PROBABILITAS DAN STATISTIKA TERAPAN

BAB IV
FUNGSI DARI VARIABEL ACAK – TRANSFORMASI FUNGSI DISTRIBUSI

oleh:
Rizal Zainuddin Tamin

INSTITUT TEKNOLOGI BANDUNG

 IKHTISAR
1. DISTRIBUSI PROBABILITAS YANG PENTING:
a. Distribusi Normal (Distribusi Gauss);
b. Distribusi Normal Logaritmis (Log Normal);
c. Deret Bernouli dan distribusi binomial;
d. Distribusi Geometrik;
e. Distribusi Binomial Negatif;
f. Proses Poison dan Distribusi Poisson;
g. Distribusi Eksponensial;
h. Distribusi Gamma;
i. Distribusi Hipergeometrik;
j. Distribusi Beta;
2. JOINT AND CONDITIONAL PROBABILITY DISTRIBUTION
3. FUNGSI VARIABEL ACAK
a. Fungsi Variabel Acak Tunggal;
b. Beberapa Sifat Distrubusi Normal;
c. Central Limit Theorem;
d. Mean & Variance Fungsi Linier;
e. Mean & Variance dari Fungsi Umum.
DISTRIBUSI PROBABILITAS YANG PENTING
DISTRIBUSI NORMAL
 DISTRIBUSI NORMAL (1)

p.d.f
N ( μx, x )

a X (rv)

- Sifat : Simetris
- Variabel :X
- Parameter : X,  X
- Konstanta : 2 ; -½
 DISTRIBUSI NORMAL (2)

- Jika diketahui a, berapa probability ( x < a):

Tidak mungkin
selalu membuat
f (x) tabel baru untuk
setiap kombinasi
- Jadi untuk mengetahui luas maka harus melakukan parameter
perhitungan integral  rumit.
- Solusi lain adalah membuatkan tabel, tetapi bagaimana
membuat tabekl untuk sebarang kombinasi μx & x (?)

Sangat bervariasi
 DISTRIBUSI NORMAL (3)

- Diusulkan selanjutnya untuk membuatkan satu saja yang

standard yaitu : μx = 0, dan x = 1, sehingga kombinasi μx & x
lain akan ditransformasikan ke μx = 0, dan x = 1.
- Fungsi kepadatan baru ini disebut “ fungsi standard normal”;
Sudah tersedia suatu tabel probabilitas normal standar

N ( 0, 1 )

0
 DISTRIBUSI NORMAL (4)

RV (x)
a μx b
Transformasi variabel
Distribusi
Standard Normal

y
0
DISTRIBUSI NORMAL (5)
 CONTOH. 1 (1)

- Dari suatu pengujian diketahui:

Kuat tekan beton rata-rata (μX) = 328 kg/m2
Deviasi standar σX=15 kg/m2. Hitung :
- Hitung:
a. P (x ≤ 335 kg/m2)
b. P (325 kg/m2 < x ≤ 335 kg/m2)
c. P (x ≥ 320 kg/m2)
- Penyelesaian:
a. P (x ≤ 335 kg/m2) fX(x) P (x ≤ 335 kg/m2) = 68,0823%

 335  328 
     0,47   0,680823
 15 
 68,0823%
x
0 328 335
 CONTOH. 1 (2)

b. P (325 kg/m2 < x ≤ 335 kg/m2)

 335  328   325  328 

        0,47     0,2 
 15   15 
  0,47   1    0,2   0,680823  1  0,579260
 0,260083  26,0083%

fX(x) P (325 kg/m2 < x ≤ 335 kg/m2)

=26,0083%

325 328
x
0 335
 CONTOH. 1 (3)

c. P (x ≥ 320 kg/m2)

 320  328 
         1    0,53
 15 
 1  1   0,53   0,53
 0,705401  70,5401%

P (x ≥ 320 kg/m2)
fX(x) = 70,5401%

x
0 320 328
 CONTOH. 2
- Dik: kuat tekan beton mengikuti distribusi normal, dari sampel
yang dikumpulkan: x = μx = 240 kg/cm2; S x =  x = 40 kg/cm2
- Dit: berapa probabilitas X akan berada antara 200-250.
- Penyelesaian:

P ( a < x < b) =

= P (-1.0) < x < (0.25)

x = 0.6 – 0.16
a = 200 μx b = 250
= 0.44
DISTRIBUSI NORMAL LOGARITMIS
(LOG NORMAL)
DISTRIBUSI NORMAL LOGARITMIS (1)

1  1  ln x    2 
f X x   exp    0 x
 .x 2  2    

- Memiliki hubungan dengan distribusi normal (yaitu dengan

transformasi logaritmis);  dengan demikian probabilitas
distribusi log normal dapat dihitung melalui probabilitas distribusi
standard normal.
- Jika diketahui a, probabilitas x  a adalah
a
1  1 ln x   
 
2

P x  a    exp     dx
0  . x 2  2    
1 2  2 
  ln  X   ;   ln1  2 
2

2   
 
jika  0,3 maka    COV
 
DISTRIBUSI NORMAL LOGARITMIS (2)

- Diterapkan untuk data yang tidak bisa negatif, seperti debit

banjir, tinggi badan, volume lalu lintas, dsb.
- Jadi untuk mengetahui luas, harus melakukan perhitungan
integral untuk setiap x→ rumit
- Solusi lain adalah membuatkan tabel untuk setiap nilai x →
rumit
- Sudah tersedia suatu tabel probabilitas normal standar dengan
standard, yaitu μX=0 dan σX=1.
DISTRIBUSI NORMAL LOGARITMIS (3)

x
a b Transformasi variabel

ln x  
z


b
1  1  ln x    2 
Pa  x  b    exp     dx
a  . x 2 2
    
 ln b     ln a   
P a  x  b        
     
DISTRIBUSI NORMAL LOGARITMIS (4)

Catatan : Median sering dipakai untuk menyatakan nilai sentral

distribusi log normal.

Ln Xm =
 CONTOH. 1 (1)

- Dari suatu pengujian diketahui:

Kuat tekan beton rata-rata (μX) = 328 kg/m2
Deviasi standar σX=15 kg/m2. Hitung :
- Hitung:
a. P (x ≤ 335 kg/m2)
b. P (325 kg/m2 < x ≤ 335 kg/m2)
c. P (x ≥ 320 kg/m2)
- Penyelesaian:
 15
    0,05  0,3
 328
1 1
  ln    2  ln 328  0,05  5,79
2

2 2
 CONTOH. 1 (2)

a. P (x ≤ 335 kg/m2)

 ln 335  5,79 
     0,48  0,684387
 0,05 
 68,4387%

fX(x) P (x ≤ 335 kg/m2) = 68,4387%

x
0 328 335
 CONTOH. 1 (3)

b. P (325 kg/m2 < x ≤ 335 kg/m2)

 ln 335  5,79   ln 325  5,79 
        0,48    0,13
 0,05   0 ,05 
  0,48  1    0,13  0,684387  1  0,551717
 0,236104  23,6104%

P (325 kg/m2 < x ≤ 335 kg/m2)

fX(x) =23,6104%

x
0 325 328 335
 CONTOH. 1 (4)

c. P (x ≥ 320 kg/m2)

 ln 320  5,79 
 1     1    0,44 
 0,05 
 1  1   0,44   0,44
 0,670032  67,0032%

fX(x) P (x ≥ 320 kg/m2)

= 67,0032%

x
0 320 328
 CONTOH.2 (1)
- Dik: Hujan tahunan mengikuti log normal dengan mean = 2000
mm, standard deviasi = 200 mm.
- Hitung:
a. Berapa probabilitas Hujan akan sebesar 1800-2100.
b. Berapa probabilitas Hujan paling sedikit 600 mm.
c. Berapa hujan dengan kemungkinan 10%.
- Penyelesaian:
 CONTOH.2 (2)
a. Probabilitas Hujan akan sebesar 1800-2100mm :

P ( 1800 < x < 2100 )

=  (0.537) -  (-1.005)

b. Probabilitas Hujan paling sedikit 600mm :

P ( x  600 )

= 1 -  ( - 11.99 )
c. Hujan dengan kemungkinan 10% :

ln x = 7.468
x = e7.468 = 1751.10
DERET BERNOULI DAN DISTRIBUSI BINOMIAL
 DERET BERNOULLY DAN
DISTRIBUSI BINOMIAL (1)
- Suatu peristiwa disebut sebagai Deret Bernoulli (Bernoully
Sequence - BS), jika:
a. Dalam setiap percobaan terjadi 2 kemungkinan.
b. Dalam setiap percobaan probabilitas terjadinya suatu event adalah
konstan.
c. Setiap percobaan bersifat statiscally independent.
- Contoh Bernoully Sequence:
Peristiwa Sukses Gagal
Banjir tahunan ≥3m <3m
Selesainya suatu proyek dalam jangka waktu tertentu selesai Tidak selesai
Percobaan beban tiang pancang Sukses Tidak

Distribusi Binomial jika:

Probabilitas sukses → p
Probabilitas gagal → (1 – p)
Jumlah percobaan → n
 DERET BERNOULI DAN
DISTRIBUSI BINOMIAL (2)
Maka probabilitas x kali dalam n percobaan adalah:

n x
P X  x     p 1  p 
n x
; x = 0, 1, 2, ….., N
 x
n,p = parameter

n n!
    Koefisien binomial (kombinasi)
 x  x!n  x !
 CONTOH (1)

- Dalam perencanaan pengendalian banjir suatu sungai,

parameter maksimum banjir tahunan yang akan dipakai.
Kemungkinan (banjir max. tahunan) = p = 0,1
- Hitung:
a. Berapakah kemungkinan terjadinya 1 x banjir tahunan dalam 5 tahun?

n x
P ( X  x)    p 1  p 
n x

 x
 5 1
P ( X  1)   0,1 1  0,1  0,328
5 1

1
 CONTOH (2)

b. Berapa probabilitas terjadinya maksimal 1 x banjir dalam 5 tahun?

P( X  1)  P X  0  P X  1
5  5
P ( X  1)   0,10 1  0,1   0,11 1  0,1
5 0 5 1

0 1
P ( X  1)  0,590  0,328  0,918
DISTRIBUSI GEOMETRIK
 DISTRIBUSI GEOMETRIK (1)

- Dalam suatu BS, banyaknya percobaan yang harus dilakukan

sampai terjadinya suatu peristiwa tertentu untuk pertama kali,
ditentukan oleh distribusi geometrik.
- Jika suatu peristiwa diperoleh setelah percobaan yang ke – t
kali, maka peristiwa ini gagal sebanyak (t-1).
- Maka probabilitas terjadinya suatu peristiwa untuk pertama
kalinya dari t percobaan :

P T  t   pq t 1
- Jumlah selang waktu (atau ruang) sampai terjadinya peristiwa
untuk pertama kalinya disebut waktu kejadian pertama (first
occurrence time).
- Jika percobaan (atau selang) bebas statistik, maka waktu
kejadian pertama harus juga merupakan waktu di antara 2
kejadian yang berurutan dari peristiwa yang sama, disebut
kejadian ulang (recurrence time).
 DISTRIBUSI GEOMETRIK (2)

- Kejadian ulang purata disebut juga periode ulang (return

periode, T ) adalah:

 

T  E T    t. pq t 1  p 1  2q  3q 2  ...
t 1

- Untuk q<1,0 ,deret tak hingga dalam tanda kurung memberikan

E (T):
1 1
 ; sehingga
1  q 2 p 2
1
T  Return Period.
p
Return Period hanya merupakan nilai rata-rata antara suatu
kejadian; Nilai aktual dari T merupakan RV.
 CONTOH
- Bendungan didesain dengan banjir rencana (TR) = 50 tahunan.
- Hitunglah:
a. Berapa probabilitas bahwa banjir rencana terjadi pada tahun ke 5?
1
p  0,02; q  (1  p )  (1  0,02)  0,98
50
PT  5  0,02.0,984  0,018

b. Berapa kemungkinan bahwa banjir rencana terjadi dalam 5 tahun

pertama?

PT  5  PT  1  PT  2   PT  3  PT  4   PT  5

PT  5  0,02.0,980  0,02.0,981  0,02.0,982  0,02.0,983  0,02.0,984
PT  5  0,02  0,0196  0,0192  0,0188  0,0184  0,096

c. Berapakah probabilitas terjadinya 1 kali banjir dalam 5 tahun?

 5 5!
Px  1   0,02.0,984  0,02.0,984  0,092
1 1!4!
DISTRIBUSI NEGATIF BINOMIAL
 DISTRIBUSI NEGATIF BINOMIAL
1. Waktu sampai kejadian yang berikutnya dari peristiwa yang
sama di dalam BS, diatur dalam Distribusi Binomial negatif.
2. Tk adalah jumlah percobaan sampai kejadian yang ke-k kali dari
peristiwa di dalam BS, maka:

 t  1  k t k
PTk  t     p q untuk t  k , k  1,...
 k  1
PTk  t   0 untuk t  k

3. Jika kejadian ke-k terjadi pada percobaan yang ke-t, maka

akan ada (k-1) kejadian dari peristiwa itu dalam (t-1)
percobaan yang terdahulu dan pada percobaan yang ke-t
peristiwa tersebut juga terjadi, maka:

 t  1  k 1 t  k
PTk  t     p q p
 k  1
 CONTOH

- Berapa probabilitas banjir 50 tahunan ke 2 terjadi pada tahun

ke 5?

 5  1
PT2  5   0,02 2 0,985 2  0,0015
 2  1
PROSES POISSON DAN DISTRIBUSI POISSON
 PROSES POISSON DAN
DISTRIBUSI POISSON (1)
1. BS:
- Event terjadi pada setiap trial;
- Trial didefenisikan lewat interval;
- Dalam satu interval ada 2 kemungkinan (gagal, sukses).
Timbul masalah, jika terjadi 2 events dalam satu interval (ex:
gempa, keruntuhan, kecelakaan) atau interval kebesaran 
interval harus dikecilkan  kasus ini lebih baik dimodelkan
dengan PROSES POISSON.
2. Proses Poisson didasarkan pada asumsi:
a. Terjadinya suatu peristiwa bersifat random, tidak dipengaruhi oleh
interval (waktu/jarak/ruang).
b. Setiap peristiwa yang terjadi pada suatu selang tertentu adalah
bebas statistik (statistically independent).
c. Untuk selang, Δt yang kecil, maka probabilitas terjadinya
peristiwa tersebut pada selang Δt dapat ditulis sebagai v. Δt, dimana
v = laju purata dari terjadinya suatu peristiwa .
 PROSES POISSON DAN
DISTRIBUSI POISSON (2)
3. Jika Xt adalah jumlah kejadian dalam suatu selang dan asumsi
dipenuhi, maka :

PX  x  
vt  x

e vt x  0,1,2,...
t
x!
- Xt = jumlah kejadian selama interval t;
- V = rata-rata kejadian;
- E (Xt) = v . t
- Var (Xt) =v.t
 CONTOH. 1 (1)

- Jika suatu peristiwa terjadi 60 kali dalam 1 jam. Berapakah

probabilitas terjadinya 10 peristiwa dalam 10 menit?
Selang waktu dibagi dalam 60 selang 1 menit, maka:

v
60
 1 peristiwa/menit PX  x  
vt  x

e vt x  0,1,2,...
t
60 x!

p X  10  
1.10 10

e 10  0,125
t
10!
 CONTOH. 1 (2)
- Jika dikerjakan dengan BS, maka kita harus menetapkan
interval; 60 kali dalam 1 jam, Berapa P (10 kali dalam 10 menit)

misal 30 detik  P = 60 x / 1 jam = 60 / (3600/30) = 60/120 = 1/2

(setiap 1 jam diubah
 20 
P ( 10 x dalam 10 menit ) =   x 0.5 x 0.5  0.176
menjadi setiap 30 detik) 10 10

 10 

misal 10 detik  P = 60 x / 1 jam = 60 / (3600/10) = 60/360 = 1/6

(setiap 1 jam diubah
10 50
menjadi setiap 10 detik)  60   1   5 
P ( 10 x dalam 10 menit) =   x  x   0.137
 10   6   6 
 CONTOH. 2 (1)
- Secara rata-rata diketahui terjadi 4 rainstorm/tahun selama 20
tahun terakhir.
- Jika terjadinya rainstorm dianggap mengikuti proses poisson;
Berapa probabilitas :
a. Tahun depan tidak terjadi.
b. 4 rainstorm terjadi tahun depan.
c. 2 atau lebih terjadi tahun depan.
- Jawab:
v = 4 rainstorm/tahun = 4 rainstorm/th.

a. Tahun depan tidak terjadi.

P(Xt=x)=

P(Xt=0)=
 CONTOH. 2 (2)
b. 4 rainstorm terjadi tahun depan.

P ( Xt = 4 ) =

c. 2 atau lebih terjadi tahun depan

P ( Xt  2 ) = 1 – P ( X t = 0 ) – P ( X t = 1 )

= 1 – 0.018 –
DISTRIBUSI EKSPONENSIAL
 DISTRIBUSI EKSPONENSIAL (1)

- Jika suatu peristiwa terjadi menurut Proses Poisson, maka

waktu T1 sampai dengan kejadian pertama dari peristiwa
tersebut mengikuti distribusi eksponensial.
- Jika T1 > t, berarti bahwa tidak ada kejadian peristiwa dalam
waktu t, sehingga:
P T1  t   P  X t  0   e  vt

- T1 adalah waktu kejadian yang pertama. Tetapi, karena

kejadian dari suatu peristiwa dalam selang waktu yang tidak
tumpang tindih adalah bebas secara statistik, maka T1 juga
merupakan perioda ulang (return periode).
 DISTRIBUSI EKSPONENSIAL (2)

Exponential PDF of useful life T

- Fungsi distribusi dari T1:
fT (t) = ve
FT 1 t   P T1  t   1  e  vt
- vt

- Fungsi kerapatan dari T1:

dF
f T 1 t    v.e  vt t0
dt CDF of useful life T

- Bila v konstan, maka nilai purata dari T1 adalah

FT (t) = 1 - e - vt

1
T1  T = E (T) = 0∫ t ve-vt dt = 1/v
v
 CONTOH
- Catatan menunjukkan kerusakan alat pencatat ketinggian
muka air dalam 4 tahun adalah 1 kali. Jika proses terjadinya
kerusakan dianggap mengikuti Proses Poisson, berapakah
probabilitas :
a. Terjadinya kerusakan dalam 2 tahun mendatang?
b. Tidak terjadi kerusakan dalam 10 tahun mendatang?
- Penyelesaian:
a. Terjadinya kerusakan dalam 2 tahun mendatang?

1
v   0,25 kali per tahun
4
PT1  2   1  e 0 , 25.( 2 )  0,393
b. Tidak terjadi kerusakan dalam 10 tahun mendatang?

PT  10   e 0 , 2510   0,082

DISTRIBUSI GAMMA
 DISTRIBUSI GAMMA
- Jika kejadian dari suatu peristiwa membentuk Proses Poisson,
maka waktu sampai kejadian ke-k dari peristiwa dinyatakan
dalam distribusi probabilitas gamma.
- Jika Tk menyatakan waktu sampai dengan peristiwa yang ke-k;
maka (Tk ≤ t) berarti bahwa k atau lebih peristiwa terjadi dalam
waktu t.
- Fungsi distribusi dari Tk :

FTk t    P X t  x   1  
 k 1 vt  x

e  vt
xk x 0 x!
- Persamaan di atas juga dapat diperoleh dengan mengamati
bahwa (Tk > t) berarti bahwa (k-1) peristiwa yang terjadi dalam
waktu t. Maka, fungsi kerapatannya:

vvt 
k 1

f Tk t   e v t t0
k  1!
 CONTOH
- Dalam suatu jalan raya, kecelakaan terjadi setiap 6 bulan
sekali.
a. Jika peristiwa tersebut membentuk Proses Poisson. Waktu sampai
dengan kecelakaan yang pertama, diberikan oleh hukum
eksponensial dengan v = 1/6 kecelakaan per bulan, yaitu :

1  t6 vvt 
k 1

f T 1 t   e f Tk t   e v t t0
6 k  1!
b. Waktu sampai dengan kecelakaan kedua, dinyatakan oleh distribusi
gamma :

1  t   t6
f T 2 t    e
66
c. Sedangkan waktu sampai kecelakaan ketiga adalah::
2
1 1  t   t6
f T 3 t   .   e
2 66
DISTRIBUSI HIPERGEOMETRIK
 DISTRIBUSI HIPERGEOMETRIK
- Distribusi hipergeometrik timbul bila sampel dari suatu populasi
tertentu terdiri dari 2 jenis elemen, misalnya “baik” dan “buruk”.
- Jika dalam N barang, di mana m diantaranya buruk dan (N-m)
diantaranya baik;

- Jika dalam N barang akan diambil n barang secara acak, maka

probabilitas adanya x barang yang rusak diberikan oleh distribusi
hipergeometrik.

m  N  m
   
x n  x
PX  x       Catatan (2019):
x  1,2,......, n
N -X = 0, 1,2, …m
 
n
 CONTOH
- Dari 25 pengukur regangan (N=25), diketahui 4 diantaranya
sudah rusak (m=4). Jika 6 pengukur digunakan dalam suatu
eksperimen (n=6);
- Berapakah probabilitas bahwa terdapat satu pengukur yang
rusak dalam eksperimen tersebut , P(X=1)?
 4   25  4  m  N  m
    
x
 nx 
1 6  1 PX  x      
P X  1       0,46
 
N
x  1,2,......, n
 25  
n 
   
6

Catatan (2019):
-X = 0, 1,2, …m
DISTRIBUSI BETA
 DISTRIBUSI BETA (1)
- Distribusi beta adalah suatu PDF yang layak untuk variabel acak
yang nilai-nilainya terbatas (misalnya, antara a dan b).
- Fungsi kerapatan distribusi beta:

1 x  a  b  x 
q 1 r 1

f X x   a xb
Bq, r  b  a q  r 1
Di mana, q dan r adalah parameter distribusi dan B(q,r) adalah fungsi beta.

Bq, r    x q 1 1  x  dx
1
r 1

Jadi dapat dilihat fungsi di atas ditentukan oleh:

-Nilai konstanta a dan b;
-Parameter q dan r; serta
-Nilai fungsi Beta.
 DISTRIBUSI BETA (2)
Khusus jika batas bawah a = 0, dan batas atas b= 1, fungsi di
atas di sebut fungsi standard beta:
1
f X x   x q 1 1  x 
r 1
0  x  1.0
Bq, r 
= 0 otherwise

The Standard beta PDF with different value of q & r

 DISTRIBUSI BETA (3)
Probabilitas yang berhubungan dengan distribusi beta dapat dihitung
menurut fungsi beta tidak sempurna, yang didefinisikan sebagai:

Bx q, r    y 1  y 
r 1
q 1
dy 0  x  1
0

Untuk suatu harga xa , maka:

1 x q 1 Bx (q, r )
Fx x   x 1  x  dx 
r 1

B ( q, r ) 0 B ( q, r )

Di mana harga
Bx (q, r ) sudah ditabulasikan
B ( q, r )
 DISTRIBUSI BETA (4)
- Untuk PDF beta yang umum,
P ( X1 < X < X2) dapat dihitung melalui persamaan:

1 x  a  b  x 
X2 q 1 r 1
Px1  X  x2    dx
X1
B q , r  b  a q  r 1

xa
jika y ; Juga diperoleh:
ba

bx dx
(1  y )  dan dy 
ba ba
 DISTRIBUSI BETA (5)
Maka persamaan menjadi :

 xb2aa  x1  a 
b  a 

1  
Px1  X  x2    y 1  y  dy   y 1  y  dy 
q 1 r 1 q 1 r 1

Bq, r   0 0 
 
Jika:
x2  a x1  a
u dan v 
ba ba
Maka persamaan probailitas dapat dihitung sebagai berikut:

Px1  X  x2    (u q, r )   (v q, r )

Di mana  (u q, r ) dan  (v q , r ) di baca dari tabel

 DISTRIBUSI BETA (6)
- Nilai purata dan varians dari distribusi beta:

q
X  a  b  a 
qr
qr
X2  b  a 2

q  r 2 q  r  1
- Nilai modus dari distribusi beta:
1 q
~
x a b  a 
2qr
- Koefisien kemencengan dari distribusi beta:
2r  q b  a 

q  r q  r  2 x
 CONTOH (1)

- Waktu (t) suatu kegiatan dalam suatu proyek konstruksi telah

ditaksir oleh seorang kontraktor sebagai berikut :
a. Waktu minimum = 5 hari
b. Waktu maksimum = 10 hari
c. Waktu rata-rata (diharapkan) = 7 hari.
- Kontraktor juga menaksir COV dari jangka waktu sebagai 10%.
Tentukanlah distribusi beta untuk jangka waktu T dari kegiatan
tersebut.
- Penyelesaian:
Dari soal diketahui a= 5 hari dan b = 10 hari
Dengan rumus nilai purata:
q 2r q
5 10  5  7 diperoleh : q X  a  b  a 
qr 3 qr
 CONTOH (2)

Nilai tersebut kemudian dimasukkan ke dalam rumus varian

qr qr
q  r 2 q  r  q 
10  5 2
 0,1  7 2
X2  b  a 2

q  r 2 q  r  1
Dengan demikian diperoleh q = 3,26 dan r = 4,89.

Selanjutnya probabilitas dari setiap nilai x dapat dihitung

melalui langkah berikut:
-Tetapkan u = (x – a) / (b – a).
-Misal hendak dicari P (X < 9), maka:
-U = (9 – 5) / 10 – 5) = 0.8
- P (T < 9) = Bu (q,r) = B0,8 (3,26, 4,89) = 0.993 (dari tabel).
JOINT AND CONDITIONAL PROBABILITY DISTRIBUTION
 KONSEP DASAR

1. Konsep RV tunggal  multiple RV

- misalnya event yang terjadi atas 2 proses.

2. Contoh:
RV.1 = intensitas hujan (=X).
RV.2 = debit hujan (=Y).
Maka ( X = x, Y = y ) merupakan “joint event”.
 JOINT DISTRIBUTION FUNCTION

Sifat:
a. Fx,y (-, -) = 0

b. Fx,y (-, y) = 0

Fx,y (x, -) = 0

c. Fx,y (, ) =1

d. Fx,y (, y) = F (y)

Fx,y (x, ) = F (x)

e. Fx,y (x, y) adalah non negatif, dan merupakan fungsi yang

menaik.
 CONDITIONAL DENSITY FUNCTION (2)

Joint and marginal PDFs of two continous random variables

CONDITIONAL DENSITY FUNCTION (1)

- f ( x, y ) = f ( x/y ) . f ( y )

- f ( x, y ) = f ( y/x ) . f ( x )

Jika x & y statistically independent : f ( x, y ) = f ( x ) . f ( y )

 

f x    f (x y).f(y).dy f x    f(x, y) . dy
 


f y    f(x, y) . dx

CONDITIONAL DENSITY FUNCTION (3)

INGAT :

fx (x)
fx (a)

x
x=a

fy (y)
fy (b)

y
y=b
CONDITIONAL MEANS AND VARIANCE

Jika ada 2 r.v dari mean dan variance dan yang satu
dipengaruhi oleh nilai dari variabel yang lain, maka:

μ x y   x. f ( x y).dx


Var (x y )   (x - μ x y ) 2 . f ( x y).dx

 COVARIANCE DAN KORELASI (1)

1. RV X,Y

Jika x,y statistically independent, maka:

E ( XY ) = E (x) . E (Y)
 COVARIANCE DAN KORELASI (2)
2. Variance :

VAR X = E [ x – x ]2 = E [(x – x) . (x – x) ]

3. Covariance :

Maka: COV ( X, Y ) = 0  jika statistically independent.

Covariance merupakan ukuran hubungan linier
antara r.v. x & r.v .y

Jika Covariance:
a. >>> + ketergantungan besar (tanda sama);

b. = 0 tidak tergantung;

c. <<< - ketergantungan besar (berlawanan tanda).

 COVARIANCE DAN KORELASI (2)

3. Koefisien Korelasi :

ρ : 1 = sangat tergantung;

0 = tidak tergantung;

-1 = sangat tergantung, berlawanan tanda

FUNGSI VARIABEL ACAK
FUNGSI VARIABEL ACAK TUNGGAL
FUNGSI VARIABEL ACAK TUNGGAL (1)

y  g (x)
P (Y  y )  P ( X  x)  P ( x  g 1 ( y ))
P (Y  y )  ................  P ( x  g 1 ( y ))
g 1 ( y )

FY ( y )   f ( x).dx   f ( x).dx
x  g 1 ( y ) 

1
dg
  f ( g 1 ) dy
dy
F ( y ) dg 1

f ( y)   f ( g 1 ).
y dy
FUNGSI VARIABEL ACAK TUNGGAL (2)

CONTOH:

1. y = 2x, misalkan mengikuti distribusi N (x, x)

1 dg 1

g x y
1
f ( y )  f ( g 1 ).
2 dy
2
dg 1
1 y 
   x 
1 1 1
dy 2 f ( y)  . exp  2 
2  x 2 2 x 
 
 
2
1 1  y  2 x 
f ( y)  exp  
(2 x ) 2 2  2 x 
yN (2  x ,2 x )
2
FUNGSI VARIABEL ACAK TUNGGAL (3)

2. Misalkan x mengikuti distribusi N (x, x)

xx dg 1
y f ( y )  f ( g ).
1

x dy
2
g 1  x  x  1 y x 1 1  x  y x .  x 
  x.  exp 
dg 1  x 2 2  x 
 x
dy
1 1
f ( y)  exp exp y 2
2 2

yN (0,1)
FUNGSI VARIABEL ACAK TUNGGAL (4)

3. Diketahui :
x 1
x  f(x)  a . (1  ), bagaimana dengan M  x . l2
100 12

dg 1 M dx 12
f ( M )  f ( x) x  12 
dM l2 dM l 2

12 12 x
f (M )  . f ( x )  .a (1  )
l2 l2 100

E ( M )   Mf ( M )dM

 12 12 M 
  M  2 a (1  2 dM
 l l 100 

1 2 x E ( M )   g ( x) f ( x)dx
E(M )   xl a (1  )dx
12 100
BEBERAPA SIFAT DISTRIBUSI NORMAL
BEBERAPA SIFAT DISTRIBUSI NORMAL (1)

1. Jika:
X = N ( 𝜇x, x )
Y = N ( 𝜇y, y )
X & Y statistically independent maka:
Z = X + Y, juga r.v normal; dengan parameter:
𝜇z = 𝜇 x + 𝜇y
Var z = var x + var y
Xi = stat. indep.
Jika diperluas untuk N random variable:
maka:
Z = X+Y
𝜇z = 𝜇x+𝜇y
Var z = var x + var y
BEBERAPA SIFAT DISTRIBUSI NORMAL (2)

zxy
E (z)  E (x  y)  E(x)  E (y)
E (z - z) 2  E [(x  y) - ( x  y )]2
 E [(x  x )  ( y  y )]2
 E [(x  x ) 2  ( y  y ) 2  2(x  x ) 2 ( y  y )]
 E [(x  x ) 2  E( y  y ) 2  2E(x  x )( y  y )]

Statistically Independent  2 cov (x,y) = 0

Var z = varx + vary
BEBERAPA SIFAT DISTRIBUSI NORMAL (3)

2. Z = X – Y, X,Y Normal dan Statistically Independent

Z juga normal:

Z =X-Y
𝜇z = 𝜇x-𝜇y
Var z = varx + vary
BEBERAPA SIFAT DISTRIBUSI NORMAL (4)

E (z)  E (x  y)
 E (x) - E (y)  μ x  μ y
Var z  E (z  z) 2  E [(x - y) - ( x  y )]2
 E [(x  x ) - ( y  y )]2
 E [(x  x ) 2  ( y  y ) 2  2(x  x )( y  y )]

=0

Var z = var x + var y

BEBERAPA SIFAT DISTRIBUSI NORMAL (5)

Dengan cara yang sama diperoleh:

Z =  ai . X i

µz =  ai . µxi

Var. Z =  ai 2. Var xi

z2 =  ai 2. xi2
BEBERAPA SIFAT DISTRIBUSI NORMAL (6)

z 2x
E (z)  E (2x)  2 E (x)  2 x

z  E (z - z) 2  E (2x - 2 x ) 2
2
 E [4x  4 x  8x. x ]
2

2
 4E [x  x  2.x.x ]
2

 4{E(x) 2  E( x ) 2  2E(x.x )}
 4 Var x

Z = 2x Z = ax
𝜇z = 2 𝜇x 𝜇z = a 𝜇x
Var z = 4 Var X Var z = a2 var X
CENTRAL LIMIT THEOREM
 CENTRAL LIMIT THEOREM

Y = A+B+C+D+…
Di mana distribusi A ≠ B ≠ C ≠ D dan tidak ada yang dominan,
maka y akan mengikuti distribusi normal, dengan:

µy = µA + µB + µC + µD +…

Vary = VarA + VarB + VarC + VarD + …

jika i  independent.
MEAN & VARIANCE FUNGSI LINIER
MEAN DAN VARIANCE FUNGSI LINIER
1. Y = a.x+b
µy = a. µx + b
a & b = konstanta Var y = a2. var x

2. Y = a1 . x 1 + a 2 . x 2 µy = a1. µx1 + a2. µx2

a1 , a2 = konstanta Var y = a12. var x1+ a22. var x2 +
2 a1.a2 cov (x1,x2)

3 Y = a1 . x 1 - a 2 . x 2 µy = a1. µx1 - a2. µx12

a1 , a2 = konstanta Var y = a12. var x1+ a22. var x2 -
2 a1.a2 cov (x1,x2)

Cat: Untuk (2) & (3)  ingat jika X1 dan X2  stat. independent, maka
Cob (x1, x2) = 0.
PERKALIAN VARIAT BEBAS
 PERKALIAN VARIAT BEBAS

Jika: Z = X1 . X2. X3

E [ Z ] = E [ X1] . E [X2] . E [(X3]

-- -- --
Var [Z] = E [ X12] . E [ X22] . E [ X32] - [ X1 . x2 . x3 ]
MEAN & VARIANCE FUNGSI UMUM
MEAN DAN VARIANCE FUNGSI UMUM (1)

1. Suatu fungsi y=g(x) dapat ditulis dalam bentuk Deret

Taylor untuk sebarang nilai x, yaitu:
2 3
dg 1 2 d g 1 3 d g
y  g ( x )  ( x  x )  ( x  x ) 2  ( x  x ) 3  .........
dx 2! d x 3! d x

2. Contoh:
a. Tulis: y=4x+3 dalam bentuk Deret Taylor untuk x=5
y  (4.5  3)  ( x  5).4  23  4 x  20  4 x  3

b. Tulis: y=2x2+5x dalam bentuk Deret Taylor untuk

x=5
1
y  (2.5 2  5.5)  ( x  5).(4 x  5)  ( x  5) 2 .4
2
 75  25 x  125  2.( x  10 x  25)  25 x  50  2 x 2  210 x  50
2

 2 x 2  5x
MEAN DAN VARIANCE FUNGSI UMUM (2)

Sehingga, y = g(x) dapat ditulis:

2 3
dg 1 2 d g 1 3 d g
y  g ( x )  ( x  x )  ( x  x ) 2  ( x  x ) 3  .........
dx 2! d x 3! d x

Orde 1 Orde 2 Orde 3

Diabaikan

Maka:
E ( y )  g ( x )
 dg 
y  g ( x )  ( x  x )   dy 
2

 dx  x  x Var ( y )    x  x .Varx
 dx 

y = g(x) dapat diperluas menjadi y = g(x,z,p)

Y akan mengikuti PDF normal jika dominasi tambah kurang
dan akan mengikuti pdf lognormal jika dominasi kali bagi
SELESAI