BAB 4 - Fungsi Dari Variabel Acak - 310309
BAB 4 - Fungsi Dari Variabel Acak - 310309
BAB IV
FUNGSI DARI VARIABEL ACAK – TRANSFORMASI FUNGSI DISTRIBUSI
oleh:
Rizal Zainuddin Tamin
p.d.f
N ( μx, x )
a X (rv)
- Sifat : Simetris
- Variabel :X
- Parameter : X, X
- Konstanta : 2 ; -½
DISTRIBUSI NORMAL (2)
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)
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)
335 328
0,47 0,680823
15
68,0823%
x
0 328 335
CONTOH. 1 (2)
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) =
1 1 ln x 2
f X x exp 0 x
.x 2 2
P x a exp dx
0 . x 2 2
1 2 2
ln X ; ln1 2
2
2
jika 0,3 maka COV
DISTRIBUSI NORMAL LOGARITMIS (2)
x
a b Transformasi variabel
ln x
z
b
1 1 ln x 2
Pa x b exp dx
a . x 2 2
ln b ln a
P a x b
DISTRIBUSI NORMAL LOGARITMIS (4)
Ln Xm =
CONTOH. 1 (1)
2 2
CONTOH. 1 (2)
a. P (x ≤ 335 kg/m2)
ln 335 5,79
0,48 0,684387
0,05
68,4387%
x
0 328 335
CONTOH. 1 (3)
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%
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 ( 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
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)
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)
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)
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)
T E T t. pq t 1 p 1 2q 3q 2 ...
t 1
5 5!
Px 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
PTk t p q untuk t k , k 1,...
k 1
PTk t 0 untuk t k
t 1 k 1 t k
PTk t p q p
k 1
CONTOH
5 1
PT2 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 :
PX 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)
v
60
1 peristiwa/menit PX 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)
10
P(Xt=x)=
P(Xt=0)=
CONTOH. 2 (2)
b. 4 rainstorm terjadi tahun depan.
P ( Xt = 4 ) =
P ( Xt 2 ) = 1 – P ( X t = 0 ) – P ( X t = 1 )
= 1 – 0.018 –
DISTRIBUSI EKSPONENSIAL
DISTRIBUSI EKSPONENSIAL (1)
dF
f T 1 t v.e vt t0
dt CDF of useful life T
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
PT1 2 1 e 0 , 25.( 2 ) 0,393
b. Tidak terjadi kerusakan dalam 10 tahun mendatang?
FTk t P X t x 1
k 1 vt x
e vt
xk 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:
vvt
k 1
f Tk t e v t t0
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 vvt
k 1
f T 1 t e f Tk t e v t t0
6 k 1!
b. Waktu sampai dengan kecelakaan kedua, dinyatakan oleh distribusi
gamma :
1 t t6
f T 2 t e
66
c. Sedangkan waktu sampai kecelakaan ketiga adalah::
2
1 1 t t6
f T 3 t . e
2 66
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;
m N m
x n x
PX 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
nx
1 6 1 PX 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 xb
Bq, r b a q r 1
Di mana, q dan r adalah parameter distribusi dan B(q,r) adalah fungsi beta.
Bq, r x q 1 1 x dx
1
r 1
Bx q, r y 1 y
r 1
q 1
dy 0 x 1
0
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
Px1 X x2 dx
X1
B q , r b a q r 1
xa
jika y ; Juga diperoleh:
ba
bx dx
(1 y ) dan dy
ba ba
DISTRIBUSI BETA (5)
Maka persamaan menjadi :
xb2aa x1 a
b a
1
Px1 X x2 y 1 y dy y 1 y dy
q 1 r 1 q 1 r 1
Bq, r 0 0
Jika:
x2 a x1 a
u dan v
ba ba
Maka persamaan probailitas dapat dihitung sebagai berikut:
Px1 X x2 (u q, r ) (v q, r )
q
X a b a
qr
qr
X2 b a 2
q r 2 q r 1
- Nilai modus dari distribusi beta:
1 q
~
x a b a
2qr
- Koefisien kemencengan dari distribusi beta:
2r q b a
q r q r 2 x
CONTOH (1)
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.
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
c. Fx,y (, ) =1
- f ( x, y ) = f ( x/y ) . f ( y )
- f ( x, y ) = f ( y/x ) . f ( x )
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
E ( XY ) = E (x) . E (Y)
COVARIANCE DAN KORELASI (2)
2. Variance :
Jika Covariance:
a. >>> + ketergantungan besar (tanda sama);
b. = 0 tidak tergantung;
3. Koefisien Korelasi :
ρ : 1 = sangat tergantung;
0 = tidak tergantung;
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:
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
yN (2 x ,2 x )
2
FUNGSI VARIABEL ACAK TUNGGAL (3)
xx 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
yN (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)
zxy
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 )]
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
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 +…
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
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
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
2 x 2 5x
MEAN DAN VARIANCE FUNGSI UMUM (2)
Diabaikan
Maka:
E ( y ) g ( x )
dg
y g ( x ) ( x x ) dy
2
dx x x Var ( y ) x x .Varx
dx