Sukiswo
sukiswok@yahoo.com
Contoh 1
Pd eksperimen lempar coin satu kali dg S = {H,T},
kita dp definisikan r.v. X sebagai
X(H) = 1 X(T) = 0
Contoh 2
Pd eksperimen lempar fair coin tiga kali, sample space S1
terdiri dari 8 equally likely sample points S1 = {HHH, HHT,
HTH, THH,HTT, THT, TTH, TTT}. Jika X adalah r.v. yg
menunjukan jumlah head yg didapat, cari:
(a) P(X = 2); (b) P(X < 2)
(a) Mis. A S1 event yg ditentukan dg X = 2, maka
A = (X = 2) = {: X() = 2} = {HHT, HTH, THH}
karena sample point equally likely, didp:
P(X = 2) = P(A) = 3/8
(b) Mis. B S1 event yg ditentukan dg X < 2, maka
B = (X < 2) = {: X() < 2} = {HTT, THT, TTH, TTT}, dan
P(X < 2) = P(B) = 4/8 = 1/2
1. 0 FX ( x) 1
2. FX ( x1 ) FX ( x2 ) jika x1 x2
3. lim FX ( x) FX () 1
x
4. lim FX ( x) FX () 0
x
Contoh 3
Mis r.v. X spt didefiniskan pd contoh 2. Cari dan
gambar cdf FX(x) dari X
1. 0 p X ( xk ) 1 k 1,2,.....
2. p X ( x) 0 jika x xk (k 1,2,.....)
3. p
k
X ( xk ) 1
dFX ( x)
f X ( x)
dx
fungsi fX(x) = probability density function (pdf)
dari r.v. kontinyu X
Rekayasa Trafik, Sukiswo 14
Continuous Random Variables dan
Probability Density Functions
Properties dari fX(x)
1. f X ( x) 0
2. f
X ( x)dx 1
x
FX ( x) P( X x) f X ( )d
xk p X ( xk ) X : diskret
k
X E( X )
xf X ( x)dx X : kontinyu
xkn p X ( xk ) X : diskret
E ( X n ) k
x n f X ( x)dx X : kotinyu
Cat: mean dari X adalah moment pertama dari X
Rekayasa Trafik, Sukiswo 17
Mean dan Variance
sehingga,
( xk X ) 2 p X ( xk ) X : diskret
k
X2
- ( x X ) 2 f X ( x)dx X : kontinyu
Var(X) 0
Standar deviasi dari r.v. X dinyatakan dg X = akar
kuadrat dari Var(X)
Var(X) = E(X2) - [E(X)]2
Rekayasa Trafik, Sukiswo 18
Beberapa Distribusi Khusus
Distribusi Bernoulli
Bernoulli r.v. X diasosiasikan dg eksperimen
(Bernoulli trial) dimana outcome dp diklasifikasikan
sbg sukses, dg prob. p atau gagal, dg prob 1-p.
pmf :
p X (k ) P( X k ) p k (1 p)1 k k 0,1 dimana 0 p 1
cdf FX ( x) :
0 x0
FX ( x) 1 p 0 x 1
1 x 1
Rekayasa Trafik, Sukiswo 19
Beberapa Distribusi Khusus
X = E(X) = p
X2 = VAR(X) = P(1 - p)
Distribusi Binomial
Binomial r.v. X diasosiasikan dg eksperimen dimana
n independen Bernoulli trial dilakukan dan X
menyatakan jumlah sukses dlm n trials
X = E(X) = np
X2 = Var(X) = np(1 - p)
Distribusi Poisson
r.v. Poisson mempunyai aplikasi yg luas dlm
berbagai area krn dp digunakan sbg aproksimasi
r.v. binomial dg parameter (n,p) utk n besar dan p
kecil (np moderat)
Distribusi Poisson
X = E(X) =
X2 = Var(X) =
Distribusi Uniform
Distribusi uniform sering digunakan jika tdk
diketahui pengetahuan awal dari pdf dan semua
harga dlm range kelihatannya equally likely
ab
X E( X )
2
(b a ) 2
X Var ( X )
2
12
Distribusi Eksponensial
Properti yg paling penting adalah memoryless
cdf untuk X :
1 e x x 0
FX ( x)
0 x0
1
X E( X )
1
X Var ( X )
2
Distribusi Eksponensial
X = E(X) =
X2 = Var(X) = 2
P{( X x) B}
FX ( x | B) P( X x | B)
P( B)
Jika X r.v. diskrit, conditiona l pmf p X ( xk | B) :
P{( X xk ) B}
p X ( xk | B ) P ( X xk | B )
P( B)
Jika X r.v. kontinyu, conditiona l pdf f X ( x | B) :
dFX ( x | B)
f X ( x | B)
dx
Rekayasa Trafik, Sukiswo 39
MULTIPLE RANDOM
VARIABLES
FXY(x,y) = FX(x)FY(y)
6. P ( x1 X x 2, Y y ) FXY ( x2 , y ) FXY ( x1 , y )
P ( X x, y1 Y y2 ) FXY ( x, y2 ) FXY ( x, y1 )
7. Jika x1 x2 dan y1 y2 , maka
FXY ( x2 , y2 ) FXY ( x1 , y2 ) FXY ( x2 , y1 ) FXY ( x1 , y1 ) 0
Rekayasa Trafik, Sukiswo 45
Joint Distribution Functions
Contoh:
Eksperimen lempar coin yg fair dua kali. (X,Y) adalah bivariate r.v.,
dimana X jumlah head dan Y jumlah tail dlm dua lemparan.
a. Berapa range RX dari X? b. Berapa range RY dari Y?
c. Gambar range RXY dari (X,Y)
d. Cari P(X=2, Y=0), P(X=0, Y=2), dan P(X=1, Y=1)
Jawab:
Sample space S dari eksperimen: S = {HH, HT, TH, TT}
a. RX = {0,1,2} b. RY = {0,1,2}
c. RXY = {(2,0),(1,1),(0,2)}
d. P(X=2,Y=0) = P{HH} = 1/4
P(X=0,Y=2) = P{TT} = 1/4
P(X=1,Y=1) = P{HT,TH} = 1/2
Rekayasa Trafik, Sukiswo 46
Rekayasa Trafik, Sukiswo 47
Marginal Distribution Functions
lim ( X x, Y y ) ( X x, Y ) ( X x)
y
Contoh:
Joint cdf dari bivariate r.v. (X,Y) diketahui:
(1 e x )(1 e y ) x 0, y 0, , 0
FXY ( x, y)
0 lainnya
a. Cari marginal cdf dari X dan Y
b. Perlihatkan bahwa X dan Y independen
c. Cari P(X1, Y1), P(X1), P(Y>1), dan P(X>x, Y>y)
Jawab:
Jawab:
a.
1 e x x0
FX ( x) FXY ( x, )
0 x0
1 e y y0
FY ( y ) FXY (, y )
0 y0
3. P[( X , Y ) A] p
( xi , y j ) R A
XY ( xi , y j )
Joint cdf :
FXY ( x, y ) p XY ( xi , y j )
xi x y j y
Rekayasa Trafik, Sukiswo 51
Discrete Random Variables - Joint
Probability Mass Functions
x y
FXY ( x, y ) f
XY ( , )dd
1. f XY ( x, y ) 0
2.
- -
f XY ( x, y )dxdy 1
3. f XY ( x, y ) kontinyu utk semua harga x dan y
4. P[( X , Y ) A] f XY ( x, y )dxdy
RA
d b
5. P(a X b, c Y d ) f XY ( x, y )dxdy
c a
p XY ( xi , y j )
pY | X ( y j | xi ) p X ( xi ) 0
p X ( xi )
p XY ( xi , y j )
p X |Y ( xi | y j ) pY ( y j ) 0
pY ( y j )
1. 0 pY | X ( y j | xi ) 1
2. p
yj
Y|X ( y j | xi ) 1
f XY ( x, y )
f X |Y ( x | y ) fY ( y ) 0
fY ( y )
1. fY | X ( y | x) 0
2.
fY | X ( y | x)dy 1
xi k y j n p XY ( xi , y j ) kasus diskrit
y j xi
mkn
x k y n f XY ( x, y )dxdy kasus kontinyu
- -
Dg cara yg sama :
Correlation coefficient:
Cov( X , Y ) XY
( X , Y ) XY
X Y X Y
| XY | 1 atau 1 XY 1