PEUBAH ACAK

(RANDOM VARIABLE)
 DEFINISI
Dalam suatu random eksperimen, S adalah total
outcome dari random eksperimen tersebut. Sedangkan
fungsi atau random variable X dengan domain S akan
membuat beberapa bilangan riil berhubungan dengan
tiap-tiap outcome dalam eksperimen.

Random variable biasanya dinyatakan dengan huruf

besar (X), sedangkan nilainya ditulis dengan huruf kecil
(x)
 DEFINISI
Random Variable/Peubah Acak
Sebuah random variable, dinyatakan dengan X
adalah sebuah fungsi dengan domain sample space
S, yang menghubungkan sebuah bilangan riil, X(e) =
x, dengan tiap-tiap outcome e yang mungkin dalam
S.

Konsep random variable memungkinkan kita untuk

menghubungkan sembarang sample space S (bil
riil), dengan event yang menjadi perhatian (bilangan
riil). Jika event tsb A, maka:
B  {e | e  S dan X (e)  A}
 CONTOH 1
Sebuah dadu 4 sisi, masing-masing sisi adalah
bilangan 1, 2, 3 dan 4. Sebuah permainan
melempar 2 buah dadu. Misalnya skor yang
diinginkan adalah maksimum mata dadu yg
muncul. Jika e = (i,j) dimana i, j Є {1, 2, 3, 4},
Maka X(e) = max (i, j).
 CONTOH 1
Sample space:

B4 (1,4) (2,4) (3,4) (4,4)

B3 (1,3) (2,3) (3,3) (4,3)

S
B2 (1,2) (2,2) (3,2) (4,2)

B1 (1,1) (2,1) (3,1) (4,1)

• • • • X
1 2 3 4
 CONTOH 2
Misalnya eksperimen melemparkan 2 buah dadu. S
adalah 36 titik: {(1,1), (1,2), ...((6,6)}
atau S ={(i,j)| i= 1,2, ...6 dan j=1,2,...6}
beberapa random variable dapat didefinisikan; misal:
X adalah jumlah mata dadu yg muncul.
X(e) = i+j jika e = (i, j)
X akan bernilai 2,3,…12.
X adalah random variable.
 DISCRETE RANDOM VARIABLE
Definisi: Jika sebuah set dari seluruh nilai sebuah
random variable, X, adalah set yang dapat
dihitung/countable, x1, x2, ...xn atau x1, x2, ... , maka X
disebut: Discrete Random Variables.
Fungsi: f(x) = P[X = x],x = x1, x2, ...
menunjukkan peluang masing-masing nilai x disebut
Discrete Probability Density Function (Discrete pdf)/
Probability Mass Function (pmf). Nilai xi disebut
mass point dari X. Dapat juga ditulis fx(x)
 DISCRETE RANDOM VARIABLE
Teorema: Sebuah fungsi f(x) adalah sebuah PDF
diskrit jika dan hanya jika memenuhi hukum berikut
untuk set infinite dari set bilangan riil x1, x2, ... :
f(xi) ≥ 0 untuk semua xi
 f ( x ) 1
semua xi
i

P( X  x)  f ( x)

Contoh: untuk menentukan pdf dari X untuk

random variable X pada contoh 1:

x 1 2 3 4
f(x) 1/16 3/16 5/16 7/16
DISCRETE RANDOM VARIABLE
Gambar 1:
PDF diskrit dari pelemparan 2 dadu 4 sisi.

f(x)

7/16 
5/16 
3/16 
1/16 
x
1 2 3 4
 DISCRETE RANDOM VARIABLE
Definisi:
Cumulative Distribution Function (CDF)/Distribusi
Kumulatif dari random variable diskrit X, dengan
distribusi peluang f(x) dinyatakan oleh
F ( x)  P( X  x)   f (t ),   x  
tx

Secara singkat disebut Distribution Function / fungsi

distribusi dari X.
Jika ditulis X ~ f(x) atau X ~ F(x) artinya random
variable X memiliki pdf f(x) dan CDF F(x).
DISCRETE RANDOM VARIABLE
Gambar 2:
CDF diskrit dari pelemparan 2 dadu 4 sisi.
F(x)
1 

9/16 

4/16 
1/16 
x
0 1 2 3 4
 CONTOH 3
Misalnya eksperimen melempar sebuah koin
yang fair. X adalah banyaknya muka/Head.
0 jika x < 0
F(x) = ½ jika 0 ≤ x < 1
1 jika 1 ≤ x

Atau F(x) = ½ I [0, 1)(x) + 1I [1, ~) (x)

 DISCRETE RANDOM VARIABLE
Teorema: Misalnya X adalah random variable
dengan pdf f(x) dan CDF F(x). Jika nilai X diberi
indeks dengan susunan increasing x1 < x2 < x3 ... ,
maka f(xi) =F(xi), untuk sembarang i > 1,
f(xi) = F(xi) – F(xi-1)
Jika x < x1 maka F(x) = 0 dan untuk sembarang
bilangan riil x: F ( x)   f ( xi )
xi  x
CONTINUOUS RANDOM VARIABLE
Sebuah fungsi f(x) adalah random variable
kontinyu X jika memenuhi hukum:

f(x) ≥ 0, untuk seluruh bil riil x, dan



 f ( x) dx 1

b
P(a  X  b)   f ( x) dx
a
 CONTOH 4
Error suhu pengukuran dalam laboratorium
merupakan peubah acak X2 yang mempunyai
x
fungsi padat peluang f ( x)  ,1  x  2 dan 0
3
untuk nilai x yang lainnya.
a. Tunjukkan bahwa syarat ke-2 terpenuhi
b. Hitung P(0<x1)
 CONTOH 4
Penyelesaian:
 2 2 3 2
x x 8 1
a.  f ( x) dx   dx    1
 1
3 9 1
9 9
1
b. x2 1
P (0  x  1)  P (0  x  1)   dx 
0
3 9
CONTINUOUS RANDOM VARIABLE
Distribusi kumulatif random variable kontinyu X
dengan fungsi padat peluang f(x) diberikan oleh
x
F ( x)  P( X  x) 

 f (t )dt ,  x  
Akibatnya P(a  x  b)  F (b)  F (a)

dF ( x)
Dan f ( x) 
dx
HARAPAN MATEMATIS
 DEFINISI
Satu konsep yang sangat penting dalam
probabilitas dan statistik adalah konsep nilai
harapan matematis /nilai ekspektasi/
ekspektasi/rataan dari suatu variabel acak.
Dilambangkan dengan E(X) atau 
Contoh :
Sebuah mata uang dilantunkan dua kali
S : {MM, MB, BM, BB}
 DEFINISI
X menyatakan banyaknya muka yang muncul
P(X=0) = ¼
P(X=1) = ½
P(X=2) = ¼
 = E(X) = (0)(1/4) +(1)(1/2) + (2)(1/4) = 1
Ini berarti bahwa bila seseorang melantunkan
uang berulang-ulang maka rata-rata dia akan
mendapatkan satu muka per lantunan.
 DEFINISI
Misalkan X suatu peubah acak dengan distribusi peluang f(x).
Nilai Harapan atau rataan X adalah:
  E ( X )   x f ( x)
x
Bila X diskret dan

  E( X )   x f ( x) dx

Bila X kontinu
 CONTOH
Sebuah permainan dimainkan dengan dadu
ideal. Dalam permainan tersebut, seseorang
akan menang $20 jika muncul angka 2, $40 jika
muncul angka 4, kalah $30 jika muncul angka 6
dan tidak menang atau tidak kalah jika angka lain
yang muncul.
Misalkan X adalah variabel acak yang
menyatakan jumlah uang yang dimenangkan
pada suatu lemparan
 CONTOH
Diperoleh distribusi peluang sbb:
x 0 +20 +40 -30
f(x) 1/2 1/6 1/6 1/6

E(X) = (0)(1/2) + (20)(1/6) + (40)(1/6) + (-30)(1/6)

=5
Maka pemain tersebut dapat diekspektasikan
akan memenangkan $5.
 VARIANS
Rataan/nilai harapan hanya menggambarkan
letak pusat distribusi peluang, tetapi tidak
menggambarkan bentuk distribusi peluangnya.
Sehingga perlu diketahui tentang varians dari
distribusi peluang X
Dilambangkan dengan Var(X) atau  2

Akar positif dari varians adalah simpangan baku 

 VARIANS
Misalkan X peubah acak dengan distribusi
peluang f(x) dan rataan . Varians X adalah
 
 2  E ( X   ) 2   ( x   ) 2 f ( x)
x
Bila X diskret

 
 2  E ( X   ) 2   ( x   ) 2 f ( x)d ( x)

Bila kontinu
 TEOREMA
Varians dari random variable X adalah
  E( X )  
2 2 2

Bukti :
Var ( X )  E ( X   ) 2
 E ( X  2 X   )
2 2

 E ( X 2 )  2 E ( X )   2
 E ( X 2 )  2 2   2
 E( X )  
2 2
 CONTOH
Permintaan mingguan coca cola, dalam ribuan
liter, pada suatu jaringan pemasaran daerah,
merupakan peubah acak kontinu X dengan
fungsi padat peluang
2( x  1),1  x  2
f (x) 
0, untuk _ x _ lainnya
Cari rataan dan varians X
 CONTOH
Jawab:
2 5
  E ( X )  2  x( x  1)dx 
1 3
2 17
E ( X )  2  x ( x  1)dx 
2 2
1 6

Jadi 17  5  1
2

    
2

6  3  18
DISTRIBUSI PELUANG DISKRIT
 BERNOULLI
Dalam suatu percobaan, terdapat 2 event
katakan E dan komplementnya E’.

Contoh:
- Muncul muka dan belakang pada
pelemparan koin
- Rusak atau baik suatu komponen elektronik
- Sukses atau gagal suatu eksperimen
 BERNOULLI
Jika E muncul dengan peluang p = P(E)
Dan E’ muncul dengan peluang q = P(E’) = 1 – p.

Trial/usaha dapat memiliki 2 kemungkinan hasil

yang dapat diberi nama sukses dan gagal. Bila trial
dilakukan berulang-ulang dan sifatnya tidak
berubah dari satu percobaan ke percobaan lain,
prosesnya disebut: proses Bernoulli
Tiap usaha disebut sebagai usaha Bernoulli
 BERNOULLI
Proses Bernoulli harus memenuhi persyaratan sebagai
berikut:
1. Percobaan terdiri atas n usaha yg berulang

2. Tiap usaha memberi hasil yg dapat dikelompokkan

menjadi sukses atau gagal

3. Peluang sukses, dinyatakan dengan p, tidak berubah dari

usaha yang satu ke yang berikutnya

4. Tiap usaha bebas dengan usaha lainnya

 BINOMIAL
Suatu usaha Bernoulli dapat menghasilkan
sukses dengan peluang p dan gagal dengan
peluang q = 1 – p, maka distribusi peluang
peubah acak binomial X, yaitu banyaknya sukses
dalam n usaha bebas adalah:

 n , x x= 0,
n  x 1, 2, …,n
 
b( x; n, p )    p q
 x
 BINOMIAL
Teorema:
Distribusi Binomial b(X;n,p) mempunyai rataan
dan variansi
  np dan   npq
2