1

Materi 4. Ekspektasi Matematika

Ekspektasi
MA3181 – Teori Peluang

Dr. Utriweni Mukhaiyar

Program Studi Matematika

Fakultas Matematika dan Ilmu Pengetahuan Alam
2

Ekspektasi
DEFINISI.
Misalkan p.a 𝑋.
• Jika 𝑋 adalah peubah acak kontinyu dengan fkp 𝑓(𝑥), maka
ekspektasi dari 𝑋 adalah
∞
𝐸 𝑋 = න 𝑥𝑓 𝑥 𝑑𝑥
−∞
• Jika 𝑋 adalah peubah acak diskret dengan fmp 𝑝 𝑥 = 𝑃(𝑋 = 𝑥),
maka
𝐸 𝑋 = ෍ 𝑥 𝑃(𝑋 = 𝑥)
𝑥
Copyright 2021 © U. Mukhaiyar, KK Statistika, FMIPA – ITB 2
3

Momen ke-k sebaran p.a

Momen ke -1 :
෍ 𝑥 𝑃(𝑋 = 𝑥) , 𝑝. 𝑎 𝑑𝑖𝑠𝑘𝑟𝑒𝑡
𝜇′1 𝑥 = semua 𝑥
∞
න 𝑥 𝑓(𝑥) 𝑑𝑥 , 𝑝. 𝑎 𝑘𝑜𝑛𝑡𝑖𝑛𝑦𝑢
−∞
Momen ke-2 :
෍ 𝑥 2 𝑃(𝑋 = 𝑥) , 𝑝. 𝑎 𝑑𝑖𝑠𝑘𝑟𝑒𝑡
𝜇′2 𝑥 = semua 𝑥
∞
න 2 𝑥 𝑓(𝑥) 𝑑𝑥 , 𝑝. 𝑎 𝑘𝑜𝑛𝑡𝑖𝑛𝑦𝑢
−∞
Copyright 2021 © U. Mukhaiyar, KK Statistika, FMIPA – ITB 3
4

Momen ke-k sebaran p.a

Momen ke -3 :
෍ 𝑥 3 𝑃(𝑋 = 𝑥) , 𝑝. 𝑎 𝑑𝑖𝑠𝑘𝑟𝑒𝑡
𝜇′3 𝑥 = semua 𝑥
∞
න 𝑥3 𝑓(𝑥) 𝑑𝑥 , 𝑝. 𝑎 𝑘𝑜𝑛𝑡𝑖𝑛𝑦𝑢
−∞
Momen ke-k :
෍ 𝑥 𝑘 𝑃(𝑋 = 𝑥) , 𝑝. 𝑎 𝑑𝑖𝑠𝑘𝑟𝑒𝑡
𝜇′𝑘 𝑥 = semua 𝑥
∞
න 𝑥𝑘 𝑓(𝑥) 𝑑𝑥 , 𝑝. 𝑎 𝑘𝑜𝑛𝑡𝑖𝑛𝑦𝑢
−∞
dengan 𝑘 = 1,2,3, … . 𝑑𝑠𝑡
Copyright 2021 © U. Mukhaiyar, KK Statistika, FMIPA – ITB 4
5

Ekspektasi dari Fungsi peubah acak

TEOREMA 1.8.1 (Hogg Craig)

Misalkan 𝑋 adalah peubah acak dan misalkan 𝑌 = 𝑔(𝑋) sebagai fungsi
dari 𝑔.
(a) Jika 𝑋 kontinyu dengan fkp 𝑓𝑋 𝑥 . Maka ekspektasi dari 𝑌, yaitu
∞
𝐸 𝑌 = න 𝑔 𝑥 𝑓𝑋 𝑥 𝑑𝑥
−∞
(b) JIka 𝑋 diskret dengan fmp 𝑝𝑋 𝑥 . Maka ekspektasi dari 𝑌, yaitu
𝐸 𝑌 = ෍ 𝑔 𝑥 𝑝𝑋 (𝑥)
𝑥

Copyright 2021 © U. Mukhaiyar, KK Statistika, FMIPA – ITB 5

6

Ekspektasi dari Fungsi peubah acak

TEOREMA 1.8.2 (Hogg Craig)
Misalkan 𝑔1 𝑋 dan 𝑔2 (𝑋) adalah fungsi dari p.a 𝑋. Ekspektasi dari 𝑔1 𝑋 dan 𝑔2 (𝑋)
ada. Maka untuk semua 𝑘1 dan 𝑘2 , ekspektasi dari 𝑘1 𝑔1 𝑋 + 𝑘2 𝑔2 (𝑋) ada,
diberikan oleh
𝐸 𝑘1 𝑔1 𝑋 + 𝑘2 𝑔2 𝑋 = 𝑘1 𝐸 𝑔1 𝑋 + 𝑘2 𝐸[𝑔2 𝑋 ]

Ekspektasi dari Konstanta.

Misalkan suatu peubah acak bersifat konstan 𝑘, dengan fungsi peluang
pmf𝑃 𝑋 = 𝑘 = 𝑝 𝑘 = 1, maka ekspektasinya dirumuskan
𝐸 𝑘 = 𝑘 𝑃(𝑋 = 𝑘) = 𝑘
Copyright 2021 © U. Mukhaiyar, KK Statistika, FMIPA – ITB 6
7
Ekspektasi dari Fungsi peubah acak
Momen Mutlak
Momen juga dapat disebut dengan momen mutlak, jika suatu peubah
acak merupakan fungsi mutlak. Dengan cara yang sama dapat
dirumuskan sebagai berikut :

෍ |𝑥|𝑘 𝑃(𝑋 = 𝑥) , p. a diskret

𝐸[ 𝑋 𝑘 ] = semua 𝑥
∞
න |𝑥|𝑘 𝑓(𝑥) 𝑑𝑥 , p. a kontinyu
−∞
dengan 𝑘 = 1,2,3, … . dst
Copyright 2021 © U. Mukhaiyar, KK Statistika, FMIPA – ITB 7
8
Ekspektasi dari Fungsi peubah acak
Momen Pusat
• Jenis lain dari momen adalah momen pusat.
• Momen pusat merupakan ekspektasi selisih dari peubah acak dan
mean yang dipangkatkan 𝑘.
• Momen pusat dirumuskan sebagai berikut :
𝑘
෍ 𝑥−𝜇 𝑃(𝑋 = 𝑥) , p. a diskret
𝐸[ 𝑋 − 𝜇 𝑘 ] = semua 𝑥
∞
න 𝑘
𝑥−𝜇 𝑓(𝑥) 𝑑𝑥 , p. a kontinyu
−∞
Dengan 𝑘 = 1,2,3, … . 𝑑𝑠𝑡
Copyright 2021 © U. Mukhaiyar, KK Statistika, FMIPA – ITB 8
9
Momen Pusat
Variansi
Variansi → Momen Pusat ke-2, yang dinotasikan dengan 𝜎 2 atau 𝑉𝑎𝑟(𝑋).
2
෍ 𝑥−𝜇 𝑃(𝑋 = 𝑥) , p. a diskret
𝐸[ 𝑋 − 𝜇 2 ] = semua 𝑥
∞
2
න 𝑥−𝜇 𝑓(𝑥) 𝑑𝑥 , p. a kontinyu
−∞
Atau
𝑉𝑎𝑟 𝑋 = 𝐸 𝑋−𝜇 2
=𝐸 𝑋 2 − 2𝜇𝑋 + 𝜇2
=𝐸 𝑋 2 − 2𝜇𝐸 𝑋 + 𝜇2
=𝐸 𝑋 2 − 𝜇2
Copyright 2021 © U. Mukhaiyar, KK Statistika, FMIPA – ITB 9
10
Momen Pusat
Skewness
Skewness (kemencengan) → Momen Pusat ke-3, yang dinotasikan 𝛾1 .
Skewness didefinisikan:
𝜇3 𝐸[ 𝑋 − 𝜇 3 ] 𝐸[ 𝑋 − 𝜇 3 ]
𝛾1 = 3 = 3
= 3
𝜎 𝜎
𝜎2 2
dengan
3
෍ 𝑥−𝜇 𝑃(𝑋 = 𝑥) , p. a diskret
𝐸[ 𝑋 − 𝜇 3 ] = semua 𝑥
∞
න 3
𝑥−𝜇 𝑓(𝑥) 𝑑𝑥 , p. a kontinyu
Copyright 2021 © U. Mukhaiyar, KK Statistika, FMIPA – ITB
−∞
10
11
Momen Pusat
Kurtosis
Kurtosis (kelancipan) → Momen Pusat ke-4, yang dinotasikan 𝛾2 .
Kurtosis didefinisikan:
𝜇4 𝐸[ 𝑋 − 𝜇 4 ] 𝐸[ 𝑋 − 𝜇 4 ]
𝛾2 = 4 = 4
=
𝜎 𝜎 𝜎2 4
dengan
4
෍ 𝑥−𝜇 𝑃(𝑋 = 𝑥) , p. a diskret
𝐸[ 𝑋 − 𝜇 4 ] = semua 𝑥
∞
න 4
𝑥−𝜇 𝑓(𝑥) 𝑑𝑥 , p. a kontinyu
−∞
Copyright 2021 © U. Mukhaiyar, KK Statistika, FMIPA – ITB 11
12

Fungsi Pembangkit Momen

DEFINISI.
Fungsi pembangkit momen yang dinotasikan dengan 𝑚(𝑡) untuk peubah acak 𝑋
didefinisikan sebagai
𝑚 𝑡 = 𝐸[𝑒 𝑡𝑋 ]
Dengan teori deret taylor, maka
𝑡𝑥 2 𝑡𝑥 3 𝑡𝑥 𝑛
𝑒 𝑡𝑥 = 1 + 𝑡𝑥 + + + …+
2! 3! 𝑛!
Sehingga
2 3
𝑡 𝑡
𝑚 𝑡 = 𝐸 𝑒 𝑡𝑋 = ෍ 𝑒 𝑡𝑥 𝑝 𝑥 = 1 + 𝑡𝜇1′ + 𝜇2′ + 𝜇3′ + ⋯
2! 3!
𝑥

Copyright 2021 © U. Mukhaiyar, KK Statistika, FMIPA – ITB 12

13

Fungsi Pembangkit Momen

DEFINISI.
Jika 𝑚(𝑡) ada, maka untuk semua bilangan bulat 𝑘 positif,
𝑑𝑘 𝑚 𝑡
𝑘
቉ =𝑚 𝑘
0 = 𝜇𝑘′
𝑑𝑡 𝑡=0
Dengan kata lain, jika diketahui turunan ke 𝑘 dari 𝑚(𝑡) terhadap 𝑡 dan dimisalkan
𝑡 = 0, maka hasilnya adalah 𝜇𝑘′ .
Bukti : dikarenakan,
𝑡 2 𝑡 3
𝑚 𝑡 = 𝐸 𝑒 𝑡𝑋 = ෍ 𝑒 𝑡𝑥 𝑝 𝑥 = 1 + 𝑡𝜇1′ + 𝜇2′ + 𝜇3′ + ⋯
2! 3!
𝑥

Copyright 2021 © U. Mukhaiyar, KK Statistika, FMIPA – ITB 13

14

Fungsi Pembangkit Momen (lanjt.)

Maka persamaan menjadi, sebagai berikut

Dan, secara umum,

Misalkan 𝑡 = 0, maka setiap penurunan, dapat diperoleh

Copyright 2021 © U. Mukhaiyar, KK Statistika, FMIPA – ITB 14

15

Latihan

Copyright 2021 © U. Mukhaiyar, KK Statistika, FMIPA – ITB

16

Fungsi Pembangkit Momen

Misalkan 𝑋 dan 𝑌 adalah dua peubah acak, jika
𝑀𝑋 𝑡 = 𝑀𝑌 (𝑡)

Untuk semua 𝑡 ∈ −𝛿, 𝛿 , maka 𝑋 dan 𝑌 mempunyai distirbusi yang sama.

Jika 𝑋 dan 𝑌 saling bebas, maka
𝑀𝑋+𝑌 𝑡 = 𝑀𝑋 𝑡 𝑀𝑌 𝑡

Bukti :
𝑀𝑋+𝑌 𝑡 = 𝐸 𝑒 𝑡 𝑋+𝑌
= 𝐸 𝑒 𝑡𝑋 𝐸 𝑒 𝑡𝑌 = 𝑀𝑋 𝑡 𝑀𝑌 (𝑡)
Copyright 2021 © U. Mukhaiyar, KK Statistika, FMIPA – ITB
17

Latihan
Tentukan fungsi pembangkit momen dari
• Distribusi poisson dengan parameter 𝜆
• Distribusi Geometrik dengan parameter p

Copyright 2021 © U. Mukhaiyar, KK Statistika, FMIPA – ITB

18

Solusi (Distr. Poisson)

Copyright 2021 © U. Mukhaiyar, KK Statistika, FMIPA – ITB

19

Ketaksamaan
Ketaksamaan Markov dan Chebyshev digunakan untuk menentukan
rentang peluang (batas atas dan batas bawah suatu peluang) jika distribusi
peluang ataupun fungsi distribusi tidak diketahui, tapi melalui rata-rata dan
variansi dari variabel acak tersebut.
Sedangkan ketaksamaan Chernoff adalah sebagai aplikasi dari ketaksamaan
markov untuk suatu distribusi peubah acak dengan menggunakan fungsi
pembangkit momennya.
Misalkan X adalah peubah acak, maka
• Ketaksamaan Markov : menggunakan 𝐸 𝑋
• Ketaksamaan Chebyshev : Menggunakan 𝑉𝑎𝑟 𝑋
• Batas Chernoff : Menggunakan Fungsi Pembangkit Momen
Copyright 2021 © U. Mukhaiyar, KK Statistika, FMIPA – ITB
20

Ketaksamaan Markov
Misalkan peubah acak 𝑋 dengan ekspektasi nya 𝐸[𝑋], maka
ketaksamaan markov dirumuskan sebagai berikut :
𝐸𝑋
𝑃 𝑋≥𝑎 ≤
𝑎
Bukti : ∞

𝐸 [𝑋] = න 𝑥 𝑓(𝑥 )𝑑𝑥

0
∞

≥ න 𝑎 𝑓 (𝑥 )𝑑𝑥 ≥ 𝑎 𝑃(𝑋 ≥ 𝑎)
𝑎

Sehingga
𝐸 𝑋 ≥ 𝑎 𝑃(𝑋 ≥ 𝑎)
Copyright 2021 © U. Mukhaiyar, KK Statistika, FMIPA – ITB
21

Ketaksamaan Chebyshev

Copyright 2021 © U. Mukhaiyar, KK Statistika, FMIPA – ITB

22

Ketaksamaan Chebyshev (lanjt.)

Copyright 2021 © U. Mukhaiyar, KK Statistika, FMIPA – ITB

23

Ketaksamaan Chebyshev (lanjt.)

Contoh :

Copyright 2021 © U. Mukhaiyar, KK Statistika, FMIPA – ITB

24

Ketaksamaan Chebyshev (lanjt.)

Copyright 2021 © U. Mukhaiyar, KK Statistika, FMIPA – ITB

25

Latihan

Copyright 2021 © U. Mukhaiyar, KK Statistika, FMIPA – ITB

26

Chernoff Bounds
Batas Chernoff untuk peubah acak 𝑋 diperoleh dengan menerapkan
ketaksamaan markov ke 𝑒 , untuk semua 𝑡 > 0 ∶
𝑡𝑋
𝑡.𝑋
𝐸 𝑒
𝑃 𝑋 ≥ 𝑎 = 𝑃 𝑒 𝑡𝑋 ≥ 𝑒 𝑡.𝑎 ≤ 𝑡.𝑎
𝑒
Jika 𝑋 adalah penjumlahan dari 𝑛 peubah acak 𝑋1 , … , 𝑋𝑛 untuk semua 𝑡 > 0.

𝑃 𝑋 ≥ 𝑎 ≤ 𝑒 −𝑡.𝑎 𝐸 ෑ 𝑒 𝑡.𝑋𝑖
𝑖
Dimana
𝐸 𝑒 𝑡𝑋 𝐸 𝑒 𝑡𝑋
𝑃 𝑋 ≥ 𝑎 ≤ min 𝑡𝑎 𝑑𝑎𝑛 𝑃 𝑋 ≤ 𝑎 ≤ min 𝑡𝑎
𝑡>0 𝑒 𝑡<0 𝑒
27

Chernoff Bounds (lanjt.)

28

Chernoff Bounds (lanjt.)

29

Latihan
1. Tentukan fungsi pembangkit momen distribusi gamma, dan
tentukan juga mean dan variansi yang diketahui dari fungsi
pembangkit momennya!
2. Misalkan 𝑔 𝑌 = 𝑌 − 𝜇, dimana Y berdistribusi normal dengan
rata-rata 𝜇 dan variansi 𝜎 2 . Tentukan fungsi pembangkit momen
dari fungsi 𝑔 𝑌 .
30
31

Copyright 2021 © U. Mukhaiyar, KK Statistika, FMIPA – ITB 31

32

Referensi
 Dekking F.M., et.al., A Modern Introduction to Probability and
Statistics, London : Springer, 2005.
 Devore, J.L. and Peck, R., Statistics – The Exploration and Analysis
of Data, USA: Duxbury Press, 1997.
 Hogg, et.al., Intro. to Mathematical Statistics 6th ed., Pearson: New
Jersey, 2005.
 Wackerly, et.al., Mathematicsl Statistics and Its Application 7th Ed.,
USA: Thomson, 2008.
 Walpole, Ronald E., et.al, Statistitic for Scientist and Engineering,
8th Ed., 2007.
 Wild, C.J. and Seber, G.A.F., Chance Encounters – A first Course in
Data Analysis and Inference, USA: John Wiley&Sons,Inc., 2000.

Copyright 2021 © U. Mukhaiyar, KK Statistika, FMIPA – ITB 32