DISTRIBUSI PELUANG

TEORI PELUANG

Dosen Pengampu :
Dr. Tina Yunarti, M.Si.

DISUSUN OLEH KELOMPOK 8:

Elsya Sallsabila Dasaad (2113021066)
Nadhifah Kansah Hanif (2113021034)
Nadira Handayani (2113021030)
Riris Nur Febriani (2113021056)
Rahmatul falah (2113021032)

PROGRAM STUDI PENDIDIKAN MATEMATIKA

FAKULTAS KEGURUAN DAN ILMU PENDIDIKAN
UNIVERSITAS LAMPUNG
2023
A. Fungsi Peluang

Fungsi peluang merupakan salah satu konsep utama dalam teori peluang.

Dalam teori peluang, fungsi peluang (probability function) adalah suatu

fungsi yang menghubungkan setiap kejadian atau hasil yang mungkin dalam
suatu eksperimen peluang dengan probabilitasnya. Fungsi peluang biasanya
dilambangkan dengan huruf P dan didefinisikan pada himpunan semua hasil
yang mungkin dalam suatu ruang sampel. Fungsi peluang mengasosiasikan
setiap kejadian dalam ruang sampel dengan suatu angka antara 0 dan 1, di
mana angka tersebut mewakili probabilitas kejadian tersebut terjadi.

Secara formal, jika kita memiliki ruang sampel S yang terdiri dari semua
kemungkinan hasil darisuatu eksperimen acak, maka fungsi peluang P adalah
fungsi yang memetakan setiap kejadian Ayang mungkin terjadi di S ke suatu
angka P(A), di mana P(A) adalah probabilitas kejadian A terjadi.

Fungsi peluang harus memenuhi beberapa sifat dasar, yaitu:

1.P(A) ≥ 0: Probabilitas suatu kejadian harus selalu non-negatif.
2. P(S) = 1: Probabilitas dari seluruh ruang sampel harus sama dengan 1,
karena pasti ada satu kejadian yang akan terjadi.
3.Jika A dan B adalah kejadian yang saling eksklusif (tidak dapat terjadi
bersamaan), maka P(A ∪ B) = P(A) + P(B). Ini disebut sifat aditif.

Selain itu, fungsi peluang dapat didefinisikan dalam berbagai konteks,

tergantung pada jenis eksperimen acak yang sedang dipertimbangkan, seperti
peluang dalam kejadian diskrit (seperti pelemparan dadu) atau dalam kejadian
kontinu (seperti mengukur suhu).

Definisi fungsi peluang ini membantu kita dalam menganalisis dan

memahami kemungkinan berbagai hasil eksperimen acak, dan digunakan
dalam banyak aplikasi, termasuk statistik, teori permainan, dan ilmu data.
B. Pembuktian Ekspetasi dan Varians

Jika X adalah variabel acak kontinu yang dapat mengambil setiap nilai x yang
memiliki fungsi probabilitas f(x), maka ekspektasi dari variabel acak kontinu
X dinotasikan dengan E(X).

1. Ekspetasi bersyarat dan sifat-sifatnya

Jika X dan Y memiliki fungsi probabilitas gabungan 𝑓(𝑥, 𝑦), maka fungsi
𝑓(𝑥,𝑦)
probabilitas bersyarat dari Y jika X diketahui 𝑓(𝑦/𝑥) = dimana
𝑔(𝑥)

𝑔(𝑥) adalah fungsi probabilitas marginal dari x.

Dari definisi yang ada, maka dapat dibuktikan sifat-sifat ekspektasi

bersyarat sebagai berikut.
C. Fungsi Pembangkit Momen
1. Distribusi Uniform Kontinu
Distribusi peluang uniform adalah distribusi yang mempunyai
probabilitas yang sama pada setiap kejadian, tidak dikategorikan, dan
ruang sampelnya tidak dibatasi (Lucia, 2003).

1
P (x) = 𝑘 ; x = 1, 2, 3, …., k

Keterangan :

P (x) = Peluang kejadian x

k = Data percobaan ke-k

x = Banyak percobaan yang dilakukan.

Distribusi Uniform dapat berupa distribusi peluang variabel random

kontinu maupun distribusi peluang variabel random diskrit. Distribusi
Uniform kontinu disebut juga sebagai Distribusi Seragam kontinu,
distribusi ini memiliki sebaran peluang yang sama pada seluruh interval
[α,β], dengan fungsi kepadatan peluang sebagai berikut :

Gambar kurva Distribusi Unifrom

Misalkan suatu variabel random X dapat diasumsikan nilainya hanya
pada interval terbatas, katakan interval terbuka (a,b) dan misalkan fkp
konstan, katakan f(x) = c atas interval tersebut. Berdasarkan sifat jumlah
peluang sama dengan 1 berakibat :

1 𝑏
C =𝑏−𝑎 sebab 1 = ∫𝑎 𝑐 𝑑𝑥 = 𝑐 (𝑏 − 𝑎).

Distribusi uniform pada interval (a,b) maka fkp-nya adalah : f(x;a,b) =

1
,a<x<b
𝑏−𝑎

untuk X ~ UNIF ( a, b) :
Suatu variabel random diskrit X mempunyai distribusi uniform diskrit
pada bilangan bulat 1, 2, 3, ..., N dan mempunyai fkp dengan bentuk :

1
f (x) = 𝑁 ; x = 1, 2, 3, …., N

Notasi khusus : X ~ 𝐷𝑈 (𝑁)

2. Distribusi Normal
Mean, variansi, dan fungsi pembangkit momen dari distribusi normal
umum sebagai berikut.

Mean 𝐸(𝑋) = 𝜇

Bukti:

∞
𝐸(𝑋) = ∫−∞ 𝑥 𝑓(𝑥) 𝑑𝑥

1 𝑥−𝜇 2
∞ 1
𝑒 −2 ( )
𝐸(𝑋) = ∫−∞ 𝑥 σ 𝑑𝑥
σ√2𝛑
1 𝑥−𝜇 2
1 ∞ − ( )
𝐸(𝑋) = ∫ 𝑥 𝑒 2 σ 𝑑𝑥
σ√2𝛑 −∞
𝑥− μ
Misalkan z = maka dx = σ dz, sehingga:
σ
1 𝑥−𝜇 2
1 ∞ − ( )
𝐸(𝑋) = ∫ (μ + σ𝑧) . 𝑒 2 σ 𝑑𝑧
σ√2𝛑 −∞
1 1
1 ∞ − (𝑧)2 1 ∞ − (𝑧)2
𝐸(𝑋) = ∫−∞ μ . 𝑒 2 𝑑𝑧 + ∫−∞ σz . 𝑒 2 𝑑𝑥
√2𝛑 √2𝛑
1 1
μ ∞ − (𝑧)2 σ ∞ − (𝑧)2
𝐸(𝑋) = ∫−∞ 𝑒 2 𝑑𝑧 + ∫−∞ z . 𝑒 2 𝑑𝑥
√2𝛑 √2𝛑
1 1
μ ∞ − (𝑧)2 σ ∞ − (𝑧)2
𝐸(𝑋) = ∫−∞ 𝑒 2 𝑑𝑧 + ∫−∞ z . 𝑒 2 𝑑𝑥
√2𝛑 √2𝛑
1
μ ∞ (𝑧)2 σ ∞
𝐸(𝑋) = 2 ∫−∞ 𝑒 −2 𝑑𝑧 − ∫−∞(𝑒 ∞ − 𝑒 −∞ ) 𝑑𝑧
√2𝛑 √2𝛑
2μ 1 σ
𝐸(𝑋) = . 2 √2𝛑 − .0
√2𝛑 √2𝛑

𝐸(𝑋) = 𝛑 − 0
𝐸(𝑋) = 𝛑

Variansi Var(X) = σ𝟐
Bukti :
σ𝟐 = 𝐸[(𝑥 − μ)]2
1 𝑥−𝜇 2
1 ∞ − ( )
σ𝟐 = ∫ 𝑥 − μ .𝑒 2 σ 𝑑𝑥
σ√2𝛑 −∞
𝑥− μ
Misalkan z = maka dx = σ dz, sehingga:
σ
1
1 ∞ − (𝑧)2
𝐸[(𝑥 − μ)]2 = ∫ 𝑧 2 σ2 . 𝑒 2 σ 𝑑𝑧
σ√2𝛑 −∞
1
σ2 ∞− (𝑧)2
𝐸[(𝑥 − μ)]2 = ∫ 𝑧2 . 𝑒 2 𝑑𝑧
σ√2𝛑 −∞

Menggunakan integral parsial,

Misal:
1 1
(𝑧)2 (𝑧)2
𝑢 = 𝑧 → 𝑑𝑢 = 𝑑𝑧, 𝑑𝑣 = 𝑧𝑒 −2 𝑑𝑧 → 𝑣 = −𝑒 −2 , Sehingga:
1 ∞ 1
σ2 (𝑧)2 ∞ (𝑧)2
𝐸[(𝑥 − μ)]2 = [(−𝑧𝑒 −2 ) − ∫−∞ −𝑒 −2 𝑑𝑧]
√2𝛑 −∞
1
σ2 ∞ (𝑧)2
𝐸[(𝑥 − μ)]2 = [0 + 2 ∫−∞ −𝑒 −2 𝑑𝑧]
√2𝛑
σ2 1
𝐸[(𝑥 − μ)]2 = [0 + 2 2 √2𝛑]
√2𝛑

𝐸[(𝑥 − μ)]2 = σ2

Standar Deviasi
σ = √σ2
Cara Luas Daerah Kurva Normal
Probabilitas distribusi normal f(x) pada interval 𝑥1 < 𝑥 < 𝑥2 ditentukan
dengan mencari luas daerah di bawah kurva yang ditunjukkan pada
Gambar 2
 Gambar 2 Probabilitas Distribusi Normal Pada Interval 𝑥1 < 𝑥 < 𝑥2
Pada Gambar 2 probabilitas 𝑃(𝑥1 < 𝑥 < 𝑥2) ditunjukkan oleh luas daerah
yang diarsir yang dibatasi oleh kurva f(x), sumbu-x, garis tegak 𝑥 = 𝑎 dan
𝑥 = 𝑏 . Karena f(x) merupakan fungsi kontinu, probabilitas 𝑃(𝑥1 < 𝑥 <
𝑥2) dihitung dengan menggunakan integral dari fungsi f(x) yang dibatasi
oleh 𝑥 = 𝑥1 dan 𝑥 = 𝑥2, yaitu:
1 𝑥−𝜇 2
x2 𝑋 1
𝑒 −2 ( )
𝑃(𝑥1 < 𝑥 < 𝑥2 ) = ∫x1 𝑓(𝑥) 𝑑𝑥 = ∫𝑋 1 𝑥 σ 𝑑𝑥
2 σ√2𝛑

Integral digunakan untuk menghitung daerah di bawah kurva distribusi

normal standar. Akan tetapi, secara sistematis bentuk integral dari fungsi
f(x) tersebut sulit dipecahkan secara langsung dengan teknik integral oleh
karena itu variabel random normal X ditransformasikan ke suatu variabel
normal standar Z dengan rata-rata 𝜇 = 0 dan variansi 𝜎2 = 1, untuk
menyelesaikan integral dari distribusi probabilitas normal. Tranformasi
yang dimaksud yaitu:
𝑋− 𝜇
Z= σ

Jika variabel random normal X menghasilkan nilai x, maka nilai yang

𝑋− 𝜇
sama dalam variabel random Z adalah Z = . Jika x terletak antara
σ

nilai 𝑥 = 𝑥1 dan 𝑥 = 𝑥2 maka diperoleh :

𝑋1 − 𝜇
Z1 = σ
𝑋2 − 𝜇
Z2 = σ

Dari uraian sebelumnya dapat dituliskan:

1 𝑥−𝜇 2
𝑋 1
𝑒 −2 ( )
𝑃(𝑥1 < 𝑥 <𝑥2 ) = ∫𝑋 1 σ 𝑑𝑥
2 σ√2𝛑
𝑍2
𝑍 1
𝑃(𝑥1 < 𝑥 <𝑥2 ) = ∫𝑍 1 𝑒 − 2 𝑑𝑧
2 σ√2𝛑
𝑍1
𝑃(𝑥1 < 𝑥 <𝑥2 ) = ∫𝑍2 𝑁(𝑧; 0,1) 𝑑𝑧

𝑃(𝑥1 < 𝑥 <𝑥2 ) = 𝑃(𝑧1 < 𝑥 < 𝑧1 )

Definisi
Distribusi probabilitas dari variabel random normal Z dengan rata-rata 𝜇=0
dan variansi 𝜎2 = 1 disebut distribusi normal baku dengan notasi 𝑁(0,1).
3. Distribusi Gamma

Distribusi Gamma mendapat namanya dari fungsi gamma yang sudah

dikenal luas dan dipelajari dalam banyak bidang matematika. Peubah acak
kontinu X berdistribusi gamma, dengan parameter α dan β, bila fungsi
padatnya berbentuk

dimana α > 0 dan β > 0

Bukti:

MGF suatu distribusi diperoleh dari E( 𝑒 𝑡 𝑋 ). Dengan demikian, MGF

dari distribusi gamma dapat diperoleh sebagai berikut:
Mencari Rataan dan Varians Menggunakan MGF

Rataan dan varians suatu peubah acak X dapat dicari jika diketahui
fungsi pembangkit momennya. Untuk mencari rataan dari distribusi
gamma, kita hanya perlu menurunkan fungsi MGF yang telah diperoleh
di atas, kemudian menetapkan nilai 0 untuk t. Kita peroleh sebagai
berikut:

Untuk mendapatkan varians, kita perlu mencari nilai harapan X2 terlebih

dahulu. Ini dapat dilakukan dengan mencari turunan kedua fungsi MGF,
kemudian menetapkan nilai 0 untuk t . Kita dapatkan hasil berikut ini.

Dengan demikian, varians dari distribusi gamma adalah sebagai berikut.

4. Distribusi Eksponensial

Peubah acak kontinu X akan berdistribusi eksponensial, dengan

parameter θ, bila fungsi padatnya berbentuk:

Dimana θ > 0.
Andaikan X adalah variabel acak kontinu yang mengikuti distribusi
eksponensial. MGF dari X diberikan oleh:

Bukti:
Kita tahu bahwa MGF diperoleh dari 𝐸(𝑒 𝑡𝑋 ). Dengan demikian, MGF
dari distribusi eksponensial dapat diperoleh sebagai berikut :
 1 1 θ
Misalkan 𝑦 = (θ − 𝑡) 𝑥, maka 𝑥 = 1 dan 𝑑𝑥 = 1 − θt, sehingga
−𝑡
θ

Mencari Rataan dan Varians Menggunakan MGF

Untuk mencari rataan dari distribusi eksponensial, perlu menurunkan
fungsi MGF yang telah diperoleh di atas, kemudian menetapkan nilai 0
untuk t dapat diperoleh sebagai berikut:
 Untuk mendapatkan varians, perlu mencari nilai harapan x2 terlebih
dahulu. Ini dapat dilakukan dengan mencari turunan kedua fungsi MGF,
kemudian menetapkan nilai 0 untuk t. didapatkan hasil berikut ini.

Dengan demikian, varians dari distribusi eksponensial adalah sebagai

berikut.

5. Distribusi Chi Kuadrat

Fungsi Pembangkit momen (MGF) dari suatu peubah acak yang
berdistribusi chi square dab bagaimana mencari rataan dan varians dari
distribusi tersebut berdasarkan fungsi pembangkit momenya.
Distribusi Chi-Square banyak digunakan dalam bidang
statistika.Beberapa manfaat dari distribusi Chi-Square adalah menguji
signifikansi antara frekuensi yang diamati dengan frejuensi teoritis dan
menguji kebebasan antar faktor pada tabel kontingensi.Peubah acak

kontinu X berdistribusi chi-square,dengan derajat bebas v, bila fungsi

padatnya diberikan oleh
Dengan v bilangan bulat positif
MGF Distribusi Chi-Square diberikan oleh

Bukti :
Kita tahu bahwa MGF suatu distribusi diperoleh dari E(etX). Dengan
demikian, MGF dari distribusi chi-square dapat diperoleh sebagai
berikut:

Mencari Rataan dan Varians Menggunakan MGF

Seperti yang telah kita pelajari bahwa rataan dan varians suatu peubah
acak X dapat dicari jika diketahui fungsi pembangkit momennya. Untuk
mencari rataan dari distribusi chi-square, kita hanya perlu menurunkan
fungsi MGF yang telah diperoleh di atas, kemudian menetapkan nilai 0
untuk t .Kita peroleh sebagai berikut:
Untuk mendapatkan varians, kita perlu mencari nilai harapan X2dahulu.
Ini dapat dilakukan dengan mencari turunan kedua fungsi MGF,
kemudian menetapkan nilai 0 untuk t. Kita dapatkan hasil berikut ini.

Dengan demikian, varians dari distribusi chi square adalah sebagai

berikut.
 ∞

𝑀𝑥 (𝑡) = 𝐸(𝑒 𝑡𝑥 ) = ∫ 𝑒 𝑡𝑥 . 𝑓𝑥 (𝑥) . 𝑑𝑥

−∞

𝑀𝑥 (𝑡) = ∫ 𝑒 𝑡𝑥 .
0