Dosen Pengampu:
Disusun oleh:
Kelompok 5
i
1.1 Variabel Acak
Variabel acak merupakan deskripsi numerik dari hasil percobaan. Variabel acak dapat
diklasifikasikan menjadi dua yaitu :
1. Variabel Acak Diskrit
Variabel acak diskrit adalah variabel yang dapat mengasumsikan nilai terbatas atau
tidak terbatas seperti 0,1,2. Contoh dari variabel ini seperti ujian akuntan publik (CPA)
yang terdiri dari empat bagian. Dalam hal ini, variabel acak yang didefinisikan sebagai x =
jumlah bagian ujian CPA yang lulus sehingga nilai yang mungkin adalah 0,1,2,3 dan
seterusnya. Asumsi nilai ini lah yang kemudian termasuk dalam variabel acak diskrit.
Untuk dapat lebih memahami terkait variabel acak diskrit dapat dilihat dalam tabel
berikut.
Lempar Koin Wajah koin yang menunjukkan 1 jika kepala, 0 jika ekor
Menawarkan pilihan 2 produk Produk yang dipilih pelanggan 0 jika tidak ada, 1 jika
pada pelanggan memilih produk A dan 2
jika memilih produk B
1
hal ini, variabel acak sebagai x = jumlah mil ke lokasi kecelakaan lalu lintas sepanjang
bagian I75. Sehingga nilai yang mungkin adalah nilai dalam interval 0 ≤ x ≤ 90. Adapun
contoh lain dari variabel acak kontinu dapat dilihat dalam tabel berikut.
Uji proses kimia baru Temperatur yang diinginkan untuk 150 ≤ x ≤ 112
reaksi (min = 150°F, maks = 212°F)
Investasi $10.000 di pasar saham Nilai investasi setelah satu tahun x≥0
2
Jumlah Yang Diperoleh Probabilitas
x f (x)
1 1/6
2 1/6
3 1/6
4 1/6
5 1/6
6 1/6
Tabel 5.4 Distribusi Probabilitas Jumlah Mobil yang Dijual Selama Sehari di Dicarlo
Motors
x f (x)
0 .18
1 .39
2 .24
3 .14
4 .04
5 .01
Jumlah 1.00
(5.1)
tabel di atas, dapat dilihat jumlah mobil yang paling mungkin terjual dalam sehari adalah 1
mobil dengan probabilitas f (1) = 0.39. Selain itu terdapat f (3) + f (4) + f (5) = 0.14 + 0.04 +
0.01 = 0.19 probabilitas untuk penjualan 3 mobil atau lebih dalam sehari. Namun, dalam
pengembangan fungsi probabilitas untuk setiap variabel acak diskrit harus memenuhi dua
syarat sebagai berikut.
Dalam hal
ini, hasil f ( x )=1 /n probabilitas
untuk variabel acak
x pada tabel 5.4 yang
bernilai 1.00 telah memenuhi syarat persamaan (5.1) dan (5.2) dimana f (x) lebih besar atau
sama dengan 0 untuk semua nilai x dan probabilitas atau Σf (x) berjumlah 1.
Selain itu, terdapat rumus yang memberikan fungsi probabilitas f (x) untuk setiap nilai
x dan sering digunakan untuk menggambarkan distibusi probabilitas yang dikenal sebagai
distribusi probabilitas seragam diskrit yang ditentukan oleh persamaan berikut.
f (x) = 1/6 x = 1, 2, 3, 4, 5, 6
(5.3)
dimana n = jumlah nilai yang dapat diasumsikan oleh variabel acak
Untuk
mengaplikasikan persamaan 5.3, misalnya percobaan melempar dadu dengan mendefinisikan
variabel acak x sebagai jumlah titik yang muncul. Dalam contoh ini, diperoleh n = 6 nilai
yang mungkin yaitu x = 1,2,3,4,5,6 karena probabilitas kemungkinannya sama maka fungsi
probabilitas seragam
diskrit dapat E ( x )=μ=Σxf (x ) (5.4) digunakan.
Sehingga fungsi
probabilitas untuk variabel acak seragam diskrit pada kasus pelemparan dadu adalah :
Persamaan (5.4) di atas, memiliki arti bahwa untuk menghitung nilai yang diharapkan
dari variabel acak diskrit dilakukan dengan mengalikan setiap nilai variabel acak dengan
probabilitas f (x) dan kemudian dijumlahkan dengan semua hasil yang diperoleh. Dengan
menggunakan contoh sebelumnya yaitu tabel 5.4 tentang penjualan mobil Dicarlo Motors
persamaan 5.4 akan diaplikasikan dalam tabel berikut.
4
Tabel 5.5 Nilai yang Diharapkan untuk Jumlah Penjualan Mobil Sehari di Dicarlo Motor
x f (x) xf ( x )
0 .18 0(.18) = .00
1 .39 1(.39) = .39
2 .24 2(.24) = .48
3 .14 3(.14) = .42
4 .04 4(.04) = .16
5 .01 5(.01) = .05
1.50
E ( x )=μ=Σxf (x )
Var ( x ) =σ 2=∑ ( x −μ )2 f ( x ) (5.5)
Berdasarkan
tabel di atas, penjumlahan
pada setiap nilai di kolom x f (x) mengartikan bahwa nilai yang diharapkan adalah 1,50 mobil
per hari. Jika diasumsikan 30 hari Dicarlo beroperasi selama satu bulan, maka nilai yang
diharapkan sebesar 1,50 tersebut dapat digunakan untuk meramalkan rata-rata penjualan
bulanan yaitu 30 (1,50) = 45 mobil.
Varians adalah jumlah kuadarat semua deviasi dari setiap nilai variabel acak terhadap
rata-rata. Dalam buku Douglass A.Lind (2013) keunggulan dari varians adalah dapat
menggambarkan jumlah penyebaran (variasi) dalam suatu distribusi. Adapun rumus dari nilai
yang diharapkan dari variabel acak diskrit ditunjukkan dalam persamaan berikut.
Dengan menggunakan contoh sebelumnya yaitu tabel 5.4 tentang penjualan mobil
Dicarlo Motors dan hasil dari nilai yang diharapkan pada tabel 5.5 sebesar 1.50 maka
perhitungan varians sesuai dengan persamaan (5.5) akan disajikan dalam tabel berikut.
Tabel 5.6 Perhitungan Varians Jumlah Mobil Dijual Selama Sehari di Dicarlo Motors
2 2
1.2500
σ =∑ ( x−μ ) f ( x )
5
1.4 Distribusi Bivariat, Kovarian, dan Portfolio Keuangan
Distribusi probabilitas bivariat merupakan distribusi probabilitas yang melibatkan dua
variabel acak. Dimana setiap hasil untuk percobaan terdiri dari dua nilai seperti pelemparan
pada dua buah dadu yang hasilnya terdiri dari dua nilai yaitu perolehan angka dari dadu
pertama dan perolehan angka dari dadu kedua. Contoh lain seperti pengamatan terhadap
keuntungan yang akan diperoleh dari dana saham dan dana obligasi pada pasar keuangan,
dimana hasil pengamatan ini akan memberikan dua nilai yaitu keuntungan dalam dana saham
dan keuntungan dalam dana obligasi.
6
Total .18 .39 .24 .14 .04 .01 1.0000
Tabel 5.9 Nilai yang Diharapkan dan Varians untuk Total Penjualan Harian Dua Dealer
Dengan menggunakan contoh DiCarlo Motors sebelumnya maka persamaan (5.6) tersebut
dapat dihitung dalam tabel berikut dimana Var(x) merupakan varians dari variabel x yaitu
penjualan di dealer Jenewa dan Var(y) merupakan varians dari variabel y yaitu penjualan di
dealer Saratoga. Ditampilkan dalam tabel berikut.
Tabel 5.10 Varians Jumlah Mobil Dijual Satu Hari di Dicarlo Motors Dealer Jenewa
Hasil kovarians sebesar 0,1350 di atas menunjukkan bahwa penjualan harian di dealer
Jenewa dan dealer Saratoga DiCarlo Motors memiliki hubungan positif.
Selain dengan
menggunakan rumus σ =¿ )/2 = .1350) kovarians, untuk
xy
menghitung hubungan 2 variabel
dapat menggunakan rumus korelasi antar variabel acak x dan y sebagai berikut.
(5.7)
Dengan menggunakan persamaan (5.7) tersebut, dapat diperoleh hasil koefisien korelasi
penjualan harian di dua dealer Dicarlo yaitu :
σ x =√ .8696 = .9325
σ y =√ 1.25 = 1.1180
σ xy −.1350
ρ x y= = =. 1295
σ x σ y ( .9 325 ) (1.1 1 8 0 )
Hasil koefisien korelasi sebesar 0,1295 menunjukkan hubungan positif yang lemah antara
penjualan harian di kedua dealer DiCarlo Motors.
8
pengembalian dan pertimbangan terhadap resiko intvestasi di dua saham tersebut maka dapat
dihitung dengan persamaan berikut.
E(x) = .10(-40) + .25(5) + .5(15) + .15(30) = 9.25
E(y) = .10(30) + .25(5) + .5(4) + .15(2) = 6.55
Berdasarkan perhitungan nilai pengembalian yang diharapkan di atas, menunjukkan
bahwa berinvestasi pada dana saham reksa dana lebih besar dengan persentase pengembalian
9.25 dibandingkan berinvestasi pada saham obligasi dengan persentase yang lebih kecil yaitu
6.55. Namun, selain pada pengembalian yang diharapkan perlu mempertimbangkan resiko
terkait investasi tersebut. Untuk menghitung resiko investasi ini, digunakan deviasi standar
persentase pengembalian yang dapat dilihat sebagai berikut.
Var(x) = .1(-40 – 9.25)² + .25(5 – 9.25)² + .50(15 – 9.25)² + .15(30 – 9.25)² = 328.1875
Var(y) = .1(-30 – 6.55)² + .25(5 – 6.55)² + .50(4 – 6.55)² + .15(2 – 6.55)² = 61.9475
Hasil standar deviasi pengembalian saham reksadana yang lebih besar dibandingkan
standar deviasi pengembalian saham obligasi mengartikan bahwa berinvestasi pada saham
reksadana lebih beresiko dibandingkan dengan berinvestasi pada saham obligasi.
Penerapan Aplikasi Keuangan (Investasi Pada Dua Saham)
Nilai yang Diharapkan, Varians, Deviasi Standar untuk Tiga Alternatif
Tabel 5.12
Investasi
Tabel di atas menunjukkan tiga alternatif pilihan investasi, alternatif pertama dan
kedua berinvestasi pada satu saham secara penuh dan alternatif ketiga dengan berinvestasi
pada dua saham (diversifikasi) dengan investasi 25% di saham reksadana dan 75% di saham
obligasi.
Berbeda dengan contoh aplikasi keuangan sebelumnya yang hanya menghitung
pengembalian pada satu saham saja, dalam contoh ini akan ditunjukkan perhitungan
pengembalian yang diharapkan dan resiko pengembalian investasi pada kombinasi dua
variabel acak sekaligus yaitu pengembalian saham reksadana (x) dan pengembalian saham
obligasi (y) sebagai berikut.
9
Rumus nilai yang diharapkan dari kombinasi dua variabel acak (x) dan (y)
Kemudian, untuk menghitung varians dari kombinasi dua variabel acak (x) dan (y) yaitu :
2
Var ( a x+ by )=a Var ( x ) b ² Var ( y )+ 2 ab σ x y (5.9)
10
dan 4 maka disebut sebagai proses Bernoulli. Namun, jika persyaratan 1 juga terpenuhi maka
dapat disebut sebagai eksperimen binomial. Dapat dilihat dalam contoh berikut.
Pelemparan Koin 8
Gambar 5.2
Percobaan
Kedua contoh di atas merupakan contoh
Properti 1 : Eksperimen terdiri dari n = 8 eksperimen binomial dimana masing-masing
percobaan identik
memiliki 4 sifat atau syarat dari eksperimen
binomial yaitu terdiri dari n percobaan
Properti 2 : Percobaan menghasilkan dua
kemungkinan, sukses (S) atau gagal (G) identik, terdapat 2 kemungkinan hasil
(keberhasilan dan kegagalan), probabilitas
Percobaan keberhasilan dilambangkan dengan p dan
probabilitas kegagalan sebagai 1-p serta uji
S1 G
2 3G 4S 5S 6G 7S 8S
Hasil
coba bersifat independen.
( nx)= x ! ( n−x
n!
)!
(5.10)
dimana
n! = n(n – 1)(n – 2) ..... (2)
(1)
dengan arti
0! = 1
Sehingga diperoleh :
( 3 ) ( 2 ) (1 ) 6
x ()()
n=3= 3!
= = =3
2 2 ! ( 3−2 ) ! ( 2 ) ( 1 )( 1 ) 2
Berdasarkan penggunaan diagram pohon dan persamaan di atas untuk menyelesaikan
persoalan dapat diketahui bahwa dari tiga hasil eksperimen menghasilkan tiga keberhasilan
dimana dalam diagram pohon ditunjukkan dengan (S, S, S), (S, F, S) dan (F, S, S). Seperti
keterangan pada persoalan di awal bahwa probabilitas pembelian pada satu pelanggan
yaitu .30 dan probabilitas tidak melakukan pembelian .70 maka dengan menggunakan rumus
11
pp(1-p) menghasilkan
(.30)(.30)(.70) = (.30)²(.70) = .063.
Untuk lebih memudahkan
dalam pemahaman ini, maka
digunakan fungsi (5.12) probabilitas
binomial yang ditunjukkan
dimana x = jumlah keberhasilan
sebagai berikut.
p = kemungkinan sukses dalam satu percobaan
n = jumlah percobaan
f(x) = probabilitas keberhasilan x dalam n
percobaan
( nx) =
n!
x ! ( n−x ) !
Penyelesaian lain yang praktis dan mudah digunakan adalah dengan tabel probabilitas
binomial. Namun, untuk dapat menggunakan tabel ini, harus ditentukan nilai n, p dan x.
Penggunaan tabel binomial ditunjukkan sebagai berikut.
12
Distribusi probabilitas poisson merupakan distribusi probabilitas yang menunjukkan
probabilitas x kemunculan suatu peristiwa selama interval waktu atau ruang tertentu.
Misalnya variabel acaknya yaitu jumlah kedatangan mobil di tempat pencucian mobil dalam
satu jam atau jumlah perbaikan yang dibutuhkan dalam 10 mil jalan raya. Distribusi
probabilitas poisson memiliki sifat-sifat sebagai berikut.
Dalam distribusi probabilitas Poisson, x merupakan variabel acak diskrit yang menunjukkan
jumlah kemunculan
dalam x −μ
μ ⅇ interval.
f ( x )=
Karena x! variabel acak
diskrit maka tidak ada
batas yang dinyatakan
dalam jumlah
kemunculan dan f(x)
berlaku untuk x= 0,
1, 2, ….. tanpa batas. Untuk memudahkan pemahaman mengenai distribusi probabilitas
poisson maka akan dipaparkan dalam contoh di bawah ini.
Misalnya dilakukan pengamatan terhadap jumlah pasien yang tiba di IGD selama 15
menit pada shift pagi. Dalam hal ini, dapat diasumsikan bahwa kemungkinan kedatangan
pasien sama untuk dua periode waktu yang sama panjangnya dan datang tidaknya pasien
dalam waktu apapun tidak dipengaruhi oleh kedatangan pasien lain dalam periode atau waktu
yang berbeda. Jika diibaratkan asumsi tersebut terpenuhi & berdasarkan data historis rumah
sakit menunjukkan jumlah rata-rata pasien yang datang dalam periode waktu 15 menit
berjumlah 10, maka fungsi probabilitasnya yaitu :
x −10
10 ⅇ
f ( x )=
x!
13
Dimana variabel acak x = jumlah kedatangan pasien selama 15 menit. Jika misalnya
ingin mengetahui probabilitas 5 kedatangan dalam 15 menit, maka x = 5 sehingga diperoleh
hasil yaitu :
⁵ −10
10 ⅇ
f ( 5 )= =.0378
5!
Distribusi poisson juga memberikan tabel yang dapat dapat memudahkan dalam
penyelesaian persoalan probabilitas untuk nilai tertentu x dan μ dengan syarat kedua nilai
tersebut telah diketahui. Dengan menggunakan contoh di atas, maka akan ditampilkan tabel
distribusi poisson yang menunjukkan kesamaan hasil yaitu .0378. Dapat dilihat sebagai
berikut.
TABLE
Dengan5.15 Nilai yang Dipilih dari Tabel Probabilitas Poisson
penggunaan contoh
Contoh : μ = 10, x = 5; f(5) = .0378
m
x 9.1 9.2 9.3 9.4 9.5 9.6 9.7 9.8 9.9 10
0 .0001 .0001 .0001 .0001 .0001 .0001 .0001 .0001 .0001 .0000
1 .0010 .0009 .0009 .0008 .0007 .0007 .0006 .0005 .0005 .0005
2 .0046 .0043 .0040 .0037 .0034 .0031 .0029 .0027 .0025 .0023
3 .0140 .0131 .0123 .0115 .0107 .0100 .0093 .0087 .0081 .0076
4 .0319 .0302 .0285 .0269 .0254 .0240 .0226 .0213 .0201 .0189
5 .0581 .0555 .0530 .0506 .0483 .0460 .0439 .0418 .0398 .0378
6 .0881 .0851 .0822 .0793 .0764 .0736 .0709 .0682 .0656 .0631
7 .1145 .1118 .1091 .1064 .1037 .1010 .0982 .0955 .0928 .0901
8 .1302 .1286 .1269 .1251 .1232 .1212 .1191 .1170 .1148 .1126
9 .1317 .1315 .1311 .1306 .1300 .1293 .1284 .1274 .1263 .1251
bahwa salah satu sifat atau ciri yang dimiliki oleh distribusi ini adalah rata-rata dari distribusi
dan varians distribusinya memiliki kesamaan. Sehingga varians kedatangan pasien selama 15
menit adalah σ 2=10 dan standar deviasinya adalah σ =√ 10=3.16 .
60 ⅇ−6
f ( 0 )= =.0025
0!
14
1.7 Distribusi Probabilitas Hipergeometrik
Distribusi probabilitas hipergeometrik merupakan distribusi probabilitas yang
menunjukkan probabilitas x keberhasilan dalam n percobaan dimana r didefinisikan sebagai
jumlah elemen dalam populasi ukuran N yang dianggap sebagai kesuksesan dan N – r adalah
jumlah elemen dalam populasi yang dianggap sebagai kegagalan.
Distribusi probabilitas hipergeometrik berkaitan dengan distribusi probabilitas
binomial. Namun kedua distribusi probabilitas ini memiliki perbedaan dimana jika
probabilitas binomial memiliki sifat uji coba yang independen (bebas) dan memiliki dua hasil
kemungkinan yaitu keberhasilan dan kegagalan sedangkan probabilitas hipergeometrik
sebaliknya dimana tidak independen dan kemungkinan keberhasilan yang berubah-ubah.
Adapun fungsi probabilitas hipergeometrik ditunjukkan dalam persamaan berikut.
(5.16)
dimana :
x = jumlah kesuksesan
n = jumlah percobaan
f(x) = probabilitas keberhasilan x dalam n percobaan
r = jumlah elemen
( )( )
r N −r
N = jumlah elemen dalam populasi
x n−x
f ( xdalam
)= populasi yang sukses
( Nn )
Dalam
probabilitas
hipergeometrik, x merupakan variabel acak diskrit dan fungsi probabilitas (x) yang diberikan
oleh persamaan (5.16) biasanya berlaku untuk nilai x = 0, 1, 2, ... n. Namun nilai x jumlah
keberhasilan yang diamati kurang dari sama dengan banyaknya keberhasilan dalam populasi
(x ≤ r) dan julah kegagalan yang diamati kurang dari atau sama dengan jumlah kegagalan
dalam populasi (n - x ≤ N – r). Jika kedua kondisi tersebut tidak berlaku untuk satu atau lebih
nilai x, maka f(x) = 0 sesuai untuk menunjukkan bahwa probabilitas dari nilai x ini adalah 0.
Untuk dapat memahami distribusi hipergeometrik akan dipaparkan contoh mengenai hal ini
sebagai berikut.
Misalnya dilakukan pengamatan terhadap aplikasi kontrol kualitas sekring listrik yang
diproduksi oleh Ontario Electric yang dikemas dalam kotak berisi masing-masing 12 unit.
Lalu seorang inspektur memilih secara acak tiga dari 12 sekring sebuah kotak untuk
15
pengujian. Jika kotak berisi lima sekring rusak, berapa probabilitas salah satu dari tiga
sekring yang rusak?
Berdasarkan contoh yang telah diberikan di atas, maka n = 3 dan N = 12 serta r = 5
sekering yang rusak di dalam kotak, kemungkinan menemukan x = 1 sekering yang rusak
adalah :
f (1)=
( )( ) = 1 ! 4 ! 2 !5 ! ) = ( 5 ) ( 21 ) =.4773
5 7
1 2 ( 5!
)( 7!
( 0 )( 3 ) ( 0 !5 ! )( 3 ! 4 ! ) ( 1 ) (35 )
5 7 5! 7!
f ( 0 )= = = =.1591
( 3 ) ( 3! 9! )
12 12 ! 220
Dengan probabilitas nol sekering yang rusak atau f (0) = 0,1591, dapat disimpulkan
bahwa probabilitas tersebut untuk menemukan setidaknya 1 sekering yang rusak harus 1
- .1591 = .8409. Jadi, kemungkinan besar inspektur akan menemukan setidaknya 1 sekering
yang rusak. Sedangkan rata-rata dan varians
dari distribusi hipergeometrik adalah
sebagai berikut.
E ( x )=µ=n
r
N ( )
(5.17)
Var ( x ) =σ 2=n ( Nr )(1− Nr )( NN −n
−1 )
(5.18)
Dalam contoh sebelumnya n = 3, r = 5, dan N = 12. Jadi, mean dan varians untuk
jumlah sekring yang rusak adalah :
σ =n ( )( 1− )(
N N−1 ) ( 12 )( 12 )( 12−1 )
2 r r N −n 5 5 12−3
=3 1− =.60
N
16
17