document1
DESCRIPTION
mmTRANSCRIPT
1.
VARIABEL RANDOM DANDISTRIBUSINYA
Pada bab I ini, berisi tentang pengertian variabel random, fungsi kepadatan peluang, dan
fungsi distribusi pada variabel random diskrit ataupun variabel random kontinu.
Sehingga, mahasiswa diharapkan dapat:
1. Menjelaskan Variabel Random
2. Menentukan pdf dan CDF dari variabel random
3. Membedakan variabel random diskrit dan kontinu
4. Menghitung nilai ekspektasi, fungsi pembangkit momen dan momen
faktorial
Bidang statistika berkaitan dengan penarikan inferensi tentang populasi dan sifat
populasi. Berbagai eksperimen yang dilakukan akan memberikan hasil dengan
bermacam kemungkinan yang terjadi. Misalkan sebuah perusahaan elektronik memiliki
persediaan televisi dengan kondisi kemungkinan baik (B) dan kemungkinan cacat (C).
Ruang sampel untuk setiap kemungkinan hasil bila tiga buah televisi diuji dapat ditulis
sebagai:
S = {BBB, BBC, BCB, CBB, BCC, CBC, CCB, CCC}
Jika kita ingin mengetahui berapa banyaknya cacat yang terjadi, maka tentunya kita akan
mengaitkan setiap titik di ruang sampel dengan suatu bilangan 0, 1, 2 atau 3. Bilangan ini
merupakan besaran acak yang ditentukan oleh hasil percobaan dan dapat dipandang
sebagai nilai yang dicapai oleh variabel random X, yaitu banyaknya barang yang cacat
bila tiga televisi di uji.
Definisi:
Variabel random adalah suatu fungsi yang mengaitkan suatu bilangan real pada
setiap unsur dalam ruang sampel.
Neva Satyahadewi, M.Sc. Page 1
1
1.
Contoh:
Dua buah lampu diambil satu per satu dari suatu kotak tanpa dikembalikan. Bila kotak
itu berisi 4 lampu merah (M) dan 3 lampu kuning (K), dan Y menyatakan jumlah lampu
merah yang diambil, maka y yang mungkin dari variabel random Y adalah
Ruang Sampel y
MK
MK
KM
KK
2
1
1
0
Jika suatu ruang sampel memuat titik yang berhingga banyaknya atau sederetan anggota
yang jumlahnya sebanyak bilangan bulat, maka ruang sampel itu di sebut ruang sampel
diskrit. Akan tetapi, hasil dari suatu percobaan statistika mungkin saja tak berhingga
atau pun tak terhitung. Contohnya penelitian mengenai jarak tempuh suatu sepeda
motor merek tertentu dengan 4 liter bensin. Bila dimisalkan jarak sebagai suatu peubah
yang diukur dengan suatu derajatketelitian tertentu, maka jelas bahwa kemungkinan
jarak yang ditempuh dalam ruang sampel tak berhingga banyaknya, sehingga tidak
mungkin disamakan dengan banyaknya bilangan bulat. Jika suatu ruang sampel memuat
titik sampel yang tak berhingga banyaknya dan jumlahnya sebanyak titik pada sepotong
garis, maka ruang sampel itu disebut ruang sampel kontinu.
1.1 Variabel Random Diskrit
Misalkan X adalah variabel random. Variabel random X dikatakan diskrit, jika daerah
hasilnya merupakan himpunan bilangan real yang terhingga. Suatu variabel random
diskrit dapat diketahui setiap nilainya dengan peluang tertentu. Dalam kasus
pelambungan mata uang logam sebanyak tiga kali, variabel random X menyatakan
banyaknya muka yang muncul, mendapatkan nilai 2 dengan peluang 3/8, karena tiga
dari 8 hasil yang berkemungkinan sama memberikan dua muka dan satu belakang.
Untuk lebih mudahnya, semua peluang suatu variabel random X dinyatakan dalam suatu
rumus, yang merupakan fungsi nilai numerik x yang akan dinyatakan dengan f(x), g(x),
dst.
Neva Satyahadewi, M.Sc. Page 2
1.
Definisi:
Himpunan pasangan terurut (x, f(x)) merupakan suatu fungsi peluang, atau fungsi
kepadatan peluang, atau distribusi peluang variabel random diskrit X, jika untuk
setiap kemungkinan hasil x memenuhi syarat:
1. f (x) ≥ 0
2. ∑
x
f ( x )=1
Dinotasikan P(X = x) = f (x)
Contoh:
Saat pengiriman 8 printer ke suatu toko, terdapat 3 diantaranya cacat. Jika seseorang
membeli 2 printer tersebut secara acak, hitunglah besarnya fungsi kepadatan peluang
untuk printer yang cacat!
Jawab:
Misalkan X variabel random dengan nilai x adalah banyaknya kemungkinan printer yang
cacat yang dibeli seseorang. Maka x dapat memperoleh setiap nilai 0, 1, dan 2.
Selanjutnya,
f (0)=P( X=0)=(3¿ )¿¿
¿¿¿¿
¿¿
Jadi, fungsi kepadatan peluang X
x 0 1 2
Neva Satyahadewi, M.Sc. Page 3
1.
f (x)
1028
1528
228
1.2 Variabel Random Kontinu
Misalkan X adalah variabel random. Variabel random X dikatakan kontinu, jika daerah
hasilnya merupakan sebuah interval pada garis bilangan real. Suatu variabel random
kontinu, mempunyai peluang nol pada setiap titik x. Karena itu, distribusi peluangnya tak
mungkin disajikan dalam bentuk tabel, melainkan disajikan dalam bentuk rumus. Rumus
seperti itu merupakan fungsi dari nilai yang berbentuk bilangan (numeric) dari peubah
kontinu X yang dapat dinyatakan dengan lambang fungsi f (x).
Definisi:
Fungsi f(x) adalah fungsi kepadatan peluang variabel random kontinu X, yang
didefinisikan oleh himpunan semua bilangan real R, jika memenuhi syarat:
1. f ( x )≥0 untuk semua x∈ R
2. ∫−∞
∞
f ( x )dx=1
Dinotasikan : P (a < X < b) = ∫a
b
f ( x )dx
Teorema:
Jika X adalah variabel random kontinu, a dan b adalah dua konstanta real dengan
a ≤ b maka:
P (a ≤ X ≤b )=P (a ≤ X<b )=P (a< X ≤ b )=P(a< X<b)
Bukti dari teorema tersebut dijadikan sebagai latihan bagi pembaca.
Contoh:
Suatu variabel random X mempunyai fungsi kepadatan peluang sebagai berikut
f ( x )=¿ {x2
3, untuk −1<x<2¿ ¿¿¿
¿¿
Neva Satyahadewi, M.Sc. Page 4
1.
Tunjukkan bahwa syarat 2 dari definisi pdf variabel random kontinu dipenuhi dan
hitunglah P(0<X¿ 1).
Jawab:
∫−∞
∞
f ( x )dx=∫−1
2x2
3dx=x3
9|−12 =8
9+1
9=1
P (0<X≤1)=∫0
1x2
3dx=x3
9|01=1
9
1.3 Fungsi Distribusi
Dalam bermacam persoalan menghitung nilai peluang, sering ditemukan bahwa nilai
amatan variabel random X akan lebih kecil atau sama dengan suatu bilangan real x. Bila
F(x) = P(X¿ x), untuk setiap bilangan real x, maka F(x) disebut sebagai distribusi
kumulatif variabel random X.
Definisi:
Misalkan X adalah variabel random. F didefinisikan sebagai fungsi distribusi kumulatif
atau fungsi distribusi saja, dinotasikan dengan F(x), dengan:
F ( x )=P( X≤x )
Selanjutnya diberikan definisi tentang penentuan fungsi distribusi untuk variabel
random diskrit. MIsalkan X adalah variabel random diskrit, maka fungsi distribusinya
adalah
F ( x )=∑u≤ x
p (u)
JIka X mempunyai nilai-nilai yang banyaknya terhingga, yaitu x1, x2, … , xn; maka fungsi
distribusinya diberikan dengan:
F ( x )={0 ; x<x1
p ( x1 ) ; x1≤ x ≤ x2
p ( x1 )+ p ( x2) ; x2≤ x ≤ x3
⋮p ( x1 )+ p ( x2 )+…+p ( xn ) ; xn ≤ x
Neva Satyahadewi, M.Sc. Page 5
1.
Untuk menghitung peluang dari variabel random yang mempunyai nilai antara dua
harga dapat dilakukan berdasarkan fungsi peluangnya. Disamping itu, nilai peluang
tersebut dapat diperoleh berdasarkan fungsi distribusinya dengan menggunakan rumus:
P (a ≤ X ≤b )=FX (b )−F X (a)
Dengan a dan b adalah dua buah bilangan real, dan a<b.
Untuk variabel random kontinu, penentuan fungsi distribusinya dapat dilihat dalam
definisi berikut.
Definisi:
Jika X adalah variabel random kontinu dengan fungsi kepadatan peluangnya f(x),
maka fungsi distribusinya diberikan dengan:
F ( x )=∫−∞
∞
f ( x ) dx
Contoh:
Variabel random X mempunyai pdf:
f ( x )=¿ {x2 , 0<x≤1¿ {23
,1<x<2 ¿ ¿¿¿
Tentukanlah fungsi distribusi kumulatif F(x).
Jawab:
Untuk x≤0 , diperoleh F ( x )=∫
−∞
x
f ( t )dt=0
Untuk 0<x≤1 ,diperoleh F ( x )=∫
−∞
x
f ( t )dt=∫−∞
0
0 dt+∫0
x
t 2 dt=13
t 3
Untuk 1<x≤2 ,diperoleh F ( x )=∫
−∞
x
f ( t )dt=∫−∞
0
0 dt+∫0
1
t 2 dt+∫1
x23
dt=13+ 2
3( x−1)
Neva Satyahadewi, M.Sc. Page 6
1.
Untuk x > 2, diperoleh F ( x )=∫
−∞
x
f ( t )dt=∫−∞
0
0 dt+∫0
1
t 2 dt+∫1
223
dt+∫2
x
0 dt=1
Jadi fungsi distribusi kumulatifnya adalah:
F ( x )=¿ {0 , x≤0 ¿ {13
x3 , 0<x≤1¿ {13+ 2
3( x−1 ) ,1<x≤2 ¿ ¿¿¿
Fungsi distribusi pada pembahasan sebelumnya diperoleh berdasarkan fungsi kepadatan
peluangnya. Sebaliknya, dapat juga ditentukan fungsi kepadatan peluang apabila fungsi
distribusinya diketahui.
Teorema:
Jika f(x) dan F(x) masing-masing merupakan nilai fungsi kepadatan peluang dan nilai
fungsi distribusi dari variabel random kontinu X di x, maka:
P (a ≤ X ≤b )=F (b )−F (a)
Untuk beberapa konstanta real a dan b, dengan a ≤ b dan
f ( x )=dF (x )dx
Apabila hasil turunannya atau diferensialnya ada.
1.4 Nilai Ekspektasi dan Beberapa Sifatnya
1.4.1 Pengertian Ekspektasi
Bila dua uang logam dilambungkan 16 kali dan X adalah banyaknya muncul muka pada
setiap lambungan, maka X dapat bernilai 0, 1, dan 2. Misalkan percobaan itu
menghasilkan tidak ada muka, satu muka dan dua muka, masing-masing sebanyak 4, 7
dan 5 kali, maka nilai harapan banyaknya muka per lambungan dua uang logam tadi
adalah
Neva Satyahadewi, M.Sc. Page 7
1.
(0 )(4 )+(1 )(7)+(2)(5 )16
=1, 06
Ini adalah nilai rata-rata dan tidak perlu menyatakan suatu hasil yang mungkin muncul
bagi percobaan tadi.
Selanjutnya, akan dihitung nilai rata-rata dengan menggunakan nilai harapan variabel
random X atau nilai harapan distribusi peluang X atau ekspektasi matematika dan
ditulis sebagai μx ¿¿.
Definisi:
Misalkan X suatu variabel random dengan distribusi peluang f(x). Nilai harapan
atau nilai harapan X ialah
μ=E ( X )=∑x
x . f ( x ) ,untuk X diskrit,
dan
μ=E ( X )=∫−∞
∞
x . f ( x )dx, untuk X kontinu.
Contoh:
Misalkan X variabel random yang menyatakan umur dalam jam sejenis bola lampu.
Fungsi kepadatan peluangnya diberikan oleh
f ( x )=¿ {20 .000
x3, x>0 ¿ ¿¿¿
Hitunglah harapan umur jenis bola lampu tersebut.
Jawab:
μ=E ( X )=∫100
∞
x .20 . 000
x3dx=200
Jadi, jenis bola lampu tersebut dapat diharapkan, rata-ratanya berumur 200 jam.
Neva Satyahadewi, M.Sc. Page 8
1.
Selanjutnya, pandanglah variabel random baru g(X) yang bergantung pada X yaitu, tiap
nilai g(X) dapat ditentukan bila diketahui nilai X. Misalnya, bila X variabel random diskrit
dengan distribusi peluang f(x), x = -1, 0, 1, 2, dan g(X) = X2, maka
P[g(X) = 0] = P(X = 0) = f(0)
P[g(X) = 1] = P(X = -1) + P(X = 1) = f(-1) + f(1)
P[g(X) = 4] = P(X = 2) = f(2)
Jadi, distribusi peluang g(X) dapat ditulis sebagai:
g(x) 0 1 4
P[ g(X) = g(x) ] f(0) f(-1) + f(1) f(2)
Menurut definisi nilai harapan variabel random diperoleh:
μg(X )=E [ g ( X ) ]=0. f (0 )+1 [ f (−1 )+f (1 ) ]+4 . f (2)
=(−1 )2 f (−1 )+(0 )2 f (0 )+(1 )2 f (1 )+(2 )2 f (2 )
=∑
x
g ( x ) f ( x )
Teorema:
Misal X suatu variabel random dengan distribusi peluang f(x). Nilai harapan atau
nilai harapan variabel random g(X) adalah
μg(x )=E [ g( X ) ]=∑ g( x ) f ( x ) , bila¿ X ¿diskret ¿ μg (x )=E[ g ( X )]=∫−∞
∞
g( x ) f ( x )dx , bila¿ X ¿kontinu ¿
¿¿
Bukti dari teorema tersebut dijadikan sebagai latihan bagi pembaca.
1.4.2 Beberapa Jenis Ekspektasi Matematika
Nilai harapan atau nilai harapan suatu variabel random X mempunyai peran khusus
dalam statistika karena menggambarkan letak pusat distribusi peluang. Akan tetapi, nilai
harapan itu sendiri tidak memberikan keterangan yang cukup mengenai bentuk
distribusinya.
Definisi:
Misalkan X variabel random dengan distribusi peluang f(x) dan nilai harapan μ .
Variansi X adalah
Neva Satyahadewi, M.Sc. Page 9
1.
σ 2=E [ ( X−μ )2 ]=∑x
( x−μ )2 f ( x ), untuk X diskrit dan
σ 2=E [ ( X−μ )2 ]=∫−∞
∞
( x−μ )2 f ( x )dx, dengan X kontinu.
Akar positif variansi, σ , disebut simpangan baku X.
Rumus σ 2 lain yang lebih sederhana, diberikan oleh teorema berikut:
Teorema:
Variansi variabel random X adalah
σ 2 = E(X2) - μ 2
atau
σ 2 = E(X2)- (E(X))2
Bukti dari teorema tersebut dijadikan sebagai latihan bagi pembaca.
Selanjutnya, pengertian variansi variabel random X akan diperluas, sehingga mencakup
variabel random yang berkaitan dengan X. Untuk variabel random g(X), variansinya akan
dinyatakan dengan σ 2g(X) dan dihitung dengan menggunakan teorema berikut.
Teorema:
Misalkan X adalah variabel random dengan distribusi peluang f(x).
Maka variansi variabel random g(X) adalah
σ 2g(X) =
E {[ g ( X )−μg (X ) ]2}=∑
x
[ g( x )−μg (X ) ]2 f (x )
untuk X diskrit, dan
σ 2g(X) =
E {[ g ( X )−μg (X ) ]2}=∫
−∞
∞
[ g ( x )−μg(X ) ]2 f ( x )dx
untuk X kontinu.
Bukti dari teorema tersebut dijadikan sebagai latihan bagi pembaca.
Neva Satyahadewi, M.Sc. Page 10
1.
Selanjutnya akan diberikan beberapa sifat yang berguna untuk menyederhanakan
perhitungan nilai harapan dan variansi variabel random. Sifat tersebut memungkinkan
untuk menyatakan nilai harapan dalam parameter lain yang diketahui ataupun
memudahkan perhitungan.
Teorema:
1. Bila a dan b tetapan, maka :
a. E (X + a) = E(X) + a
b. E(aX) = aE(X)
c. E (aX + b) = aE (X) + b
2. E [ g( X )±h ( X ) ]=E[ g ( X ) ]±E[ h( X ) ]
3. Bila a dan b adalah tetapan, maka :
a. Var (a) = 0
b. Var (X + a) = Var (X)
c. Var (aX) = a2 Var (X)
d. Var (aX + b) = a2 Var (X)
1.5 Fungsi Pembangkit Momen
Pada sub bab ini akan dibahas tentang momen distribusi dan fungsi pembangkit momen
(Moment Generation Function). Manfaat dari fungsi pembangkit momen adalah untuk
menentukan momen distribusi. Selain itu, manfaat terpenting yaitu untuk mencari
distribusi dari fungsi variabel random.
Definisi:
Momen ke r di sekitar titik asal dari variabel random X dinyatakan oleh
Neva Satyahadewi, M.Sc. Page 11
1.
Momen sekitar rerata ke k dari variabel random X dinyatakan oleh
μk0=E [ ( X−μ )k ]
¿ { ∑x
( X−μ )k p (x); untuk X diskrit
∫−∞
∞
( X−μ )k f ( x ) dx ; untuk X kontinu
Dengan μ=μ1=E ( X )=momen pertama pada X.
Fungsi pembangkit momen diperoleh dari E(etx) dan dinyatakan dengan MX(t).
Jadi,
Apabila MX(t) dideferensialkan terhadap t sebanyak r kali kemudian t disamakan dengan
nol, maka akan diperoleh:
M Xr (t )=E ( X r )=μr
'
Teorema:
Jika X adalah variabel random dan MX(t) adalah fungsi pembangkit momennya,
maka:
dr M X (t)dt r ∨t=0=μr
'
Misalkan lX (t) = ln MX(t), maka:
lX (0) = ln MX(0) = ln 1 = 0
Selanjutnya, dapat dibuktikan sebagai latihan, bahwa
l X' (0 )=μ
l X} left (0 right ) = {σ} ^ {2¿
Neva Satyahadewi, M.Sc. Page 12
1.
Berikut ini adalah beberapa sifat dari fungsi pembangkit momen yang dapat digunakan
untuk menyederhanakan perhitungan fungsi pembangkit momen, yaitu:
1. (Teorema Ketunggalan)
Misalkan X dan Y dua variabel random masing-masing dengan fungsi
pembangkit momen MX(t) dan MY(t). Jika MX(t) = MY(t) untuk semua nilai t, maka
X dan Y mempunyai distribusi peluang yang sama.
2. Jika Y = X + b, maka MY (t) = M X+b(t) = ebt MX(t)
3. Jika W = aX, maka MW(t) = MaX (t) = MX(at)
4. Jika S= aX+b
c , maka MS(t) = M aX+b
c
( t )=
ebc
tM X( a
c.t )
5. Bila X1, X2, …,Xn variabel random bebas dengan fungsi pembangkit momen
masing-masing M X1
( t ) , M X2( t ) ,. . ., M X
n(t )
dan Y = X1 + X2 +…+ Xn , maka
MY(t) = M X1
( t ) M X2( t ) .. . M X
n( t )
Bukti sifat nomor 2, 3, dan 4 dapat digunakan sebagai latihan.
1.6 Momen Faktorial
Momen faktorial ke k pada variabel random X didefinisikan sebagai
E [ X ( X−1 ) … ( X−k+1 ) ]Dan fungsi pembangkit momen factorial pada X didefinisikan sebagai
G X (t )=E (t X)
jika ekspektasi ini ada untuk semua t dalam 1-h<t<1+h.
Fungsi pembangkit momen faktorial biasa juga disebut fungsi pembangkit peluang.
Hubungan antara fungsi pembangkit momen factorial terhadap fungsi pembangkit
momen adalah
G X (t )=E (t X )=E (e Xlnt )=M X (lnt )
SOAL LATIHAN
Neva Satyahadewi, M.Sc. Page 13
1.
1. Misalkan dilakukan pengundian dua buah koin yang setimbang sekaligus,
dengan sisinya berupa gambar dan baliknya berupa angka. Jika X menunjukkan
banyaknya angka yang muncul, maka:
a. Apakah X merupakan variabel random?
b. Apakah X merupakan variabel random diskrit?
2. Tentukan nilai c sehingga tiap fungsi berikut dapat disebut sebagai distribusi
peluang variabel random diskrit X:
a. f ( x )=c ( x2+4 )untuk x = 0, 1, 2, 3
b. f ( x )=calignl [ 2¿ ]¿
¿¿¿
untuk x = 0, 1, 2
3. Jika kita mengundi dua mata uang logam Rp 50, yang setimbang sekaligus,
diperoleh distribusi peluang sebagai berikut:
x 0 1 2
p(x) 0,25 0,5 0,25
Dengan X menunjukkan banyaknya huruf “BANK INDONESIA” muncul.
Tentukanlah F(x).
4. Suatu bank menawarkan obligasi bagi langganannya dengan jatuh tempo yang
berlainan. Bila distribusi kumulatif T diketahui, lamanya dalam tahun sampai
jatuh tempo, diberikan oleh:
Neva Satyahadewi, M.Sc. Page 14
1.
F ( t )=¿ {0 , t<1 ¿ {14
, 1≤t <3 ¿ {12
, 3≤t <5 ¿ {34
, 5≤t <7 ¿ ¿¿¿ Carilah: a. P (T = 5), b. P ( T > 3)
5. Suatu variabel random kontinu X yang mempunyai nilai antara x = 1 dan x = 3
mempunyai fungsi kerapatan peluang f(x) = ½.
a. Tunjukkan bahwa luas di bawah kurva itu 1
b. Cari P (2 < X < 2,5)
c. Cari P (1,4 < T < 6)
6. Pada pelambungan mata uang logam setimbang 8 kali, misalkan X menyatakan
frekuensi munculnya sisi G. Tentukanlah harga ekspetasi dan variansnya!
7. Seorang tukang cuci mobil dibayar berdasarkan banyaknya mobil yang mereka
cuci. Misalkan peneriaman perhari, dalam ribuan rupiah, 7, 9, 11, 13, , 15, atau
17 dengan peluang masing-masing 1/12, 1/12, ¼, ¼, 1/6, dan 1/6. Cari ekspetasi
penghasilan mereka sehari.
8. Misalkan fungsi peluang dari variabel random X berbentuk:
p(x) = 1/3 ; x = 1, 2, 3.
Hitunglah momen sekitar rerata ke 3.
9. Misalkan fungsi peluang dari variabel random X adalah p ( x )=14 (2
x ); x=0,1,2
a. Tentukan fungsi pembangkit momen dari X.
b. Hitunglah μ1' dan μ2
' berdasarkan hasil fungsi pembangkit momen.
Neva Satyahadewi, M.Sc. Page 15
1.
10. Buktikan bahwa M cX ( t )=M X (ct ) untuk X suatu variabel random dan c adalah
suatu konstanta.
Neva Satyahadewi, M.Sc. Page 16