Ekspektasi
MA3181 – Teori Peluang
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
Latihan
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
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 : ∞
≥ 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
Contoh :
Latihan
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
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
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.