VARIABEL ACAK
VARIABEL ACAK :
suatu fungsi yang nilainya berupa bilangan
nyata yang ditentukan oleh setiap unsur
dalam ruang sampel.
Variabel acak ada 2, yaitu :
1. Variabel Random Diskrit/ Cacah
digunakan untuk data cacahan
2. Variabel Random Kontinu
digunakan untuk data ukur
• Contoh :
pada percobaan pelemparan mata uang.
Misal banyaknya muncul gambar
dinyatakan x, maka x = variabel acak
Ruang Sampel :
• Diskrit :
– ruang sampel yang mengandung titik sampel
sebanyak bilangan cacah
• Kontinu :
– mengandung titik sampel sebanyak titik pada
sebuah garis
DISTRIBUSI PELUANG DISKRIT
• Adalah sebuah tabel atau rumus yang
mencantumkan semua kemungkinan nilai variabel
acak diskrit dan nilai peluangnya
x P(x)
0 ¼
1 2/4
2 ¼
Contoh :
1) Tentukan rumus distribusi peluang
banyaknya sisi gambar bila sebuah uang
logam dilempar 3 kali. Buatlah tabelnya ?
Eksperimen :
pelemparan 1 mata uang 3x, Banyaknya
titik sampel = 23 = 8
S ={AAA, AAG, AGG, GGG, AGA, GAG,
GAA, GGA}
3
Banyaknya muncul sisi gambar adalah
x
Jadi fungsi peluang adalah :
3
x
f( x)
8
Untuk x = 0,1,2,3
Tabel distribusi peluang :
2) Sebuah dadu dilemparkan 2x
Misalkan : x = jumlah titik dadu dalam kedua
lemparan itu, maka
x = 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12
Tabel distribusi probabilitas x :
f ( x)dx 1
dan 0 f ( x)
Probabilitas kejadian a ≤ x ≤ b, dihitung dengan
rumus :
P(a ≤ x ≤ b,) = P(x ≤ b) – P(x ≤ a) = F(b)
– F(a)
Parameter Distribusi Probabilitas
1. Nilai Ekspektasi (Nilai Harapan Matematik)
Misalkan x suatu variabel random dengan
distribusi probabilitas f(x). Nilai ekspektasi fungsi
g(x) atau harapan matematik fungsi g(x), ditulis
E{g(x)}, didefinisikan oleh:
• E{g ( x)} g ( x) f ( x) bila x diskrit
x
• E{g ( x)} g ( x) f ( x)dx bila x kontinyu
X Y 0 1 2
0 0,05 0,05 0
Untuk:
x = 0 P(0) = P(0,0) + P(0,1) + P(0,2) + P(0,3)
= 0,05 + 0,05 + 0,10 + 0 = 0,20
x = 1 P(1) = P(1,0) + P(1,1) + P(1,2) + P(1,3)
= 0,05 + 0,10 + 0,25 + 0,10 = 0,50
x = 2 P(2) = P(2,0) + P(2,1) + P(2,2) + P(2,3)
= 0 + 0,15 + 0,10 + 0,05 = 0,30
Distribusi marginal untuk X:
X 0 1 2
1.00
Distribusi Binomial (4)
n=5
p
x 0.01 0.05 0.10 0.20 0.30 0.40 0.50 0.60 0.70 0.80 0.90 0.95 0.99
0 .951 .774 .590 .328 .168 .078 .031 .010 .002 .000 .000 .000 .000
1 .999 .977 .919 .737 .528 .337 .187 .087 .031 .007 .000 .000 .000
2 1.000 .999 .991 .942 .837 .683 .500 .317 .163 .058 .009 .001 .000
3 1.000 1.000 1.000 .993 .969 .913 .813 .663 .472 .263 .081 .023 .001
4 1.000 1.000 1.000 1.000 .998 .990 .969 .922 .832 .672 .410 .226 .049
a F(h) P(h)
Distribusi probabilitas Penentuan nilai probabilitas dari
kumulatif binomial dan 0 0.031 0.031
probabilitas kumulatif
distribusi probabilitas 1 0.187 0.156
variabel random binomial 2 0.500 0.313
F ( x) P ( X x) P(i)
all i x
n=4 0.5
0.4
0.5
0.4
0.5
0.4
P(x)
P(x)
P(x)
0.3 0.3 0.3
Binomial Probability: n=10 p=0.1 Binomial Probability: n=10 p=0.3 Binomial Probability: n=10 p=0.5
n = 10
0.4 0.4 0.4
P(x)
P(x)
0.2 0.2 0.2
Binomial Probability: n=20 p=0.1 Binomial Probability: n=20 p=0.3 Binomial Probability: n=20 p=0.5
P(x)
P(x)
0.1 0.1 0.1
• Dengan demikian:
• sukses C(D,x). C((N-D),(n-x)) atau
D N D
x n x
D N D
x n x
p ( x) , x 1,2, , min(n, D)
N
n
0 otherwise
• Distribusi kemungkinan hipergeometrik sering pula
disimbolkan dengan h(x;N;n;D).
Distribusi Hipergeometrik (5)
Contoh:
Sebuah dealer otomotif
menerima lot berukuran 10
2
1
10 2
5 1
2
1
8
4
2! 8!
1! 1! 4 ! 4 !
5
P ( 1) 0 .556
dimana hanya 5 diantaranya 10 10 10 ! 9
5 5
yang mendapat pemeriksaan 5! 5!
kelengkapan. 5 kendaraan
diambil secara random.
2
1
10 2
52
2
1
8
3
2! 8!
1! 1! 3! 5! 2
Diketahui ada 2 kendaraan P(2)
9
0 . 222
10 10 10 !
dari lot berukuran 10 yang
5 5
tidak lengkap. Berapa 5! 5!
kemungkinan sekurangnya
Sehingga, P(1) + P(2) =
ada 1 kendaraan dari 5
kendaraan yang diperiksa 0.556 + 0.222 = 0.778.
ternyata tidak lengkap?
Distribusi Geometrik (1)
P ( x ) = e –λ . t . ( λ . t ) x
X!
P ( x ) = e –72 . ( 1/ 20 ) . ( 72 . 1 / 20 ) 4
4!
= 0.191 atau 19.1 %
Contoh soal
k e m u n g k in a n d it e m u k a n le b ih d a r i 6 c a c a t a d a la h 1 - 0 . 8 8 9 = 0 . 1 1 1 .
Pendekatan Binomial - Poisson
Contoh
Sebuah proses menghasilkan barang-barang dari plastik yang sering kali
memiliki gelembung atau cacat. Diketahui bahwa rata-rata terdapat 1 dari
1000 barang yang dihasilkan mempunyai satu atau lebih cacat.
Berapa kemungkinan bahwa dari sampel acak berjumlah 8000 produk plastik
akan terdapat 7 produk yang memiliki cacat gelembung?
Pada dasarnya, kasus produk plastik cacat ini mengikuti distribusi binomial
dengan n=8000 dan p=0,001. Karena p sangat kecil dan mendekati nol serta
n sangat besar, maka perhitungan nilai kemungkinan dapat didekati dengan
distribusi Poisson dengan dimana =(8000)(0,001)=8, sehingga
kemungkinan bahwa dari sampel acak berjumlah 8000 produk plastik akan
terdapat 7 produk yang memiliki cacat dapat dihitung sebagai berikut
6 6
P( X 7) b( x;8000,0,001) p( x;8) = 0,3134.
x 0 x 0
Soal 1