n dibuat tetap, maka hubungan antara α dan β adalah hubungan terbalik,
seperti yang telah dijelaskan sebelumnya.
Dalam suatu pengujian hipotesis, di antara semua pengujian yang dapat

dilakukan dengan nilai α yang sama besar, untuk mendapatkan hasil pengujian
hipotesis yang baik kita akan mengambil pengujian yang memiliki nilai β terkecil.
Dengan demikian, pada pembahasan di bab ini (kecuali dinyatakan lain), maka
nilai α akan diberikan terlebih dahulu dengan nilai-nilai yang biasa digunakan, di
antaranya adalah α = 0, 01 atau α = 0, 05. Sebagai contoh, untuk α = 0, 05 yang
disebut sebagai taraf nyata 5%, maka kesimpulan kita untuk menolak hipotesis
yang seharusnya diterima memiliki probabilitas sebesar 5%. Dengan kata lain,
kita telah 95% yakin bahwa kita telah membuat kesimpulan yang tepat.
Pengujian hipotesis akan membawa kita pada kesimpulan untuk menerima

atau menolak hipotesis yang dibuat. Dengan demikian, jelas terlihat bahwa
terdapat dua pilihan dalam pengujian hipotesis ini. Dalam hal ini, hipotesis
awal disebut dengan hipotesis nol (null hypothesis) dan dinotasikan dengan H0 .
Hipotesis nol ini umumnya dirumuskan dengan singkat dan jelas sesuai dengan
permasalahan yang dihadapi oleh peneliti.
Di lain pihak, terdapat hipotesis tandingan atau dikenal sebagai hipotesis

alternatif (alternative hypothesis) dan dinotasikan dengan HA . Pasangan H0 dan
HA ini lebih tepatnya disebut H0 melawan HA . Lebih jauh lagi, H0 melawan
HA juga berperan dalam penentuan kriteria pengujian yang terdiri atas daerah
penerimaan (acceptance region) dan daerah penolakan (rejection region)
untuk H0 . Sebagai tambahan, daerah penolakan hipotesis H0 juga dikenal sebagai
daerah kritis (critical region). Probabilitas untuk mendapatkan nilai dari uji
statistik di dalam daerah kritis ketika H0 benar disebut sebagai ukuran (size) dari
daerah kritis. Dengan kata lain, ukuran dari daerah kritis adalah probabilitas untuk
melakukan eror tipe I, yaitu α.
359
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
α = P[X ≤ 14; θ = 0, 90] = 0, 0114
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
14.1 Likelihood Ratio Tests (LRT)

Dalam melakukan pengujian hipotesis, umumnya kita akan melakukan pengujian
parameter θ dari suatu distribusi, dimana θ bisa jadi berupa mean (µ) , proporsi
(π), standar deviasi (σ), maupun parameter lainnya. Pada pengujian hipotesis, kita
akan menjumpai beberapa kemungkinan sebagai berikut:
i. Hipotesis yang mengandung nilai kesamaan. Dalam hal ini, komposisi H0
dan HA adalah sebagai berikut:
• H0 : θ = θ0 dan HA : θ = θ1
• H0 : θ = θ0 dan HA : θ 6= θ1
• H0 : θ = θ0 dan HA : θ > θ1
• H0 : θ = θ0 dan HA : θ < θ1
Catat bahwa nilai θ0 dan θ1 adalah nilai yang berlainan, dimana keduanya
telah diketahui dengan pasti nilai masing-masing. Pasangan H0 dan HA
pada bagian pertama disebut sebagai pengujian hipotesis sederhana (simple
hypothesis) lawan hipotesis sederhana, sedangkan pasangan H0 dan HA pada
bagian kedua sampai keempat disebut sebagai pengujian hipotesis sederhana
lawan hipotesis komposit (composite hypothesis).
ii. Hipotesis yang mengandung nilai maksimum. Dalam hal ini, komposisi H0
H0 : θ ≤ θ0 dan HA : θ > θ1
Pasangan H0 dan HA yang demikian disebut sebagai pengujian hipotesis
komposit lawan hipotesis komposit.
iii. Hipotesis yang mengandung nilai minimum. Dalam hal ini, komposisi H0
H0 : θ ≥ θ0 dan HA : θ < θ1
Pasangan H0 dan HA yang demikian disebut sebagai pengujian hipotesis
komposit lawan hipotesis komposit.
361
Untuk penyederhanaan, pembahasan di bab ini akan dibatasi pada pengujian

hipotesis yang mengandung nilai kesamaan. Dengan kata lain, hipotesis nol H0
akan melawan hipotesis alternatif HA yang mengandung ketidaksamaan (bisa
jadi tidak sama, lebih besar, maupun lebih kecil). Dalam hal yang demikian, HA
harus dipilih oleh peneliti sesuai dengan permasalahan yang dihadapi dan nilai
parameter yang diuji telah diketahui secara pasti oleh peneliti.
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.
Misalkan diberikan sampel acak berukuran n yang dinotasikan dengan

X1 , X2 , X3 , · · · , Xn dari suatu populasi yang memiliki fungsi kepadatan
probabilitas f (x; θ) dan Ω menyatakan himpunan nilai yang memungkinkan
untuk parameter θ. Umumnya, Ω disebut sebagai ruang parameter (parameter
space) untuk θ. Hipotesis nol yang ingin diuji adalah
H0 : θ ∈ ω,
sedangkan hipotesis alternatif adalah
HA : θ ∈ ω 0
dimana ω adalah himpunan bagian dari Ω, dan ω 0 adalah komplemen dari ω.

Dengan demikian, jelas terlihat bahwa ruang parameter untuk θ dipartisi menjadi
himpunan yang saling asing, yaitu ω dan ω 0 . Pada banyak kasus, Ω bisa jadi
berupa himpunan dari seluruh bilangan riil, himpunan dari seluruh bilangan riil
positif, interval dari bilangan riil, maupun lainnya. Ketika H0 dan HA sama-
sama berupa hipotesis sederhana, ω dan ω 0 dimana masing-masing hanya memiliki
satu elemen, kita dapat mengonstruksi suatu pengujian dengan membandingkan
likelihood antara L0 dan L1 .
362
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
Catat bahwa, apabila H0 adalah hipotesis sederhana, maka nilai k dipilih

sedemikian hingga ukuran dari daerah kritis adalah α. Akan tetapi, apabila H0
adalah hipotesis komposit, maka nilai k dipilih sedemikian hingga probabilitas
dari eror tipe I kurang dari atau sama dengan α, untuk seluruh θ ∈ ω.
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
Nilai dari likelihood ratio statistic adalah

1 P 2
max L0 e− 2σ2 (Xi −µ0 ) − n2
P
(x̄−µ0 )2
λ= = 1 P 2
≈ e 2σ
max L e− 2σ2 (Xi −x̄)
Oleh karena itu, diperoleh daerah kritis dari likelihood ratio test adalah
n
(x̄−µ0 )2
P
e− 2σ2 ≤k
Dengan menyederhanakan pertidaksamaan di atas, maka diperoleh

n
(x̄ − µ0 )2 ≥ − · ln k
2σ 2
atau
|x̄ − µ0 | ≥ K
dimana K harus ditentukan sedemikian hingga ukuran daerah kritis adalah α.

Catat bahwa nilai dari ln k adalah negatif, karena 0 < k < 1.
364
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
atau dapat kita tuliskan kembali sebagai
|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).
14.2 Prosedur Pengujian Hipotesis

Pada subbab ini kita akan membahas mengenai beberapa prosedur yang perlu
dilakukan dalam melakukan pengujian suatu hipotesis. Terdapat beberapa jenis
uji yang umum digunakan dalam praktiknya. Sebagian besar dari uji tersebut,
setidaknya didasarkan pada distribusi populasi yang telah diketahui secara umum.
Sebelum membahas mengenai beberapa prosedur dalam pengujian hipotesis, kita
akan membahas terlebih dahulu mengenai uji signifikansi (test of significance).
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
Apabila kita menggunakan hipotesis alternatif satu sisi, contohnya adalah

µ > µ0 , maka kita akan menggunakan daerah kritis seperti pada gambar berikut
ini.
366
Sedangkan apabila kita ingin menguji hipotesis alternatif µ < µ0 , maka kita akan
menggunakan daerah kritis seperti pada gambar berikut ini.
Berdasarkan kedua gambar di atas, untuk pengujian hipotesis alternatif µ > µ0 ,

maka kita akan menolak hipotesis nol (yaitu µ = µ0 ) apabila nilai dari X̄ berada
pada ekor/ujung sebelah kanan dari distribusi sampling. Secara matematis, daerah
x̄ − µ0
kritis untuk kasus yang pertama ini adalah z ≥ zα/2 , dimana z = σ .
√
n
Sebaliknya, untuk pengujian hipotesis alternatif µ < µ0 , maka kita akan

menolak hipotesis nol apabila nilai dari X̄ berada pada ekor/ujung sebelah kiri
dari distribusi sampling. Secara matematis, daerah kritis untuk kasus yang kedua
x̄ − µ0
ini adalah z ≤ zα/2 , dimana z = σ .
√
n
Berikutnya, dalam melakukan pengujian hipotesis perlu diketahui beberapa

prosedur yang harus dilakukan, meliputi:
i. Mendefinisikan hipotesis nol H0 dan hipotesis alternatif HA , serta menen-
tukan nilai α.
ii. Menggunakan distribusi sampling dari uji statistik yang sesuai, kemudian
menentukan daerah kritis dengan ukuran α.
iii. Menentukan nilai dari uji statistik yang bersumber dari data sampel.
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.
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.
Dengan menggunakan konsep nilai-p maka prosedur-prosedur dalam pengujian

hipotesis menjadi:
tukan nilai α.
ii. Menentukan uji statistik yang sesuai.
iii. Menentukan nilai dari uji statistik dan nilai-p yang bersesuaian dari data
sampel.
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.
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

14.3 Pengujian Mean pada Satu Populasi

Pada subbab ini kita akan membahas mengenai uji yang paling banyak digunakan,
yaitu uji tentang mean dari suatu populasi, dan pada subbab 14.4 kita akan
membahas uji yang berkaitan dengan mean dari dua populasi. Semua uji yang
dibahas pada bagian ini didasarkan pada teori distribusi normal, dengan asumsi
bahwa sampel yang diambil berasal dari populasi yang berdistribusi normal, atau
bahwa sampel tersebut memiliki ukuran yang cukup besar untuk dapat didekati
dengan estimasi distribusi normal.
Misalkan kita ingin melakukan pengujian untuk hipotesis nol µ = µ0 melawan

hipotesis alternatif µ 6= µ0 , µ > µ0 , atau µ < µ0 pada suatu sampel acak
berukuran n yang diambil dari suatu populasi yang berdistribusi normal dengan
varians yang diketahui sebesar σ 2 . Daerah kritis untuk masing-masing hipotesis
alternatif adalah |z| ≥ zα/2 , z ≥ zα , dan z ≤ −zα , dimana
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:
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:
σ 2 (zα + zβ )2 92 (1, 645 + 2, 33)2 81(3, 975)2

n= = = = 51, 19 ≈ 52
(µ1 − µ0 )2 (20 − 15)2 25
Dengan demikian, ukuran sampel minimal yang diperlukan adalah n = 52.

372
14.4 Pengujian Mean pada Dua Populasi

Pada banyak kasus, sering dijumpai bahwa peneliti ingin menguji hipotesis
yang berkaitan dengan selisih/perbedaan di antara mean dari dua buah populasi.
Sebagai contoh, misalkan kita ingin mengetahui apakah secara rata-rata
mahasiswa laki-laki dapat menyelesaikan soal ujian dalam waktu yang lebih
cepat jika dibandingkan mahasiswa perempuan, atau pada suatu sampel penduduk
di Kota A dan Kota B kita ingin mengetahui jika selisih rata-rata pengeluaran
bulanan penduduk di kedua kota setidaknya adalah 500 ribu rupiah.
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 .
Pada kasus ini kita ingin menguji hipotesis nol µ1 − µ2 = δ, dimana δ

adalah konstanta yang diinginkan. Hipotesis nol tersebut akan berlawanan dengan
hipotesis alternatif µ1 − µ2 6= δ, µ1 − µ2 > δ, atau µ1 − µ2 < δ. Dengan menggu-
nakan teknik likelihood ratio, kita akan melakukan uji berdasarkan x̄1 − x̄2 , dan
daerah kritis untuk masing-masing hipotesis alternatif dapat dituliskan sebagai
|z| ≥ zα/2 , z ≥ zα , dan z ≤ −zα , dimana
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
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
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
Nilai-p yang diinginkan adalah 2(0, 50 − 0, 3599) = 0, 2802. Catat bahwa

0, 3599 diperoleh dari tabel statistik untuk nilai z = 1, 08.
374
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
Berdasarkan asumsi dan hipotesis nol µ1 − µ2 = δ, t adalah nilai dari variabel

random yang berdistribusi t dengan derajat kebebasan n1 + n2 − 2. Dengan
demikian, daerah kritis yang berukuran α untuk pengujian hipotesis nol
µ1 − µ2 = δ melawan hipotesis alternatif µ1 − µ2 6= δ, µ1 − µ2 > δ, atau
µ1 − µ2 < δ, masing-masing adalah |t| ≥ tα/2,n1 +n2 −2 , t ≥ tα,n1 +n2 −2 , dan
t ≤ −tα,n1 +n2 −2 .
Catat bahwa untuk n1 = n2 , formula dari s2p menjadi
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
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 )
dan ukuran sampel minimal yang dibutuhkan dalam melakukan pengujian

hipotesis ini adalah
(σ 2 + σ22 )(zα + zβ )2
n= 1
(δ − δ 0 )2
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.
14.5 Pengujian Varians

Pada bab sebelumnya, kita telah membahas mengenai uji mean dari satu populasi
serta dua populasi. Berikutnya, pada subbab ini kita akan mendiskusikan
pengujian hipotesis yang berkaitan dengan varians dari populasi. Terdapat
beberapa alasan mengapa pembahasan mengenai pengujian hipotesis pada varians
populasi menjadi cukup penting.
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.
Pada praktiknya, pengujian mengenai varians sering digunakan sebagai prasyarat

untuk melakukan pengujian lebih lanjut pada parameter lainnya dari suatu
distribusi populasi. Sebagai contoh, uji t dengan dua sampel seperti yang telah
dijelaskan pada subbab 14.4 mensyaratkan bahwa dua populasi dimana sampel
diambil harus memiliki varians yang sama. Dengan demikian, dalam praktiknya
kita diminta untuk melakukan pengujian terhadap varians sebelum kita melakukan
pengujian terhadap mean. Pengujian hipotesis yang akan kita pelajari dalam
subbab ini merupakan pengujian terhadap hipotesis nol yang menyatakan bahwa
varians dari populasi yang berdistribusi normal merupakan suatu konstanta
tertentu, serta likelihood ratio test dari pertidaksamaan varians pada dua buah
populasi yang berdistribusi normal. Untuk lebih jelasnya, perhatikan penjelasan
berikut ini.
377
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 .
Berdasarkan teorema pada Bab 11 mengenai distribusi Chi-Square, yang

menyatakan bahwa apabila X1 dan X2 adalah variabel random yang saling
bebas, X1 berdistribusi 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 . Kita dapat definisikan daerah
kritis untuk pengujian hipotesis nol melawan hipotesis alternatif satu arah sebagai
χ2 ≥ χ2α,n−1 dan χ2 ≤ χ21−α,n−1 , dimana
(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
(n − 1)s2 (17)(0, 68)

χ2 = 2 = = 32, 11
σ0 0, 36
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.
Pada pembahasan di awal subbab ini, kita telah mendiskusikan mengenai

pengujian varians pada satu populasi. Akan tetapi, tidak menutup kemungkinan
bahwa kita dapat melakukan pengujian varians antara dua populasi yang berbeda.
Statistik likelihood ratio untuk menguji kesamaan varians dari dua buah populasi
yang berdistribusi normal dapat dinyatakan dalam bentuk rasio dari dua buah
varians sampel.
Misalkan diberikan dua buah sampel acak yang masing-masing berukuran

n1 dan n2 yang diambil dari dua populasi yang berdistribusi normal dengan
varians masing-masing sebesar σ12 dan σ22 . Berdasarkan teorema yang telah
dibahas pada Bab 11 mengenai distribusi F , maka kita dapat nyatakan daerah
kritis untuk pengujian hipotesis nol σ12 = σ22 melawan hipotesis alternatif satu
arah σ12 > σ22 atau σ12 < σ22 masing-masing sebagai
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
iii. Substitusikan nilai s21 = 19, 2 dan s22 = 3, 5, sehingga didapatkan
s21 19, 2
2 = = 5, 49
s2 3, 5
iv. Karena f = 5, 49 melebihi f0.01,12,15 = 3, 67, maka hipotesis nol harus

ditolak. Dengan demikian, dapat kita simpulkan bahwa variabilitas dari dua
jenis pelat baja yang diproduksi oleh kedua pabrik adalah tidak sama.

380
14.6 Pengujian Proporsi

Pada data terhitung/diskrit, distribusi yang umumnya digunakan untuk menggam-
barkan data tersebut di antaranya adalah distribusi binomial, distribusi Poisson,
distribusi multinomial, serta beberapa jenis distribusi diskrit lainnya. Pada subbab
ini, kita akan membahas mengenai salah satu pengujian yang didasarkan pada
data diskrit, khususnya pengujian parameter θ pada distribusi binomial. Sebagai
contoh, misalkan kita ingin menguji proporsi jumlah produk yang cacat pada
suatu proses produksi di dalam pabrik.
Misalkan kita ingin menguji hipotesis nol θ = θ0 melawan hipotesis alter-

natif θ < θ1 = θ0 , dimana θ adalah parameter dari distribusi binomial berdasarkan
variabel random X yang menyatakan banyak kejadian sukses yang didapatkan
dari n buah percobaan. Di lain pihak, apabila kita ingin menguji hipotesis
nol θ = θ0 melawan hipotesis alternatif satu arah θ > θ0 , maka daerah kritis
berukuran α dari kriteria likelihood ratio adalah
x ≥ kα
dimana kα adalah bilangan bulat terkecil sedemikian hingga

n
X
b(y; n, θ0 ) ≤ α
y=kα
dan b(y; n, θ0 ) adalah probabilitas mendapatkan sukses sebanyak y dari n buah

percobaan binomial ketika θ = θ0 . Sebaliknya, untuk menguji hipotesis nol θ = θ0
melawan hipotesis alternatif θ < θ0 , maka daerah kritis berukuran α dari kriteria
likelihood ratio adalah
x ≥ kα 0
dimana kα 0 adalah bilangan bulat terbesar sedemikian hingga

0
kα
X
b(y; n, θ0 ) ≤ α
y=0
Berikutnya, apabila kita ingin menguji hipotesis nol θ = θ0 melawan hipotesis

alternatif dua arah θ 6= θ0 , maka daerah kritis adalah
x ≥ kα/2 atau x ≤ kα/2 0

381
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 )
iii. Substitusikan nilai x = 22, n = 200 dan θ0 = 0, 20 sehingga didapatkan
x − nθ0 22 − 200(0, 20)

z=p =p = −3, 18
nθ0 (1 − θ0 ) 200(0, 20)(0, 80)
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
SOAL LATIHAN BAB 14

PENGUJIAN HIPOTESIS

Diketahui X adalah nilai dari ujian yang telah di standardisasi. X tersebut
adalah variabel acak berdistribusi normal dengan standar deviasi 11. Contoh
acak dari 121 nilai diambil dan rata-rata (mean) dari contoh ini adalah 70,7.
Bila diadakan two sided test pada 5% significance level.
• H0 : µx = 70
• H0 : µx 6= 70
Hitunglah hasil dari ρ−value!

Pilihlah pernyataan yang benar dari 3 pernyataan di bawah ini:
i. Kesalahan tipe 1 (type 1 error) adalah ketika menolak hipotesis (H0 ) yang
seharusnya diterima (H0 is rejected when it is true).
ii. Kesalahan tipe 2 (type 2 error) adalah ketika menerima hipotesis (H0 )
yang seharusnya ditolak (H0 is accepted when it is false).
iii. Mengurangi probabilitas dari kesalahan tipe 1 akan mengurangi
kemungkinan dari kesalahan tipe 2, begitu pun sebaliknya.

Sebuah survei acak menunjukkan harga bensin seperti berikut:
288,9 286,9 282,9 282,9 291,9 287,9
Diasumsikan harga mengikuti distribusi normal dengan standar deviasi dari

populasi adalah 3,5. Apakah ada bukti yang memadai untuk mengklaim
bahwa rata-rata harga bensin adalah di bawah 288,9. Hitunglah p−value yang
berhubungan dengan tes ini.

Diketahui informasi berikut ini:
Sejumlah contoh sampel dari buah-buahan:
384
Sampel Acak Apel Jeruk Mangga Kelapa Semangka

(dalam ons) (dalam ons) (dalam ons) (dalam ons) (dalam ons) (dalam ons)
1 16 14 17,5 19 21
2 15 12 16 18 20,5
3 13,5 10,5 15 17,5 19,5
4 11,5 9,3 15 15 19
5 10,5 8,4 14 16 18,5
6 9,6 7,6 13,5 16 18
7 9,5 6,7 13 15 17
8 8 5,9 12 13 16,4
9 7,9 5,4 11,3 12 15,5
10 7,4 4,8 11 10 13
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
Manakah dari buah tersebut yang memiliki nilai z (z − score) terbesar?

Sebuah bagian klaim dari perusahaan asuransi dioperasikan berdasarkan asumsi
di bawah ini:
Proporsi yang di harapkan
Jumlah klaim yang diharapkan
dari total klaim
(Expected Claim Amount)
(Expected of total claim)
Mobil 40 50%
Motor 24 20%
Truk 17 15%
Mobil Van 19 15%
Berdasarkan data di atas, hitunglah Chi-Square statistic yang digunakan untuk

menguji asumsi dari bagian klaim perusahaan asuransi tersebut mengenai
jumlah klaim yang diharapkan (expected claim amount).
385

Asumsikan bahwa berat pada suatu sereal kenamaan yang mempunyai kemasan
10 ons mengikuti distribusi N (µ, σ). Untuk menguji bahwa H0 : µ = 10, 1
dan H1 : µ > 10, 1, diambil sampek acak berukuran 16 dan diamati bahwa
x̄ = 10, 4 dan s = 0, 4. Tentukan hasil keputusan dalam pengambilan uji
hipotesis pada tingkat kepercayaan α = 0, 05!

Sebuah tes penerimaan kerja diketahui memiliki skor rata-rata 37,5 dengan
simpangan baku 3,5. Suatu perusahaan A memiliki standar skor yaitu 1,5
sebagai salah satu syarat penerimaan. Berapa nilai skor tes (dalam bilangan
bulat) yang harus didapat agar dapat diterima di perusahaan A?

Sebuah perusahaan ingin memastikan apakah cuti sakit yang diambil oleh
karyawannya adalah berdistribusi acak selama 5 hari kerja (dalam seminggu).
Sebuah sampel acak dari hari cuti sudah diambil berdasarkan sampel dari 100
karyawan, dengan hasil sebagai berikut:
Cuti Sakit (Hari)
Senin 32
Selasa 18
Rabu 18
Kamis 20
Jumat 32
Total 120
Manakah rentang di bawah ini yang merupakan p-value dari hasil uji coba
atas hipotesis bahwa cuti sakit adalah berdistribusi acak selama 5 hari kerja
berdasarkan tabel di atas.
A. Kurang dari 0,005
B. Minimum 0,005, tetapi kurang dari 0,010
C. Minimum 0,010, tetapi kurang dari 0,025
D. Minimum 0,025, tetapi kurang dari 0,050
E. Minimum 0,050
Berikut adalah soal untuk no. 9 dan no. 10.

Sebuah pengamatan dilakukan untuk menguji null hypothesis bahwa rata-
rata waktu tunggu seseorang pada suatu stasiun bus adalah θ = 10 menit,
386
sedangkan alternative hypothesis adalah θ 6= 10 menit. Null hypothesis ditolak

jika dan hanya jika nilai hasil observasi adalah lebih kecil dari 8 atau lebih
besar dari 12.
1
Fungsi Kepadatan Probabilitas : f (x, θ) = e−x/e ; 0 < x < ∞
θ
Hitunglah peluang dari Type 1 Error.

Hitunglah peluang dari Type 2 Error ketika θ = 16 menit.

Besar klaim pada suatu bisnis diketahui mengikuti distribusi normal. Sebuah
percobaan terhadap besar klaim adalah sebagai berikut:
No. Klaim Besar Klaim

1 3,3
2 5,4
3 7,1
4 8,9
5 23,5
6 29,8
Untuk hipotesis σ 2 < 50, pada rentang berapakah nilai p-value?

DAFTAR PUSTAKA
• Bain, L. J., & Engelhardt, M. (1987). Introduction to Probability and Mathe-

matical Statistics. Brooks/Cole.
• Balakrishnan, N., & Cohen, A. C. (2014). Order Statistics & Inference:

Sstimation Methods. Elsevier.
• Bartoszynski, R., & Niewiadomska-Bugaj, M. (2020). Probability and Statis-

tical Inference. John Wiley & Sons.
• Hogg, R. V., McKean, J. W., & Craig, A. T. (2019). Introduction to Mathe-

matical Statistics 8th ed. Pearson.
• 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.
• Montgomery, D. C., & Runger, G. C. (2010). Applied Statistics and Probability

for Engineers. John Wiley & Sons.
• Ross, S. M. (2014). Introduction to Probability Models. Academic Press.
• Spiegel, M. R., Schiller, J. J., & Srinivasan, R. A. (2013). Schaum’s Outline of

Probability and Statistics. McGraw-Hill Education.
• Walpole, R.E. (2012). Probability and Statistics for Engineers and Scientists
(9th Edition). Pearson
387

Buku Pengantar Teori Probabilitas Dan Statistika

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Buku Pengantar Teori Probabilitas Dan Statistika

Diunggah oleh

Hak Cipta:

Format Tersedia

Pengantar Teori Probabilitas

Wawan Hafid Syaifudin, M.Si, MAct.Sc, ASAI

Alhamdulillahirabbil’aalamin. Segala puja dan puji syukur penulis

Surabaya, Februari 2021

• Istri tercinta yang selalu memberikan semangat, bantuan, dan doa

• Hengky Kurniawan, yang telah membantu penulis dalam penyusunan naskah

• Rekan-rekan penulis di Departemen Aktuaria, Matematika, dan Statistika

• READI Project atas bantuannya dalam proses penerbitan buku

UCAPAN TERIMA KASIH . . . . . . . . . . . . . . . . . . . . . . . . . iii

DAFTAR PUSTAKA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 387

1.1 Teori Himpunan

Suatu himpunan A disebut subset (himpunan bagian) dari B, yang dinotasikan

Secara matematis, hal ini dapat kita tuliskan sebagai

Diagram Venn di bawah ini menyatakan A ∪ B.

Diagram Venn di bawah ini menyatakan A ∩ B.

Apabila diberikan sebarang himpunan B, maka komplemen dari B terdiri

Pernyataan ini dapat diilustrasikan melalui Diagram Venn di bawah

Pernyataan ini dapat diilustrasikan melalui Diagram Venn di bawah ini.

Selanjutnya, suatu himpunan disebut sebagai himpunan kosong apabila

Berikut ini adalah beberapa persamaan yang menyatakan hubungan dari

Dengan menggunakan beberapa hubungan di antara himpunan-himpunan tersebut,

1.2 Ringkasan Kalkulus Dasar

Berikutnya, persamaan x = y 2 tidak mendefinisikan sebuah fungsi karena jika

Suatu fungsi disebut sebagai fungsi sepotong-sepotong (piecewise function)

• Diberikan fungsi y = x2 = f (x), diperoleh dua kemungkinan nilai x yaitu

Namun, jika fungsi didefinisikan sebagai y = x2 = f (x) hanya untuk x ≥ 0,

Fungsi dan Persamaan Kuadrat

Persamaan kuadrat memiliki :

Berikut adalah grafik yang menggambarkan ketiga persamaan kuadrat tersebut.

Fungsi Eksponensial dan Logaritma

Seperti halnya bilangan-bilangan yang dapat dijumlahkan, dikurangkan, dikalikan,

Domain-domain dari fungsi f + g, f − g dan f · g didefinisikan sebagai irisan dari

Dapatkan fungsi (f + g)(x), (f − g)(x), (f · g)(x), dan (f /g)(x) serta tentukan

1.2.2 Limit dan Kontinuitas

Berikut ini diberikan beberapa limit dasar.

(ii) lim k = k, di mana k adalah suatu konstanta. Contoh: lim 7 = 7

(iii) lim k = k, di mana k adalah suatu konstanta. Contoh: lim 0 = 0

(iv) lim x = a. Contoh: lim x = −3

(v) lim x = +∞.

Misal diberikan lim f (x) = L1 dan lim g(x) = L2 , maka

(ii) lim[f (x) − g(x)] = lim f (x) − lim g(x) = L1 − L2

(iii) lim[f (x).g(x)] = lim f (x) · lim g(x) = L1 · L2

Selanjutnya, untuk sebarang polinomial p(x) = c0 + c1 x + · · · + cn xn , dengan

lim p(x) = c0 + c1 a + · · · + cn an = p(a)

(ii) lim e−x = 0

Untuk limit yang terakhir, ingat bahwa

Suatu fungsi f (x) dikatakan kontinu di titik x = c jika syarat-syarat berikut

(ii) lim f (x) ada

(iii) lim f (x) = f (c)

Kedua fungsi tersebut diskontinu di x = 2. Untuk fungsi f disebabkan karena

Jika fungsi f dan g kontinu di titik x = c maka:

1.2.3 Turunan dari Fungsi

f (x0 + h) − f (x0 ) f (x) − f (x0 )

g(h(x)) g 0 (h(x)) · h0 (x)

g(x) = 4x, h(x) = (x2 + 1)3 , g 0 (x) = 4, h0 (x) = 3(x2 + 1)2 · 2x

f 0 (x) = 4x · 3(x2 + 1)2 · 2x + 4(x2 + 1)3 = 4(x2 + 1)2 (7x2 + 1).

Dengan demikian diperoleh:

Integral dari f (x) adalah F (x) = 2x − 12 x2 .

Dengan demikian, diperoleh

Jika persamaan f tidak terdefinisi di x = a, atau f tidak kontinu di x = a, maka

Berikut ini diberikan beberapa aturan pada integral. Z ∞

Integral Lipat Dua

Integral lipat dua dari f (x, y) dapat dinyatakan sebagai :

Selanjutnya, integral dapat ditulis menjadi