KONSEP PEUBAH

ACAK DISKRIT DAN

KONTINU
Konsep Variabel Random

• Variabel random/acak adalah sebuah fungsi yg mengaitkan sebuah

bilangan real dengan setiap elemen di ruang sampel.
Notasi X: variabel randomnya (fungsi!!),- disebut var random krn nilai
yang akan muncul bersifat random (tdk dapat diduga sebelumnya)
x: salah satu nilai X yang mungkin

Contoh:
Dalam pemeriksaan lampu, ada dua kejadian yg mungkin: Baik (B) dan
Mati (M). Pemeriksaan dilakukan dengan mengambil secara acak 3 buah
lampu hasil produksi. Maka ruang sampelnya adalah:
S = {BBB,BBM, BMB,BMM, MBB,MBM, MMB,MMM}
Definisikan X adalah fungsi yang menyatakan banyaknya lampu yg rusak
dalam pengambilan tsb, jadi X bisa mengambil nilai : 0,1,2,3.
X adalah contoh Variabel (fungsi) random.
S = {BBB,BBM, BMB,BMM, MBB,MBM, MMB,MMM} – ruang sample
X = {0 ,1 , 1 ,2 , 1 ,2 ,2 ,3} - variabel random
Konsep Variabel Random

• Terlihat X = 2 untuk kejadian E= {MMB,MBM,BMM}

• Jadi tiap nilai X berkenaan dengan sebuah himpunan bagian dari
S.
• Contoh.
2 bola diambil berturut-turut tanpa dikembalikan dari kotak yg berisi 4
bola merah (R) dan 3 bola biru (B). Buatlah semua kemungkinan nilai
variabel random Y yang menggambarkan jumlah bola merah yang
terambil.
• Jawab:
Ruang sampel y
RR 2
RB 1
BR 1
BB 0
Ruang Sampel Diskrit dan Kontinu

• Ruang sampel yang berisi anggota yang seperti elemen

bilangan bulat, maka disebut ruang sampel diskrit.
• Ruang sampel yang berisi anggota yang seperti titik-titik di
segmen bilangan real disebut ruang sampel kontinu
• Variabel random diskrit jika nilai hasilnya berupa bilangan
bulat
• Contoh: lihat contoh-contoh sebelumnya
• Variabel random kontinu jika nilai hasilnya berupa bilangan
real
• Contoh: hasil pengukuran tinggi badan, berat, diameter sekrup
dll.
Distribusi Probabilitas Diskrit

• Tiap nilai sebuah variabel random memiliki probabilitas

tertentu untuk muncul.
• Contoh:
• Melempar 3 mata uang (tiap kali Gambar, Angka). Misal
didefinisikan variabel randomnya X : banyak G dalam pelemparab
tsb. Maka ruang sampelnya:
S = {GGG,GGA,GAG,GAA, AGG,AGA,AAG,AAA}
x = 0  {AAA}  P(X=0) = 1/8
x = 1  {GAA,AGA,AAG}  P(X=1) = 3/8
x = 2  {GGA,GAG,AGG}  P(X=2) = 3/8
x = 3  {GGG}  P(X=3) = 1/8
Distribusi Probabilitas Diskrit

Distribusi Probabilitas

0.5
0.375 0.375
0.4
Probabilitas

0.3

0.2
0.125
0.1
0
0
0 1 2 3
X (banyak G)
Distribusi Probabilitas atau Fungsi Probabilitas
 Himpunan pasangan {x,f(x)} disebut fungsi
probabilitas dari variabel random diskrit X jika untuk
setiap nilai x:
– f(x) > 0 , harus positif
– ∑x f(x) = 1, total probabilitas seluruh kejadian = 1
– P(X=x) = f(x)
 Contoh
 Mobil yg dijual sebuah dealer 50% dilengkapi dengan
air-bag. Tentukanlah distribusi probabilitas bahwa x
dari dari 4 buah mobil yang akan terjual berikutnya
akan memiliki air-bag.
Distribusi Probabilitas atau Fungsi Probabilitas
 Jawab:
– Probabilitas menjual sebuah mobil dg air-bag adalah ½ maka untuk 4
penjualan berikutnya ada 24 =16 susunan yg mungkin. Banyaknya cara
menjual 3 mobil dengan air-bag dari 4 penjualan tsb adalah banyak
kombinasi dari 4 obyek diambil 3 tiap kali (sebab tiap mobil tidak
dibedakan, hanya ber air bag atau tidak saja). Atau dipandang sebagai
banyak cara mempartisi 4 obyek ke dalam 2 sel, sel pertama berisi 3
mobil dg air-bag dan 1 sel berisi mobil tanpa air-bag, yaitu C43 = 4!/(3!
1!) = 4 cara.
– Jadi secara umum banyaknya cara untuk menjual x mobil dg air-bag
dari 4 penjualan 4 mobil adalah : C4x.
– Maka probabilitas menjual x mobil dg air bag dalam 4 penjualan adalah
 4
 
 x
f ( x) 
16
Distribusi Probabilitas Kumulatif
Distribusi probabilitas kumulatif F(x) dari sebuah variabel random X dengan
fungsi probabilitas f(x) adalah jumlahan dari f(x) dari nilai x=-∞ hingga x:
F(x) = P(X<x) = ∑t<x f(t) untuk -∞< x < ∞

Soal.
Carilah fungsi distribusi kumulatif dari contoh sebelumnya.
Jawab:
f(0) = C40/16 = 1/16 f(1) = C41/16 = 4/16 f(2) = C42/16 = 6/16
f(3) = C43/16 = 4/16 f(4) = C44/16 = 1/16
Sehingga fungsi distribusi kumulatifnya:
F(0) = f(0) = 1/16, 0 ≤ x < 1
F(1) = f(0)+f(1) = 5/16, 1 ≤ x < 2
F(2) = f(0)+f(1)+f(2) = 11/16, 2 ≤ x < 3
F(3) = f(0)+f(1)+f(2)+f(3) = 15/16, 3 ≤ x < 4
F(4) = f(0)+f(1)+f(2)+f(3) = 1, x ≤ 4
Distribusi Probabilitas Kumulatif Diskrit
Grafik Fungsi Distribusi Probabilitas (fx) dan Distribusi Probabilitas Kumulatif

f(x)

2/5 3/8
7/20
3/10
1/4 1/4
1/4
1/5
3/20
1/10 1/16 1/16
1/20
0
0 1 2 3 4

F(x)

1 1/5
1
1 15/16

4/5 11/16

3/5

2/5 5/16

1/5 1/16
0
0 1 2 3 4
Distribusi Probabilitas Kontinu
Perbedaan dengan yang diskrit adalah pada fungsi distribusi probabilitas
kontinu, nilai probabilitas untuk satu nilai tertentu saja tak bisa diberikan
(0), jadi tak bisa ditabelkan!

Contoh:
Probabilitas menemukan orang dengan tingginya tepat 165.0 cm =0
Tapi probabilitas menemukan orang dengan tinggi antara 160.0cm s/d 165.0
cm tentunya ada!

Jadi yg dicari adalah probabilitas sebuah variabel random memiliki nilai dalam
sebuah selang interval  e.g. P(a<X<b)

Untuk fungsi distribusi probabilitas kontinu, f(x) disebut fungsi rapat

probabilitas dari X. Sedangkan probabilitas menemukan nilai X dalam
sebuah selang diberikan oleh luas di bawah kurva f(x) vs x.
Distribusi Probabilitas Kontinu
Fungsi rapat probabilitas : f(x)

f(x) Luas di bawah f(x) antara x=a dan x=b

memberikan probabilitas menemukan
nilai X antara a dan b, atau P(a<X<b).

b
P(a  X  b)   f ( x)dx
a

a b x

Ciri-ciri lain dari fungsi rapat probabilitas:

1. f(x) ≥ 0
2. 
 f ( x)dx  1

Distribusi Probabilitas Kontinu
Contoh. Misal kesalahan dalam pencatatan temperature di sebuah
percobaan adalah sebuah variabel random X yg memiliki fungsi rapat
probabilitas sbb:
 x2
 1  x  2
f ( x)   3
 0 lainyya

a. Periksalah apakah f(x) memenuhi syarat sebagai fungsi rapat

probabilitas
b. Berapakah probabilitas menemukan kesalahan pencatatan antara 0
dan 1?

Jawab.
a.  2 2 b. 3 2
x x 1 1 2 3 1
x x 1
 f ( x ) dx  1 3 dx 
9
1 P(0  X  1)   f ( x)dx  
3
dx 
9

9
1 0 0 0
Distribusi Probabilitas Kontinu Kumulatif
Analog dg kasus diskrit, maka fungsi distribusi probabilitas kontinu
kumulatif F(x) dari fungsi rapat probabilitas f(x) didefinisikan sbg:

x
F ( x)  P ( X  x)   f (t )dt


Tentu konsekuensi dari definisi tsb juga berlaku (asalkan exists!):

1. f(x) = dF/dx
2. P(a<X<b) = F(b)-F(a)

Soal.
Pakailah contoh sebelumnya untuk fungsi rapat probabilitas.
• Tentukan fungsi distribusi kumulatif nya
• Pakailah untuk menghitung P(0<x<1)
• Buatlah sketsa F(x)
Distribusi Probabilitas Bersama (Joint)
Dalam berbagai kasus eksperimen variabel random yg terlibat bisa lebih
dari satu. Misalnya berat dan tinggi, volume dengan kecepatan penguapan
dll. Sehingga ruang sampelnya berdimensi lebih dari 1. Dalam kasus
seperti ini kita tertarik untuk mengetahui distribusi probabilitas terjadinya
variable random X dan Y secara bersamaan, yang dikenal dengan nama
Distribusi Probabilitas Bersama.
Jadi fungsi distribusi probabilitas bersama X=x dan Y=y diberikan oleh
f(x,y) = P(X=x, Y=y).

SIfat-sifat fungsi distribusi probabilitas bersama adalah:

1. f(x,y)≥0, all x,y
2. Total jumlah = 1

x y
f ( x, y )  1

3. Probabilitas terjadinya X=x dan Y=y secara bersamaan diberikan oleh

f(x,y), atau P(X=x,Y=y) = f(x,y)
Distribusi Probabilitas Bersama (Joint)
Contoh.
Dua buah isi ulang untuk sebuah ballpoint diambil secara acak dari dalam
kotak yg berisi 3 refill biru, 2 refill merah dan 3 refill hijau. Jika X adalah
jumlah refill biru yg terpilih dan Y adalah jumlah refill merah yg terpilih,
carilah:
a. Fungsi distribusi probabilitas bersama f(x,y)
b. P[(X,Y)ε A] dimana A adalah daerah {(x,y)| x+y≤1}

Jawab:
Pasangan (x,y) yang mungkin adalah: (0,0),(0,1),(1,0),(1,1),(0,2),(2,0)
Jadi f(0,1) menggambarkan probabilitas terpilihnya 1 merah dan 0 biru
(berarti 1 lagi hijau!).
Banyaknya cara memilih 2 refill dari 8 buah yg ada di kotak = kombinasi
memilih 2 dari 8 obyek: C82 = 8!/{(8-2)!2!)}= 28 kombinasi yg mungkin.
Banyak cara memilih 1 merah dari 2 merah yg tersedia C21
Banyak cara memilih 1 hijau dari 3 hijau yg tersedia C31
Distribusi Probabilitas Bersama (Joint)
Jawab (lanjutan):

Jadi banyak cara memilih 1 merah dari 2 dan 1 hijau dari 3 hijau adalah:
C21*C31 = 6.
Jadi probabilitas memilih 1 merah dan 1 hijau  f(0,1) = 6/28
Selengkapnya diberikan tabel berikut:

x Total b) Untuk x+y ≤1,

f(x,y) baris P = f(0,0)+f(0,1)+f(1,0)
0 1 2 P = 3/28 + 9/28 +
6/28=18/28

0 3/28 9/28 3/28 15/28

y 1 3/14 3/14 0 3/7
2 1/28 0 0 1/28
Total col 5/14 15/2 3/28 1
8
Distribusi Probabilitas Bersama (Joint)

Untuk variabel random kontinu, analog dengan kasus diskrit, fungsi rapat
probabilitas bersama f(x,y) didefinisikan sbg:
1. f(x,y) ≥0 untuk seluruh x dan y  
2. Total integral di seluruh area =1   f ( x, y)dxdy  1
  

3. Probabilitas nilai X=x dan Y=y di dalam area tertentu diberikan oleh hasil
integral f(x,y) dengan (x,y) dalam area termaksud

P[( X , Y )  A]    f ( x, y ) dxdy
A
Distribusi Probabilitas Bersama (Joint)

Contoh.
Sebuah perusahaan permen mendistribusikan kotak-kotak cokelat yang
berisi isian jenis: krim, tofi dan kacang. Terdapat dua tipe cokelatnya
yaitu : coklat gelap dan putih. Misalkan dipilih acak 1 kotak, dan variabel
random X dan Y menyatakan persentase dari coklat putih dan gelap yang
berisi krim, dengan fungsi rapat probabilitas bersamanya:

2
 ( 2 x  3 y ) 0  x  1,0  y  1
f ( x, y )   5
 0, lainnya

a. Periksalah apakah integral f(x,y) di seluruh daerah = 1

b. Carilah probabilitas mendapati 0<x<1/2 dan ¼<y<1/2
Surface plot f(x,Y)

1.5

0.5

0
1
1
0.8
0.5 0.6
0.4
0.2
0 0
Distribusi Probabilitas Bersama (Joint)

Jawab.
a. Integral di seluruh wilayan x,y:
  1 1
2
 f ( x, y)dxdy  0 0 5 (2 x  3 y)dxdy 1
b. P(0<X<1/2,1/4<Y<1/2)

1 / 21 / 2 1 / 21 / 2
2

1/ 4 0
f ( x, y )dxdy    (2 x  3 y )dxdy 13 / 160
1/ 4 0
5
Distribusi Probabilitas Bersyarat (Conditional)

Misal X,Y adalah variabel random (diskrit/kontinu), maka distribusi

probabilitas bersyarat dari variabel Y asalkan X=x diberikan oleh:
f ( x, y )
f ( y | x)  , g ( x)  0
g ( x)
Dengan g(x) adalah distribusi marginal untuk X saja, yaitu distribusi
probabilitas f(x,y) yang dijumlahkan (integral) thd seluruh nilai y:

g ( x )   f ( x, y )
g ( x)  

f ( x, y )dy
y
Distribusi Probabilitas Bersyarat (Conditional)

Contoh.
Fungsi rapat probabilitas bersama antara variabel random X dan Y, dengan X
adalah perubahan temperatur dan Y adalah persentase pergeseran
spektrum dari suatu atom diberikan oleh:
10 xy 2 0  x  y 1
f ( x, y )  
 0 lainnya

a) Carilah fungsi rapat probabilitas marginal g(x) dan h(y)

b) Carilah fungsi rapat probabilitas bersyaratn f(y|x)
c) Carilah probabilitasnya bahwa spektrum akan bergeser lebih dari 50%
dari seluruh pengamatan, jikalau temperature dinaikkan 0.25 unit.
Distribusi Probabilitas Bersyarat (Conditional)

Jawab.
a. Fungsi rapat probabilitas marginal:
 y

h( y )  

f ( x, y )dx   10 xy 2 dx  5 y 4 ,
0
0  y 1
 1
10
g ( x)  

f ( x, y )dy   10 xy 2 dy 
x
3
x(1  x 3 ), 0  x 1

b. Fungsi rapat probabilitas bersyaratn f(y|x)

f ( x, y ) 10 xy 2 3y2
f ( y | x)    0  x  y 1
g ( x) 10 1  x 3
x(1  x )
3

3
Distribusi Probabilitas Bersyarat (Conditional)

Jawab.
c. Probabilitas mendapati spektrum tergeser > 50% (Y>0.5) jikalau
temperatur dinaikkan 0.25 unit (X=0.25), berarti:

P(y>0.5|x=0.25)
1 1
3y2 8
P( y  0.5 | x  0.25)   f ( y | x  0.25)dy   dy 
0. 5 0 .5
1  0. 25 3
9
Independensi Statistik (Tak saling bergantung)

Jika X dan Y adalah variabel random (diskrit/kontinu) dengan distribusi

probabilitas bersama f(x,y) dan distribusi marginal g(x) dan h(y), maka
variabel X dan Y tsb dikatakan tak saling bergantung secara statistik jika
dan hanya jika:
f(x,y) = g(x)h(y)