1.

TEORI PENDUKUNG

•1.1 Pendahuluan
•1.2 Variabel acak
•1.3 Distribusi variabel acak diskrit
•1.4 Distribusi variabel acak
kontinu
•1.5 Distribusi multivariat

1
 1.1 Pendahuluan
Definisi 1:
Ruang sampel adalah Himpunan semua hasil yang mungkin
dari suatu percobaan acak. Notasi : S

Definisi 2:
Kejadian adalah himpunan bagian dari ruang sampel.

Sifat :
Kejadian A dan B dikatakan saling lepas jika A B  

Prostok-1-firda 2
Jika A suatu kejadian, maka peluang kejadian A,
ditulis P( A) atau P{ A} dengan sifat:
(i ) 0  P( A)  1
(ii ) P( S )  1 dan P()  0.
(iii) Untuk setiap kejadian A, P( A ')  1  P( A).

• Jika A  B, maka P( A)  P( B).

• Untuk setiap kejadian A dan B berlaku
P( A  B)  P( A)  P( B)  P( AB).
• Kejadian A dan B dikatakan saling bebas jika
P( AB)  P( A) P( B).
Prostok-1-firda 3
 • Jika A dan B dua kejadian , dengan P ( A)  0,
peluang bersyarat B diberikan A, didefinisikan sebagai:
P( A  B)
P  B A 
P( A)

Teorema Bayes :
Jika kejadian-kejadian A1 , A2 ,..., Ak adalah partisi
dari ruang sampel S maka untuk kejadian B
sembarang dari S sedemikian sehingga P(B)>0
berlaku: P( Ai  B) P( B Ai ).P( Ai )
P( Ai B)   k
 P( B Ai ).P( Ai )
P( B)
i 1 4
 1.2 Variabel Acak
Definisi 3:
Variabel acak adalah suatu fungsi dari ruang sampel
ke himpunan bilangan real. (R)

Variabel acak dinyatakan dengan huruf kapital, sedangkan

nilainya dinyatakan dengan huruf kecil.

Jika X variabel acak, maka nilainya dinyatakan dengan x,

dan peluang kejadian X bernilai kurang dari atau sama
dengan x dinyakan dengan P( X  x).

5
 Klasifikasi Variabel Acak:

1. Variabel Acak Diskrit

Variabel acak X dikatakan variabel acak diskrit
jika semua nilai yang mungkin dari X membentuk
himpunan bilangan terbilang (berupa bilangan cacah) .

2. Variabel Acak Kontinu

Variabel acak X dikatakan variabel acak kontinu
jika semua nilai yang mungkin dari X membentuk himpunan
bilangan tak terbilang (berupa bilangan real).

6
Definisi 4:
Fungsi kepadatan peluang untuk variabel acak diskrit disebut
fungsi massa peluang (fmp) atau probability mass function
(pmf), atau fungsi peluang, ditulis :

p ( x)  P( X  x)

Fungsi kepadatan peluang untuk variabel acak kontinu

disebut fungsi padat peluang (fpp) atau probability
density function (pdf) atau fungsi densitas, ditulis f(x).

b
P (a  X  b)   f ( x)dx
a

7
Definisi 5:

Fungsi distribusi komulatif (cdf) dari variabel

acak X adalah:
F ( x)  P( X  x),    x  

• Untuk variabel acak diskrit :

F ( x)  P( X  x)   p(t )
tx

• Untuk variabel acak kontinu :

x
F ( x)  P( X  x)   f (t ) dt
 8
Definisi 6:

(i) Jika X variabel acak diskrit dengan fungsi masa peluang p(x),
maka nilai ekspektasi dari X didefinisikan sebagai:

E ( X )   xp( x)
x

(ii) Jika X variabel acak kontinu dengan fungsi densitas peluang

f(x), maka nilai ekspektasi dari X didefinisikan sebagai:

E ( X )   x f ( x)dx


Prostok-1-firda 9
Definisi 7:
Variansi dari variabel acak X dinyatakan sebagai:

Var ( X )  E ( X )   E ( X ) 
2 2

Definisi 8:
Fungsi pembangkit momen (fpm/mgf) dari variabel acak X
merupakan salah satu bentuk khusus ekspektasi, yaitu

e
x
tx
p( x), X variabel acak diskrit

M X (t )  E  etX 



X variabel acak
etx f ( x)dx,
kontinu
 10
1.3 Distribusi variabel acak diskrit
a. Distribusi Bernoulli

1 x
• pmf: p ( x)  p qx
, x  0,1

• mean: E( X )  p

• variansi: Var ( X )  p (1  p )  pq

11
b. Distribusi Binomial
Peubah acak X menyatakan banyaknya
sukses dalam n usaha percobaan binomial

 n  x n x
• pmf: p( x)    p q , x  0,1,..., n
 x

• mean: E ( X )  np

• varians: Var ( X )  npq

12
c. Distribusi Geometri
Peubah acak X yang menyatakan banyaknya usaha
sampai terjadinya sukses pertama kali

• pmf: p( x)  pq x 1 , x  1, 2,3,...

1
• mean: E( X ) 
p
q
• varians: Var ( X )  2
p

13
d. Distribusi Poisson
Peubah acak X menyatakan banyaknya
sukses dalam n usaha percobaan poison

e   x
• pmf: p ( x)  , x  0,1, 2,...
x!

• mean: E( X )  

• varians: Var ( X )  
14
1.4 Distribusi variabel acak kontinu
a. Distribusi Uniform

1
• pdf: f ( x)  ,a  x  b
ba

ab
• mean: E( X ) 
2
(b  a) 2
• varians: Var ( X ) 
12

15
b. Distribusi Eksponensial

• pdf: f ( x)   e  x
,x  0

1
• mean: E( X ) 

1
• varians: Var ( X ) 
2

16
c. Distribusi Normal

2
( x )
 12   
• pdf: f ( x)  1
e  
,   x  
 2

• mean: E( X )  

• varians: Var( X )   2

17
 Distribusi Peluang Diskrit

Fungsi peluang (Pmf) Mean Variansi Mgf

X Bernoulli( p) p( x)  p x q1 x , x  0,1 p pq q  pet

 n  x n x
p( x)    p q ,
 x np npq (q  pet  n
X B ( n, p )  
x  0,1,..., n

p( x)  pq , x 1
1 q pet
X GEO( p)
x  1, 2, 3,... p p2 (1  qet )

e  x
p ( x)    (1et )
X POI ( ) x!
,
  e
x  0,1, 2,... 18
 Distribusi Peluang Kontinu

Fungsi densitas (Pdf) Mean Variansi Mgf

X U ( a, b) 1 ab (b  a ) 2 ebt  eat

f ( x)  ,a  x  b
ba 2 12 t (b  a)

EXP( )
1 1 
X f ( x)   e  x
,x  0
 2  t

 k x k 1e  x   
k
X GAM ( , k ) f ( x)  ,x  0 k k
( k )  
 2    t 


2
( x )
 12    1 2 2 
X N ( ,  )
2 f ( x)  1
 2
e  
,  2   t t  
2
e 
  x  

19
 1.5 Distribusi multivariat
a. Jika X dan Y variabel acak diskrit, maka

(i) Pmf bersama (gabungan) dari X dan Y :

pXY ( x, y)  P( X  x, Y  y )
(ii) Distribusi bersama dari X dan Y :
FXY ( x, y )   p XY (a, b)
a x b y

(iii) Pmf marjinal dari X :

p X ( x)   p XY ( x, y )
y
(iv) Pmf marjinal dari Y :
pY ( y)   pXY ( x, y)
20
x
(v) Pmf bersyarat dari X diberikan Y=y :

pXY ( x, y )
pX |Y ( x | y)  , pY ( y)  0
pY ( y )

(vi) Distribusi bersyarat dari X diberikan Y=y :

pXY (a, y)
FX |Y ( x | y )   , pY ( y )  0
a x pY ( y )

(vii) Ekspektasi bersyarat dari X diberikan Y=y :

E[ X | Y  y ]   x. p XY ( x y )
x
Prostok-1-firda 21
b. Jika X dan Y variabel acak kontinu, maka

(i) Pdf bersama (gabungan) dari X dan Y :

 2 F ( x, y)
f XY ( x, y) 
yx
(ii) Distribusi bersama dari X dan Y :
y x
FXY ( x, y )  
 
f XY ( s, t ) ds dt

(iii) Pdf marjinal dari X :

f X ( x)   f XY ( x, y )dy
y

(iv) Pdf marjinal dari Y :

fY ( y )   f XY ( x, y )dx
22
x
(v) Pdf bersyarat dari X diberikan Y=y :

f XY ( x, y)
f X |Y ( x | y)  , f ( y)  0
fY ( y)

(vi) Distribusi bersyarat dari X diberikan Y=y :

x
f XY (t , y )
FX |Y ( x y )  

fY ( y )
dt

(vii) Ekspektasi bersyarat dari X diberikan Y=y :


E  X Y  y   xf X |Y ( x | y )dx

23
 E[ X  Y ]  E[ X ]  E[Y ]

 Kovariansi dari X dan Y:

Cov( X , Y )  E[ XY ]  E[ X ]E[Y ]

 Koefisien korelasi dari X dan Y:

Cov( X , Y )
 ( X ,Y ) 
Var ( X ).Var (Y )

24
 Soal
1. Jika X,Y variabel acak saling bebas dan masing-
masing berdistribusi Poisson dengan mean 1 dan 2 .
Tunjukkan bahwa
variabel acak X+Y berdistribusi Poisson dengan
mean 1  2 .

2. Jika X variabel acak non negatif dengan distribusi

F ( x). Asumsikan F (0) ,0, tunjukkan bahwa
 
a. E ( X )   (1  F ( x)) dx b.E ( X n )   nx n 1 (1  F ( x)) dx
0 0
Prostok-1-firda 25