PENGANTAR TEORI PELUANG

a) Percobaan acak adalah percobaan yang dapat diulang dalam kondisi yang sama namun hasil
percobaan ini tidak dapat ditebak dengan tepat, tetapi kita mengetahui semua kemungkinan
hasilnya. Himpunan semua hasil suatu percobaan acak disebut ruang contoh (ruang sampel),
dinotasikan dengan Ω. Kejadian adalah himpunan bagian suatu ruang contoh. Suatu kejadian yang
hanya terdiri atas satu unsur ruang contoh disebut kejadian sederhana. Kejadian-kejadian lainnya,
pada dasarnya, dapat dinyatakan sebagai gabungan dari beberapa kejadian sederhana dan disebut
kejadian majemuk.

b) Untuk sebuah eksperimen pelemparan sebuah koin sebanyak 1 kali (percobaan acak), ruang contoh Ω
berisi dua kemungkinan (outcomes), “heads” (𝐻) dan “tails” (𝑇) (kejadian). Maka 𝛀 = {𝐇, 𝐓} (ruang
contoh).

c) Jika 𝐸 dan 𝐹 adalah dua kejadian, maka 𝐸 dan 𝐹 disebut dua kejadian lepas atau terpisah (mutually
exclusive), jika dan hanya jika tidak ada unsur dari 𝐸 yang juga merupakan unsur dari 𝐹 atau
sebaliknya.

Contoh kasus: Misalkan kita mengadakan percobaan memilih sebuah bilangan secara acak dari
himpunan 20 bilangan asli yang pertama. Jika 𝑬 adalah kejadian terpilihnya bilangan ganjil dan 𝑭
adalah kejadian terpilihnya bilangan yang habis dibagi empat, maka 𝐸 dan 𝐹 adalah dua kejadian
terpisah (lepas) karena tidak ada bilangan ganjil yang habis dibagi empat.

Sumber :

1. (Bab 1) Mangku IW. 2017. Pengantar Teori Peluang. Bogor(ID) : IPB Press.
2. (Bab 1.2) Grahramani S. 2005. Fundamentals of Probability with Stochastic Processes. Ed. 3.
PENGANTAR TEORI PELUANG

a) Misalkan kita memiliki suatu ruang contoh Ω. Medan-𝜎 adalah suatu himpunan ℱ yang anggotanya
adalah himpunan bagian dari ruang contoh Ω serta memenuhi syarat-syarat berikut:
 ∅∈𝓕
 Jika 𝑨𝟏 , 𝑨𝟐 , … ∈ 𝓕 maka ⋃∞𝒊=𝟏 𝑨𝒊 ∈ 𝓕
 Jika 𝑨 ∈ 𝓕 maka 𝑨 ∈ 𝓕, dengan 𝑨𝒄 menyatakan komplemen 𝑨.
𝒄

b) Misalkan Ω = {1,2,3,4,5,6} adalah ruang sampel dari pelemparan sebuah dadu. Dapat anda tunjukan
bahwa ℱ1 = {∅ , {1}, {2, 3}, {4, 5, 6}, {1, 2, 3}, {1, 4, 5, 6}, {2, 3, 4, 5, 6}, Ω} dan
ℱ2 = {∅ , {1 , 3, 5}, {2, 4, 6}, Ω} merupakan suatu medan-𝜎. Power set dari 𝛀 juga merupakan suatu
medan-𝝈

c) Misalkan Ω = [−3,3]. Maka medan-𝜎 yang memungkinkan adalah ℱ1 = {∅, [−3, 0), [0,3], [−3,3]} dan
ℱ2 = {∅, [−3,3] = Ω}

Misalkan Ω = ℝ dan 𝑓 merupakan himpunan semua selang terbuka di ℝ. Jika ℬ ⊆ 𝑓 dan ℬ merupakan
sebuah medan-𝜎, maka 𝓑 disebut medan Borel, dan anggotanya disebut himpunan Borel. DISARANKAN
TANYA DOSEN PERIHAL CONTOHNYA SERTA PERBEDAANNYA DENGAN MEDAN-𝝈. Medan Borel
merupakan kasus khusus dari medan-𝜎. It is a Sigma algebra generated by a collection of subsets of Ω
whose elements are "finite open intervals on Real numbers". Salah satu sumber :
https://people.clas.ufl.edu/pascoej/files/6616notes01dec2017.pdf

Sumber :

1. http://file.upi.edu/Direktori/FPMIPA/JUR._PEND._MATEMATIKA/195202121974121-
MAMAN_SUHERMAN/Statistik_1.pdf
2. https://docplayer.info/30214412-Eksperimen-acak-peluang-ma3181-teori-peluang-utriweni-
mukhaiyar-1-september-2014.html
3. https://math.stackexchange.com/questions/2323671/is-borel-field-different-from-sigma-field
4. https://www.bauer.uh.edu/rsusmel/phd/sR-0.pdf
PENGANTAR TEORI PELUANG

a) Misal kita memiliki suatu ruang contoh Ω dan suatu medan-𝜎 yaitu ℱ. Suatu ukuran peluang 𝑃 pada
(Ω, ℱ) adalah suatu fungsi 𝑃 ∶ ℱ → [0, 1] yang memenuhi syarat-syarat berikut:
1. Untuk setiap kejadian 𝐴, berlaku 0 ≤ 𝑃(𝐴) ≤ 1
2. 𝑃(Ω) = 1
3. Jika 𝐴1 , 𝐴2 , … ∈ ℱ adalah barisan kejadian-kejadian yang saling lepas (𝐴𝑖 ∩ 𝐴𝑗 = ∅) untuk setiap
pasangan 𝑖, 𝑗 dengan 𝑖 ≠ 𝑗 maka berlaku
∞ ∞

𝑃 (⋃ 𝐴𝑖 ) = ∑ 𝑃(𝐴𝑖 )
𝑖=1 𝑖=1

b) Contoh ukuran peluang 𝑷

1. Misalkan dilakukan eksperimen pelemperan sebuah koin yang “fair” sekali. Ruang contoh
Ω = {𝑇, 𝐻}. Karena kejadian munculnya 𝐻 dan munculnya 𝑇 akan sama (koin “fair” merupakan
koin yang memiliki peluan munculnya kepala = peluang munculnya ekor), berakibat 𝑃({𝑇}) =
𝑃({𝐻}), dan karena mereka merupakan kejadian saling lepas, maka ,

𝑃{𝑇, 𝐻} = 𝑃{𝑇} + 𝑃{𝐻}

Berdasarkan Axiom 2 dan 3, maka

1 = 𝑃(𝑆) = 𝑃{𝐻, 𝑇} = 𝑃{𝐻} + 𝑃{𝑇} = 𝑃{𝐻} + 𝑃{𝐻} = 2𝑃{𝐻}.

Maka didapat 𝑃{𝐻} = 1/2 dan 𝑃{𝑇} = 1/2.

2. Sharon has baked five loaves of bread that are identical except that one of them is underweight.
Sharon’s husband chooses one of these loaves at random. Let 𝐵𝑖 , 1 ≤ 𝑖 ≤ 5, be the event that he
chooses the 𝑖th loaf. Since all five loaves are equally likely to be drawn, we have

𝑃(𝐵1 ) = 𝑃(𝐵2 ) = 𝑃(𝐵3 ) = 𝑃(𝐵4 ) = 𝑃(𝐵5 )

But the events {𝐵1 }, {𝐵2 }, {𝐵3 }, {𝐵4 }, and {𝐵5 } are mutually exclusive, and the sample space is
𝑆 = {𝐵1 , 𝐵2 , 𝐵3 , 𝐵4 , 𝐵5 }. Therefore, by Axioms 2 and 3,
PENGANTAR TEORI PELUANG
1 = 𝑃(𝑆) = 𝑃{𝐵1 } + 𝑃{𝐵2 } + 𝑃{𝐵3 } + 𝑃{𝐵4 } + 𝑃{𝐵5 } = 5 · 𝑃{𝐵1 }

1 1
This gives 𝑃{𝐵1 } = 5 and hence 𝑃{𝐵𝑖 } = 5 , 1 ≤ 𝑖 ≤ 5. Therefore, the probability that Sharon’s
1
husband chooses the underweight loaf is 5
∴
3. Misal dilakukan eksperimen pelemparan sebuah mata dadu bersisi 6 sebanyak 1 kali. Misal
𝐶𝑖 , 1 ≤ 𝑖 ≤ 6 menyatakan kejadian muncul mata dadu 𝑖. Karena dadu bersisi 6 seimbang, maka
peluang munculnya tiap mata dadu adalah sama, sehingga

𝑃{𝐶1 } = 𝑃{𝐶2 } = 𝑃{𝐶3 } = 𝑃{𝐶4 } = 𝑃{𝐶5 } = 𝑃{𝐶6 }

Kejadian {𝐶1 }, {𝐶2 }, {𝐶3 }, {𝐶4 }, {𝐶5 }, dan {𝐶6 } saling bebas, dan ruang contohnya adalah
Ω = {𝐶1 , 𝐶2 , 𝐶3 , 𝐶4 , 𝐶5 , 𝐶6 }. Maka, berdasarkan Aksioma Peluang (2) dan (3),

1 = 𝑃(Ω) = 𝑃{𝐶1 } + 𝑃{𝐶2 } + 𝑃{𝐶3 } + 𝑃{𝐶4 } + 𝑃{𝐶5 } + 𝑃{𝐶6 } = 6𝑃{𝐶1 }

1 1
Didapat 𝑃{𝐶1 } = 6 sehingga 𝑃{𝐶𝑖 } = 6 , 1 ≤ 𝑖 ≤ 6

Di internet dan di buku juga banyak kok contoh ukuran Peluang 𝑃

c) Penyelesaian untuk tiap sub soal: (AKAN LEBIH MUDAH MENJELASKANNYA SAMBIL DIGAMBAR)
1. Karena 𝐸 ⊆ 𝐹 maka 𝐹 = (𝐹 ∩ 𝐸 𝑐 ) ∪ 𝐸 serta (𝐹 ∩ 𝐸 𝑐 ) dan 𝐸 adalah dua kejadian lepas. Sehingga
𝑃(𝐹) = 𝑃(𝐹 ∩ 𝐸 𝑐 ) + 𝑃(𝐸) atau 𝑷(𝑭 ∩ 𝑬𝒄 ) = 𝑷(𝑭) − 𝑷(𝑬) ∴

2. Perhatikan bahwa 𝐸 ∪ 𝐹 = 𝐸 ∪ (𝐹\(𝐸 ∩ 𝐹)) serta 𝐸 dan (𝐹 \(𝐸 ∩ 𝐹)) adalah dua kejadian lepas.
Jadi 𝑃(𝐸 ∪ 𝐹) = 𝑃(𝐸) + 𝑃(𝐹\(𝐸 ∩ 𝐹)). Karena (𝐸 ∩ 𝐹) ⊆ 𝐹 maka berdasarkan Teorema 1.6 (sub
soal sebelumnya) kita peroleh 𝑃(𝐹\(𝐸 ∩ 𝐹)) = 𝑃(𝐹) − 𝑃(𝐸 ∩ 𝐹). Akhirnya kita peroleh
𝑷(𝑬 ∪ 𝑭) = 𝑷(𝑬) + 𝑷(𝑭) − 𝑷(𝑬 ∩ 𝑭) ∴

Teorema 1.6 : Jika 𝑬 ⊆ 𝑭 maka 𝑷(𝑭\𝑬) = 𝑷(𝑭 ∩ 𝑬𝒄 ) = 𝑷(𝑭) − 𝑷(𝑬).

3. Perhatikan bahwa

𝐸 = 𝐸 ∩ Ω = 𝐸 ∩ (𝐹 ∪ 𝐹 𝑐 ) = (𝐸 ∩ 𝐹) ∪ (𝐸 ∩ 𝐹 𝑐 )

Karena (𝐸 ∩ 𝐹) dan (𝐸 ∩ 𝐹 𝑐 ) adalah dua kejadian lepas, maka

𝑷(𝑬) = 𝑷((𝑬 ∩ 𝑭) ∪ (𝑬 ∩ 𝑭𝒄 )) = 𝑷(𝑬 ∩ 𝑭) + 𝑷(𝑬 ∩ 𝑭𝒄 ) ∴

Catatan Tambahan: Beberapa hukum pada himpunan

 Komutatif : 𝐸 ∪ 𝐹 = 𝐹 ∪ 𝐸, 𝐸 ∩ 𝐹 = 𝐹 ∩ 𝐸
 Asosiatif : 𝐸 ∪ (𝐹 ∪ 𝐺) = (𝐸 ∪ 𝐹) ∪ 𝐺, 𝐸 ∩ (𝐹 ∩ 𝐺) = (𝐸 ∩ 𝐹) ∩ 𝐺
 Distributif : 𝐸 ∪ (𝐹 ∩ 𝐺) = (𝐸 ∪ 𝐹) ∩ (𝐸 ∪ 𝐺), 𝐸 ∩ (𝐹 ∪ 𝐺) = (𝐸 ∩ 𝐹) ∪ (𝐸 ∩ 𝐺)
PENGANTAR TEORI PELUANG
 De Morgan : (𝐸 ∪ 𝐹)𝐶 = 𝐸 𝐶 ∩ 𝐹 𝐶 , (𝐸 ∩ 𝐹)𝐶 = 𝐸 𝐶 ∪ 𝐹 𝐶

Sumber:

1. (Bab 1) Mangku IW. 2017. Pengantar Teori Peluang. Bogor(ID) : IPB Press.
2. (Bab 1.3) Grahramani S. 2005. Fundamentals of Probability with Stochastic Processes. Ed. 3.
PENGANTAR TEORI PELUANG

a) Peluang terjadinya suatu kejadian 𝐹 jika diketahui bahwa kejadian 𝐸 terjadi disebut peluang bersyarat
(conditional probability) dan dinyatakan dengan 𝑃(𝐹|𝐸), dibaca peluang 𝐹 dengan syarat 𝐸 terjadi.

Misalkan tukang pos yang bertugas untuk mengantarkan surat terdiri atas 12 orang laki-laki dan 8
orang wanita. Di antara 12 orang laki-laki tersebut terdapat 4 orang gendut dan 8 orang
kurus, serta di antara 8 orang wanita tersebut terdapat 5 orang gendut dan 3 orang kurus.
Jika setiap orang mempunyai peluang yang sama untuk bertugas mengantarkan surat ke daerah
tertentu, dan misalkan 𝐿, 𝑊, 𝐺 dan 𝐾 berturut-turut menyatakan kejadian bahwa yang mengantarkan
surat adalah laki-laki, wanita, gendut dan kurus. Maka:

𝑃(𝐿) = 12/20, 𝑃(𝑊) = 8/20,

𝑃(𝐺) = 9/20, 𝑃(𝐾) = 11/20,
𝑃(𝐿 ∩ 𝐺) = 4/20, 𝑃(𝐿 ∩ 𝐾) = 8/20,
𝑃(𝑊 ∩ 𝐺) = 5/20, 𝑃(𝑊 ∩ 𝐾) = 3/20

Tetapi jika ada tambahan informasi bahwa orang yang datang mengantarkan surat adalah gendut,
maka peluang bahwa orang tersebut laki-laki adalah 𝑃(𝐿|𝐺) = 4/9, karena di antara 9 orang yang
gendut terdiri atas 4 laki-laki dan 5 wanita. Namun peluang ini dapat dihitung sebagai berikut.

𝑃(𝐿 ∩ 𝐺) 4/20
𝑃(𝐿|𝐺) = = = 4/9
𝑃(𝐺) 9/20

Jadi dengan adanya tambahan informasi bahwa yang datang mengantarkan surat adalah orang
12
gendut, maka peluang datangnya laki-laki berubah dari 𝑃(𝐿) = 20 = 0.6 menjadi 𝑃(𝐿|𝐺) = 4/9

b) Dua buah kejadian yang saling bebas (misal kejadian 𝐴 dan 𝐵) adalah terjadinya
𝐵 tidak akan mempengaruhi peluang terjadinya kejadian 𝐴, yaitu 𝑷(𝑨) = 𝑷(𝑨|𝑩).

Secara umum, himpunan kejadian {𝐴𝑖 , 𝑖 = 1,2,3, … , 𝑛} disebut saling bebas jika

𝑷(⋂𝒏𝒊=𝟏 𝑨𝒊 ) = ∏𝐧𝐢=𝟏 𝑷(𝑨𝒊 ).

c) Misalkan karyawan suatu perusahaan terdiri atas 60% laki-laki dan 40% wanita. Sebanyak 70% di
antara laki-laki maupun wanita sudah menikah. Untuk keperluan pemberian hadiah, dari himpunan
karyawan perusahaan tersebut dipilih seorang secara acak. Misalkan 𝐿, 𝑊, 𝐾 dan 𝑇 berturut-turut
menyatakan kejadian bahwa yang terpilih adalah laki-laki, wanita, kawin (menikah) dan tidak menikah,
PENGANTAR TEORI PELUANG
maka: 𝑃(𝐿) = 0,6, 𝑃(𝑊) = 0,4, 𝑃(𝐾) = 0,7, 𝑃(𝑇) = 0,3, 𝑃(𝐿 ∩ 𝐾) = 0,42, 𝑃(𝐿 ∩ 𝑇) = 0,18,
𝑃(𝑊 ∩ 𝐾) = 0,28 dan 𝑃(𝑊 ∩ 𝑇) = 0,12.
Misalkan ada tambahan informasi bahwa orang yang terpilih adalah belum menikah, maka peluang
bahwa orang tersebut laki-laki adalah 𝑃(𝐿|𝑇) = 𝑃(𝐿 ∩ 𝑇)/(𝑇) = 0,18/0,3 = 0,6.
Ternyata peluang ini adalah sama dengan peluang yang terpilih adalah laki-laki tanpa tambahan
informasi bahwa ia belum menikah. Jadi dalam kasus ini 𝑷(𝑳|𝑻) = 𝑷(𝑳), yaitu
terpilihnya orang yang belum menikah dan terpilihnya laki-laki adalah dua kejadian bebas.

Sumber:

1. (Bab 2) Mangku IW. 2017. Pengantar Teori Peluang. Bogor(ID) : IPB Press.
PENGANTAR TEORI PELUANG

a) Misalkan Ω adalah ruang contoh suatu percobaan acak dan ℱ adalah suatu medan-𝜎 dari Ω. Peubah
acak (random variable) dari percobaan tersebut adalah suatu fungsi bernilai real 𝑋 ∶ Ω → ℝ dengan
sifat bahwa untuk setiap 𝑥 ∈ ℝ, {𝜔 ∈ Ω, 𝑋(𝜔) ≤ 𝑥} ∈ ℱ.

Himpunan {𝜔 ∈ Ω, 𝑋(𝜔) ≤ 𝑥} ∈ ℱ biasanya hanya ditulis {𝑋 ≤ 𝑥} atau hanya 𝑋 ≤ 𝑥. Dengan kata

lain, 𝑿 disebut peubah acak jika 𝑿 adalah suatu fungsi bernilai bilangan real yang daerah definisinya
𝛀, dengan syarat bahwa untuk setiap 𝒙 ∈ ℝ maka {𝑿 ≤ 𝒙} adalah suatu kejadian.

Contoh : dilakukan eksperimen penarikan 3 buah kartu dari tumpukan satu set kartu bridge satu per
satu dengan pengembalian. Misal 𝑋 merupakan peubah acak banyak kartu spade yang muncul. Jika
hasilnya adalah spade, notasikan dengan 𝑠, dan jika tidak, notasikan dengan 𝑡. Maka 𝑋 adalah suatu
peubah acak yang memiliki daerah definisi

Ω = {(𝑠, 𝑠, 𝑠), (𝑠, 𝑠, 𝑡), (𝑠, 𝑡, 𝑠), (𝑡, 𝑠, 𝑠), (𝑠, 𝑡, 𝑡), (𝑡, 𝑠, 𝑡), (𝑡, 𝑡, 𝑠), (𝑡, 𝑡, 𝑡)}

dengan

𝑋(𝑠, 𝑠, 𝑠) = 3
𝑋(𝑠, 𝑠, 𝑡) = 𝑋(𝑠, 𝑡, 𝑠) = 𝑋(𝑡, 𝑠, 𝑠) = 2
𝑋(𝑡, 𝑡, 𝑠) = 𝑋(𝑡, 𝑠, 𝑡) = 𝑋(𝑠, 𝑡, 𝑡) = 1
𝑋(𝑡, 𝑡, 𝑡) = 0

Kita ambil ℱ berupa power set dari Ω.

Misal kita ambil 𝑥 = 1.5 maka {𝜔 ∈ Ω, X(ω) ≤ 𝑥} = {(𝑡, 𝑡, 𝑡), (𝑠, 𝑡, 𝑡), (𝑡, 𝑠, 𝑡), (𝑡, 𝑡, 𝑠)} ∈ ℱ.
Misal kita ambil 𝑥 = 0.5 maka {𝜔 ∈ Ω, X(ω) ≤ 𝑥} = {(𝑡, 𝑡, 𝑡)} ∈ ℱ.
Misal kita ambil 𝑥 = −0.5, maka {𝜔 ∈ Ω, X(ω) ≤ 𝑥} = {∅} ∈ ℱ

b) Berdasarkan nilainya,
 Peubah acak 𝑋 dikatakan diskret jika nilainya hanya pada himpunan bagian yang tercacah
{𝑥1 , 𝑥2 , … } dari ℝ. Fungsi massa peluang (probability mass function) suatu peubah acak
diskret 𝑋 adalah fungsi 𝑝𝑋 ∶ 𝑅 → [0, 1] yang diberikan oleh 𝑝𝑋 (𝑥) =
𝑃(𝑋 = 𝑥). Contoh :
o The number of cars sold by a car dealer in one month
o The number of students who were protesting the tuition increase last semester
o The number of applicants who have applied for a vacant position at a company
o The number of typographical errors in a rough draft of a book

 Peubah acak 𝑋 dikatakan kontinu jika fungsi sebarannya dapat diekspresikan sebagai
PENGANTAR TEORI PELUANG
𝑥
𝐹𝑋 (𝑥) = ∫ 𝑓(𝑢)𝑑𝑢
−∞
Untuk suatu fungsi 𝑓: ℝ → [0, ∞) yang dapat diintegralkan. 𝑓𝑋 disebut sebagai fungsi
kepekatan peluang bagi 𝑋. Contoh:
o The length of time it takes a truck driver to go from New York City to Miami
o The depth of drilling to find oil
o The weight of a truck in a truck-weighing station
o The amount of water in a 12-ounce bottle

 Peubah acak 𝑋 disebut peubah acak campuran, jika mempunyai komponen diskrit dan
kontinu. Misalkan {𝑥1 , 𝑥2 , … , 𝑥𝑚 } adalah himpunan bilangan real yang monoton naik dan
𝑚 ∈ ℕ.
𝑋 mempunyai fungsi kepekatan peluang 𝑓 pada interval (𝑥𝑖 , 𝑥𝑖+1 ) .
𝑋 mempunyai fungsi massa peluang 𝑝(𝑥𝑖 ) , 𝑖 ∈ {1,2,3, … , 𝑚}.

Contoh: Misal 𝑋 = besar dana yang dibayar untuk suatu polis asuransi kesehatan karena
malpraktik medis dengan fungsi kepekatan peluang

0.5𝑒 −𝑥 , 𝑥 > 0
𝑓(𝑥) = {
0.5, 𝑥=0
Ini merupakan suatu fungsi kepekatan peluang, sebab
∞
0.5 + ∫ 0.5𝑒 −𝑥 𝑑𝑥 = 1
0

c) Untuk tiap peubah acak,

 Diskret :
𝑛

𝐹𝑋 (𝑥) = 𝑃(𝑋 ≤ 𝑥) = ∑ 𝑝(𝑥𝑘 ), 𝑥𝑘 ≤ 𝑥, 𝑘 = 1,2,3, … , 𝑛

𝑘=1
 Kontinu :
𝑥
𝐹𝑋 (𝑥) = ∫ 𝑓(𝑢)𝑑𝑢
−∞
 Campuran :
𝑚 𝑚−1 𝑥𝑖+1
𝐹𝑋 (𝑥) = ∑ 𝑝(𝑥𝑖 ) × 1{𝑥𝑖≤𝑥} + ∑ ∫ 𝑓(𝑦) × 1{𝑦≤𝑥} 𝑑𝑦
𝑖=1 𝑖=1 𝑥𝑖

Sumber :

1. (Bab 3, 5) Mangku IW. 2017. Pengantar Teori Peluang. Bogor(ID) : IPB Press.
2. (Kuliah 1) Slide Kuliah Teori Risiko 1 TA 2019-2020
3. https://www.ck12.org/book/ck-12-advanced-probability-and-statistics-concepts/section/4.1/
4. https://www.statisticshowto.com/mixture-distribution/
PENGANTAR TEORI PELUANG

a) Definisi :
 Momen ke-k dari peubah acak 𝑋 (biasanya dilambangkan dengan 𝝁′𝒌 ) didefinisikan sebagai
∞
∫ 𝑥 𝑘 𝑓(𝑥)𝑑𝑥, 𝑗𝑖𝑘𝑎 𝑋 𝑝𝑒𝑢𝑏𝑎ℎ 𝑘𝑜𝑛𝑡𝑖𝑛𝑢
−∞
𝑘
𝐸(𝑋 ) = ∞

∑ 𝑥𝑖 𝑘 𝑝(𝑥𝑖 ) , 𝑗𝑖𝑘𝑎 𝑋 𝑝𝑒𝑢𝑏𝑎ℎ 𝑑𝑖𝑠𝑘𝑟𝑒𝑡

{ 𝑖=1

Momen ke-1 disebut nilai rata-rata (mean) dan biasa dilambangkan dengan 𝜇 = 𝐸[𝑋]

 Momen pusat ke-k bagi peubah acak 𝑋 (biasanya dilambangkan dengan 𝝁𝒌 ) didefinisikan sebagai
∞
∫ (𝑥 − 𝜇)𝑘 𝑓(𝑥)𝑑𝑥, 𝑗𝑖𝑘𝑎 𝑋 𝑝𝑒𝑢𝑏𝑎ℎ 𝑘𝑜𝑛𝑡𝑖𝑛𝑢
−∞
𝐸((𝑋 − 𝜇)𝑘 ) = ∞

∑(𝑥𝑖 − 𝜇)𝑘 𝑝(𝑥𝑖 ) , 𝑗𝑖𝑘𝑎 𝑋 𝑝𝑒𝑢𝑏𝑎ℎ 𝑑𝑖𝑠𝑘𝑟𝑒𝑡

{ 𝑖=1

Momen pusat ke-2 disebut varians/ragam dan biasa dilambangkan dengan 𝜎 2 = 𝑉𝑎𝑟[𝑋]

 Fungsi pembangkit momen (moment generating function) dari suatu peubah acak 𝑋 didefinisikan
sebagai

𝑀𝑋 (𝑡) = 𝐸[𝑒 𝑡𝑋 ]

untuk 𝑡 ∈ ℝ sehingga nilai harapan di atas ada.

b) Kaitannya sudah dijelaskan di poin (a)

c) Momen ke-k dari peubah acak 𝑋 dapat diperoleh dengan cara menentukan turunan ke-k dari fungsi
pembangkit moment 𝑀𝑋 (𝑡) untuk nilai 𝑡 = 0. Jadi

(𝑘)
𝐸[𝑋 𝑘 ] = 𝑀𝑋 (0)

Misal :
∞
(1) 𝑑 ∞ 𝑡𝑥 ∞
𝑑 𝑡𝑥 ∞
𝑀𝑋 (𝑡) = ∫ 𝑒 𝑡𝑥 𝑓(𝑥) 𝑑𝑥 ⟹ 𝑀𝑋 (𝑡) = ∫ 𝑒 𝑓(𝑥) 𝑑𝑥 = ∫ 𝑒 𝑓(𝑥) 𝑑𝑥 = ∫ 𝑥𝑒 𝑡𝑥 𝑓(𝑥) 𝑑𝑥
−∞ 𝑑𝑡 −∞ −∞ 𝑑𝑡 −∞
PENGANTAR TEORI PELUANG
Saat 𝑡 = 0, maka
∞
(1)
𝑀𝑋 (0) = ∫ 𝑥𝑓(𝑥) 𝑑𝑥 = 𝐸(𝑋) ∴
−∞

 Untuk peubah acak diskret,

i. Bernoulli(𝑝):
𝑀𝑋 (𝑡) = 𝑝𝑒 𝑡 − 𝑝 + 1
ii. Binomial(𝑛, 𝑝):
𝑀𝑋 (𝑡) = (𝑝𝑒 𝑡 − 𝑝 + 1)𝑛
iii. Poisson(𝜆):
𝑀𝑋 (𝑡) = exp(𝜆(𝑒 𝑡 − 1))
iv. Geometrik(𝛽):
𝑝𝑒 𝑡
𝑀𝑋 (𝑡) =
1 − (1 − 𝑝)𝑒 𝑡
v. Binomial Negatif(𝑟, 𝛽) :
𝑟
𝑝𝑒 𝑡
𝑀𝑋 (𝑡) = ( )
1 − (1 − 𝑝)𝑒 𝑡
 Untuk peubah acak kontinu,
i. Seragam(𝑎, 𝑏):
𝑒 𝑡𝑏 − 𝑒 𝑡𝑎
𝑀𝑋 (𝑡) =
𝑡(𝑏 − 𝑎)
ii. Normal(𝜇, 𝜎 2 ):
𝜎2𝑡2
𝑀𝑋 (𝑡) = exp (𝜇𝑡 + )
2
iii. Eksponensial(𝜆) :
𝜆
𝑀𝑋 (𝑡) =
𝜆−𝑡
iv. Gamma(𝛼, 𝜃) :
𝑀𝑋 (𝑡) = (1 − 𝜃𝑡)−𝛼

DISARANKAN UNTUK LATIHAN MEMBUKTIKAN RUMUS DARI FUNGSI PEMBANGKIT MOMEN TIAP SEBARAN.
BEBERAPA DAPAT DILIHAT DI BUKU GRAHRAMANI. BEBERAPA PEMBUKTIAN MEMBUTUHKAN MATERI
KALKULUS 2 SEPERTI DERET MACLAURIN, INTEGRAL TAK-HINGGA, KEKONVERGENAN, dsb.

Sumber:

1. (Kuliah 14) Slide Kuliah Teori Risiko 1 TA 2019-2020

2. (Bab 10) Mangku IW. 2017. Pengantar Teori Peluang. Bogor(ID) : IPB Press.
3. (Bab 11) Grahramani S. 2005. Fundamentals of Probability with Stochastic Processes. Ed. 3
PENGANTAR TEORI PELUANG

a) Definisi tiap peubah acak :

 Suatu percobaan disebut percobaan Bernoulli jika hasilnya hanya ada dua kemungkinan, yaitu
'sukses' dengan peluang 𝑝 dan 'gagal' dengan peluang 1 − 𝑝. Fungsi massa peluangnya diberikan
oleh

1 − 𝑝, 𝑗𝑖𝑘𝑎 𝑥 = 0
𝑝𝑋 (𝑥) = { 𝑝, 𝑗𝑖𝑘𝑎 𝑥 = 1
0, 𝑠𝑒𝑙𝑎𝑖𝑛𝑛𝑦𝑎

Sebaran Bernoulli memiliki sifat 𝑬[𝑿] = 𝒑 dan 𝑽𝒂𝒓[𝑿] = 𝒑(𝟏 − 𝒑).

 Jika percobaan Bernoulli diulang secara bebas dan identik sebanyak 𝑛 kali serta 𝑋 menyatakan
banyaknya 'sukses' di antara 𝑛 ulangan tersebut, maka 𝑋 disebut memiliki sebaran Binomial dengan
parameter (𝑛, 𝑝). Fungsi massa peluangnya diberikan oleh
𝑛
( ) 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥 , 𝑗𝑖𝑘𝑎 𝑥 = 0,1,2, … . .
𝑝𝑋 (𝑥) = { 𝑥
0, 𝑠𝑒𝑙𝑎𝑖𝑛𝑛𝑦𝑎

Sebaran Binomial memiliki sifat 𝑬[𝑿] = 𝒏𝒑 dan 𝑽𝒂𝒓[𝑿] = 𝒏𝒑(𝟏 − 𝒑).

 Peubah acak yang menyatakan banyaknya 'kejadian' yang terjadi pada suatu interval waktu tertentu
atau di suatu daerah tertentu, biasanya mengikuti pola yang disebut peubah acak Poisson dengan
parameter 𝜇 > 0. Fungsi massa peluangnya diberikan oleh

𝑒 −𝜇 𝜇 𝑥
𝑝𝑋 (𝑥) = { 𝑥! , 𝑥 = 0,1,2, …
0, 𝑠𝑒𝑙𝑎𝑖𝑛𝑛𝑦𝑎

Sebaran Poisson memiliki sifat 𝑬[𝑿] = 𝑽𝒂𝒓[𝑿] = 𝝁.

b) Kaitannya:
 Jika 𝑋1 , 𝑋2 , … 𝑋𝑛 adalah himpunan 𝑛 peubah acak bebas dan masing-masing menyebar Bernoulli
dengan parameter 𝑝, maka 𝑋 = 𝑋1 + 𝑋2 + ⋯ + 𝑋𝑛 disebut memiliki sebaran Binomial dengan
parameter (𝑛, 𝑝).
 Perilaku peubah acak Binomial dengan parameter 𝑛 yang cukup besar dan 𝑝 yang cukup kecil serta
𝑛𝑝 merupakan konstanta, akan mendekati perilaku peubah acak Poisson dengan parameter
𝜇 = 𝑛𝑝.

c) Contoh penerapan tiap sebaran :

PENGANTAR TEORI PELUANG
 Bernoulli: Pada kasus pelemparan sebuah koin di mana terdapat dua kemungkinan sisi yang
muncul, yaitu angka dan gambar. Kasus pelemparan koin ini merupakan salah satu contoh
percobaan Bernoulli.

Sebuah dadu setimbang dilemparkan sebanyak satu kali. Misalkan, jika diperoleh angka 4 atau 6,
maka dikatakan “berhasil”, sedangkan sisanya dikatakan “gagal”. Tentukan fungsi massa peluang
bagi peubah acak X, yaitu munculnya angka 4 atau 6.

Misal
1, 𝑗𝑖𝑘𝑎 𝑚𝑢𝑛𝑐𝑢𝑙 𝑎𝑛𝑔𝑘𝑎 4 𝑎𝑡𝑎𝑢 6
𝑋={
0, 𝑠𝑒𝑙𝑎𝑖𝑛𝑛𝑦𝑎

𝑋 adalah peubah acak Bernoulli dengan parameter 𝑝 = 2/6 = 1/3, maka fungsi massa peluangnya
adalah:
1
, 𝑥=1
3
𝑝𝑋 (𝑥) = 2 ∴
, 𝑥=0
3
{0, 𝑠𝑒𝑙𝑎𝑖𝑛𝑛𝑦𝑎

 Binomial

A restaurant serves 8 entrées of fish, 12 of beef, and 10 of poultry. If

customers select from these entrées randomly, what is the probability that two of the next
four customers order fish entrées?

Let 𝑋 denote the number of fish entrées (successes) ordered by the next four
customers. Then 𝑋 is binomial with the parameters (𝑛 = 4, 𝑝 = 8/30 = 4/15). Thus
4 4 2 4 4−2
𝑃(𝑋 = 2) = ( ) ( ) (1 − ) = 0.23 ∴
2 15 15

 Poisson

Suppose that, on average, in every three pages of a book there is one

typographical error. If the number of typographical errors on a single page of the book
is a Poisson random variable, what is the probability of at least one error on a specific
page of the book?

Let 𝑋 be the number of errors on the page we are interested in. Then 𝑋 is a Poisson random variable
with 𝐸(𝑋) = 1/3. Hence 𝜆 = 𝐸(𝑋) = 1/3, and thus
1 1 𝑛
𝑒 −3 (3)
𝑃(𝑋 = 𝑛) =
𝑛!

Therefore,
PENGANTAR TEORI PELUANG
1
𝑃(𝑋 ≥ 1) = 1 − 𝑃(𝑋 = 0) = 1 − 𝑒 −3 ≈ 0.28 ∴

Sumber:

1. (Bab 5.1, 5.2) Grahramani S. 2005. Fundamentals of Probability with Stochastic Processes. Ed. 3.
2. (Bab 4) Mangku IW. 2017. Pengantar Teori Peluang. Bogor(ID) : IPB Press.
PENGANTAR TEORI PELUANG

a) Definisi tiap sebaran:

 Peubah acak 𝑋 disebut menyebar Seragam/Uniform pada interval [𝑎, 𝑏] dengan 𝑏 > 𝑎 jika fungsi
kepekatan peluangnya diberikan oleh

1
, 𝑎≤𝑥≤𝑏
𝑓𝑋 (𝑥) = {𝑏 − 𝑎
0, 𝑠𝑒𝑙𝑎𝑖𝑛𝑛𝑦𝑎

𝒃+𝒂 (𝒃−𝒂)𝟐
Sebaran Seragam memiliki sifat 𝑬[𝑿] = 𝟐
dan 𝑽𝒂𝒓[𝑿] = 𝟏𝟐

 Peubah acak 𝑋 disebut menyebar Normal dengan nilai harapan 𝑬[𝑿] = 𝝁 dan varians 𝑽𝒂𝒓[𝑿] =
𝝈𝟐 jika fungsi kepekatan peluangnya diberikan oleh

1 (𝑥 − 𝜇)2
𝑓𝑋 (𝑥) = exp (− ), −∞ ≤ 𝑥 ≤ ∞
𝜎√2𝜋 2𝜎 2

 Peubah acak 𝑋 disebut menyebar Eksponensial dengan parameter 𝜆 > 0 jika fungsi kepekatan
peluangnya diberikan oleh (berdasarkan buku Grahramani)

−𝜆𝑥
𝑓𝑋 (𝑥) = {𝜆𝑒 , 𝑥≥0
0, 𝑥<0
𝟏 𝟏
Sebaran Eksponensial memiliki sifat 𝑬[𝑿] = dan 𝑽𝒂𝒓[𝑿] =
𝝀 𝝀𝟐

Jika mengacu pada buku Klugman, sebaran Eksponensial memiliki parameter 𝜃 > 0 dan memiliki
fungsi kepekatan peluang

1 −𝑥
𝑓𝑋 (𝑥) = {𝜃 𝑒 , 𝑥≥0
𝜃

0, 𝑥<0

Sebaran Eksponensial memiliki sifat 𝑬[𝑿] = 𝜽 dan 𝑽𝒂𝒓[𝑿] = 𝜽𝟐

 Peubah acak 𝑋 disebut menyebar Gamma dengan parameter 𝛼, 𝜃 > 0 jika fungsi kepekatan
peluangnya diberikan oleh (berdasarkan buku Klugman)
𝑥
𝑥 𝛼−1 𝑒 −𝜃
𝑓𝑋 (𝑥) = , 𝑥≥0
Γ(𝛼)𝜃 𝛼

Sebaran Gamma memiliki sifat 𝑬[𝑿] = 𝜶𝜽 dan 𝑽𝒂𝒓[𝑿] = 𝜶𝜽𝟐

PENGANTAR TEORI PELUANG
Jika mengacu pada buku Grahramani, sebaran Gamma memiliki parameter 𝜆, 𝑟 > 0 dengan fungsi
kepekatan peluang

𝜆𝑒 −𝜆𝑥 (𝜆𝑥)𝑟−1
𝑓𝑋 (𝑥) = , 𝑥≥0
Γ(𝑟)
𝒓 𝒓
dengan sifat 𝑬[𝑿] = 𝝀 dan 𝑽𝒂𝒓[𝑿] = 𝝀𝟐.

b) Penerapan tiap sebaran :

 Uniform:

Starting at 5:00 A.M., every half hour there is a flight from San Francisco airport to Los Angeles
International airport. Suppose that none of these planes is completely sold out and that they
always have room for passengers. A person who wants to fly to L.A. arrives at the airport at a
random time between 8:45 A.M. and 9:45 A.M. Find the probability that she waits (a) at most 10
minutes; (b) at least 15 minutes.

Let the passenger arrive at the airport 𝑋 minutes past 8:45. Then 𝑋 is a uniform random variable
over the interval (0, 60). Hence the density function of 𝑋 is given by

1
, 0 < 𝑥 < 60
𝑓(𝑥) = {60
0, 𝑠𝑒𝑙𝑎𝑖𝑛𝑛𝑦𝑎

Now the passenger waits at most 10 minutes if she arrives between 8:50 and 9:00 or 9:20
and 9:30; that is, if 5 < 𝑋 < 15 or 35 < 𝑋 < 45. So the answer to (a) is

15 45
1 1 1
𝑃 (5 < 𝑋 < 15) + 𝑃 (35 < 𝑋 < 45) = ∫ 𝑑𝑥 + ∫ 𝑑𝑥 =
5 60 35 60 3

The passenger waits at least 15 minutes if she arrives between 9:00 and 9:15 or 9:30 and
9:45; that is, if 15 < 𝑋 < 30 or 45 < 𝑋 < 60. Thus the answer to (b) is

30 60
1 1 1
𝑃 (15 < 𝑋 < 30) + 𝑃 (45 < 𝑋 < 60) = ∫ 𝑑𝑥 + ∫ 𝑑𝑥 = ∴
15 60 45 60 2

 Normal

Suppose that a Scottish soldier’s chest size is normally distributed with mean 39.8 and standard
deviation 2.05 inches, respectively. What is the probability that of 20 randomly selected Scottish
soldiers, five have a chest of at least 40 inches?
Let 𝑝 be the probability that a randomly selected Scottish soldier has a chest of 40 or more inches.
If 𝑋 is the normal random variable with mean 39.8 and standard deviation 2.05, then
PENGANTAR TEORI PELUANG
𝑋 − 39.8 40 − 39.8
𝑝 = 𝑃(𝑋 ≥ 40) = 𝑃 ( ≥ ) = 𝑃(𝑍 ≥ 0.10) = 1 − Φ(0.10) ≈ 0.46
2.05 2.05

Therefore, the probability that of 20 randomly selected Scottish soldiers, five have a chest
of at least 40 inches is

20
( ) (0.46)5 (1 − 0.46)20−5 ≈ 0.03 ∴
5

 Exponential

Suppose that every three months, on average, an earthquake occurs in California. What is the
probability that the next earthquake occurs after three but before seven months?

Let 𝑋 be the time (in months) until the next earthquake; it can be assumed that 𝑋 is an
exponential random variable with 1/𝜆 = 3 or 𝜆 = 1/3. To calculate 𝑃(3 < 𝑋 < 7), note that
since 𝐹, the distribution function of 𝑋, is given by

𝑡
𝐹(𝑡) = 𝑃(𝑋 ≤ 𝑡) = 1 − 𝑒 −3 , 𝑡>0
we can write
7
𝑃(3 < 𝑋 < 7) = 𝐹(7) − 𝐹(3) = (1 − 𝑒 −3 ) − (1 − 𝑒 −1 ) ≈ 0.27 ∴

 Gamma

Tidak selamanya distribusi normal dapat digunakan untuk memecahkan masalah teknik dan sains.
Contohnya dalam teori antrian dan keandalan, kurang tepat bila digunakan pendekatan dengan
distribusi normal, distribusi Gamma lebih tepat menjadi solusinya. Distribusi eksponensial adalah
sebuah kasus distribusi Gamma.

There are 100 questions in a test. Suppose that, for all 𝑠 > 0 and 𝑡 > 0, the event that it takes t
minutes to answer one question is independent of the event that it takes s minutes to answer
another one. If the time that it takes to answer a question is exponential with mean 1/2, find the
distribution, the average time, and the standard deviation of the time it takes to do the entire test.

Let 𝑋 be the time to answer a question and 𝑁(𝑡) the number of questions
answered by time t. Then {𝑁(𝑡): 𝑡 ≥ 0} is a Poisson process at the rate of 𝜆 = 1/𝐸(𝑋) = 2 per
minute. Therefore, the time that it takes to complete all the questions is gamma with
parameters (100, 2). The average time to finish the test is 𝒓/𝝀 = 𝟏𝟎𝟎/𝟐 = 𝟓𝟎 minutes
with standard deviation √𝒓/𝝀𝟐 = √𝟏𝟎𝟎/𝟒 = 𝟓 ∴.

Sumber:

1. (Bab 7.1-7.4) Grahramani S. 2005. Fundamentals of Probability with Stochastic Processes. Ed. 3.
2. (Bab 6) Mangku IW. 2017. Pengantar Teori Peluang. Bogor(ID) : IPB Press.
PENGANTAR TEORI PELUANG

Untuk materi ini, sangat jarang keluar saat ujian komprehensif. DISARANKAN TANYA DOSEN JIKA MASIH
BELUM MENGERTI

a) Fungsi sebaran (kumulatif) bersama dari 𝑛 peubah acak 𝑋1 , 𝑋2 , … 𝑋𝑛 adalah fungsi 𝐹 ∶ ℝ𝑛 → [0, 1] yang
diberikan oleh

𝐹𝑋1 ,𝑋2 ,…𝑋𝑛 (𝑥1 , 𝑥2 , … 𝑥𝑛 ) = 𝐹(𝑥1 , 𝑥2 , … 𝑥𝑛 ) = 𝑃(𝑋1 ≤ 𝑥1 , 𝑋2 ≤ 𝑥2 , … 𝑋𝑛 ≤ 𝑥𝑛 )

b) Misal fungsi massa peluang bersama 𝑋 dan 𝑌 adalah

1
𝑝(𝑥, 𝑦) = 𝑥(𝑥 + 𝑦), 𝑥 = 1,2,3, 𝑦 = 3,4
70
Jika 𝑓(𝑥, 𝑦) = 𝑥𝑦, maka

𝐸(𝑋𝑌) = ∑ ∑ 𝑥𝑦𝑝(𝑥, 𝑦)
𝑥∈𝐴 𝑦∈𝐵
1 1 1
𝐸(𝑋𝑌) = (1)(3) ( × 1 × (1 + 3)) + (1)(4) ( × 1 × (1 + 4)) + (2)(3) ( × 2 × (2 + 3))
70 70 70
1 1
+ (2)(4) ( × 2 × (2 + 4)) + (3)(3) ( × 3 × (3 + 3))
70 70
1
+ (3)(4) ( × 3 × (3 + 4))
70
𝐸(𝑋𝑌) = 8.6

Fungsi massa peluang marginal dari peubah acak 𝑋 dan Y adalah

PENGANTAR TEORI PELUANG
1 1 9
× 1 × (1 + 3)) + ( × 1 × (1 + 4)) =
( , 𝑥=1
70 70 70
1 1 22
𝑝𝑋 (𝑥) = ∑ 𝑝(𝑥, 𝑦) = ( × 2 × (2 + 3)) + ( × 2 × (2 + 4)) = , 𝑥=2
70 70 70
𝑦∈𝐵
1 1 39
( × 3 × (3 + 3)) + ( × 3 × (3 + 4)) = , 𝑥=3
{ 70 70 70

𝑝𝑌 (𝑦)
= ∑ 𝑝(𝑥, 𝑦)
𝑥∈𝐴
1 1 1 32
( × 1 × (1 + 3)) + ( × 2 × (2 + 3)) + ( × 3 × (3 + 3)) = , 𝑦=3
70 70 70 70
=
1 1 1 38
( × 1 × (1 + 4)) + ( × 2 × (2 + 4)) + ( × 3 × (3 + 4)) = , 𝑦=4
{ 70 70 70 70

c) Misal fungsi kepekatan peluang bersama 𝑋 dan 𝑌 adalah

𝑓(𝑥, 𝑦) = 20𝑥 2 𝑦 3 , 0 < 𝑥 < 1, 0 < 𝑦 < √𝑥

Jika ℎ(𝑥, 𝑦) = 𝑥𝑦, maka

1 √𝑥 1
8
𝐸(ℎ(𝑋, 𝑌)) = 𝐸(𝑋𝑌) = ∫ ∫ 𝑥𝑦𝑓(𝑥, 𝑦) 𝑑𝑦 𝑑𝑥 = ∫ (∫ 𝑥𝑦 × 20𝑥 2 𝑦 3 𝑑𝑦) 𝑑𝑥 = ∫ 4𝑥 11/2 𝑑𝑥 =
0 0 0 13

Dan fungsi kepekatan peluang marginal dari peubah acak 𝑋 dan 𝑌 adalah

√𝑥
𝑓𝑋 (𝑥) = ∫ 𝑓(𝑥, 𝑦)𝑑𝑦 = ∫ 20𝑥 2 𝑦 3 𝑑𝑦 = 5𝑥 4 , 0<𝑥<1
𝑦∈𝐵 0
1
20 3
𝑓𝑌 (𝑦) = ∫ 𝑓(𝑥, 𝑦)𝑑𝑥 = ∫ 20𝑥 2 𝑦 3 𝑑𝑥 = (𝑦 − 𝑦 9 ), 0<𝑦<1
𝑥∈𝐴 𝑦2 3

Sumber:

1. (Bab 8.1) Grahramani S. 2005. Fundamentals of Probability with Stochastic Processes. Ed. 3.
2. (Bab 7) Mangku IW. 2017. Pengantar Teori Peluang. Bogor(ID) : IPB Press.
3. https://daviddalpiaz.github.io/stat400fa17/notes/practice/400Practice04.pdf
PENGANTAR TEORI PELUANG

Untuk materi ini, sangat jarang keluar saat ujian komprehensif. DISARANKAN TANYA DOSEN JIKA MASIH
BELUM MENGERTI

a) Untuk menentukan fungsi kepekatan peluang dari peubah acak ℎ(𝑋), terlebih dahulu tentukan fungsi
sebaran dari ℎ(𝑋), yaitu 𝑃(ℎ(𝑋) ≤ 𝑥), dengan cara menentukan suatu himpunan 𝐴 sedemikian rupa
sehingga ℎ(𝑋) ≤ 𝑥 jika dan hanya jika 𝑋 ∈ 𝐴.

Kemudian tentukan 𝑃(𝑋 ∈ 𝐴) dari fungsi sebaran peubah acak 𝑋.

Setelah 𝑃(ℎ(𝑋) ≤ 𝑥) diperoleh, maka fungsi kepekatan peluang dari ℎ(𝑋) (jika ada) ditentukan
dengan cara menurunkan fungsi sebaran dari ℎ(𝑋)

 Contoh untuk peubah acak diskret :

Let 𝑋 have the Poisson probability mass function

𝑒 −𝜇 𝜇 𝑥
𝑝(𝑥) = , 𝑥 = 0, 1, 2, ….
𝑥!
Now define a new random variable 𝑌 = 4𝑋.

Then 𝑋 has space 𝒜 = {0, 1, 2, 3, 4, . . . }. Then the space 𝒜 maps onto the space of 𝑌, which we’ll
denote by ℬ = {0, 4, 8, 12, . . . }. Under this map, there is a one-to-one correspondence between
points in 𝒜 and points in ℬ.

Define

𝑒 −𝜇 𝜇 𝑦/4
𝑃(𝑌 = 𝑦) = 𝑃(4𝑋 = 𝑦) = 𝑃(𝑋 = 𝑦/4) = , 𝑦 = 0, 4, 8, 12, 16, …
(𝑦/4)!

 Contoh untuk peubah acak kontinu :

Let 𝑋 be a continuous random variable with the probability density function

2
𝑓(𝑥) = 2 , 1<𝑥<2
𝑥
Find the distribution and the density functions of 𝑌 = 𝑋 2

Let 𝐺 and 𝑔 be the distribution function and the density function of 𝑌, respectively. By definition
PENGANTAR TEORI PELUANG
𝐺(𝑡) = 𝑃(𝑌 ≤ 𝑦) = 𝑃(𝑋 2 ≤ 𝑦) = 𝑃(−√𝑦 ≤ 𝑋 ≤ √𝑦)
0, 𝑦<1
𝐺(𝑡) = {𝑃(1 ≤ 𝑋 ≤ √𝑦), 1≤𝑦<4
1, 𝑦≥4
*karena 1 < 𝑥 < 2 dan 𝑌 = 𝑋 , maka 𝑃(−√𝑦 ≤ 𝑋 ≤ 𝑦) menjadi 𝑃(1 ≤ 𝑋 ≤ 𝑦), 1 < 𝑦 < 22 .
2

Now
√𝑡 2 2
𝑃(1 ≤ 𝑋 ≤ √𝑦) = ∫ 2
𝑑𝑥 = 2 −
1 𝑥 √𝑦

Therefore

0, 𝑦<1
2
𝐺(𝑡) = 2 − , 1≤𝑦<4
√𝑦
{ 1, 𝑦>4

The density function of 𝑌, 𝑔, is found by differentiation of 𝐺

1
𝑔(𝑦) = 𝐺 ′ (𝑦) = , 1≤𝑦≤4
𝑦√𝑦

b) Untuk kasus 1 peubah acak: Misalkan 𝑋 adalah suatu peubah acak kontinu dengan fungsi kepekatan
peluang 𝑓𝑋 dan himpunan semua kemungkinan nilai 𝑋 adalah 𝒜.

Jika fungsi ℎ: 𝒜 → ℝ memiliki invers dan 𝑌 = ℎ(𝑋) adalah peubah acak dengan himpunan semua
kemungkinan nilai 𝑌 adalah ℬ = ℎ(𝒜) = {ℎ(𝑎): 𝑎 ∈ 𝒜}

Misalkan pula invers dari fungsi 𝑦 = ℎ(𝑥), yaitu fungsi 𝑥 = ℎ−1 (𝑦) memiliki turunan untuk semua
nilai 𝑦 ∈ ℬ. Maka fungsi kepekatan peluang 𝑓𝑌 dari 𝑌 diberikan oleh

𝑓𝑌 (𝑦) = 𝑓𝑋 (ℎ−1 (𝑦))|(ℎ−1 )′(𝑦)|, 𝑦∈ℬ

Contoh Kasus:

Let X be a random variable with the density function

𝑓𝑋 (𝑥) = 2𝑒 −2𝑥 , 𝑥>0
Using the method of transformations, find the probability density function of 𝑌 = √𝑋

The set of possible values of 𝑋 is 𝐴 = (0, ∞). Let ℎ: (0, ∞) → 𝑹 be defined by ℎ(𝑥) = √𝑥. We want to
find the density function of 𝑌 = ℎ(𝑋) = √𝑋. The set of possible values of ℎ(𝑋) is 𝐵 = ℎ(𝑎): 𝑎 ∈ 𝐴 =
(0, ∞). The function ℎ is invertible with the inverse 𝑥 = ℎ−1 (𝑦) = 𝑦 2 , which is differentiable, and its
derivative is (ℎ−1 )′ (𝑦) = 2𝑦. Therefore,
PENGANTAR TEORI PELUANG
2 2
𝑓𝑌 (𝑦) = 𝑓𝑋 (ℎ−1 (𝑦))|(ℎ−1 )′ (𝑦)| = 2𝑒 −2𝑦 |2𝑦| = 4𝑦𝑒 −2𝑦 , 𝑦>0
is density function of 𝑌 = √𝑋
Untuk kasus 2 peubah acak: Misalkan 𝑋 dan 𝑌 adalah dua peubah acak kontinu dengan fungsi
kepekatan peluang bersama 𝑓(𝑥, 𝑦). Misalkan pula ℎ1 dan ℎ2 adalah dua fungsi dua peubah yang
bernilai real, serta 𝑈 = ℎ1 (𝑋, 𝑌) dan 𝑉 = ℎ2 (𝑋, 𝑌). Misalkan pula terpenuhi dua syarat berikut:
 𝑢 = ℎ1 (𝑥, 𝑦) dan 𝑣 = ℎ2 (𝑥, 𝑦) adalah transformasi satu-satu dari himpunan ℝ pada bidang-𝑥𝑦 ke
himpunan ℚ pada bidang-𝑢𝑣 yang memiliki solusi tunggal 𝑥 = 𝑤1 (𝑢, 𝑣) dan 𝑦 = 𝑤2 (𝑢, 𝑣)
 Jakobian transformasi 𝑥 = 𝑤1 (𝑢, 𝑣) dan 𝑦 = 𝑤2 (𝑢, 𝑣) tidak bernilai nol untuk semua (𝑢, 𝑣) ∈ ℚ,
yaitu determinan

𝑑𝑤1 𝑑𝑤1
𝑱 = | 𝑑𝑢 𝑑𝑣 | ≠ 𝟎
𝑑𝑤2 𝑑𝑤2
𝑑𝑢 𝑑𝑣

Maka peubah acak 𝑈 dan 𝑉 memiliki fungsi kepekatan peluang bersama 𝑔(𝑢, 𝑣) yang diberikan
oleh

𝑔(𝑢, 𝑣) = 𝑓(𝑤1 (𝑢, 𝑣), 𝑤2 (𝑢, 𝑣)) |𝑱|, (𝑢, 𝑣) ∈ ℚ

Contoh kasus :

Let 𝑋 and 𝑌 be positive independent random variables with the identical probability density
function 𝑒 −𝑥 for 𝑥 > 0. Find the joint probability density function of 𝑈 = 𝑋 + 𝑌 and 𝑉 = 𝑋/𝑌

Let 𝑓(𝑥, 𝑦) be the joint probability density function of 𝑋 and 𝑌. Then

𝑓(𝑥) = 𝑒 −𝑥 , 𝑥 > 0, 𝑓(𝑦) = 𝑒 −𝑦 , 𝑦>0

Since 𝑋 and 𝑌 are independent variables, then

𝑓(𝑥, 𝑦) = 𝑓(𝑥)𝑓(𝑦) = 𝑒 −(𝑥+𝑦) , 𝑥, 𝑦 > 0

Let ℎ1 (𝑥, 𝑦) = 𝑥 + 𝑦 and ℎ2 (𝑥, 𝑦) = 𝑥/𝑦. The the system of equation

𝑥+𝑦=𝑢
{ 𝑥=𝑦
𝑦

has the unique solution 𝑥 = (𝑢𝑣)/(𝑣 + 1), 𝑦 = 𝑢/(𝑣 + 1), and

𝑑𝑥 𝑑𝑥 𝑣 𝑢
𝑑𝑣 | = |𝑣 + 1 (𝑣 + 1)2 𝑢
𝑱 = |𝑑𝑢 1 𝑢 |=− ≠0
𝑑𝑦 𝑑𝑦 (𝑣 + 1)2
−
𝑑𝑢 𝑑𝑣 𝑣+1 (𝑣 + 1)2
PENGANTAR TEORI PELUANG
Since 𝑥 > 0 and 𝑦 > 0 imply that 𝑢 > 0 and 𝑣 > 0, that is 𝑄 = {(𝑢, 𝑣): 𝑢 > 0, 𝑣 > 0}. Hence,
𝑔(𝑢, 𝑣), the joint probability density function of 𝑈 and 𝑉, is given by
𝑢
𝑔(𝑢, 𝑣) = 𝑒 −𝑢 , 𝑢 > 0, 𝑣 > 0
(𝑣 + 1)2

Sumber:

1. (Bab 6.2, 8.4) Grahramani S. 2005. Fundamentals of Probability with Stochastic Processes. Ed. 3.
2. (Bab 5, 7) Mangku IW. 2017. Pengantar Teori Peluang. Bogor(ID) : IPB Press.
3. https://babailey.sdsu.edu/reut09/lecture3.pdf