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)
 P( B Ai ).P( Ai )
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
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

10
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

11
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

12
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 )  
13
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

14
b. Distribusi Eksponensial

 x
• pdf: f ( x)   e ,x  0

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

15
c. Distribusi Normal

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

• mean: E( X )  

• varians: Var( X )   2

16
 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  B(n, p)  x np npq (q  pet  n
 
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,... 17
 Distribusi Peluang Kontinu

Fungsi densitas (Pdf) Mean Variansi Mgf

X U (a, b) 1 ab (b  a ) 2 ebt  e at

f ( x)  ,a  x  b
ba 2 12 t (b  a )
1 1 
X  EXP( ) f ( x)   e  x
,x  0
 2  t
k
  
k k 1   x

X GAM ( , k ) f ( x)  x e , x  0 k k
(k )  
 2    t 
2

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

18