Semester I 2022/2023

3.5. Momen

Kata momen pengertiannya mirip seperti momen dalam mekanika maupun mekanika
bahan.

3.5.1. Rata-rata (Momen Pertama)

n
μx = E[X] = å x p (x )
i =1
i x i (3.58.a)

sedangkan untuk variabel kontinu nilai tersebut didapat dari

¥
μx = E[X] = ò xf
-¥
x ( x)dx (3.58.b)

disebut momen pertama karena fungsi distribusi dikalikan variabel x berpangkat

satu.
Rata-rata dari suatu populasi ditulis µx.
Rata-rata dari suatu sampel yang terbatas ditulis dengan `x.

1 n
x= å xi
n i =1
(3.59)

Jika dari n variabel x yang diamati terdapat r macam nilai x,

r r
ni
x=å xi = å fi xi (3.60)
i =1 n i =1

dengan fi = ni/n menyatakan frekuensi relatif jumlah pengamatan xi.

 Semester I 2022/2023

Contoh 3.26:

Jika suatu kelompok 10 buah barang x terdiri dari 3 buah berukuran 40 mm, 5
buah berukuran 50 mm dan 2 buah berukuran 55 mm

x = 0,3x40 + 0,5x50 + 0,2x55 = 48 mm.

0,6
0,5
0,4
p(x)

0,3
0,2
0,1
0
0 20 40 60
x

Gambar 3.33: Fungsi Distribusi Diskret Untuk Contoh 3.26

Contoh 3.27:

fungsi kontinu fx(x) = 4 a4/x5 untuk x > a, maka

¥
4a 4
µx = ò x dx = 4a/3
a
x5

2,5

1,5
f(x)

0,5

0
0 1 2 3 4 5
x

Gambar 3.34: fx(x) = 4 a4/x5 untuk a = 2

Bab III - 2
 Semester I 2022/2023

3.5.2. Variansi (Momen Kedua)

Variansi menunjukkan seberapa jauh ketidak aturan besaran-besaran tersebut

diukur terhadap nilai rata-rata.
Variansi ditulis dengan sx 2 atau Var[X] dan didapatkan dengan

∞
σ x2 = Var[x] = ∑ (x1 − µ x )2 px (xi ) (3.61)
i
Untuk jumlah data yang kecil, misalnya n, nilai variansi harus dikoreksi dengan
dikalikan n/(n – 1).

Untuk variabel kontinu dihitung dengan

¥
sx ò (x - µ )
2
2 = x f x ( x)dx (3.62)
-¥

Disebut momen kedua karena dikalikan dengan besaran x berpangkat dua.

Deviasi standard s

s = Ö s2 (3.63)

Koefisien variasi yang ditulis Vx, Wx atau dx.

sx
Vx = (3.64)
µx

Contoh 3.28:

Untuk Contoh 3.26 yaitu 10 buah barang x terdiri dari 3 buah berukuran 40 mm,
5 buah berukuran 50 mm dan 2 buah berukuran 55 mm, nilai variansi
didapatkan

Var[x] = 0,3 x (40 – 48)2 + 0,5 x (50 – 48)2 + 0,2 x (55 – 48)2 = 31
Karena jumlah data adalah 10, maka Var[x] = 31x(10/9) = 34,44

Contoh 3.29:

Fungsi distribusi contoh 3.23 yaitu fx(x) = 4 a4/x5 untuk x > a

maka
¥
4a 4
Var[ x] = ò ( x - 4a / 3) 2
5
dx = 2a2/9
a
x
dengan σx = ⅓ a √2 dan vx = ¼ √2

Bab III - 3
 Semester I 2022/2023

Dua buah fungsi distribusi yang mempunyai perbedaan deviasi standard.

0,9
0,8
0,7
0,6
0,5
s = 0,5
0,4
s = 1,0
0,3
0,2
0,1
0
-4 -2 0 2 4
Gambar 3.35: Pengaruh Deviasi Standard

3.6. Ekspektansi

3.6.1. Ekspektansi Suatu Fungsi

Jika
Y = g(X) (3.65)

Ekspektansi Y dapat dihitung dengan

!
E[Y] = ∫"! 𝑦𝑓(𝑦)𝑑𝑦 (3.66)

Suatu cara yang lebih mudah untuk menghitung ekspektansi ialah dengan

E[Y] = E[g(X)] (3.67)

Untuk kontinu
¥
E[g(X)] =
-¥
ò g ( x) f ( x)dx
x (3.68)

untuk diskret

¥
E[g(X)] = å g(x ) p (x )
i =1
i x i (3.69)

Bab III - 4
 Semester I 2022/2023

Contoh 3.30:

px(-1) = 1/3
px(1) = 1/3
px(2) = 1/3

Y = g(X) = X2

Untuk mneghitung E[Y] ada dua cara:

cara pertama py(1) = px(-1) + px(1) dan py(4) = px(2) sehingga

py(1) = 2/3 py(4) = 1/3

kemudian

E[Y] = (2/3)(1) + (1/3)(4)

=2
Cara kedua

E[Y] = E[X2] = (1/3)(1) + (1/3)(1) + (1/3)(4)

=2

Berlaku bagi perhitungan nilai rata-rata dengan g(X) = x dan untuk variansi
dengan g(x) = (x - mx)2.

Bab III - 5
 Semester I 2022/2023

3.6.2. Ekspektansi Sebagai Momen

Jika g(x) merupakan xn maka ekspektansi tersebut disebut momen ke n.

Ekspektansi tersebut dapat dihitung dengan

òx
n
E[Xn] = f x ( x ) dx (3.70)
-¥

Jika g(x) = (x - μx)n maka integrasi di atas disebut momen sentral.

¥

ò (x - µ )
n
E[(X - μx )n] = x f x ( x)dx (3.71)
-¥

contoh ekspektansi yang demikian ialah koefisien kemiringan (kecondongan)

E[( x - µ x )3 )]
g1 = g1 = (3.72)
s x3

dan koefisien kurtosis

E[( x - µ x ) 4 )]
g2 = g2 = (3.73)
s x4

fungsi distribusi normal nilai g2 nya sama dengan tiga

Bab III - 6
 Semester I 2022/2023

Contoh 3.31:

Fungsi distribusi fx(x) = 4 (x – x3) untuk 0 ≤ x ≤ 1

Nilai rata-rata µx = E[x] adalah

1
3
µx = ∫ 4x(x − x )dx = 8 /15
0

Kuadrat simpangan baku sx2 = Var[x] adalah

1
2 8 2 3 11
σ =
x ∫ 4(x − 15 ) (x − x )dx = 225
0

koefisien kecondongan g1 adalah

1
8 3 3
∫ 4(x − 15 ) (x − x )dx
0
g1 = = −0,125
11 1
× 11
225 15

artinya fungsi distribusi ini condong ke kiri.

1,8
1,6
1,4
1,2
1
f(x)

0,8
0,6
0,4
0,2
0
-0,2 0 0,5 1 1,5
x

Gambar 3.36: fx(x) = 4(x – x3)

Koefisien Kurtosis g2 (menunjukkan kelancipan) adalah

1
8 4 3
∫ 4(x − 15 ) (x − x )dx
g2 = 0
= 2.18
11 11
×
225 225

ini menunjukkan puncak fungsi distribusi ini tidak selancip fungsi distribusi
normal yang mempunyai g2 = 3,0,

Bab III - 7
 Semester I 2022/2023

3.6.3. Sifat-Sifat Ekspektansi

Salah satu sifat ekspektansi dapat diturunkan di bawah ini antara lain
¥ ¥
E[c] = ò cf
-¥
x ( x ) dx = c ò f x ( x ) dx
-¥
=c (3.74)

c adalah suatu konstanta. Maka

∞ ∞
E[cx] = ∫ cxf (x)dx = c ∫ xf (x)dx = cE[x]
x x (3.75)
−∞ −∞

∞ ∞
E[a + bx] = ∫ (a + bx) fx (x)dx =a + b ∫ xfx (x)dx =a + bE[x] (3.76)
−∞ −∞

E[h(x) + g(x)] = E[h(x)] + E[g(x)] (3.77)

Sifat linearitas.

Untuk variansi:
Var [x] = E[(x - µ)2]
∞
2
= ∫ (x − 2µ x + µ 2 ) f x (x)dx
−∞

= E[x2] - 2 E [x µ] + E [µ2]
= E[x2] - E [µ2]
= E[x2] - µ2 (3.78)
sehingga

E[x2] = µ2 + s2 (3.79)

Sifat variansi;

∞
Var[c] = ∫ (c − c) f (x)dx = 0
x (3.80)
−∞

∞ ∞
2 2 2
Var[cx] = ∫ {cx − cµ ) f x (x)dx = ∫ (c x − 2c 2 µ x + c 2 µ 2 ) f x (x)dx
−∞ −∞
= c2 Var[x] (3.81)
∞
2
Var[a + bx] = ∫ {a + bx − a + bµ} fx(x)dx =
−∞

= b2 Var[x] (3.82)

Variansi tidak mengenal hubungan linearitas.

Bab III - 8
 Semester I 2022/2023

Juga
E[g(x)] ¹ g(E[x]) (3.83)

Untuk deviasi standard yang fungsinya linear seperti y = a + bx akan berlaku

sy = |b|sx (3.84)

Contoh 3.32:

Misalnya g(x) = x2. Maka E[x2] sesuai Persamaan (3.79) adalah sx2 +µx2
sedangkan g(E[x]) adalah µx2.

Contoh 3.33:

Jika y = 2x + 1 maka var [y] = E[(2x + 1 – 2µx - 1)2] dan berdasarkan linearitas = 4
E[(x – µx)2] sehingga E[y] = 4 var [x] atau sy = 2 sx

3.6.4. Ekspektansi Dan Momen Fungsi Dua Variabel

Fungsi yang melibatkan dua variabel atau lebih dapat dianalisis dengan fungsi
distribusi bersama. Jika diketahui suatu fungsi z = g(x,y), maka

E[Z] = E[g(X,Y)]
¥ ¥
= òò
- ¥- ¥
g ( x, y ) f x , y ( x, y )dxdy (3.85)

untuk variabel kontinu, sedangkan untuk variabel diskret berbentuk

¥ ¥
E[Z] = åå
i =1 j =1
g ( xi , y j ) px, y ( xi , y j ) (3.86)

Contoh 3.34:

3 2 2
f x,y (x, y) =(x + y ) untuk 1 ≤ x ≤ 2 dan 1 ≤ y ≤ 2
14
z(x,y) = xy

2 2
3 2 135
E[z] = ∫ ∫ xy 14 (x + y 2 )dxdy = = 2, 411
1 1 56

Bab III - 9
 Semester I 2022/2023

Contoh 3.35:

3 2 2
f x,y (x, y) = (x + y ) untuk 1 ≤ x ≤ 2 dan 1 ≤ y ≤ 2
14
z(x,y) = x2

2 2
2 3 2 2 37
E[z] = ∫ ∫x 14
(x + y )dxdy =
15
= 2, 467
1 1

Contoh 3.36:

px,y(0,0) = 0,10 px,y(0,1) = 0,15 px,y(0,2) = 0,20 px,y(0,3) = 0,05

px,y(1,0) = 0,12 px,y(1,1) = 0,10 px,y(1,2) = 0,05 px,y(1,3) = 0,03
px,y(2,0) = 0,10 px,y(2,1) = 0,05 px,y(2,2) = 0,03 px,y(2,3) = 0,02

0,2
0,15
p(x,y)

0,1
0,05
2
0
x

0 0
1 2
3
y

Gambar 3.37: Contoh Fungsi Distribusi Besaran Diskret

Jika z(x,y) = xy, maka dengan menggunakan Persamaan (3.85) didapatkan

E[z]= 0x0x0,10 + 0x1x0,15 + 0x2x0,20 + 0x3x0,05 + 1x0x0,12 + 1x1x0,10 +

1x2x0,05 + 1x3x0,03 + 2x0x0,10 + 2x1x0,05 + 2x2X0,03 + 2x3x0,02 = 0,63

Momen untuk dua variabel: kovariansi

¥ ¥
s x,y = ò ò ( x - µ )( y - µ
- ¥- ¥
x y ) f x , y ( x, y )dxdy (3.87)

Koefisien korelasi

s x, y
r x, y = (3.88)
s xs y

Bab III - 10
 Semester I 2022/2023

∞ ∞
µx = ∫ ∫ xf x,y (x, y)dxdy (3.89)
−∞ −∞
∞ ∞
µy = ∫ ∫ yf x,y (x, y)dxdy (3.90)
−∞ −∞

∞ ∞
σ x2 = ∫ ∫ (x 2
− 2xµ x + µ x2 ) f x,y (x, y)dxdy (3.91.a)
−∞ ∞

! !
𝜎#$ = ∫"! ∫"!)𝑦 $ − 2𝑦𝜇# + 𝜇#$ .𝑓%,# (𝑥, 𝑦)𝑑𝑥𝑑𝑦 (3.91.b)

Contoh 3.37:

3 2 2
f x,y (x, y) = (x + y ) untuk 1 ≤ x ≤ 2 dan 1 ≤ y ≤ 2
14

2 2
3 2 87
µx = ∫ ∫ x 14 (x + y 2 )dxdy = = 1, 55
1 1 56
2 2
3 2 87
µy = ∫ ∫ y 14 (x + y 2 )dxdy = = 1, 55
1 1 56
2 2
3 2 2 52 87 2
σ x2 = ∫ ∫ (x − µ ) x
2
(x + y )dxdy = − ( ) = 0, 053
1 1 14 21 56
2 2
3 2 2 52 87 2
σ y2 = ∫ ∫ (y − µ ) y
2
(x + y )dxdy = − ( ) = 0, 053
1 1 14 21 56
2 2
3 2 135 87 2
σ xy = ∫ ∫ (y − µ )(x − µ ) 14 (x
y x + y 2 )dxdy = − ( ) = −0, 003
1 1 56 56
σ xy 0, 003
ρ xy = =− = −0, 054
σ xσ y 0, 053

Kovariansi

σxy = E [(x - µx)( y - µy)]

= E[xy] - E [xµy] - E[yµx] + E[µxµy]
= E[xy] - µxµy

Koefisien korelasi akan didapat

E[ xy ] - µ x µ y
r x, y =
( E[ x 2 ] - µ x )(E[ y 2 ] - µ y )
2 2

Bab III - 11
 Semester I 2022/2023

Contoh 3.38:

Jika x = au + bv dan y = cu + dv dengan u dan v variabel independen, a, b, c, dan d

adalah konstanta serta μu, σu, μv, σv diketahui maka Persamaan (3.87) dapat
dihitung sebagai berikut:

E[xy] = E[(au + bv) (cu + dv)]

= E[acu2 + (ad + bc) uv + bdv2]

Kemudian dengan memanfaatkan Persamaan (3.84) untuk E(uv) dengan g(u,v) =

uv dan Persamaan (3.31) untuk u yang independent dari v maka E(uv) dapat
diintegrasikan secara terpisah menghasilkan E(uv) = μu μv dan Persamaan (3.77)
menghasilkan E(u2) = μu2 + σu2 sehingga

E[xy] = ac(μu2 + σu2) + (ad + bc) μu μv + bd(μv2 + σv2) sedangkan dengan

menggunakan Persamaan (3.84) σx2 =g(u,v) = E(a μu + b μv – au –bv)2 = a2σu2 +
b2σv2 demikian juga σy2 = c2σu2 + d2σv2 sehingga didapatkan

ac ( µu + s u ) + (ad + bc ) µu µv + bd ( µv + s v ) - acµu - (ad + bc ) µu µv - bdµv

2 2 2 2 2 2
r x, y =
(a 2s u +b 2s v )(c 2s u + d 2s v )
2 2 2 2

acs u + bds v
2 2
=
(a 2s u +b 2s v )(c 2s u + d 2s v )
2 2 2 2

Contoh 3.39:

y = a1 x1 + a2 x2
µy = E[a1 x1 + a2 x2]
= a1 µx1 + a2 µx2
sy2 = E [(y-µy)2]
= a12 sx12 + a22 sx22 + 2 a1a2 sx1,x2

Contoh 3.40:

jika y = x1 x2 dan variabel x1 dan x2 adalah independen maka dengan

menggunakan Persamaan (3.84) untuk dua variabel yang independen didapat
µy = µx1 µx2
sy2 = E[x12] E[x22] – [µx1 µx2] 2
= (sx12 +µx12) (sx22 +µx22) – [µx1 µx2] 2

Catatan:

Jika fx,y(x,y) = fx(x)fy(y) maka

∞ ∞ ∞ ∞
E[x 2 y 2 ] = ∫ ∫x y 2 2
f x,y (x, y)dx dy = ∫ x 2 f x (x)dx ∫ y 2 f y (y)dy = (µ x2 + σ x2 )(µ x2 + σ x2 )
−∞ −∞ −∞ −∞

Bab III - 12