Kuliah 5

Dr. Mohammad Ali Shafii

1
Dua dadu dilempar; dadu pertama menunjukkan angka dari 1 hingga 6 dan demikian pula dadu
kedua. Ada 36 kemungkinan hasil atau titik dalam ruang sampel seragam untuk masalah ini;
dengan setiap titik probabilitasnya 1/36. Jika angka 3 pada dadu pertama dan angka 2 pada dadu
kedua ditulis dengan simbol 3,2. Maka ruang sampelnya seperti pada (2.4).

Jika nilai jumlah angka pada dua dadu kita sebut x; maka untuk setiap titik ruang sampel pada
(2.4), x memiliki nilai tertentu. Misalnya, untuk titik 2,1, kita memiliki x = 2+1 = 3; untuk titik 6,2,
x = 8, dst. Variabel x yang memiliki nilai pasti untuk setiap titik sampel, disebut variabel acak.
Kita dapat membuat banyak contoh variabel acak untuk ruang sampel pada (2.4) ini.
2
•Untuk setiap variabel acak x ini, kita dapat membuat tabel yang mencantumkan
semua titik sampel dalam (2.4) dengan nilai x yang sesuai.
•Tabel ini mungkin mengingatkan Anda tentang tabel nilai yang bisa kita gunakan
dalam memplot grafik suatu fungsi.
•Dalam masalah fisika, mengetahui x sebagai fungsi t berarti bahwa untuk setiap t
yang diberikan kita dapat menemukan nilai x yang sesuai.
•Dalam probabilitas titik sampel sesuai dengan variabel independen t; kita dapat
menemukan nilai yang sesuai dari variabel acak x jika kita diberikan deskripsi x
(misalnya, x = jumlah angka pada dadu).
• "Deskripsi" ini sesuai dengan rumus x(t) yang kita gunakan dalam memplot grafik.
•Jadi kita dapat mengatakan bahwa variabel acak x adalah fungsi yang didefinisikan
pada ruang sampel.

3
(a) Berapa peluang munculnya jumlah angka pada dadu adalah 5?
Titik-titik ruang sampel yang dilingkari dan diberi tanda a pada (2.4)
menunjukkan semua kasus yang jumlahnya 5. Ada empat titik sampel ini;
maka peluang bahwa jumlahnya 5 adalah 4/36 atau 1/9 .

(b) Berapa peluang bahwa jumlah dadu habis dibagi 5?

Ini berarti jumlah 5 atau 10; empat titik yang dilingkari dan ditandai a pada
(2.4) sesuai dengan jumlah 5, dan tiga titik yang dilingkari dan ditandai b sesuai
dengan jumlah 10. Jadi ada 7 titik dalam ruang sampel yang bersesuaian
dengan jumlah yang habis dibagi dengan 5, jadi peluang suatu jumlah habis
dibagi 5 adalah 7/36 (7 kasus yang paling mungkin terjadi dari 36 kemungkinan
kasus, atau 7 kali probabilitas 1/36 dari masing-masing titik sampel yang paling
mungkin terjadi).

4
(c) Buatlah ruang sampel yang titik-titiknya bersesuaian dengan jumlah yang
mungkin dari dua angka pada dadu, dan carilah probabilitas yang terkait
dengan titik dari ruang sampel yang tidak seragam ini.
Kisaran Jumlah yang mungkin adalah dari 2 (yaitu, 1 + 1) sampai 12 (yaitu, 6+6).
Dari (2.4) kita melihat bahwa titik-titik yang bersesuaian dengan jumlah
sembarang yang diberikan terletak pada diagonal (sejajar dengan elemen
diagonal bertanda a atau b). Ada satu titik yang sesuai dengan jumlah 2; ada
dua titik yang memberikan jumlah 3, tiga titik untuk jumlah 4, dst. Jadi kita
memiliki:

5
Fungsi Probabilitas
Misalkan ada beberapa titik sampel yang nilai x = 5, yaitu titik-titik yang bertanda a
pada (2.4). Kemudian kita menggabungkan semua titik sampel yang sesuai dengan
nilai x yang diberikan, dan mempertimbangkan ruang sampel baru di mana setiap
titik sesuai dengan satu nilai x; ini adalah ruang sampel (2.5).
Probabilitas yang terkait dengan setiap titik dari ruang sampel baru diperoleh
seperti pada (2.5). Setiap nilai x, katakanlah xi, memiliki probabilitas kemunculan
Pi; kita dapat menulis Pi = f(xi) = probabilitas bahwa x = xi, dan memanggil fungsi
f(x) fungsi probabilitas untuk variabel acak x, sehingga dapat dibuat grafik seperti
pada Gambar 5.1.

6
 Contoh 1. Misalkan x = jumlah kepala ketika tiga koin dilempar. Ruang sampel
seragam adalah (2.3) dan kita dapat menulis nilai x untuk setiap titik sampel
dalam (2.3). Sebagai gantinya, mari kita langsung ke tabel x dan p = f(x).

Istilah lain yang digunakan untuk fungsi probabilitas p = f(x) adalah: fungsi kerapatan
(densitas) probabilitas, fungsi frekuensi, atau distribusi probabilitas . Misalkan kita
melempar tiga koin berulang kali; kita mungkin mengharapkan mendapatkan 3
kepala di sekitar 1/8 kali lemparan, dua kepala di sekitar 3/8 kali lemparan, dst.
Artinya, setiap nilai p = f(x) sebanding dengan frekuensi kemunculan nilai itu dari x,
sehingga muncul istilah fungsi frekuensi. Sekali lagi dalam (5.1), bayangkan empat
kotak berlabel x = 0, 1, 2, 3, dan masukkan kelereng ke dalam kotak yang sesuai
untuk setiap pelemparan tiga koin. Kemudian p = f(x) menunjukkan kira-kira
bagaimana kelereng didistribusikan ke dalam kotak setelah banyak pelemparan,
sehingga muncul istilah distribusi. 7
 Nilai Rata-Rata; Standar Deviasi
Misalkan, x mewakili pengukuran eksperimental panjang, dan kita
memiliki sejumlah besar N pengukuran xi. Kita mungkin cukup mengambil
pi = f(xi) sebanding dengan berapa kali Ni kita memperoleh nilai xi, yaitu pi
= Ni/N. Untuk menghitung rata-rata satu set angka N, kita
menambahkannya dan membagi dengan N. Selain menambahkan
sejumlah pengukuran, kita dapat mengalikan setiap pengukuran dengan
berapa kali itu terjadi dan menjumlahkan hasilnya. Hal ini akan
memberikan nilai rata-rata pengukuran, yaitu

8
Sekarang kita mendefinisikan nilai rata-rata atau rata-rata dari variabel acak x yang
fungsi probabilitasnya adalah f(x) dengan persamaan

Untuk mendapatkan ukuran penyebaran atau dispersi pengukuran, pertama-tama

kita membuat daftar berapa banyak setiap pengukuran berbeda dari rata-rata.
Beberapa deviasi (penyimpangan) ini bisa positif dan bisa negatif; jika kita rata-
ratakan hasilnya akan nol. Sekarang kita kuadratkan setiap penyimpangan dan rata-
rata kuadratnya. Kita mendefinisikan varians dari variabel acak x dengan persamaan

9
(Varian kadang-kadang disebut dispersi) Jika hampir semua pengukuran xi sangat
dekat dengan , maka Var(x) kecil; jika pengukuran tersebar luas, Var(x) besar.
Akar kuadrat Var(x), yang disebut deviasi standar x, sering digunakan sebagai
pengganti Var(x):

10
Nilai rata-rata atau rata-rata dari variabel acak x juga disebut nilai ekspektasi (harga
harap dalam mekanika kuantum). Selain , simbol
digunakan untuk menyatakan nilai rata-rata x.

11
 Fungsi Distribusi Kumulatif
Dalam beberapa kasus, ada probabilitas bahwa x lebih kecil dari suatu nilai tertentu.
Seperti dalam percobaan radioaktivitas, kita ingin mengetahui probabilitas bahwa
radiasi latar selalu berada di bawah tingkat tertentu. Mengingat fungsi probabilitas f(x),
kita dapat memperoleh probabilitas bahwa x lebih kecil dari atau sama dengan nilai xi
tertentu dengan menjumlahkan semua probabilitas nilai x lebih kecil atau sama dengan
xi. Misalnya, jumlah angka pada dua dadu; fungsi probabilitas p = f(x) diplot pada
Gambar 5.1. Peluang bahwa x adalah kurang dari atau sama dengan 4 adalah jumlah
dari peluang bahwa x adalah 2 atau 3 atau 4, yaitu 1/36 + 2/36 + 3/36 = 1/6. Demikian
pula, kita dapat menemukan probabilitas bahwa x lebih kecil dari atau sama dengan
angka tertentu. Fungsi yang dihasilkan dari x diplot pada Gambar 5.2. Fungsi seperti itu
F(x) disebut fungsi distribusi kumulatif;

12
Perhatikan baik-baik bahwa, meskipun fungsi probabilitas f(x) dapat disebut sebagai
distribusi probabilitas, istilah fungsi distribusi berarti distribusi kumulatif F(x).

13
DISTRIBUSI KONTINU
 Pada Kuliah sebelumnya, kita membahas variabel acak x yang mengambil
himpunan diskrit nilai xi. Sekarang kita lihat kasus di mana variabel acak
mengambil serangkaian nilai yang bersifat kontinu.

Contoh 1. Perhatikan sebuah partikel yang bergerak maju mundur sepanjang

sumbu x dari x = 0 ke x = l, memantul secara elastis pada titik-titik belok sehingga
kecepatannya konstan. (Ini bisa menjadi model sederhana partikel alfa dalam inti
radioaktif, atau molekul gas yang memantul bolak-balik di antara dinding wadah).
Biarkan posisi x partikel menjadi variabel acak; maka x mengambil serangkaian
nilai kontinu dari x = 0 hingga x = l. Sekarang anggaplah bahwa probabilitas
partikel tersebut berada di titik x tertentu adalah k, untuk semua titik (karena
kecepatannya konstan). Dengan jumlah titik yang terbatas, kita akan mengatakan
bahwa k = 1/N. Dalam kasus kontinu, ada jumlah titik yang tidak terbatas
sehingga kita akan menemukan k = 0, yaitu probabilitas bahwa partikel berada
pada titik tertentu harus nol. Mari kita bagi (0, l) menjadi interval kecil dx; karena
partikel memiliki kecepatan konstan, maka waktu yang diperlukan di setiap dx
sebanding dengan panjang dx. Faktanya, karena partikel memerlukan fraksi (dx)/l
untuk setiap waktu dalam interval dx tertentu, probabilitas menemukannya di dx
adalah (dx)/l.
Perbandingan Fungsi Probabilitas Diskrit dan Kontinu.
Untuk menunjukkan p di setiap x, mari kita menggambar segmen garis
horizontal dengan panjang 1 berpusat pada setiap titik, seperti pada
Gambar 6.1. Luas di bawah ruas garis horizontal pada xi tertentu adalah
f(xi) ·1 = f(xi) = pi (karena panjang setiap ruas garis horizontal adalah 1), dan
kita dapat menggunakan luas ini sebagai ganti ordinat sebagai ukuran
probabilitas. Grafik seperti itu disebut histogram.
Paham gak sih